马尔科夫链预测方法讲解
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
（8)式中，π（0)=[π1（0)，π2（0)，…，πn（0)]为 初始状态概率向量。
一、几个基本概念
3.马尔可夫过程 若每次状态的转移都只仅与前 一时刻的状态有关、而与过去的状态无关，或 者说状态转移过程是无后效性的，则这样的状 态转移过程就称为马尔可夫过程。
在区域开发活动中，许多事件发展过程中的状 态转移都是具有无后效性的，对于这些事件的 发展过程，都可以用马尔可夫过程来描述。
一、几个基本概念
表 某地区农业收成变化的状态转移情况
一、几个基本概念
从表2-18中可知，在15个从E1出发（转移出去)的状态 转移中，有3个是从E1转移到E1的（即1→2，24→25， 34→35)，有7个是从E1转移到E2的（即2→3，9→10， 12→13，15→16，29→30，35→36，39→40)，有5个 是从E1转移到E3的（即6→7，17→18，20→21， 25→26，31→32)。 故
马尔可夫预测（Markov Forecasting Model ）
马尔可夫（Markov）法是以俄国数学家 A·A·Markov名字命名的一种方法.它将 时间序列看作一个随机过程，通过对事 物不同状态的初步概率和状态之间转移 概率的研究，确定状态变化趋势，以预 测事物的未来。
马尔可夫预测方法
对事件的全面预测，不仅要能够指出事件发生 的各种可能结果，而且还必须给出每一种结果 出现的概率，说明被预测的事件在预测期内出 现每一种结果的可能性程度。这就是关于事件 发生的概率预测。
则称P为状态转移概率矩阵；（n阶方阵）
一、几个基本概念
如果被预测的某一事件目前处于状态 Ei，那么在下一个时刻，它可能由状 态Ei转向E1，E2，…Ei…En中的任一 个状态。所以Pij满足条件：
非负性；行元素和为1
一、几个基本概念
一般地，我们将满足条件（3)的任何矩阵都称为 随机矩阵，或概率矩阵。不难证明，如果P为概 率矩阵，则对任何数m＞0，矩阵Pm都是概率矩 阵。 如果P为概率矩阵，而且存在整数m＞0，使得概 率矩阵Pm中诸元素皆非零，则称P为标准概率矩 阵。可以证明，如果P为标准概率矩阵，则存在
客观事物可能有u1，u2,……un共n种状态，其每次 只能处于一种状态，则每一状态都具有n个转向包括 转向自身，即ui→u1，ui→u2 ,… ui→un，将这种转 移的可能性用概率描述,就是状态转移概率 。
一、几个基本概念
2.状态转移概率矩阵 假定某一种被预测 的事件有E1，E2，…，En，共n个可能 的状态。记Pij为从状态Ei转为状态Ej的状 态转移概率，作矩阵
假定池中有N张荷叶，编号为1，2， 3,……,N，即蛙跳可能有N个状态（状态 确知且离散）。青蛙所属荷叶，为它目 前所处的状态；因此它未来的状态，只 与现在所处状态有关，而与以前的状态 无关（无后效性成立） 。
一、几个基本概念
（二)状态转移概率与状态转移概率矩阵
1.状态转移概率 在事件的发展变化过程中，从某一 种状态出发，下一时刻转移到其它状态的可能性，称 为状态转移概率。根据条件概率的定义，由状态Ei转 为状态Ej的状态转移概率P（Ei→Ej)就是条件概率P （Ej/Ei)，即P（Ei→Ej)=P ( Ej/Ei)= Pij
所谓状态，就是指某一事件在某个时刻（或时期)出现的某 种结果。一般而言，随着所研究的事件及其预测的目标不 同，状态可以有不同的划分方式。譬如，在商品销售预测 中，有“畅销”、“一般”、“滞销”等状态；在农业收 成预测中，有“丰收”、“平收”、“欠收”等状态；在 人口构成预测中，有“婴儿”、“儿童”、“少年”、 “青年”、“中年”、“老年”等状态；在经济发展水平 预测中，有“落后”、“较发达”、“发达”等状态；等 等。
按照上述同样的办法计算可以得到
一、几个基本概念
所以，该地区农业收成变化的状态转移概率矩阵为
二、马尔可夫预测法
