What is a Kalman filter?

A Kalman filter is a recursive algorithm that estimates the hidden true state of a system from a stream of noisy measurements. It alternates a predict step, which projects the state forward using a model of how the system evolves, with an update step, which corrects that prediction using a new observation weighted by how much the filter currently trusts the model versus the sensor. The result is a running best estimate together with a mathematically exact measure of its own uncertainty.

What are process noise (Q) and measurement noise (R)?

Process noise Q represents how much the true hidden state is expected to drift or change on its own between observations — a small Q says demand is stable and predictable, a large Q says demand can genuinely shift quickly. Measurement noise R represents how unreliable each individual reading is — a small R says trust the point-of-sale signal strongly, a large R says the sensor is noisy and should be smoothed heavily. The ratio of Q to R sets the Kalman gain, and therefore how much weight new data gets relative to the filter's own forecast.

What is demand sensing and how does this relate to supply chains?

Demand sensing is the practice of continuously updating a short-term demand forecast using near-real-time signals such as point-of-sale scans, instead of waiting for a slow periodic forecast cycle. A Kalman filter is a natural fit because it fuses a statistical baseline forecast (the predict step) with fresh noisy signals (the update step) and produces both an estimate and a confidence interval, letting planners react faster to real shifts while ignoring one-off noise.

Why does the uncertainty band shrink and then jump back up?

The band width is the filter's own error covariance P, computed genuinely from the update equations, not a decorative effect. As consistent observations arrive, P shrinks because the filter becomes more confident in its estimate. When a regime shift is triggered, the true demand jumps but the filter's model has not accounted for that shift yet, so the next few innovations are large and P is pushed back up by the process noise term until the filter re-converges around the new level.

How should I tune Q and R while watching the simulation?

Try raising Q before triggering a regime shift and watch the estimate snap to the new level within a handful of observations, at the cost of a visibly noisier line day to day. Then lower Q back down and raise R, and watch the estimate become very smooth but noticeably slow to react to the same shift. There is no single correct setting — it is a genuine trade-off between responsiveness and stability that real demand planners have to make.

Головна▸ШІ та Машинне навчання▸Двигун Розпізнавання Попиту — Фільтр Калмана Наживо

📶 Двигун Розпізнавання Попиту — Фільтр Калмана Наживо

Спостерігайте, як справжній фільтр Калмана поєднує зашумлені сигнали точок продажу з базовим прогнозом попиту в реальному часі, звужуючи свою оцінку справжнього поточного попиту з надходженням нових спостережень.

AI & Machine Learning3DПросунутий60 FPS

Про цю симуляцію

Ця симуляція запускає справжній фільтр Калмана наживо в браузері, відстежуючи прихований справжній сигнал попиту з потоку зашумлених показань точок продажу. Кожен кадр фільтр виконує справжній крок прогнозу (проєктування стану вперед за допомогою моделі локального лінійного тренду), а потім справжній крок оновлення (коригування цього прогнозу наступним зашумленим спостереженням, зваженим коефіцієнтом підсилення Калмана, обчисленим із поточної коваріації похибки). Ніщо в оцінці чи смузі невизначеності не є сценарним — обидва напряму випливають із рекурсивних рівнянь коваріації.

🔬 Що показано

Прихована справжня крива попиту з власним трендом і сезонністю (жовтий пунктир), сирий зашумлений сигнал точок продажу, який фільтр насправді отримує (сірі точки), і жива оцінка фільтра (суцільна бірюзова) зі справжньою смугою невизначеності 1σ/2σ, обчисленою з матриці коваріації похибки P фільтра. Додаткова панель показує невизначеність σ і живий коефіцієнт підсилення Калмана з часом, тож ви можете бачити, як довіра фільтра зростає й спадає в реальному часі.

🎮 Як користуватися

Налаштуйте шум процесу Q (наскільки фільтр вважає, що справжній попит може змінюватися сам по собі) і шум вимірювання R (наскільки він довіряє кожному показанню точки продажу). Натисніть «Зміна режиму вгору/вниз», щоб ввести раптовий шок попиту, і спостерігайте, як фільтр повторно збігається — швидше з вищим Q, повільніше з нижчим Q. Перемикайте сезонність, змінюйте швидкість відтворення, крокуйте по одному спостереженню за раз або скидайте весь потік і фільтр.

