第十讲 马尔可夫预测方法

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。

马尔可夫(Markov)预测法，就是一种预测事件 发生的概率的方法。它是基于马尔可夫链，根据事件 的目前状况预测其将来各个时刻(或时期)变动状况 的一种预测方法。马尔可夫预测法是对地理事件进行

预测的基本方法，它是地理预测中常用的重要方法之一。

状态：指某一事件在某个时刻(或时期)出现的某种结果。

几 个 基 本 概念

状态转移过程。事件的发展，从一种状态转变为另一种状态， 称为状态转移。

马尔可夫过程。在事件的发展过程中，若每次状态的转移都 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。

状态转移概率。在事件的发展变化过程中，从某一种状

几 个 基 本 概念

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。由状态Ei转为状态Ej的状态转移概率 P(Ei E j ) 是

P( Ei E j ) P( E j / Ei ) Pij

(3.7.1)

状态转移概率矩阵。假定某一个事件的发展过程有n个

可能的状态，即E1,E2, …,En。记为从状态Ei转变为 状态Ej的状态转移概率 P( Ei E j ) ,则矩阵

Pm

几 个 基 本 概念

P1 1 P1 2 P1n P P2 2 P2 n P 21 Pn1 Pn 2 Pn n 称为状态转移概率矩阵。 概率矩阵。 0 Pij 1 n Pij 1 j 1 (i, j 1,2, , n) (i 1,2, , n)

(3.7.2)

(3.7.3)

一般地，将满足条件(3.7.3)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，则对于任何整数 m>0,矩阵都是概率矩阵。

标准概率矩阵、平衡向量。

几 个 基 本 概念

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 [ x1, x2 , , xn ] ,而且 x i 满足0 xi 1 ,

xi 1

n

i

1

使得：

这样的向量α称为平衡向量，或终极向量。这就是 说，标准概率矩阵一定存在平衡向量。

P

(3.7.4)

状态转移概率矩阵的计算。 计算状态转移概率矩阵P,就是求从每个状态转移到其 它任何一个状态的状态转移概率 Pij (i, j。1,2, , n )

几 个 基 本 概念

为了求出每一个，一般采用频率近似概率的思想进行 计算。 例题1: 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，E

2为“平收” 状态，E3为“欠收”状态。表3.7.1给出了该地区1960~ 1999年期间农业收成的状态变化情况。试计算该地区农业 收成变化的状态转移概率矩阵。

表3.7.1 某地区农业收成变化的状态转移情况

年份 序号 状态 年份 序号 状态 年份 序号 状态 年份 序号 状态

1960 1 E1 1970 11 E3 1980 21 E3 1990 31 E1

1961 2 E1 1971 12 E1 1981 22 E3 1991 32 E3

1962 3 E2 1972 13 E2 1982 23 E2 1992 33 E2

1963 4 E3 1973 14 E3 1983 24 E1 1993 34 E1

1964 5 E2 1974 15 E1 1984 25 E1 1994 35 E1

1965 6 E1 1975 16 E2 1985 26 E3 1995 36 E2

1966 7 E3 1976 17 E1 1986 27 E2 1996 37 E2

1967 8 E2 1977 18 E3 1987 28 E2 1997 38 E3

1968 1969 9 E1 1978 19 E3 1988 29 E1 1998 39 E1 10 E2 1979 20 E1 1989 30 E2 1999 40 E2

① 计算：从表3.7.1中可以知道，在15个从E1出发(转移出去)的 状态中， 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) 所以P P( E1 E1 ) P( E1 E1 ) 11P P( E1 E2 ) P( E2 E1 ) 12

3 0.2000 15

7 0.4667 15 5 P P( E1 E3 ) P( E3 E1 ) 0.3333 13 15

同理可得：

7 P21 P( E2 E1 ) P( E1 E2 ) 0.5385 13 2 P22 P( E2 E2 ) P( E2 E2 ) 0.1538 13 4 P23 P( E2 E3 ) P( E3 E2 ) 0.3077 134 P31 P( E3 E1 ) P( E1 E3 ) 0.3636 11 5 P32 P( E3 E2 ) P( E2 E3 ) 0.4545 11 2 P33 P( E3 E3 ) P( E3 E3 ) 0.1818 11

② 结论：该地区农业收成变化的状态转移概率矩 阵为

0.2000 0.4667 0.3333 0.5385 0.1538 0.3077 P 0.3636 0.4545 0.1818

(3.6.5)

状 态 概 率 及 其 计 算

状态概率 π j (k) :表示事件在初始(k=0)状态为已知 的条件下，经过k次状态转移后，在第k 个时刻(时期) 处于状态 E j 的概率。 且：

n

j 1

j

(k ) 1

(3.7.6)

根据马尔可夫过程的无后效性及Bayes条件概率公式， n 有 j (k ) j (k 1) Pij ( j 1,2, , n) (3.7.7)i 1

记行向量 (k ) [ 1 (k ), 2 (k ), , n (k )] ,则由(3.7.7) 式可以得到逐次计算状态概率的递推公式： (1) (0) P 1 (2) (1) P (0) P (k ) (k 1) P (0) P k

(3.6.8)

式中，(0) [ 1 (0), 2 (0), , n (0)] 为初始状态概率向量。

第k个时刻(时期)的状态概率预测如果某一事件在第0个时刻(或时期)的初始状态已知， 即 ( 0 )已知，则利用递推公式(3.7.8)式，就可以求得它经过k次状态转移后，在第k个时刻(时期)处于各种可能的状态 的概率

,即 (k ) ,从而就得到该事件在第k个时刻(时期) 的状态概率预测。

马 尔 可 夫 预 测 法

例题2:将例题1中1999年的农业收成状态记为 ( 0) =[0,1,0] ,将状态转移概率矩阵(3.7.5)式及代入递推公式(3.7.8) 式，可求得2000~2010年可能出现的各种状态的概率(见表

3.7.2)。

表3.7.2 某地区1990~2000年农业收成状态概率预测值

年份

2000 E1 E2 E3 E1 0.5 0.1 0.3 0.3 385 528 077 024 2004

2001 E2 0.4 14 2005

2002

2003

状态 概率

E3 E1 E2 E3 E1 E2 E3 0.2 0.3 0.3 0.2 0.3 0.3 0.2 837 867 334 799 587 589 779 2006 2007

年份 状态 概率

E1 E2 E3 E1 E2 E3 E1 E2 E3 E1 E2 E3 0.3 0.3 0.2 0.3 0.3 0.2 0.3 0.3 0.2 0.3 0.3 0.2 677 509 799 647 532 799 656 524 799 653 526 799

年份状态 概率

2008

2009

2010

E1 E2 E3 E1 E2 E3 E1 E2 E3 0.3 0.3 0.2 0.3 0.3 0.2 0.3 0.3 0.2 653 525 799 653 525 799 653 525 799

终极状态概率预测① 定义 ：经过无穷多次状态转移后所得到的状态概率称为终

马 尔 可 夫 预 测 法

极状态概率 ，即：

[lim 1 (k ), lim 2 (k ), , lim n (k )] lim (k )k k k k

② 终极状态概率应满足的条件：

P0 i 1 (i 1,2, , n)

i 1

n

i

1

③ 例题：在例1中，设终极状态的状态概率为 则 0.2000 [ 1 , 2 , 3 ] [ 1 , 2 , 3 ] 0.5385 0.3636 …… 此处隐藏：2534字，全部文档内容请下载后查看。喜欢就下载吧 ……