马尔可夫预测
4.6 马尔可夫预测
4.6.1 马尔可夫预测法分析概述
马尔可夫是俄国著名的数学家，马尔可夫过程是以马尔可夫名字命名的一种特殊的描述事物发展过程的方法。马尔可夫过程主要用于对企业产品的市场占有率的预测。
众所周知，事物的发展状态总是随着时间的推移而不断地变化的。对于有些事物的发展,需要综合考察其过去与现在的状态，才能预测未来。但有些事物的发展，只要知道现在状态,就可以预测将来的状态而不需要知道事物的过去状态。例如，在下中国象棋时，一个棋子下一步应该怎样走，只与它当前的位置有关，而不需要知道它以前处于什么位置，也不需要知道它是怎么走到当前位置的。这种与过去的取值无关，称为无后效性。这种无后效性的事物的发展过程，就称为马尔可夫过程。
1.一步转移概率与转移概率矩阵
如果变量的状态是可数的，假设有N个，那么从状态i经一步转移到j,都有发生的可能，我们称Pij为一步转移概率。将这些依序排列起来构成的一个矩阵，叫做转移概率矩阵：
转移概率矩阵具有下述性质;
(1)矩阵每个元素均非负；
(2)矩阵每行元素之各等于1.
2.多步转移概率与转移概率矩阵
在一步转移概率概念的基础上，可导出多步转移概率。若系统在时刻T0处于状态i,经过n步转移，在时刻Tn时处于状态j,这种转移的可能性的数量指标称为n步转移概率，记为P（Xn=j|X0=i）=Pij(n)。n步转移概率矩阵记为
经过计算，可以得到一个有用的结论：
同时,n步转移概率同一步转移概率一样具有下列性质;
2.4.2市场占有率预测分析
1.市场占有率预测分析概述
在市场经济条件下，各企业都十分重视扩大自身产品的市场占有率。因此，预测企业产品市场占有率，也就成为企业十分关心的问题。
市场占有率是指在一定地理范围内，某一类商品因为具有相同的用途或性质而相互竞争，那么在这类商品的整个销售市场上，每一种品牌的产品的销售额（销量）点该类商品总销售额（销量）的份额即为该品牌商品的市场占有率。
2.市场占有率预测分析的基本
市场占有率预测分析的基本步骤如下:假设该地区市场上有三种同类商品。
(1)调查目前市场占有率情况，得到市场占有率向量A
首先，通过抽样调查，了解目前市场占有率情况。根据调查结果，构建市场占有率向量A。则A=（P1 , P2 ,P3）
(2)调查消费者的变动情况，计算转移概率矩阵P
通过合理的消费者抽样调整，汇总消费者消费变动的情况，并计算出转移概率矩阵P。则
（3）预测 1 月或数月后的市场占有率
1 个月后的市场占有率为，2个月后的市场占有率
为。一般地，k 个月后的市场占有率可记为。
(4)计算稳定后的市场占有率
设是稳定后的市场占有率，则 X 不随时间的推移而变化，即市场占有率处于动态平衡。这时，一步转移概率矩阵 B 也就对 X 不起作用，即有：
。
则可得到方程组：
。
由于X1，X2和X3是三种商品的市场占有率，同时假定，市场上只有这三种同类商品，故有X1+X2+ X3＝１，联立上面的方程组，可以解得X1, X2和X3的值，此值就是在稳定后的三种商品的市场占有率。
3.两商品市场占有率预测实例分析
【例2-4】假定某大学有1万学生，每人每月用1支牙膏，并且只使用“中华”牙膏与“黑妹”牙膏两者之一。根据本月（12月）调查，有3000人使用黑妹牙膏，7000人使用中华牙膏。又据调查,使用黑妹牙膏的3000人中，有60％的人下月将继续使用黑妹牙膏，40％的人将改用中华牙膏；使用中华牙膏的7000人中，有70％的人下月将继续使用中华牙膏，30％的人将改用黑妹牙膏。试用马尔可夫法预测两种牙膏1个月后和2月后各产品的的市场占用率和使用人数？
运用EXCEL构建市场预测分析模型的步骤如下：
步骤1：根据已知数据运用EXCEL构建市场预测分析模型表格，如图2-35所示。
图2-35 市场预测分析EXCEL模型构建步骤2：计算一个月后的市场占有率及使用人数。
根据现在的产品占有及使用人数、转移概率矩阵及马尔可夫预测法有关思路计算一个月后的市场占有率。则市场占有率数据产生方法为首先选择单元格D11：E11，然后在单元格D11输入公式“=MMULT(C6:D6,F5:D6)”，按组合键CTRL+SHIFT+ENTER。使用人数数据产生方法为首先选择单元格D12：E12，然后在单元格D12输入公式为“= MMULT(C5:D5,F5:D6)”，然后按组合键CTRL+SHIFT+ENTER。结果如图2-36所示。
图2-36 一个月后的产品市场占有率及使用人数
备注：数组公式的输入，为首选选择产生数组数据的单元格，然后在左上角单元格输入数组公式，并按组合键CTRL+SHIFT+ENTER。如果在输入公式时只选择了左上角一个单元格，则可以通过再选择所有单元格，然后把鼠标放在编辑公式栏，并按组合键CTRL+SHIFT+ENTER也可以实现。方法如图2-37所示。
图2-37 产生所在数组数据方法
步骤3：计算二个月后的市场占有率及使用人数。
根据一个月后的产品占有及使用人数和转移概率矩阵计算二个月后的市场占有率。则二个月后数据产生方法为使用一个月后的市场占用率、使用人数及转移概率矩阵进行矩阵乘积运算。首先选择占有率单元格F11：G11，然后在单元格F11输入公式“=MMULT(D11：F11,F5:D6)”，按组合键CTRL+SHIFT+ENTER。选择单元格F12：G12，然后在单元格F12输入公式为“= MMULT(D12:F12,F5:D6)”，然后按组合键“CTRL+SHIFT+ENTER”。结果如图2-38所示。
图2-38 二个月后的产品市场占有率及使用人数
备注：通过上述步骤可以看到在每次输入公式时都要用到转移概率矩阵，这样多次的重复利用单元格区域引进可能会造成输入的失误，是不是可以采用一种方法，不用单元格引用不考虑单元格的位置来引用转移概率矩阵单元格呢，答案是肯定的，定义名称可以解决此问题。
基本方法及步骤为：
(1)选择转移概率矩阵所在单元格区域，单击【插入】菜单，选择【名称】功能的子功能【定义】命令，弹出【定义名称】对话框，把转移概率矩阵的单元格区域定义为转移概率矩阵，如图2-39所示。单击【确定】按钮。此时名称已经定义好，其中引用位置为转移矩阵所在的单元格区域。
图2-39 转移概率矩阵名称定义
(2)把原来公式中的所在转移概率矩阵单元格引用全部换为“转移概率矩阵”名称，方法为单击【编辑】菜单，选择【替换】命令，弹出【查找与替换】对话框，在查找内容文本
框中输入F5:G6,在替换为文本框中输入“转移概率矩阵”，然后单击【全部替换】按钮。结果如图2-40所示。
图2-40执行替换后的结果
通过上图可以看出用名称替换单元格引用后不影响公式的输出结果。同时减少了单元格区域引用的错误。
2.4.3 不同市场状况下的期望利润预测分析
