多种马尔可夫链预测方法
一、基于绝对分布的马尔可夫链预测
步骤1、对历史数据进行分组
步骤2、确定观测值的状态,写出频数矩阵(nij)i,j∈E和一步转移概率矩阵(fij)i,j∈E,其中fij=nij/(n-1),其中n为样本容量,当n→∞时,可用频数估计概率
从而得到一步转移概率矩阵
步骤3、“马氏性”检验;马尔可夫性的统计检验(马氏性检验)
步骤4、已知时刻 l 时系统取各个状态的概率可视为马尔可夫链的初始分布,比如xl取状态2,m=5,则初始分布P(0)=(0,1,0,0,0),于是 l+1 时的绝对分布
可认为时刻 l+1 时系统所取的状态 j 满足
从而预测 l+t 时刻的状态:
可先求
然后再依据时刻 l+t 时刻的状态 j 满足
来预测系统应取的状态;
步骤5、还可以用马氏链的平稳性,遍历性对系统分析。
二、叠加马氏链预测
步骤1、对历史数据进行分组;
步骤2、“马氏性”检验;马尔可夫性的统计检验(马氏性检验)
步骤3、计算各阶的一步转移概率矩阵P1,P2,……,Pk,I={1,2,……,k},其中P2=(fij(2))i,j∈E,其中fij(2)=nij(2)/(n-2),其他类推;
步骤4、如果要预测时刻 l+1 的状态,可分别利用 l,l-1,……,l-k+1作为初始状态,列表分析:
l+1 时所处的状态 j 满足
步骤6、进行平稳性,遍历性及其他分析。
三、加权马氏链预测
步骤1、对历史数据进行分组;
步骤2、“马氏性”检验;马尔可夫性的统计检验(马氏性检验)
步骤3、计算各阶的一步转移概率矩阵P1,P2,……,Pk,I={1,2,……,k},其中P2=(fij(2))i,j∈E,其中fij(2)=nij(2)/(n-2),其他类推;
步骤4、计算各阶相关系数:
计算各阶自相关系数rk:
式中rk表示第k阶(滞时为k个时期)的自相关系数。
计算规范的相关系数:
易知
步骤5、预测n+1时段的状态:不妨设 I={1,2,……,5},列表分析(见下表加权马氏链预测分析表):
其中
时刻 n+1 时所处状态 j 满足
步骤6、重复1-5,预测 n+2 时的状态,其余类推。
步骤7、讨论其他性质。
四、马尔可夫链预测方法(绝对分布+叠加+加权)的实例应用
本文以 1951 年到 2004 年共 53 年的温州地区的台风诱发日最大降雨量历史资料为研究对象,使用马尔可夫链预测方法进行预测分析。温州地区台风诱发的日最大降雨量历史资料见表 4-1:
4.1 基于绝对分布的马尔可夫链预测方法(应用例子)
使用基于绝对分布的马尔可夫链预测方法对 2005 年台风诱发的日最大降水量进行预测。
(5)2004 年的台风诱发日最大降雨量处于状态 4,则可认为初始分布为P(0) =(0, 0, 0, 1, 0),2005 年的预测向量为 P(1) = P(0)*Pij =(0.3, 0.3, 0, 0.2, 0.2)。由此可知 2005 年台风诱发日最大降水量处于状态 1 或 2,考虑灾情影响,取为 [85.43,98.75] 范围。而 2005 年实际的台风诱发日最大降水量为 297.8mm,可见预测结果出现较大偏差。
使用基于绝对分布的马尔可夫链预测方法对 1956-2004 年温州地区台风诱发的日最大降水量进行预测,结果见表 4-4。
由上表可以看出,基于绝对分布的马尔可夫链预测方法精度不是很高,预测状态差别在 2 个状态以上的年份达到 8 个。原因主要有以下两点:第一,状态的划分通常是人为定义界限,需要不断调整,以取得较为满意的结果,有一定的随意性。在此方法中,若将各年台风诱发日最大降雨量划分为 3 个状态,3 状态界限分别为
2005 年的预测结果符合实际,但界定范围偏差比较大,即大于 118.74mm 的降雨量都考虑在内,对灾害的预测分析意义不大。第二,基于绝对分布的马尔可夫链预测方法主要依赖于一步转移概率计算,没有考虑多阶转移概率矩阵,对系统的把握程度不高。
4.2 叠加马尔可夫链预测方法 (应用例子)
使用叠加马尔可夫链预测方法对 2005 年台风诱发的日最大降水量进行预测。
(1)(2)(3)均与 4.1 中前三个步骤相同。
(4)不同滞时(步长)的马尔可夫链的转移概率矩阵如下:
不同滞时(步长)的马尔可夫链的转移概率矩阵,它决定了指标值状态转移过程的概率法则。
(5)按照 2000、2001、2002、2003、2004 年的年日最大降雨量及其相应的状态转移概率矩阵对 2005 年台风诱发的日最大降雨量所处状态进行预测,结果如表 4-5 所示。
