1.什么是马尔科夫链
马尔可夫链,又称离散时间马尔可夫链,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”的性质: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。(来自数学中国公众号)
在马尔可夫链的每一步,系统根据概率分布,可以从一个状态变到另一个状态,也可以保持当前状态。状态的改变叫做转移,与不同的状态改变相关的概率叫做转移概率。
2.马尔科夫链简单定义公式
3.马尔科夫链原理
马尔科夫链原理依赖于转移矩阵和转移图来描述状态的变化。转移矩阵,作为一个二位数组,明确了从一个状态到另一个状态的转移概率【在实际建模过程中,我认为这个概率是比较难找到的,因为要通过大数据来计算这个概率】。而转移图则直观地展示了这些状态间的转移关系,为理解和分析提供了便捷可视化工具
4.马尔科夫链收敛条件
首先,马尔科夫链要能收敛,需要满足以下条件:
1.可能的状态数是有限的。
2.状态间的转移概率需要固定不变。
3.从任意状态能够转变到任意状态。
4.不能是简单的循环,例如全是从x到y再从y到x。
5.简要代码
import numpy as np
# 定义天气状态
weather_states = ['Sunny', 'Cloudy', 'Rainy']
# 定义转移概率矩阵
#transition_matrix[i, j] 表示从状态 weather_states[i] 转移到 weather_states[j] 的概率。
transition_matrix = np.array([[0.7, 0.2, 0.1],
[0.3, 0.6, 0.1],
[0.2, 0.3, 0.5]])
# 初始状态概率
# 初始状态的概率分布是:晴天(Sunny)60%,多云(Cloudy)30%,雨天(Rainy)10%。
initial_state = np.array([0.6, 0.3, 0.1])
# 生成状态序列的函数
def generate_weather(num_days):
# 初始化天气序列
weather_sequence = []
# 初始状态
#随机选择一个天气作为当前的初始天气
current_weather = np.random.choice(weather_states, p=initial_state)
weather_sequence.append(current_weather)
# 生成天气序列
#只根据当前天气来选择,如果是晴天就选择第一行,与之前的天气没有关系
for _ in range(num_days - 1):
if current_weather == 'Sunny':
next_weather = np.random.choice(weather_states, p=transition_matrix[0])
elif current_weather == 'Cloudy':
next_weather = np.random.choice(weather_states, p=transition_matrix[1])
else:
next_weather = np.random.choice(weather_states, p=transition_matrix[2])
weather_sequence.append(next_weather)
current_weather = next_weather
return weather_sequence
# 生成天气序列示例,假设预测7天的天气
num_days = 7
predicted_weather = generate_weather(num_days)
# 输出预测的天气序列
print("Predicted weather:")
print(predicted_weather)
6.总结
这个应该属于比较直观的马尔科夫链,难点感觉是在寻找转移矩阵的概率,还有数据收集。明天看一下HMM模型的隐式马尔科夫链,感觉这个应用范围比较广