在企业的经营管理中，除了需要摸清销路的变化性况外，还要对利润的变化情况进行预测。下面通过【例2-5】加以描述说明：
【例2-5】某产品在某一地区的销售有三种情况发生，即畅销、正常和滞销。通过有关人员的市场调查，知统计三种市场状态的可能转移情况如表2-6状态转移概率矩阵所示。同时通过市场分析和统计计算，在产品销售情况发生变化时，其利润也会发生变化，表2-7是状态发生变化时利润的变化情况。现在求三个月以后的各种市场状态下的期望利润？
表2-6 产品销售状态转移概率矩阵表
表2-7 利润增减矩阵单位：万元
运用EXCEL构建市场预测分析模型的步骤如下：
步骤1：根据已知数据运用EXCEL构建期望利润预测分析模型表格，如图2-41所示。
图2-41 EXCEL模型表格
步骤2：根据一步转移概率矩阵计算三个月后的转移概率矩阵。
根据多步转移概率的计算方法三个月后转移概率矩阵应该=一步转移概率矩阵3，则三个月后的转移概率矩阵单元格H3:J5公式为“=MMULT（C3：E3，MMULT（C3：E3，C3:E3））”，其运行结果如图2-42所示。
图2-42 运行结果
步骤3：计算三个月后的期望利润变化值。
根据题意三个月后的期望利润变化值计算公式为：
如果本期为畅销，R1=P11R11+P12R12+P13R13；如果本期为正常，R2=P21R21+P22R22+P23R23；如果本期为滞销，R3=P31R31+P32R32+P33R33。则期望利润变化值单元格H9：H11公式分别为H9=MMULT(H3：J3，transpose（C9：E9）；H10= MMULT(H4：J4，transpose（C10：E10）；H11= MMULT(H5：J5，transpose（C11：E11）。
图2-43 运行结果
备注：数组公式所在单元格输入公式时不能为单元格合并，要想把输出结果如上图单元格合并的效果，方法为合并前先输入数组公式，然后再合并单元格。
1． P134第7、题
2．某产品每月的市场状态有畅销和滞销两种，三年的历史记录如表5所示，其中“1”代表畅销，“2”代表滞销。
①求市场状态转移的一步以及二步转移概率矩阵；②若从畅销到畅销的利润为50万元，从畅销到滞销的利润为30万元，从滞销到畅销的利润为15万元，从滞销到滞销的亏损10万元。预测未来三个月的期望利润。
3．用组合预测法预测河南省2010年的货运量（写出原始数据，两种以上预测方法参与组合，权重的确定方法是标准差法或误差平方和最小法）胡世刚
基于马尔可夫排队模型的行程时间预测方法
第34卷 第4期吉林大学学报(工学版) Vol.34 No.4 2004年10月Journal of Jilin University(Engineering and Technology Edition) Oct.2004 文章编号:1671-5497(2004)04-0671-04 基于马尔可夫排队模型的行程时间预测方法 杨志宏1,杨兆升2,于德新2,陈 林2 (1.宝路集团,吉林长春 130022;2.吉林大学交通学院,吉林长春 130022) 摘 要:针对城市交通流诱导系统(U TF GS)亟待解决的综合路段行程时间预测这一关键问题,利用马尔可夫排队模型给出了车辆路段(含信号交叉口)实时行程时间预测的基本公式,并结合实际工程项目对公式中的一些参数进行了简化,提高了模型的实用性。人工调查数据验证表明该模型具有较高的精度。同时给出了相对误差图。 关键词:交通运输工程;城市交通流诱导系统(U TF GS);马尔可夫排队模型;排队等待时间;实时动态行程时间 中图分类号:U491.2 文献标识码:A T ravel time prediction method based on Malcov queuing model YAN G Zhihong1,YAN G Zhaosheng2,YU Dexin2,CHEN Lin2 (1.China B aolu Com pany,Changchun130022,China;2.College of T ransportation,Jilin U niversity,Changchun 130022,China) Abstract:Aiming at the key problem of synthetic Link travel time prediction in Urban Traffic Flow Guidance System(U TF GS).A Vehicle link travel time prediction algorithm based on Malcov Queuing model was presented.With a quantity of traffic measurement data,some model parameters were simplized and confirmed,thus getting a high precision and also making the model more become applicable. K ey w ords:traffic engineering;U TF GS;Malcov queuing model;queuing wait time;real2time dynamic travel time 0 引 言 交通流诱导以交通流预测和实时动态交通分配(D TA)为基础,应用现代通信技术、电子技术、计算机技术等为路网上的出行者提供必要的交通信息,为其指出当前的最佳行驶路线,从而避免盲目出行造成的交通阻塞,到达路网畅通、高效运行的目的[1,2]。交通流诱导的方式一般分为路边显示板式和车内显示屏式两种。前者主要适用于高速公路以及城市路网集体车辆诱导,后者主要适用于城市路网中的个体车辆诱导[2]。 为了准确、快速地给出路网的最佳行驶路线,需要估计路网中各路段的行程时间。路网中的路段均指含一个相邻的下游交叉口(有信号灯控制)的路段。当车辆进入路段后,其行程时间随交通流量的变 收稿日期:2004205219. 基金项目:“十五”国家智能交通重大科技攻关项目(2002BA404A22B). 作者简介:杨志宏(1971-),男,工程师.E2mail:yangzhihong0527@https://www.360docs.net/doc/0d4739628.html, 通讯联系人:杨兆升(1938-),男,教授,博士生导师.E2mail:yangzs@https://www.360docs.net/doc/0d4739628.html,
马尔可夫预测