💡 Чи знали ви?

Це та сама основна математика, яку NASA використовувала для наведення космічного корабля «Аполлон» на Місяць, і це той самий підхід, який сучасні платформи розпізнавання попиту використовують для поєднання повільних статистичних прогнозів зі швидкими зашумленими сигналами реального часу, такими як сканування точок продажу, тож склад може відреагувати на дефіцит запасів чи уповільнення, що насуваються, за кілька днів до того, як традиційний цикл прогнозування взагалі це помітить.

Часті питання

Що таке фільтр Калмана?

Фільтр Калмана — це рекурсивний алгоритм, який оцінює прихований справжній стан системи з потоку зашумлених вимірювань. Він чергує крок прогнозу, що проєктує стан вперед за допомогою моделі того, як система еволюціонує, із кроком оновлення, що коригує цей прогноз за допомогою нового спостереження, зваженого тим, наскільки фільтр наразі довіряє моделі порівняно з сенсором. Результатом є поточна найкраща оцінка разом із математично точною мірою власної невизначеності.

Що таке шум процесу (Q) і шум вимірювання (R)?

Шум процесу Q представляє, наскільки, як очікується, справжній прихований стан дрейфує чи змінюється сам по собі між спостереженнями — мале Q означає, що попит стабільний і передбачуваний, велике Q означає, що попит справді може швидко змінюватися. Шум вимірювання R представляє, наскільки ненадійне кожне окреме показання — мале R означає сильно довіряти сигналу точки продажу, велике R означає, що сенсор зашумлений і його слід сильно згладжувати. Співвідношення Q до R задає коефіцієнт підсилення Калмана, а отже, наскільки нові дані важать відносно власного прогнозу фільтра.

Що таке розпізнавання попиту та як це пов'язано з ланцюгами постачання?

Розпізнавання попиту — це практика безперервного оновлення короткострокового прогнозу попиту за допомогою майже реальночасних сигналів, таких як сканування точок продажу, замість очікування повільного періодичного циклу прогнозування. Фільтр Калмана природно підходить, бо поєднує статистичний базовий прогноз (крок прогнозу) зі свіжими зашумленими сигналами (крок оновлення) і виробляє як оцінку, так і довірчий інтервал, дозволяючи плановикам швидше реагувати на реальні зміни, ігноруючи одноразовий шум.

Чому смуга невизначеності звужується, а потім знову зростає?

Ширина смуги — це власна коваріація похибки P фільтра, обчислена справді з рівнянь оновлення, а не декоративний ефект. У міру надходження узгоджених спостережень P звужується, бо фільтр стає більш впевненим у своїй оцінці. Коли запускається зміна режиму, справжній попит стрибає, але модель фільтра ще не врахувала цю зміну, тож наступні кілька інновацій великі, і P знову зростає через член шуму процесу, доки фільтр повторно не збіжиться навколо нового рівня.

Як налаштовувати Q і R під час перегляду симуляції?

Спробуйте підвищити Q перед запуском зміни режиму й спостерігайте, як оцінка стрибає до нового рівня протягом кількох спостережень, ціною помітно шумнішої лінії день у день. Потім знову знизьте Q й підвищте R, і спостерігайте, як оцінка стає дуже плавною, але помітно повільно реагує на ту саму зміну. Немає єдиного правильного налаштування — це справжній компроміс між чутливістю та стабільністю, який мають робити реальні плановики попиту.

⚙ Під капотом

Справжній фільтр Калмана поєднує зашумлені сигнали точок продажу з базовим прогнозом попиту в реальному часі, звужуючи свою оцінку справжнього поточного попиту з надходженням нових спостережень.

Canvas 2DФільтр КалманаОцінка стануЛанцюг постачанняПрогнозування

3D · рушій Three.js / WebGL · ціль 60 кадрів/с · працює повністю на клієнті, без встановлення