随机过程—马尔科夫链的应用.ppt

马尔科夫链在天气预报中的应用 陈艳 自动化学院 1 Company Logo 内容提要 2. 马尔科夫链在天气预报中的应用 1. 马尔科夫链的概念 3 马尔可夫链的概念 1.过程X(t)（或系统）在时刻t0所处的状态为已知的条件下,过程在时刻t＞t0所处状态的条件分布与过程在时刻t0之前所处的状态无关，只与时刻t0所处的状态有关，称为马尔可夫性或无后效性. 称X(t)为马尔可夫过程。 即: 过程“将来”的情况与“过去”的情况是无关的. 2.用分布函数表达此性质，设随机过程{X(t),tT}，状态空间为，若对于t 的任意n个值t1<t2<…<tn,n3,有 4 则称过程{X(t),tT}为马尔可夫过程。 状态和时间参数都是离散的马尔可夫过程称为马尔可夫链，或马氏链。 记为｛Xn=X(n),n=0,1，2，…｝,记链的状态空间为＝a1，a2，…，aiR .在链的情况，马尔可夫性通常用分布率表示。 5 称为马氏链在时刻m系统处于状态ai的条件下，在时刻m+n转移到状态aj的转移概率。 说明: 转移概率具有特点 由转移概率组成的矩阵 称为马氏链的转移概率矩阵. 3.马氏链的定义 满足马尔科夫链的事物过程具有如下的三个特点 1）过程的离散型：事物的发展在时间上可离散为有限或可列个状态 2）过程的随机性：系统内部从一个状态转移到另一个状态是随机的，转变的可能有系统内部的以前历史情况的概率值表示 3）过程的无后效性：系统内部的转移概率只与当前状态有关而与以前的状态无关 Company Logo 马尔科夫预测天气 天气预报情况是人们普遍关注的重点问题之一。 借助随机过程中著名的马尔科夫链模型，以某日天气的状态转移数据位算例，建立了天气预报情况预测模型，并借助该模型对未来天气的变化趋势作出预测分析。 马尔科夫过程应用广泛，它的重要特征是无后效性。失误第N次出现的状态只与其弟N-1次的状态有关，它与以前的状态无关。 因此应用马尔科夫链，只需要最近或现在的动态资料就可按转移概率可预测将来。 马尔科夫链的这一性质可应用于天气预报 Company Logo 马尔科夫链预测天气 如果明天是否有雨仅与今天的天气有关，而与过去的天气无关，并设今天下雨的情况下，明天有雨的概率为α；今天无雨的情况下，明天有雨的概率为β；又假定把有雨称为0状态天气，把无雨称为1状态天气，则本例是一个两状态的马尔科夫链，其一部转移矩阵为 Company Logo 设α=0.7，β=0.4，则一步转移矩阵概率矩阵为 其两步转移概率矩阵为 Company Logo 由此，可以预报后天的天气情况，今天有雨，后天仍有雨的概率为P00 （2） =0.61，后天无雨的概率为P01 （2） =0.39；今天无雨，后天有雨的概率是P10 （2） =0.52，后天无雨的概率是P11（2）=0.48. Company Logo 同理，四部转移概率矩阵为 据此，可预报四日后的天气状况，今日有雨，第五日仍有雨的概率为P00 （4） =0.5749，今天无雨，则第五日有雨的概率P01（4） =0.5668 Company Logo 六步转移概率矩阵为 据此，可预报六天后的天气状况，今日有雨，第七日仍有雨的概率为P00 （6） =0.5717，今天无雨，则第七日有雨的概率为P01 （6） =0.5710 Company Logo 因此，根据今日的天气状况，可由马尔可夫链的多步转移概率矩阵求得短期内的天气情况的概率，从而实现对天气的预报。这是马尔科夫链在天气预报方面的应用 如果我们一直重复作下去，推得每一天的状况，一直到最后数字趋于稳定，我们称之“终极状态”。这个状态由马尔可夫链的遍历性可以求得 设其极限分布为π=（ π1 ， π2 ），则有π= πiP得到， Company Logo 解得 由此可预测未来有雨的概率比较大，为0.5714. Company Logo Company Logo 谢 谢