4.6 马尔可夫预测 4.6.1 马尔可夫预测法分析概述 马尔可夫是俄国著名的数学家，马尔可夫过程是以马尔可夫名字命名的一种特殊的描述事物发展过程的方法。马尔可夫过程主要用于对企业产品的市场占有率的预测。 众所周知，事物的发展状态总是随着时间的推移而不断地变化的。对于有些事物的发展,需要综合考察其过去与现在的状态，才能预测未来。但有些事物的发展，只要知道现在状态,就可以预测将来的状态而不需要知道事物的过去状态。例如，在下中国象棋时，一个棋子下一步应该怎样走，只与它当前的位置有关，而不需要知道它以前处于什么位置，也不需要知道它是怎么走到当前位置的。这种与过去的取值无关，称为无后效性。这种无后效性的事物的发展过程，就称为马尔可夫过程。 1.一步转移概率与转移概率矩阵 如果变量的状态是可数的，假设有N个，那么从状态i经一步转移到j,都有发生的可能，我们称Pij为一步转移概率。将这些依序排列起来构成的一个矩阵，叫做转移概率矩阵： 转移概率矩阵具有下述性质; (1)矩阵每个元素均非负； (2)矩阵每行元素之各等于1. 2.多步转移概率与转移概率矩阵 在一步转移概率概念的基础上，可导出多步转移概率。若系统在时刻T0处于状态i,经过n步转移，在时刻Tn时处于状态j,这种转移的可能性的数量指标称为n步转移概率，记为P（Xn=j|X0=i）=Pij(n)。n步转移概率矩阵记为
经过计算，可以得到一个有用的结论： 同时,n步转移概率同一步转移概率一样具有下列性质; 2.4.2市场占有率预测分析 1.市场占有率预测分析概述 在市场经济条件下，各企业都十分重视扩大自身产品的市场占有率。因此，预测企业产品市场占有率，也就成为企业十分关心的问题。 市场占有率是指在一定地理范围内，某一类商品因为具有相同的用途或性质而相互竞争，那么在这类商品的整个销售市场上，每一种品牌的产品的销售额（销量）点该类商品总销售额（销量）的份额即为该品牌商品的市场占有率。 2.市场占有率预测分析的基本 市场占有率预测分析的基本步骤如下:假设该地区市场上有三种同类商品。 (1)调查目前市场占有率情况，得到市场占有率向量A 首先，通过抽样调查，了解目前市场占有率情况。根据调查结果，构建市场占有率向量A。则A=（P1 , P2 ,P3） (2)调查消费者的变动情况，计算转移概率矩阵P 通过合理的消费者抽样调整，汇总消费者消费变动的情况，并计算出转移概率矩阵P。则
基于马尔可夫模型的语言发展趋势预测
基于马尔可夫模型的语言发展趋势预测 发表时间：2019-03-14T15:24:06.727Z 来源：《知识-力量》2019年6月中作者：张浩1 姜晓丽1 朱英豪2 [导读] 为了预测世界语言发展趋势，将语言使用者分为两个部分来分别预测其数量。 （1.华北理工大学建筑工程学院，河北唐山 063210；2.华北理工大学以升教育创新基地，河北唐山 063210）摘要：为了预测世界语言发展趋势，将语言使用者分为两个部分来分别预测其数量。对于母语使用者，根据语言区域的自然增长率和净移民率计算出随时间变化的母语使用者的人数。对于第二或第三语言使用者，将影响使用者人数的三种因子归一化处理，利用层次分析法赋予相应的权重后得到各种语言的发展强度数值。建立马尔可夫预测模型模拟若干年后的第二或第三语言使用者数量，并模拟50年内排名前十四的语言的母语使用者数量的变化趋势。关键词：层次分析法；马尔可夫模型；聚类分析；语言使用者 人类不仅仅只掌握母语这一种语言，越来越多的人开始说第二语言甚至第三语言。在考虑某种语言的总使用人数时，需要在母语使用者人数的基础上加上第二或者第三语言使用者人数。根据可能影响语言的使用的因素，模拟各种语言的使用者随时间变化的分布。建立模型预测在未来50年里，英语的母语使用者的数量和语言的总使用者的数量的变化，并考虑它们是否会被另一种语言替代。 1.模型假设 ●忽略小概率灭绝事件，比如重大自然灾害的影响导致某一语言的灭绝等。 ●在几十年的时间里，各个语言区域都是稳定的发展，不会出现特别大的起伏的情况。 ●假设每个国家的移民一旦定居，他们的子孙都以此国家的官方语言为母语。 2.数量预测模型对于语言使用者数量的预测，我们需要将其分为母语使用者和其它的语言使用者（包括第二和第三语言使用者）两个方向来调查。 2.1母语使用者针对国家而言，母语使用者人数与该国家的居民人数直接相关。根据该国家的移民率，我们可以得到母语使用者人数随时间的变化为： 2.2 总使用者对于一种语言的总使用者人数，我们需要全面考虑它的变化，不仅仅考虑语言区域居民人数的增加或者减少，还需要考虑其它的语言使用者的变化。上文我们已经得知母语使用者的数量随时间的变化，下面我们将解决其它的语言使用者的预测问题。 2.2.1三种影响因子根据上文可得，我们将影响语言发展的因素分为区域的综合实力、商业往来和旅游业的发展状况三个部分。针对这三个部分，我们选取三个指标作为影响因子，分别是区域人均GDP、区域贸易对GDP的贡献度、区域国际游客数量。[1~2] 为进行统一，我们将十种语言的三种影响因子均除以该影响因子中的最大值。将得到的新结果运用层次分析法构造判断矩阵，得出三种影响因子的权重向量分别为0.545、0.272、0.183。我们可以得到关于语言发展强度的方程： 2.2.2马尔科夫模型以其亲代的第二语言作为他的初始状态，余下的九种语言是另外的九种状态，建立马尔科夫预测模型[3]。然后基于语言的发展强度，根据两种语言之间的强度比值来确定一个人的语言从一种状态转移到另一种状态的概率值。定义世界十大母语依次用数字0-9表示其语言状态，由此计算状态转移矩阵。 2.3 模型的应用 2. 3.1英语的语言使用者我们搜集到英语语言区域的平均自然增长率和平均净移民率[4]分别为1.04和0.0039，根据公式1我们可以求解得出英语的母语使用者在五十年以后的数量为：（4）
案例九-马尔科夫预测
案例九 马尔科夫预测 一、 市场占有率的预测重点 例1：在北京地区销售鲜牛奶主要由三个厂家提供。分别用1，2，3表示。去年12月份对2000名消费者进行调查。购买厂家1，2和3产品的消费者分别为800，600和600。同时得到转移频率矩阵为： 3202402403601806036060180N ?? ?= ? ??? 其中第一行表示，在12月份购买厂家1产品的800个消费者中，有320名消费者继续购买厂家1的 产品。转向购买厂家2和3产品的消费者都是240人。N 的第二行与第三行的含义同第一行。 （1） 试对三个厂家1~7月份的市场占有率进行预测。 （2） 试求均衡状态时，各厂家的市场占有率。 解：（1）用800，600和600分别除以2000，得到去年12月份各厂家的市场占有率，即初始分布0(0.4,0.3,0.3)p =。 用800，600和600分别去除矩阵N 的第一行、第二行和第三行的各元素，得状态转移矩阵： 0.40.30.30.60.30.10.60.10.3P ?? ?= ? ???
