马尔可夫预测法是一种
机器学习算法
时间序列分析方法
数据挖掘技术
神经网络模型
马尔可夫预测法假设
未来状态受过去状态的影响
未来状态只受当下状态的影响
未来状态是受当下与过去状态的共同影响
未来状态受随机事件的影响
马尔可夫预测基于
随机过程
罗辑回归
梯度下降
模糊逻辑
马尔可夫预测法中的状态转移概率矩阵的元素表示从一个状态到另一个状态的
马尔可夫预测法可以用于哪些场景的预测
对于马尔可夫链,遍历性、平稳性意味着
所有的状态之间存在连通路径
所有状态的转移概率相等
在足够长的时间后,系统的状态分布收敛到平稳分布
系统的状态分布随时间变化而保持不变
马尔可夫预测中的k步转移概率矩阵为一步转移概率矩阵的
K次方
K-1次方
K-n次方
n次方
马尔可夫链的全部对象满足以下条件可称为符合遍历性要求
常返性
非周期性
连通性
平稳性
马尔可夫链若要能收敛需要满足以下条件
可能的状态数量是有限的
状态间的转移概率需要固定不变
从任意状态能够转变到任意状态
不能是简单的循环
状态间的转移概率随移动步数的变化而变化
下列哪些状态转移可以称为马尔可夫链的吸收态
天气之间的晴雨转变
人类健康状态从健康到死亡的转变
股市熊市牛市的状态转变
机器从投入生产到报废的状态转变
什么是经济现象的无后效性
所有各种自然状态发生的概率之和满足
=1
>1
0到1之间
<0
系统未来的状态仅与它现在的状态有关,而与它以前状态无关,这种性质称为稳态性。