马氏可夫链，时间序列模型

马氏科夫链：

定义： 现实世界中有很多这样的现象：某一系统在已知现在情况的条件下，系统未来时刻的情况只与现在有关，而与过去的历史无直接关系。比如，研究一个商店的累计销售额，如果现在时刻的累计销售额已知，则未来某一时刻的累计销售额与现在时刻以前的任一时刻累计销售额无关。描述这类随机现象的数学模型称为马氏模型。

马尔科夫链的思想：过去所有的信息都已经被保存到了现在的状态，基于现在就可以预测未来。

简单来说，随机过程就是使用统计模型一些事物的过程进行预测和处理 ，比如股价预测通过今天股票的涨跌，却预测明天后天股票的涨跌；天气预报通过今天是否下雨，预测明天后天是否下雨。这些过程都是可以通过数学公式进行量化计算的。通过下雨、股票涨跌的概率，用公式就可以推导出来 N 天后的状况。

马尔科夫链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，该过程要求具备“无记忆性 ”，即下一状态的概率分布只能由当前状态决定，在时间序列中它前面的事件均与之无关。这种特定类型的“无记忆性 ”称作马尔可夫性质。

马尔科夫链认为过去所有的信息都被保存在了现在的状态下了 。比如这样一串数列 1 - 2 - 3 - 4 - 5 - 6，在马尔科夫链看来，6 的状态只与 5 有关，与前面的其它过程无关。

转移概率矩阵：

上图中有 A 和 B 两个状态，A 到 A 的概率是 0.3，A 到 B 的概率是 0.7；B 到 B 的概率是 0.1，B 到 A 的概率是 0.9。

初始状态在 A，如果我们求 2 次运动后状态还在 A 的概率是多少？非常简单： P = A → A → A + A → B → A = 0.3 ∗ 0.3 + 0.7 ∗ 0.9 = 0.72 如果求 2 次运动后的状态概率分别是多少？初始状态和终止状态未知时怎么办呢？这是就要引入转移概率矩阵 ，可以非常直观的描述所有的概率。

计算：

matrix = np.matrix([[0.9, 0.075, 0.025],
                    [0.15, 0.8, 0.05],
                    [0.25, 0.25, 0.5]], dtype=float)
vector1 = np.matrix([[0.3, 0.4, 0.3]], dtype=float)

for i in range(100):
    vector1 = vector1 * matrix
    print('Courrent round: {}'.format(i+1))
    print(vector1)

平稳分布：

直观上，如果马尔可夫链的平稳分布存在，那么以该平稳分布作为初始分布，面向未来进行随机状态转移，之后任何一个时刻的状态分布都是该平稳分布

马尔可夫链可能存在唯一平稳分布，无穷多个平稳分布，或不存在平稳分布 (当离散状态马尔可夫链有无穷多个状态时，有可能没有平稳分布)。但 如果马尔可夫链的转移矩阵为随机矩阵，则一定存在平稳分布

应用领域：

语音识别，文本标识，路径辨识，天气预测等方面

时间序列模型：

时间序列模型是一种用于预测基于时间序列数据的统计模型。它可以帮助我们了解数据的变化模式，预测未来的趋势，以及解决一些基于时间序列数据的问题，如市场趋势分析、气象预测、金融市场预测等。

时间序列模型的基础知识包括以下几个方面：

时间序列数据：时间序列数据是指一组按照时间顺序记录的数据，如每日股票指数、每月气温、每小时客流量等。时间序列数据具有动态性，即数据在不同的时间点上具有不同的值。

趋势分析：趋势分析是时间序列模型的基础，它通过观察数据随时间变化的趋势，将数据按照时间先后进行分类，从而更好地理解数据的动态性。趋势分析通常包括季节性趋势、长期趋势和周期性趋势等。

时间序列模型种类：时间序列模型可以根据不同的原理和方法分为多种类型，如ARIMA模型、指数平滑模型、神经网络模型等。每种模型都有其独特的的特点和适用范围，需要根据具体问题选择合适的模型。

预处理数据：预处理数据是时间序列模型的基础操作，包括数据清洗、缺失值填充、数据标准化等。预处理数据的目的是为了保证模型的准确性和稳定性。

模型评估：模型评估是时间序列模型的重要环节，它通过比较模型预测结果和实际数据之间的差异来评估模型的准确性和稳定性。常见的评估指标包括均方根误差、平均绝对误差等。

实践应用：时间序列模型在多个领域都有广泛的应用，如金融市场预测、气象预测、健康状况预测等。例如，通过分析气象数据，可以预测未来的天气情况，从而做好应对措施。通过分析健康数据，可以预测未来的疾病发病率，从而制定相应的预防措施。