于是，第k 月的绝对分布，或第 月的市场占有率为： 00()(1,2,3,,7)k k P p P k p P =?=L 1k =时，()()10.40.30.30.40.30.30.60.30.10.520.240.240.60.10.3p ?? ? == ? ??? 2k =时，()()()220.40.30.30.520.240.240.4960.2520.252p P P === 3 k =时 , ()()()330.40.30.30.4960.2520.2520.50080.24960.2496p P P === 类似的可以计算出4p ，5p ，6p 和7p 。 现将计算结果绘制成市场占有率变动表，如表所示：
Matlab学习系列34. 马尔可夫预测
33. 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。 马尔可夫预测法的基本要求是状态转移概率矩阵必须具有一定的稳定性。因此，必须具有足够的统计数据，才能保证预测的精度与准确性。换句话说，马尔可夫预测模型必须建立在大量的统计数据的基础之上。 （一）经典马尔可夫模型 一、几个概念 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有关，而与过去的状态无关，或者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，下一时刻转移到其它状态的可能性，称为状态转移概率。由状态i E 转为状态j E 的状态转移概率 ()(|)i j j i ij P E E P E E p →== 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1,,n E E ，则矩阵 1111n n nn p p P p p ????=?????? 其中，ij p 为从状态i E 转为状态j E 的状态转移概率，称为状态转移概率矩阵。 状态转移矩阵满足： (i) 01, ,1,,ij p i j n ≤≤= (ii) 1 1n ij j p ==∑ 二、状态转移矩阵的计算 即求出从每个状态转移到其它任何一个状态的状态转移概率ij p ，一般采用频率近似概率的思想进行计算。 例1某地区农业收成变化的三个状态，即E1“丰收”、E2“平收”和E3“欠收”。下表给出了该地区1960~1999年期间农业收成的状态变化情况（部分）。 计算该地区农业收成变化的状态转移概率矩阵。 datas=xlsread('Agriculture.xlsx');
Markov的各种预测模型的原理与优缺点介绍
Markov的各种预测模型的原理与优缺点介绍 建立有效的用户浏览预测模型，对用户的浏览做出准确的预测，是导航工具实现对用户浏览提供有效帮助的关键。 在浏览预测模型方面，很多学者都进行了卓有成效的研究。AZER提出了基于概率模型的预取方法，根据网页被连续访问的概率来预测用户的访问请求。SARUKKAI运用马尔可夫链进行访问路径分析和链接预测，在此模型中，将用户访问的网页集作为状态集，根据用户访问记录，计算出网页间的转移概率，作为预测依据。SCHECHTER构造用户访问路径树，采用最长匹配方法，寻找与当前用户访问路径匹配的历史路径，预测用户的访问请求。XU Cheng Zhong等引入神经网络实现基于语义的网页预取。徐宝文等利用客户端浏览器缓冲区数据，挖掘其中蕴含的兴趣关联规则，预测用户可能选择的链接。朱培栋等人按语义对用户会话进行分类，根据会话所属类别的共同特征，预测用户可能访问的文档。在众多的浏览模型中，Markov模型是一种简单而有效的模型。Markov模型最早是ZUKERMAN等人于1999年提出的一种用途十分广泛的统计模型，它将用户的浏览过程抽象为一个特殊的随机过程——齐次离散Markov模型，用转移概率矩阵描述用户的浏览特征，并基于此对用户的浏览进行预测。之后，BOERGES等采用了多阶转移矩阵，进一步提高了模型的预测准确率。在此基础上，SARUKKAI建立了一个实验系统[9],实验表明，Markov预测模型很适合作为一个预测模型来预测用户在Web站点上的访问模式。 1 Markov模型 1.1 Markov模型 Markov预测模型对用户在Web上的浏览过程作了如下的假设。 假设1（用户浏览过程假设）：假设所有用户在Web上的浏览过程是一个特殊的随机过程——齐次的离散Markov模型。即设离散随机变量的值域为Web空间中的所有网页构成的集合，则一个用户在Web中的浏览过程就构成一个随机变量的取值序列，并且该序列满足Markov性。 一个离散的Markov预测模型可以被描述成三元组，S代表状态空间；A是转换矩阵，表
中天会计事务所马尔可夫模型例题(最完整的例题分析)
中天会计事务所马尔可夫模型例题一、问题分析 中天会计事务所由于公司业务日益繁忙，常造成公司事务工作应接不暇，解决该公司出现的这种问题的有效办法是要实施人力资源的供给预测技术。根据对该公司材料的深入分析，可采用马尔可夫模型这一供给预测方法对该事务所的人力资源状况进行预测。 马尔可夫分析法是一种统计方法，其方法的基本思想是：找出过去人力资源变动的规律，用以来推测未来人力变动的趋势。马尔可夫分析法适用于外在环境变化不大的情况下，如果外在环境变化较大的时候这种方法则难以用过去的经验情况预测未来。马尔可夫分析法的分析过程通常是分几个时期来收集数据，然后在得出平均值，利用这些数据代表每一种职位的人员变动频率，就可以推测出人员的变动情况。 二、项目策划 （一）第一步是编制人员变动概率矩阵表。 根据公司提供的内部资料：公司的各职位人员如下表1所示。 表1：各职位人员表 职位代号人数 合伙人P 40 经理M 80 高级会计师S 120 会计员 A 160 制作一个人员变动概率矩阵表，表中的每一个元素表示从一个时期到另一个时期（如从某一年到下一年）在两个工作之间调动的雇员数量的历年平均百分比（以小数表示）。（注：一般以3—5年为周期来估计年平均百分比。周期越长，根据过去人员变动所推测的未来人员变动就越准确。） 表2：历年平均百分比人员变动概率矩阵表 职位合伙人 P 经理M 高级会计师S 会计员A 职位年度离职升为 合伙 人 离职升为经 理 降为 会计 员 离职升为高级 会计师 离职 2005 0.20 0.08 0.13 0.07 0.05 0.11 0.12 0.11 2006 0.23 0.07 0.27 0.05 0.08 0.12 0.15 0.29 2007 0.17 0.13 0.20 0.08 0.03 0.10 0.17 0.20 2008 0.21 0.12 0.21 0.03 0.07 0.09 0.13 0.19 2009 0.19 0.10 0.19 0.02 0.02 0.08 0.18 0.21 平均0.20 0.10 0.20 0.05 0.05 0.10 0.15 0.20
