【时间序列】马尔科夫法
🗓 2017年07月09日 📁 文章归类: 0x43_时间序列
版权声明:本文作者是郭飞。转载随意,标明原文链接即可。
原文链接:https://www.guofei.site/2017/07/09/markov.html
状态转移矩阵
前提假设
t=k+1时刻的状态,只与t=k时刻有关,与t=k-1,k-2,…都无关。
转移矩阵
\(P=\left [ \begin{array}{ccc} p_{11}&p_{12}&...&p_{1n}\\ p_{21}&p_{22}&...&p_{2n}\\ ...\\ p_{i1}&p_{i2}&...&p_{in}\\ ...\\ p_{n1}&p_{n2}&...&p_{nn} \end{array}\right]\)
$p_{ij}$指的是从第i个状态变到第j个状态的概率
马尔科夫预测法
step1 :划分和识别状态
要对预测对象全面了解,然后找出所有可能的状态。
如果预测对象是连续的,要根据业务场景离散化。
step2 :计算初始概率矩阵$S^{(0)}$
方法有两种:
- 利用状态出现的频率,近似的估计初始阶段状态出现的概率。
假设状态$E_i$出现的次数是$M_i$,那么$p_i^{(0)} \thickapprox \dfrac{M_i}{\sum M_i}$ - 估计出样本的分布,用样本分布近似的描述初始状态的概率
初始状态矩阵满足$\sum\limits_i p_i=1$
step3 :计算状态的一步转移概率$p_{ij}$
$p_{ij}=P(E_i \to E_j)=P(E_j \mid E_i)=\dfrac{M_{ij}}{M_i}$
转移概率矩阵满足:$\sum\limits_j p_{ij}=1$
step4 :预测
稳态过程
经过一段时间时间后,马式链逐渐趋于这样一种状态,它与初始状态无关。
也就是说$S^{(n+1)}=S^{(n)}$
马式过程
标准概率矩阵 的定义:
称A为标准概率矩阵,若$A=(a_{ij}) _ {nn}$满足:
- $a_{ij}>0$
- $\sum\limits_{j=1}^n a_{ij} =1$
如果马氏链的一步状态转移概率矩阵
是标准概率矩阵
,那么存在稳态。
一些特殊的马式过程
- 正则链
- 一种特殊的马尔科夫链,从任意状态出发,经过有限次转移都能达到另外的任意状态。
TH
正则链无穷次转移后,收敛于唯一的概率状态$(w_1,w_2,…,w_k),\sum w_i =1$,
这个概率状态与初始值无关,叫做 稳态概率
从状态i到状态j,n次转移首次到达的概率是$f_{ij}(n)$
TH $\sum\limits_{n}f_{ij}(n)=1/w_{ij}$
- 吸收链
- $p_{ii}=1$的状态称为 吸收状态 ,如果每个点都能以正概率经过有限次到达吸收状态,那么这个马尔科夫链称为 吸收链
您的支持将鼓励我继续创作!
