马尔科夫预测.pdfVIP

第 6 章 马尔可夫预测 马尔可夫预测 马尔可夫预测方法不需要大量历史资料，而只需对近期状况作详细分析。它可用于产品的市 场占有率预测、期望报酬预测、人力资源预测等等，还可用来分析系统的长期平衡条件，为决策 提供有意义的参考。 6.1 马尔可夫预测的基本原理 马尔可夫（A.A.Markov ）是俄国数学家。二十世纪初，他在研究中发现自然界中有一类事物 的变化过程仅与事物的近期状态有关，而与事物的过去状态无关。具有这种特性的随机过程称为 马尔可夫过程。设备维修和更新、人才结构变化、资金流向、市场需求变化等许多经济和社会行 为都可用这一类过程来描述或近似，故其应用范围非常广泛。 6.1.1 马尔可夫链 为了表征一个系统在变化过程中的特性（状态），可以用一组随时间进程而变化的变量来描 述。如果系统在任何时刻上的状态是随机的，则变化过程就是一个随机过程。 设有参数集T  (,) ，如果对任意的t T ，总有一随机变量X t 与之对应，则称 {X t ,t T } 为一随机过程。 如若T 为离散集（不妨设T  {t ,t ,t ,...,t ,...}），同时X 的取值也是离散的，则称 0 1 2 n t {X t ,t T } 为离散型随机过程。 设有一离散型随机过程，它所有可能处于的状态的集合为S  {1,2,,N }，称其为状态空间。 系统只能在时刻t ,t ,t ,... 改变它的状态。为简便计，以下将X 等简记为X 。 0 1 2 t n n 一般地说，描述系统状态的随机变量序列不一定满足相互独立的条件，也就是说，系统将来 的状态与过去时刻以及现在时刻的状态是有关系的。在实际情况中，也有具有这样性质的随机系 统：系统在每一时刻（或每一步）上的状态，仅仅取决于前一时刻（或前一步）的状态。这个性 质称为无后效性，即所谓马尔可夫假设。具备这个性质的离散型随机过程，称为马尔可夫链。用 数学语言来描述就是： 马尔可夫链 如果对任一n  1，任意的i ,i , ,i ,j S 恒有 1 2 n1 P X  j X  i ,X  i ,,X  i  P X  j X  i  (6.1.1) n 1 1 2 2 n1 n1 n n1 n1 则称离散型随机过程 {X t ,t T } 为马尔可夫链。 例如，在荷花池中有 N 张荷叶，编号为1,2,...,N 。假设有一只青蛙随机地从这张荷叶上跳到 t 另一张荷叶上。青蛙的运动可看作一随机过程。在时刻 ，青蛙所在的那张荷叶，称为青蛙所处 n   的状态。那么，青蛙在未来处于什么状态，只与它现在所处的状态i i  1,2, , N 有关，与它以 前在哪张荷叶上无关。此过程就是一个马尔可夫链。 由于系统状态的变化是随机的，因此，必须用概率描述状态转移的各种可能性的大小。 6.1.2 状态转移矩阵 马尔可夫链是一种描述动态随机现象的数学模型，它建立在系统“状态”和“状态转移”的 概念之上。所谓系统，就是我们所研究的事物对象；所谓状态，是表示系统的一组记号。当确定 了这组记号的值时，也就确定了系统的行为，并说系统处于某一状态。系统状态常表示为向量， 故称之为状态向量。例如，已知某月