max{Pi,i=1, 2, 3, 4, 5} = P5,即 2005 年台风诱发的日最大降雨量处于状态 5,即在[165.38,300]范围内。2005 年实际的台风诱发日最大降水量为 297.8mm,处于此范围内,可见预测结果准确。
使用叠加马尔可夫链预测方法对 1956-2004 年温州地区台风诱发的日最大降水量进行预测,结果见表 4-6。
由上表可以看出,虽然预测状态差别在 2 个状态以上的年份也为 8 个,但是实际状态比预测状态高的年份,也就是预测灾害出现失误(考虑实际状态比预测状态大 2 以上)的年份(5 年)比使用基于绝对分布的马尔可夫链预测方法要少(7 年)。叠加马尔可夫链预测方法精度要比基于绝对分布的马尔可夫链预测方法高。如果能更好的对状态进行划分,预测结果会更好一些。
4.3 加权马尔可夫链法预测方法(应用例子)
使用加权马尔可夫链预测方法对 2005 年日最大降水量进行预测步骤如下:
(1)(2)(3)均与 4.3.1 节中前三个步骤相同。
(4)计算各阶自相关系数和各种步长的马尔可夫链的权重,见表 4-7。
(5)不同滞时(步长)的马尔可夫链的转移概率矩阵与 4.3.2 节步骤(4)相同。
(6)按照 2000、2001、2002、2003、2004 年的年日最大降雨量及其相应的状态转移概率矩阵对 2005 年台风诱发的年日最大降雨量所处状态进行预测,结果见表 4-8。
由表 4-8 可知, max{Pi,i ∈ E}=2444.0,此时 i=5 即 2005 年的预测状态为 5,即 2005年台风诱发的日最大降雨量在以下区间内:
2005年台风诱发的实际日最大降雨量为 297.8mm,在预测范围之内。2005 年的强台风“海棠”使浙江南部地区普降特大暴雨。温州地区的日最大降雨量也创建国以来的新高。可见,用加权马尔可夫链预报每年日最大降雨量的趋势正确。
使用加权马尔可夫链预测方法对 1956-2004 年温州地区台风诱发的日最大降水量进行预测,结果见表 4-9。
由上表可以看出,预测状态差别在 2 个状态以上的年份也和预测灾害出现失误的年份(3 年)数量明显减少,精度相比绝对分布的马尔可夫链预测方法和叠加马尔可夫链预测方法要高。叠加马尔可夫链预测方法没有考虑各阶(各种步长)马尔可夫链的绝对概率在叠加中所起的作用,即认为各阶(各种步长)马尔可夫链的绝对概率所起的作用是相同的,而加权马尔可夫链预测方法考虑到这一点。如果能更好的对状态进行划分,预测精度要比叠加马尔可夫链预测方法高许多。
4.4 基于“新陈代谢”思想改进的马尔可夫链(应用例子)
改进的应用的原理:
在灰色模型中,考虑改变初始条件可以改进模型的精度。将此种思想应用到马尔可夫链,也可以改进模型的预测精度。一般的马尔可夫链模型采用一步或两步转移概率矩阵,转移矩阵的数据来源固定不变。由于预测较远时刻对象所处的状态时,很久以前的数据对预测的影响可以视为很小,考虑将新陈代谢的方法应用到马尔可夫链模型中,去掉旧的数据并补充新的数据。对于状态序列,去掉第一个状态值并加上已预测对象所处的状态值,得出新的一步转移概率矩阵,再以已预测对象所处状态分布作为初始分布,求新的预测值所处状态。即将已预测对象的各种状态值视为权重,对新的预测对象进行所处状态预测。
采用改进的马尔可夫链方法,对 2004 年台风诱发的年日最大降雨量所处状态进行预测。
去掉 1951 年数据,将 2003 年使用基于绝对分布的马尔可夫链预测方法的预测数据代入,构成新的数据。因 2003 年有 3/9 的概率处于状态 1,2/9 的概率处于状态 2,4,5,对此求出各自新的一步转移矩阵:
由此可见,2004 年的台风诱发的年日最大降雨量处于状态 4,与实际相符合。此种改进可以对马尔可夫链方法进行有效的修正。同时也可以显著缩小状态区间,使得预测值更有目的性。
对于台风频繁影响地区,每年日最大降雨量均与台风诱发降雨有关。应用马尔可夫链对每年台风诱发的日最大降雨量进行预测,可以在一定程度上对台风诱发降雨量的强度进行评估,对于防洪、防降雨诱发的滑坡、泥石流等次生灾害有一定的指导作用。
五、基于灰色系统的马尔可夫链预测模型
参考:灰色马尔可夫预测模型在台风诱发灾害研究中的应用
多种马尔可夫链预测方法相关推荐
- 不用数学也能讲清贝叶斯理论的马尔可夫链蒙特卡洛方法?这篇文章做到了
作者 | Ben Shaver 翻译 | 刘畅 编辑 | Donna 大多数时候,贝叶斯统计在结果在最好的情况下是魔法,在最糟糕时是一种完全主观的废话.在用到贝叶斯方法的理论体系中,马尔可夫链蒙特卡洛 ...
