数学建模常用模型23：马尔可夫预测方法_马尔科夫预测

给大家安利一款朋友开发的自研国产数据分析基础工具，一键式自动分析，自动生成分析模板，5分钟掌握主流61个统计类数学模型（几乎涵盖SPSS绝大部分功能），以及23个有监督机器学习（包括随机森林，SVM，XGBoost等）

PS：巨方便简单上手，貌似现在是免费

官网：www.mpaidata.com   mpai数据科学平台

 

马尔可夫预测的性质及运用

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。

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。

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。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；等等。

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。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。

 

（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

                             ${\rm{P(Ei}} \to {\rm{Ej) = P(Ej/Ei) = Pij }}$

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

                         

则称P为状态转移概率矩阵。

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：　

                         

一般地，我们将满足上面条件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，则存在非零向量$a = \left[ {​{x_1},{x_2}, \cdots ,{x_n}} \right]$，而且满足$\[0 \le {x_i} \le 1 {\rm{and}} \sum\limits_{i = 1}^n {​{x_i}} = 1\]$，使得：

                              ap=a 

这样的向量α称为平衡向量，或终极向量。

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。

 

举例如下：

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。下表给出了该地区1950—1989年期间农业收成的情况以及状态变化：