数学建模之马尔可夫预测
马尔可夫预测 马尔可夫过程是一种常见的比较简单的随机过程。该过程是研究一个系统的 状况及其转移的理论。它通过对不同状态的初始概率以及状态之间的转移概率的研究,来确定状态的变化趋势,从而达到对未来进行预测的目的。 三大特点： （1）无后效性 一事物的将来是什么状态，其概率有多大，只取决于该事物现在所处的状态如何，而与以前的状态无关。也就是说，事物第n 期的状态，只与第n 期内的变化和第n-1期状态有关,而与第n-1期以前的状态无关。 （2）遍历性 不管事物现在所处的状态如何，在较长的时间内马尔可夫过程逐渐趋于稳定状态，而与初始状态无关。 （3）过程的随机性。 该系统内部从一个状态转移到另一个状态是，转变的可能性由系统内部的原先历史情况的概率值表示。 1.模型的应用， ①水文预测， ②气象预测， ③地震预测， ④基金投资绩效评估的实证分析， ⑤混合动力车工作情况预测， ⑥产品的市场占有情况预测。 2.步骤 ①确定系统状态 有的系统状态很确定。如：机床工作的状态可划分为正常和故障，动物繁殖后代可以划分为雄性和雌性两种状态等。但很多预测中，状态需要人为确定。如：根据某种产品的市场销售量划分成滞销、正常、畅销等状态。这些状态的划分是依据不同产品、生产能力的大小以及企业的经营策略来确定的，一般没有什么统一的标准。在天气预报中，可以把降水量划分为旱、正常和涝等状态。 ②计算初始概率()0i S 用i M 表示实验中状态i E 出现的总次数，则初始概率为 ()()0 1 1,2,i i i n i i M S F i n M =≈= =∑L ③计算一步转移概率矩阵
令由状态i E 转移到状态j E 的概率为()|ij j i P P E E =，则得到一步转移概率矩阵为： 1112121 2221 2n n n n nn p p p p p p P p p p ??????=??????L L M M M M L ④计算K 步转移概率矩阵 若系统的状态经过了多次转移，则就要计算K 步转移概率与K 步转移概率矩阵。 K 步转移概率矩阵为： 11121212221 2()k n n k n n nn p p p p p p P k p p p p ??????==??????L L M M M M L ⑤预测及分析 根据转移概率矩阵对系统未来所处状态进行预测，即： () ()111210212221 2K n K n n n nn p p p p p p S S p p p ??????=??????L L M M M M L 例题： 设某企业生产洗涤剂为A 型,市场除A 型外,还有B 型、C 型两种。为了生产经营管理上的需要,某企业要了解本厂生产的A 型洗涤剂在未来三年的市场占有倩况。为此,进行了两项工作,一是进行市场调查,二是利用模型进行预测。 市场调查首先全面了解各型洗涤剂在市场占有情况。年终调查结果:市场洗涤剂目前总容量为100万件,其中A 型占40万,B 型和C 型各占30万。 再者,要调杏顾客购买各型洗涤剂的变动情况。调查发现去年购买A 型产品的顾客,今年仍购A 型产品24万件,转购B 型和C 型产品备占8万件,去年购买B 型产品顾客,今年仍购B 型产品9万件,转购A 型15万件,转购C 型6万件,去年购买C 型产品的顾客,今年仍购C 型产品9万件,转购A 型15万件,转购B 型6万件。计算各型产品保留和转购变动率。 模型的建立： ①计算初始概率 用i M 表示i E 型产品出现的总次数，则初始概率为 ()()0 1 1,2,i i i n i i M S F i n M =≈= =∑L （1） ②计算各类产品保留和转购变动率
马尔科夫预测
第6章 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t X 与之对应，则称 {,}t X t T ∈为一随机过程。 如若T 为离散集（不妨设012{,,,...,,...}n T t t t t =），同时t X 的取值也是离散的，则称 {,}t X 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{1,2,,}S N =L ，称其为状态空间。系统只能在时刻012,,,...t t t 改变它的状态。为简便计，以下将n t X 等简记为n X 。 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 如果对任一1n >，任意的S j i i i n ∈-,,,,121Λ恒有 {}{}11221111,,,n n n n n n P X j X i X i X i P X j X i ----=======L (6.1.1) 则称离散型随机过程{,}t X 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另一张荷叶上。青蛙的运动可看作一随机过程。在时刻n t ，青蛙所在的那张荷叶，称为青蛙所处的状态。那么，青蛙在未来处于什么状态，只与它现在所处的状态()N i i ,,2,1Λ=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A 、B 、C 三种牌号洗衣粉的市场占有率分别是0.3、0.4、0.3，则可用向量()0.3,0.4,0.3P =来描述该月市场洗衣粉销售的状况。
