1.马尔可夫预测及马尔可夫链
马尔可夫链:设{Xn}(n=0,1,2......)是一个随机序列,可以表示不同的状态(如染病,赚钱等)那么如果有人第一天处于状态1,第二天处于状态2......以此类推,我得知了他的前N天的所有状态,我想预测他的第N+1天的状态,则条件概率表达式为:
这也就代表着,我后一天的概率只与前一天的状态有关
时齐马尔科夫链:若对于一条马尔科夫链,满足条件:也就是某人第n天处于状态b,m天后处于状态a的概率为
那么则称这条马尔科夫链满足时齐性。我们想通过这个式子表达一种观念,即:从某种状态(b)转换到某种状态(a)的概率只与时间间隔有关,与起始时刻等均无关。
注:时齐性是由问题本身决定的(需要查文献)
当m=1时,所有的满足的矩阵叫做一步转移矩阵,一步转移概率则需要通过查阅资料后根据统计数据算估计值
2.具体操作过程:
设存在一个过程:状态只有4种
1 2 3 4 2 3 1 2......
那我们假设待求的状态为3,那么我们先统计3到其他状态,即在过程中3-1,3-2,3-3,3-4的次数分别为a,b,c,d那么一步转移矩阵的第三行就是:a/(a+b+c+d) b/(a+b+c+d) c/(a+b+c+d) d/(a+b+c+d).......通过这样的步骤我们就可以建立起整个一步转移矩阵,我们设其为P。然后我们通过估计可以算出起始行向量为,那么在经历n次后我们最终这个概率矩阵
=
,即可完成预测。
3.隐马尔可夫模型(HMM)基本概念
当我们想对一个特征进行预测时,如天气的好坏,降雨量的多少等,现有的数据集并没有包含该项特征,但该特征符合马尔可夫,我们可以通过一些可以观测到的特征,比如海藻的干燥情况来推断出降雨量的多少,这就是隐马尔科夫的核心思想。
数学定义:
为所有可能的状态(降雨量多少....)
为所有可观测的状态(海藻干不干....)
为长度为t的观测序列({干,不干,半干,干......})
为长度为t的状态序列({1000,500,1000......})
其中Q是不可见的,而V是可见的.
那么主要参数就只有三个:A,B,Π
(即t时刻为i状态t+1时刻变为j状态的概率)
(即t时刻状态为i的情况下观测到j的概率)
就是在t等于1的时候取到
的概率
4.三大基本问题
懒得写了,直接贴链接一文带你了解隐马尔可夫模型(含详细推导) - 知乎 (zhihu.com)