matlab学习系列34马尔可夫预测.docxVIP

马尔可夫预测 马尔可夫预测，是一种预测事件发生的概率的方法。它是鉴于马尔可夫链，根据事件的当前状况预测其将来各个时刻（或时期）改动状况的一种预测方法。 马尔可夫预测法的基本要求是状态转移概率矩阵必须拥有一定的稳定性。因此，必须拥有足够的统计数据，才能保证预测的精度与正确性。换句话说，马尔可夫预测模型必须成立在大量的统计数据的基础之上。 （一）经典马尔可夫模型 一、几个观点 状态：指某一事件在某个时刻（或时期）出现的某种结果；状态转移：事件的发展，从一种状态转变为另一种状态； 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相关，而与过去的状态无关，或许说状态转移是无后效性的，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，从某一种状态出发，下一时刻转移到其余状态的可能性，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(EiEj)P(Ej|Ei)pij 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,L,En，则矩阵 p11Lp1n MOM pn1Lpnn 其中，pij为从状态Ei转为状态Ej的状态转移概率，称为状态转移概 率矩阵。 状态转移矩阵知足： 0 p 1, i , j L , n (i) n (ii) pij 1 j 1 二、状态转移矩阵的计算 即求出从每个状态转移到其余任何一个状态的状态转移概率 pij，一般采用频次近似概率的思想进行计算。 例1某地域农业收成变化的三个状态，即E1“丰产”、E2“平收”和E3“欠收”。下表给出了该地域1960~1999年期间农业收成的状态变化情况（部分）。 计算该地域农业收成变化的状态转移概率矩阵。 datas=xlsread(); E=datas(:,2); fori=1:3 forj=1:3 f(i,j)=length(findstr([ij],E)); end end %输出状态转移矩阵 fs=sum(f,2); fori=1:3 p(i,:)=f(i,:)/fs(i); end %输出状态转移概率矩阵运行结果： f=375%3个E1到E1,7个E1到E2,5个E1到E3 724 452 p= 三、状态概率 用j(k)表示事件在第k个时刻（时期）处于状态Ej的概率。 n 显然，j(k)1。根据马尔可夫过程的无后效性及Bayes条件 j1 概率公式，有 n j(k)  j(k  1)pij  i,j  1,L,n 1 记(k)[1(k),L,n(k)]为第k个时刻（时期）的状态概率向量。由上式可获得计算状态概率向量的递推公式： (k)(k1)PL(0)Pk 其中，(0)为初始状态概率向量。 于是，若事件在某个时刻（时期）的状态(s0)已知，则利用状 态转移概率矩阵P和递推公式，就能够求得它经过k次状态转移后， 在第s0k个时刻（时期）处于各样可能的状态的概率(s0k)，从 而就获得该事件在第s0k个时刻（时期）的状态概率预测。 将例1中1999年的农业收成状态记为(s0)[0,1,0]，利用状态 转移概率矩阵及递推公式，预测2000—2009年可能出现的各样状态的概率。 S{1}=[010]; fori=1:10 S{i+1}=S{i}*P; end S{2:end} 运行结果： ans= ans= ans= ans= ans= ans= ans= ans= ans= ans= 四、终极状态概率预测 经过无穷多次状态转移后所获得的状态概率称为终极状态概率。 lim (k)=[lim 1 (k),L,lim n(k)][1,L,n] k k k 终极状态概率应知足：P，即PTTT，即(PTE)T (p11 1)1 p212 L pn1n p121 (p221)2 L pn2n LL LL LL p1n1 p2n2 L(pnn1)n  0 0 0 该齐次方程组的系数队列式为0，有无穷多个解，为获得唯一的 n 正确解，需要另一个限制条件：i=1 i1 此时是n个未知数，n+1个方程，去掉前n其中的随意一个，求解即可获得正确解，即终极状态概率向量。 求例1的终极状态概率向量。 n=3;%状态数目 A=P-eye(n); A(end,:)=ones(1,n); %将最后一个方程替换为限制条件sum(pi)=1 b=[zeros(n-1,1);1]; S=inv(A)*b%解方程组Ax=b获得终极状态概率向量 运行结果： S= 结果说明，该地域农业收成的变化过程，在无穷多次状态转移后，“丰产”和“平收”状态出现的概率基真相当，都大于“欠收”状态出现的概率。 例2设某药品共有1000家购置对象，买A、B、C三药厂的各有 400家、300家、300家，即A、B、C三药厂当前的市场占有份额分 别为