第6章 马尔科夫预测方法-思考与练习
第6章 马尔科夫预测方法 思考与练习（参考答案） 1.设某市场销售甲、乙、丙三种牌号的同类型产品，购买该产品的顾客变动情况如下：过去买甲牌产品的顾客，在下一季度中有15%的转买乙牌产品，10%转买丙牌产品。原买乙牌产品的顾客，有30%转卖甲牌的，同时有10%转卖丙牌的。原买丙牌产品的顾客中有5%转买甲牌的，同时有15%转买乙牌的。问经营甲种产品的工厂在当前的市场条件下是否有利于扩大产品的销售？ 解：状态转移概率矩阵为： 假设市场达到稳定状态时，甲、乙、丙市场占有率分别为 x 1、 x 2、x 3、，则： 所以，在当前的市场条件下，当甲种产品的市场占有率大于0.40时不利于扩大商品的销售；当甲种产品的市场占有率小于0.40时利于扩大商品的销售。 2.某产品每月的市场状态有畅销和滞销两种，三年来有如下记录，见下表。“1” 解：由题可得：畅销状态有 M 1 =20 滞销状态有 M 2=12 从畅销到畅销有 M 11=12 从畅销到滞销有 M 12=7 从滞销到畅销有 M 21=7 从滞销到滞销有 M 22=5 0.750.150.1P=0.30.60.10.050.150.8?? ???? ???? [][]1123123233120.750.150.10.30.60.10.050.150.0.40,0.27,0.3813x x x x x x x x x x x x ?????????=? ????? ?+=+===??
计算状态转移概率矩阵（在计算状态转移概率矩阵时最后一个数据不参加计算，因为它在之后转移到哪里尚不清楚） 一步转移概率矩阵为： ?? ??? ?=?????? 12719 19P 7512 12 二步转移概率矩阵为： = ??????=?????? 2 (2)21271919P P 751212 3.某市三种主要牌号甲乙丙彩电的市场占有率分别为23%、18%、29%，其余市场 为其它各种品牌的彩电所占有。根据抽样调查，顾客对各类彩电的爱好变化为 0.50.10.150.250.10.50.20.20.150.050.50.30.20.20.20.4???????????? 其中矩阵元素 ij a 表示上月购买i 牌号彩电而下月购买 j 牌号彩电的概率；1,i = 2，3，4分别表示甲乙丙和其他牌号彩电。 1) 试建立该市各牌号彩电市场占有率的预测模型，并预测未来3个月各种牌号彩电市场占有率变化情况； 2）假定该市场彩电销售量为4.7万台，预测未来三个月各牌号彩电的销售量； 3）分析各牌号彩电市场占有率变化的平衡状态； 4）假定生产甲牌彩电的企业采取某种经营策略（例如广告宣传等），竭力保持了原有顾客爱好不向其它牌号转移，其余不变。分析彩电市场占有率的平衡状态。 解：（1）市场占有率初始向量为：P （0）=（0.23 0.18 0.29 0.3） 状态转移概率矩阵为： 则第K 期的市场占有率的预测模型为： 0.50.10.150.250.10.50.20.2P=0.150.050.50.30.20.20.20.4?? ?????? ?? ??k k 0.50.10.150.250.10.50.20.2S =P(0)P =(0.230.180.290.3)0.150.050.50.30.20.20.20.4k ???? ? ???????
人力供给预测之马尔科夫模型
人力供给预测之马尔科夫模型 马尔科夫模型是根据历史数据，预测等时间间隔点上的各类人员分布状况。此方法的基本思想是根据过去人员变动的规律，推测未来人员变动的趋势。因此，运用马尔科夫模型时假设——未来的人员变动规律是过去变动规律的延续。既是说，转移率要么是一个固定比率，要么可以通过历史数据以某种方式推算出。 步骤： （1）根据历史数据推算各类人员的转移率，得出转移率的转移矩阵； （2）统计作为初始时刻点的各类人员分布状况； （3）建立马尔科夫模型，预测未来各类人员供给状况。 运用马尔科夫模型可以预测一个时间段后的人员分布，虽然这个时间段可以自由定义，但较为普遍的是以一年为一个时间段，因为这样最为实用。在确定转移率时，最粗略的方法就是以今年的转移率作为明年的转移率，这种方法认为最近时间段的变化规律将继续保持到下一时间段。虽然这样很简便，但实际上一年的数据过于单薄，很多因素没有考虑到，一个数据的误差可能非常大。因为以一年的数据得出的概率很难保证稳定，最好运用近几年的数据推算。在推算时，可以采用简单移动平均法、加权移动平均法、指数平滑法、趋势线外推法等，可以在试误的过程中发现哪种方法推算的转移率最准确。尝试用不同的方法计算转移率，然后用这个转移率和去年的数据来推算今年的实际情况，最后选择与实际情况最相符的计算方法。转移率是一类人员转移到另一类人员的比率，计算出所有的转移率后，可以得到人员转移率的转移矩阵。 转移出i类人员的数量 i类人员的转移率 = （3-1） i类人员原有总量 人员转移率的转移矩阵： P11 P12 (1) P21 P22 (2) P = P31 P32 (3) （3-2） ┇┇┇ P K1 P K2 ……P KK 一般是以现在的人员分布状况作为初始状况，所以只需统计当前的人员分布情况即可。这是企业的基本信息，人力资源部门可以很容易地找到这些数据。 建立模型前，要对员工的流动进行说明。流动包括外部到内部、内部之间、内部到外部的流动，内部之间的流动可以是提升、降职、平级调动等。由于推测的是整体情况，个别特殊调动不在考虑之内。马尔科夫模型的基本表达式为：
马尔科夫预测法
