马尔科夫链（Markov chain, Markov model）讲解（一阶和高阶）及其应用（建模数据预测）

本文简单讲解其概念（包括一阶，二阶和高阶链）及应用（如何通过建模进行数据预测）

概括的来说，马尔科夫链是基于统计的数学模型。

那么，什么叫基于统计？列举一个生活中最常见的场景。当我们使用输入法打字的时候，输入法会自动弹出联想文字。这在写一些非常用名词的时候特别明显，比如名字。例如某人叫奥利维尔，我们第一次输入这个名字时，需要完整且正确的拼写每一个字，否则就成了奥力威尔之类的词。但多次输入后，就会直接弹出奥利维尔，甚至我们可能仅仅只需要输入奥，输入法就会自动联想出奥利维尔这个完整名词。输入法内部的处理其实就包含了马尔科夫链的处理逻辑：当用户经常输入某个词组时，该词组的使用频率变高，因此用户仅仅只输入了该词组的开头时，也有很大的可能性是想输入这个词组，该联想的提示优先级就更高。

举这个例子是想传达一个基本的思想，即马尔科夫链的模型的建立是基于历史数据的。那么，如何从历史数据中进行统计，并建立马尔科夫模型？这需要从马尔科夫链的定义开始讲起。

马尔科夫链是反映了对象状态变化的过程的数学模型。

我们仍然从一个例子出发。我们现在掌握了一些历史数据，记录了某地近一年内（2021年）每天的天气情况，天气的类型我们简单定义为阴天，晴天，雨天。历史数据可以展示如下
1.1晴，1.2 晴， 1.3 阴， 1.4 雨…12.30 雨，12.31 雨。
这里的天气类型，我们可以看作对象的状态。例如阴天为状态1，晴天为状态2，雨天为状态3。
那么历史数据可以改写为
1.12，1.2 2， 1.3 1， 1.4 3…12.30 3，12.31 3。
可以将其看作一个长度为365的长列表
[2，2，1，3…3，3]
目前我们已经有了2021年的历史数据，现在我们想要做的是，预测2022年某一天的未来的天气。

当然，这个例子本身实用性是很差的，因为使用马尔科夫预测天气效果并不好，这里仅仅是举个现实生活中的例子帮助理解马尔科夫链的建模过程。

现在我们利用马尔科夫链预测明天的天气。这里我们有多种选择，例如我们用今天的天气来预测明天的天气，或者我们用昨天和今天的天气来进行预测，甚至我们用近一周的天气来进行预测。直觉上，我们仅用今天的天气来预测的准确性，低于我们用更长时间的天气来预测的准确性。
这里已经包含了马尔科夫链的阶数的概念。已知今天预测明天，需要建立一阶马尔科夫链；已知两天（昨天，今天）预测明天，需要建立二阶马尔科夫链，以此类推到n阶马尔科夫链。

n阶马尔科夫链描述为，下一个阶段的状态，仅和前n个阶段的状态有关。

下一步为数据统计，我们以建立一阶马尔科夫链为例。对于一阶链，我们需要从当前状态预测下一状态。这引出了马尔科夫链的关键工具：概率状态转移矩阵。现在我们需要做如下概率统计：
当前状态为1，下一状态为1的概率（P11）
当前状态为1，下一状态为2的概率（P12）
当前状态为1，下一状态为3的概率（P13）
当前状态为2，下一状态为1的概率（P21）
当前状态为2，下一状态为2的概率（P22）
当前状态为2，下一状态为3的概率（P23）
当前状态为3，下一状态为1的概率（P31）
当前状态为3，下一状态为2的概率（P32）
当前状态为3，下一状态为3的概率（P33）
并把它们放入一个3*3的矩阵。
例如计算当前状态为1，下一状态为2的概率。我们需要在长列表中中找出为1，2的短列表个数，这样我们得到了频数，就能算出频率并近似看作概率。
于是我们得到了这样一个概率状态转移矩阵
P11 P12 P13
P21 P22 P23
P31 P32 P33
它的值可能为
0.1 0.3 0.6
0.2 0.5 0.3
0.4 0.4 0.2
需要注意的是，每行的和一定是1，因为只能向有限的状态转移。例如当前状态是2，那么下一个状态只能是1，2或者3。

从概率状态转移矩阵计算出累计状态转移矩阵

计算过程为其左边的数累加。从上面的概率状态转移矩阵计算出的累计状态转移矩阵为
0.1 0.4 1
0.2 0.7 1
0.4 0.8 1
概率状态转移矩阵正确的话，算出来的累计状态转移矩阵最右列一定为1。

状态预测

生成一个0-1的随机值，并作为阈值和第x行数据进行比较，x是当前状态的值。例如当前状态为2，就和第二行数据比较。如果阈值大于等于该行第y列且小于该行第y+1列，则下一状态的值预测为y+1（小于第一列则下一状态为1）。以此类推。

高阶链建模，公式及状态预测详细过程等请阅读Synthetic High-Resolution Wind Data Generation Based on Markov Model