- 多元经验模态分解_【Applied Energy最新原创论文】一个基于多元搜索引擎数据的多尺度油价预测方法...
原文信息: A multi-scale method for forecasting oil price with multi-factor search engine data 原文链接: http ...
- 不用数学讲清马尔可夫链蒙特卡洛方法?
翻译 | 刘畅 大多数时候,贝叶斯统计在结果在最好的情况下是魔法,在最糟糕时是一种完全主观的废话.在用到贝叶斯方法的理论体系中,马尔可夫链蒙特卡洛方法尤其神秘. 这篇文章将介绍马尔可夫链蒙特卡洛方法, ...
- 虚拟专题:知识图谱 | 基于网络防御知识图谱的0day攻击路径预测方法
来源:网络与信息安全学报 基于网络防御知识图谱的0day攻击路径预测方法 孙澄, 胡浩, 杨英杰, 张红旗 信息工程大学 摘要:针对 0day 漏洞未知性造成的攻击检测难问题,提出了一种基于知识图谱的 ...
- 结合案件要素序列的罪名预测方法
点击上方蓝字关注我们 结合案件要素序列的罪名预测方法 孙倩1, 秦永彬1,2, 黄瑞章1,2, 刘丽娟3, 陈艳平1,2 1 贵州大学计算机科学与技术学院,贵州 贵阳 550025 2 公共大数据国家 ...
- 基于深度学习的驾驶行为预测方法
基于深度学习的驾驶行为预测方法 1 概述 2 深度学习算法 3 驾驶行为预测建模 4 结论 5 参考文献 6 python LSTM程序 7 python LSTM模型调用 1 概述 在汽车前向仿真中 ...
- 时间序列预测方法最全总结!
时间序列预测就是利用过去一段时间的数据来预测未来一段时间内的信息,包括连续型预测(数值预测,范围估计)与离散型预测(事件预测)等,具有非常高的商业价值. 需要明确一点的是,与回归分析预测模型不同,时间 ...
- 基于多任务学习的快件送达时间预测方法
1.文章信息 文章题目为<基于多任务学习的快件送达时间预测方法>,发表在计算机工程期刊上的一篇有关多任务学习预测的文章. 2.摘要 快件送达时间预测是物流领域中一项至关重要的服务.准确地预 ...
- 【视频】马尔可夫链蒙特卡罗方法MCMC原理与R语言实现|数据分享
原文链接:http://tecdat.cn/?p=2687 在贝叶斯方法中,马尔可夫链蒙特卡罗方法尤其神秘(点击文末"阅读原文"获取完整代码数据). 它们肯定是数学繁重且计算量大的 ...
最新文章
- legnano卡片 里怎么添加成员,设置标签,添加检查项?
- 当前分支上有未提交的更改时签出另一个分支
- Windows 技术篇-win+R运行搜索gpedit.msc提示“MMC 不能打开文件”解决方法
- 面向.Net程序员的dump分析
- 2021年安徽庐江中学朱天乐高考成绩查询,庐江中学举行2021届高三大型励志报告会...
- [转载] python语言中表示赋值的符号是_Python 语言中 asterisk 符号用法小结
- [家里蹲大学数学杂志]第410期定积分难题
- linux mkdir基础命令总结
- hightopo学习系列:hightopo介绍(一)
- 树莓派远程监控+运动目标检测
- 2021年腾讯研发大数据报告
- shell的logo含义_华为logo的寓意是什么
- cbrt c语音_cbrt (Numerics) – C 中文开发手册 - Break易站
- Fleck实现简单的Websocket
- 企业电子邮箱怎么写?企业邮箱登录入口是什么?
- 华氏温度转换为摄氏温度(C语言)
- Tushare简单的数据使用以及mysql存储教程
- ORB-SLAM3 IMU(李群)+Frame+KeyFrame+MapPoint
- 伤寒杂病论.辨太阳病脉证并治(上)
- Oracle执行语句跟踪(1)——使用sql trace实现语句追踪
热门文章
- java实现简单控制台出租房屋管理系统
- MindMapper免费下载版附序列号激活儿童思维导图软件
- AUTOSAR DiagnosticLogAndTrace(DLT)模块功能概述(一)----DLT基础概念、与SWC\DEM\DET的交互、VFB Trace
- 艺术能为你的生活做什么?
- Amazon亚马逊开发者账号申请
- vscode代码索引_VS Code:自定义代码片断(Snippets)
- 王者荣耀扫码登录教程,扫码登录王者荣耀怎么弄?
- 河南本科计算机科学与技术排名,河南计算机科学与技术专业大学排名
- fixture 'xxx' not found
- genicam 相机java,机器视觉必知-GenICam相机通用接口标准