马尔科夫预测案例 一、 市场占有率的预测 例1：在北京地区销售鲜牛奶主要由三个厂家提供。分别用1，2，3表示。去年12月份对2000名消费者进行调查。购买厂家1，2和3产品的消费者分别为800，600和600。同时得到转移频率矩阵为： 3202402403601806036060180N ?? ?= ? ??? 其中第一行表示，在12月份购买厂家1产品的800个消费者中，有320名消费 者继续购买厂家1的 产品。转向购买厂家2和3产品的消费者都是240人。N 的第二行与第三行的含义同第一行。 （1） 试对三个厂家1~7月份的市场占有率进行预测。 （2） 试求均衡状态时，各厂家的市场占有率。 解：（1）用800，600和600分别除以2000，得到去年12月份各厂家的市场占有率，即初始分布0(0.4,0.3,0.3)p =。 用800，600和600分别去除矩阵N 的第一行、第二行和第三行的各元素，得状态转移矩阵： 0.40.30.30.60.30.10.60.10.3P ?? ?= ? ??? 于是，第k 月的绝对分布，或第 月的市场占有率为： 00()(1,2,3,,7)k k P p P k p P =?= 1k =时，()()10.40.30.30.40.30.30.60.30.10.520.240.240.60.10.3p ?? ? == ? ??? 2k =时，()()()220.40.30.30.520.240.240.4960.2520.252p P P === 3 k =时, ()()()330.40.30.30.4960.2520.2520.50080.24960.2496p P P === 类似的可以计算出4p ，5p ，6p 和7p 。
马尔可夫链预测方法及其一类应用【文献综述】
文献综述 数学与应用数学 马尔可夫链预测方法及其一类应用 马尔可夫性是俄国数学家A.A.Mapkov 在1906年最早提出的. 但是, 什么是马尔可夫性呢? 一般来讲,认为它是“相互独立性”的一种自然推广. 设有一串随机事件,...,,...,,121n n A A A A -中（即n A 属于概率空间（P ,,ξΩ）中的σ代数ξ，1≥n ）, 如果它们中一个或几个的发生, 对其他事件的发生与否没有影响, 则称这一串事件是相互独立的（用概率空间（P ,,ξΩ）的符号表示, 即))()(11n m n m n n A P A P X I ===, 推广下, 如果在已知,...,1+n n A A 中的某些事件的发生, 与,,...,,121-n A A A 中的事件发生与否无关, 则称这一串事件{1:≥n A n }具有马尔可夫性. 所以说, 马尔可夫性可视为相互独立性的一种自然推广. 从朴素的马尔可夫性, 到抽象出马尔可夫过程的概念, 从最简单的马尔可夫过程到一般的马尔可夫过程, 经历了几十年的发展过程. 它有极其深厚的理论基础, 如拓扑学、函数论、几何学、近世代数、泛函分析. 又有很广泛的应用空间, 如随机分形、近代物理、公共事业中的服务系统、电子信息、计算技术等. 在现实世界中, 有很多过程都是马尔可夫过程, 如软件可靠性测试、传染病受感染的人数、农村剩余劳动力流动趋势预测、液体中微粒所作的布朗运动、产品市场占有率及利润率的变动, 车站排队问题等等, 都可视为马尔可夫过程. 所谓马尔可夫链是指时间连续(或离散)、状态可列、时间齐次的马尔可夫过程. 之所以要研究这种过程, 一方面是由于它的理论比较完整深入, 可以作为一般马尔可夫过程及其他随机过程的借鉴; 二是由于它在自然科学和许多实际问题(如遗传学、教育学、经济学、建筑学、规则论、排队论等)中发挥着越来越大的作用. 自从我国著名数学家、教育家、中科院王梓坤院士在上世纪50年代将马尔可夫理论引入国内以后, 我国数学家对马尔可夫过程的研究也取得了非常好的效果, 在生灭过程的构造和它的积分型泛函的分布、马尔可夫过程的零壹律、Martin 边界与过份函数、马尔可夫过程
论述马尔可夫模型的降水预测方法
随机过程与随机信号处理课程论文
论述马尔可夫模型的降水预测方法 摘要：预测是人们对未知事物或不确定事物行为与状态作出主观的判断。中长 期降水量的预测是气象科学的一个难点问题, 也是水文学中的一个重要问题。今年来，针对降水预测的随机过程多采用随机过程中的马尔可夫链。本文总结了降水预测的马尔可夫预测的多种方法和模型，对其中的各种方法的马尔可夫链进行了比较和分析，得出了一些有用的结论。 关键字：降水预测，随机过程，马尔可夫链，模拟 前言：大气降水是自然界水循环的一个重要环节。尤其在干旱半干旱地区, 降 水是水资源的主要补给来源, 降水量的大小,决定着该地区水资源的丰富程度。因此, 在水资源预测、水文预报中经常需要对降水量进行预报。然而, 由于气象条件的变异性、多样性和复杂性, 降水过程存在着大量的不确定性与随机性, 因此到目前为止还难以通过物理成因来确定出未来某一时段降水量的准确数值。在实际的降水预测中，有时不必预测出某一年的降水量，仅需预测出某个时段内降水的状况既可满足工作需要。因此，预测的范围相应扩大，精度相应提高。因此对降水的预测可采用随机过程的马尔可夫链来实现。 用随机过程中马尔可夫链进行预测是一种较为广泛的预测方法。它可用来预测未来某时间发生的变化, 如预测运输物资需求量、运输市场等等。马尔可夫链, 就是一种随机时间序列, 它表示若已知系统的现在状态, 则系统未来状态的规律就可确定, 而不管系统如何过渡到现在的状态。我们在现实生活中, 有很多情况具有这种属性, 如生物群体的生长与死亡, 一群体增加一个还是减少一个个体, 它只与当前该生物群体大小有关, 而与过去生物群体大小无关。] 本文针对降水预测过程中采用马尔可夫链进行模拟进行了综述和总结。主要的方法有利用传统的马尔可夫链的方法模拟；有采用加权的马尔可夫链模拟来进行预测；还有基于模糊马尔可夫链状模型预测的方法；还有通过聚类分析建立降水序列的分级标准来采用滑动平均的马尔可夫链模型来预测降水量；从这些方法中我们可以看出，马尔可夫链对降水预测有着重要的理论指导意义。 1.随机过程基本原理 我们知道，随机变量的特点是，每次试验结果都是一个实现不可预知的，但为确定的量。而在实际中遇到的许多物理现象，实验所得到的结果是一个随时间变化的随机变量，且用一个或多个随机变量我们有时无法描述很多这种现象的的全部统计规律，这种情况下把随时间变化的随机变量的总体叫做随机过程。对随机过程的定义如下：
马尔科夫预测
