马尔可夫模型 | Python实现马尔可夫链与马尔可夫模型

---

效果一览

文章概述

马尔可夫链（有翻译为马尔科夫，英语：Markov chain），又称离散时间马尔可夫链（discrete-time Markov chain，缩写为DTMC，因俄国数学家安德烈·马尔可夫得名，为状态空间中经过从一个状态到另一个状态的转换的随机过程。 马尔可夫链在各种领域都有广泛的应用，包括自然语言处理、机器学习、统计学和物理学等。在城市研究中，马尔可夫链也有诸多种应用，其中一些主要领域包括城市规划、交通流量建模和城市增长模拟等。

研究内容

马尔可夫提出了一种表示现实世界随机系统和过程的方法，它能够编码依赖关系并随时间达到稳定状态。
当谈到大数定律的应用时，安德烈·马尔可夫(Andrei Markov)与帕维尔·涅克拉索夫(Pavel Nekrasov)并不一致，后者认为变量之间的独立性是必要的。
大数定律大致表述如下：当你收集独立样本时，随着样本数量的增加，这些样本的均值会收敛到总体的真实均值。
但是马尔可夫认为独立性并不是均值收敛的必要条件。因此，他着手定义了一个涉及依赖随机变量的过程中，随时间收敛于均值的方法。由于这种学术分歧，马尔可夫创造了一种描述随机系统或过程随时间演变的方法。
系统被建模为一系列状态，并且随着时间的推移，以特定的概率在状态之间转移。由于状态之间存在连接，它们形成了一个链条(chain)