为了运用马尔可夫预测法对事件发展过程中 状态出现的概率进行预测，还需要再介绍一 个名词：状态概率πj（k)。
πj（k)表示事件在初始（k=0)时状态为已知 的条件下，经过k次状态转移后，第k个时刻 （时期)处于状态Ej的概率。根据概率的性 质，显然有：
二、马尔可夫预测法
从初始状态开始，经过k次状态转移后到达 状态Ej这一状态转移过程，可以看作是首先 经过（k-1)次状态转移后到达状态Ei（i=1， 2，…，n)，然后再由Ei经过一次状态转移 到达状态Ej。
根据马尔可夫过程的无后效性及Bayes条件 概率公式，有
二、马尔可夫预测法
若记行向量π(k)=[π1(k)，π2(k)，…，πn(k)]， 则由(7)式可得逐次计算状态概率的递推公式：
马尔可夫（Markov)预测法，就是一种关于事 件发生的概率预测方法。它是根据事件的目前 状况来预测其将来各个时刻（或时期)变动状 况的一种预测方法。马尔可夫预测法是地理预 测研究中重要的预测方法之一。
一、几个基本概念
（一)状态、状态转移过程与马尔可夫过程 1.状态 在马尔可夫预测中，“状态”是一个重要的术语。
αP=α （4)
这样的向量α称为平衡向量，或终极向量。
一、几个基本概念
3.状态转移概率矩阵的计算
计算状态转移概率矩阵P，就是要求每个状态转 移到其它任何一个状态的转移概率Pij（i，j=1， 2，…，n)。为了求出每一个Pij，我们采用频 率近似概率的思想来加以计算。
源自文库考虑某地区农业收成变化的三个状态，即“丰 收”、“平收”和“欠收”。记E1为“丰收” 状态，E2为“平收”状态，E3为“欠收”状态。 表2-18给出了该地区1950—1989年期间农业收 成的状态变化情况。以下，我们来计算该地区 农业收成变化的状态转移概率矩阵。
一、几个基本概念
2.状态转移过程 在事件的发展过程中，从 一种状态转变为另一种状态，就称为状态转 移。譬如，天气变化从“晴天”转变为“阴 天”、从“阴天”转变为“晴天”、从“晴 天”转变为“晴天”、从“阴天”转变为 “阴天”等都是状态转移。
事件的发展，随着时间的变化而变化所作的 状态转移，或者说状态转移与时间的关系， 就称为状态转移过程，简称过程。
一、几个基本概念
3.马尔可夫过程 若每次状态的转移都只仅与前 一时刻的状态有关、而与过去的状态无关，或 者说状态转移过程是无后效性的，则这样的状 态转移过程就称为马尔可夫过程。
在区域开发活动中，许多事件发展过程中的状 态转移都是具有无后效性的，对于这些事件的 发展过程，都可以用马尔可夫过程来描述。
一、几个基本概念
表 某地区农业收成变化的状态转移情况
一、几个基本概念
从表2-18中可知，在15个从E1出发（转移出去)的状态 转移中，有3个是从E1转移到E1的（即1→2，24→25， 34→35)，有7个是从E1转移到E2的（即2→3，9→10， 12→13，15→16，29→30，35→36，39→40)，有5个 是从E1转移到E3的（即6→7，17→18，20→21， 25→26，31→32)。 故
马尔可夫预测（Markov Forecasting Model ）
马尔可夫（Markov）法是以俄国数学家 A·A·Markov名字命名的一种方法.它将 时间序列看作一个随机过程，通过对事 物不同状态的初步概率和状态之间转移 概率的研究，确定状态变化趋势，以预 测事物的未来。
马尔可夫预测方法
对事件的全面预测，不仅要能够指出事件发生 的各种可能结果，而且还必须给出每一种结果 出现的概率，说明被预测的事件在预测期内出 现每一种结果的可能性程度。这就是关于事件 发生的概率预测。
则称P为状态转移概率矩阵；（n阶方阵）
一、几个基本概念
如果被预测的某一事件目前处于状态 Ei，那么在下一个时刻，它可能由状 态Ei转向E1，E2，…Ei…En中的任一 个状态。所以Pij满足条件：
非负性；行元素和为1
一、几个基本概念
一般地，我们将满足条件（3)的任何矩阵都称为 随机矩阵，或概率矩阵。不难证明，如果P为概 率矩阵，则对任何数m＞0，矩阵Pm都是概率矩 阵。 如果P为概率矩阵，而且存在整数m＞0，使得概 率矩阵Pm中诸元素皆非零，则称P为标准概率矩 阵。可以证明，如果P为标准概率矩阵，则存在