第 6 章马尔可夫预测 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 {t0,t1,t2,...,t n,...} ），同时X t的取值也是离散的，则称{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,L ,N} ，称其为状态空间。系统只能在时刻 t0,t1,t2,...改变它的状态。为简便计，以下将X t n等简记为X 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i1,i2, ,i n 1, j S恒有 P X n j X1 i1,X2 i2,L ,X n 1 i n 1 P X n j X n 1 i n 1 （6.1.1）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另一张荷叶上。青蛙的运动可看作一随机过程。在时刻t n ，青蛙所在的那张荷叶，称为青蛙所处的状态。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 A 、B 、C 三种牌号洗衣粉的市场占有率分别是0.3、0.4、 0.3，则可用向量P 0.3,0.4,0.3 来描述该月市场洗衣粉销售的状况。
马尔可夫预测方法
马尔可夫预测方法 1马尔可夫预测的性质及运用 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，说明被预测的事件在预测期内出现每一种结果的可能性程度。这就是关于事件发生的概率预测。 马尔可夫（Markov)预测法，就是一种关于事件发生的概率预测方法。它是根据事件的目前状况来预测其将来各个时刻（或时期)变动状况的一种预测方法。马尔可夫预测法是地理预测研究中重要的预测方法之一。 2基本概念 （一)状态、状态转移过程与马尔可夫过程 1.状态 在马尔可夫预测中，“状态”是一个重要的术语。所谓状态，就是指某一事件在某个时刻（或时期)出现的某种结果。一般而言，随着所研究的事件及其预测的目标不同，状态可以有不同的划分方式。譬如，在商品销售预测中，有“畅销”、“一般”、“滞销”等状态；在农业收成预测中，有“丰收”、“平收”、“欠收”等状态；在人口构成预测中，有“婴儿”、“儿童”、“少年”、“青年”、“中年”、“老年”等状态；等等。 2.状态转移过程 在事件的发展过程中，从一种状态转变为另一种状态，就称为状态转移。事件的发展，随着时间的变化而变化所作的状态转移，或者说状态转移与时间的关系，就称为状态转移过程，简称过程。 3.马尔可夫过程 若每次状态的转移都只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。在区域开发活动中，许多事件发展过程中的状态转移都是具有无后效性的，对于这些事件的发展过程，都可以用马尔可夫过程来描述。 （二)状态转移概率与状态转移概率矩阵 1.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，下一时刻转移到其它状态的可能性，称为状态转移概率。根据条件概率的定义，由状态E i 转为状态E j 的状态转移概率P （E i →E j )就是条件概率P （E j /E i )，即 P(Ei Ej)=P(Ej/Ei)=Pij → （１） 2.状态转移概率矩阵 假定某一种被预测的事件有E 1，E 2，…，E n ，共n 个可能的状态。记P ij 为从状态E i 转为状态E j 的状态转移概率，作矩阵 1112121 22212n n n n nn P P P P P P P P p p ??????=?????? （２） 则称P 为状态转移概率矩阵。
马尔可夫链预测方法
马尔可夫链预测方法 一、基于绝对分布的马尔可夫链预测方法 对于一列相依的随机变量，用步长为一的马尔可夫链模型和初始分布推算出未来时段的绝对分布来做预测分析方法，称为“基于绝对分布的马尔可夫链预测方法”，不妨记其为“ADMCP 法”。其具体方法步骤如下: 1．计算指标值序列均值x ，均方差s ，建立指标值的分级标准，即确定马尔可夫链的状态空间I ，这可根据资料序列的长短及具体间题的要求进行。例如，可用样本均方差为标准，将指标值分级，确定马尔可夫链的状态空间 I =[1, 2，…，m ]； 2．按步骤1所建立的分级标准，确定资料序列中各时段指标值所对应的状态； 3．对步骤2所得的结果进行统计计算，可得马尔可夫链的一步转移概率矩阵1P ，它决定了指标值状态转移过程的概率法则； 4．进行“马氏性” 检验； 5．若以第1时段作为基期，该时段的指标值属于状态i ，则可认为初始分布为 (0)(0,,0,1,0,0)P = 这里P (0)是一个单位行向量，它的第i 个分量为1，其余分量全为0。于是第2时段的绝对分布为 1(1)(0)P P P =12((1),(1),,(1))m p p p = 则第2时段的预测状态j 满足：(1)max{(1),}j i p p i I =∈； 同样预测第k ＋1时段的状态，则有 1()(0)k P k P P =12((),(),,())m p k p k p k = 得到所预测的状态j 满足: ()max{(),}j i p k p k i I =∈ 6．进一步对该马尔可夫链的特征(遍历性、平稳分布等)进行分析。 二、叠加马尔可夫链预测方法 对于一列相依的随机变量，利用各种步长的马尔可夫链求得的绝对分布叠加来做预测分析，的方法，称为“叠加马尔可夫链预测方法”，不妨记其为“SPMCP 法’。其具体方法步骤如下: 1) 计算指标值序列均值x ，均方差s ，建立指标值的分级标准(相当于确定马尔可夫链的状态空间)，可根据资料序列的长短及具体问题的要求进行； 2) 按1)所建立的分级标准，确定资料序列中各时段指标值所对应的状态； 3) 对2)所得的结果进行统计，可得不同滞时(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； 4) 马氏性检验； 5) 分别以前面若干时段的指标值为初始状态，结合其相应的各步转移概率矩阵即可预测出该时段指标值的状态概率 (6)将同一状态的各预测概率求和作为指标值处于该状态的预测概率，即 ,所对应的i 即为该时段指标值的预测状态。待该时段的指标值确定之后，将其加 入到原序列之中，再重复步骤"(1)一(6)"，可进行下时段指标值状态的预测。 (7)可进一步对该马尔可夫链的特征(遍历性、平稳分布等)进行分析。