客观事物可能有u1，u2,……un共n种状态，其每次 只能处于一种状态，则每一状态都具有n个转向包括 转向自身，即ui→u1，ui→u2 ,… ui→un，将这种转 移的可能性用概率描述,就是状态转移概率 。
一、几个基本概念
2.状态转移概率矩阵 假定某一种被预测 的事件有E1，E2，…，En，共n个可能 的状态。记Pij为从状态Ei转为状态Ej的状 态转移概率，作矩阵
假定池中有N张荷叶，编号为1，2， 3,……,N，即蛙跳可能有N个状态（状态 确知且离散）。青蛙所属荷叶，为它目 前所处的状态；因此它未来的状态，只 与现在所处状态有关，而与以前的状态 无关（无后效性成立） 。
一、几个基本概念
（二)状态转移概率与状态转移概率矩阵
1.状态转移概率 在事件的发展变化过程中，从某一 种状态出发，下一时刻转移到其它状态的可能性，称 为状态转移概率。根据条件概率的定义，由状态Ei转 为状态Ej的状态转移概率P（Ei→Ej)就是条件概率P （Ej/Ei)，即P（Ei→Ej)=P ( Ej/Ei)= Pij
所谓状态，就是指某一事件在某个时刻（或时期)出现的某 种结果。一般而言，随着所研究的事件及其预测的目标不 同，状态可以有不同的划分方式。譬如，在商品销售预测 中，有“畅销”、“一般”、“滞销”等状态；在农业收 成预测中，有“丰收”、“平收”、“欠收”等状态；在 人口构成预测中，有“婴儿”、“儿童”、“少年”、 “青年”、“中年”、“老年”等状态；在经济发展水平 预测中，有“落后”、“较发达”、“发达”等状态；等 等。
按照上述同样的办法计算可以得到
一、几个基本概念
所以，该地区农业收成变化的状态转移概率矩阵为
二、马尔可夫预测法
为了运用马尔可夫预测法对事件发展过程中 状态出现的概率进行预测，还需要再介绍一 个名词：状态概率πj（k)。
πj（k)表示事件在初始（k=0)时状态为已知 的条件下，经过k次状态转移后，第k个时刻 （时期)处于状态Ej的概率。根据概率的性 质，显然有：
二、马尔可夫预测法
从初始状态开始，经过k次状态转移后到达 状态Ej这一状态转移过程，可以看作是首先 经过（k-1)次状态转移后到达状态Ei（i=1， 2，…，n)，然后再由Ei经过一次状态转移 到达状态Ej。
根据马尔可夫过程的无后效性及Bayes条件 概率公式，有
二、马尔可夫预测法
若记行向量π(k)=[π1(k)，π2(k)，…，πn(k)]， 则由(7)式可得逐次计算状态概率的递推公式：
马尔可夫（Markov)预测法，就是一种关于事 件发生的概率预测方法。它是根据事件的目前 状况来预测其将来各个时刻（或时期)变动状 况的一种预测方法。马尔可夫预测法是地理预 测研究中重要的预测方法之一。
一、几个基本概念
（一)状态、状态转移过程与马尔可夫过程 1.状态 在马尔可夫预测中，“状态”是一个重要的术语。
αP=α （4)
这样的向量α称为平衡向量，或终极向量。
一、几个基本概念
3.状态转移概率矩阵的计算
计算状态转移概率矩阵P，就是要求每个状态转 移到其它任何一个状态的转移概率Pij（i，j=1， 2，…，n)。为了求出每一个Pij，我们采用频 率近似概率的思想来加以计算。
源自文库考虑某地区农业收成变化的三个状态，即“丰 收”、“平收”和“欠收”。记E1为“丰收” 状态，E2为“平收”状态，E3为“欠收”状态。 表2-18给出了该地区1950—1989年期间农业收 成的状态变化情况。以下，我们来计算该地区 农业收成变化的状态转移概率矩阵。
一、几个基本概念
2.状态转移过程 在事件的发展过程中，从 一种状态转变为另一种状态，就称为状态转 移。譬如，天气变化从“晴天”转变为“阴 天”、从“阴天”转变为“晴天”、从“晴 天”转变为“晴天”、从“阴天”转变为 “阴天”等都是状态转移。
事件的发展，随着时间的变化而变化所作的 状态转移，或者说状态转移与时间的关系， 就称为状态转移过程，简称过程。