时序分析 43 -- 时序数据转为空间数据 (二) 马尔可夫转换场

这篇具有很好参考价值的文章主要介绍了时序分析 43 -- 时序数据转为空间数据 (二) 马尔可夫转换场。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

马尔可夫转换场(MRF,Markov Transition Fields)

MRF

    马尔可夫转换场(MRF, Markov Transition Fields)比GAF要简单一些,其数学模型对于从事数据科学的工程师来说也并不陌生,诸如马尔可夫模型或隐含马尔可夫模型(HMM)也是我们经常会用到的建模方法,在自然语言处理、机器学习等数据科学任务中也会经常遇到。
    我们假设一个长度为 N N N 的时序数据,第一步我们把每一个值放到一个分位数中,例如,如果我们使用四分位数,那么就是把所以的值放置到其属于的分位桶中,25%,50%,75%,100%。这有点类似于直方图中的bin值。我们可以把每一个桶想象成马尔可夫模型中的一种状态。

马尔可夫状态转移矩阵

    接下来,我们构造马尔可夫状态转移矩阵:
A i j = P ( s t = j ∣ s t − 1 = i ) A_{ij} = P(s_t = j | s_{t-1} = i) Aij=P(st=jst1=i)

记得这里的 A i j A_{ij} Aij 代表从状态 i i i 转到状态 j j j 的转移概率,如果我们用 Q Q Q 分位数,那么这个矩阵就是 Q × Q Q \times Q Q×Q

通常情况下,我们会采用最大似然法来估计转移概率,简单来说 A i j A_{ij} Aij 可以用从状态 i i i j j j 的计数除以状态 i i i 的次数或者是计数矩阵进行规范化。可以看到,从原时序数据转化来的马尔可夫状态转移矩阵对于原数据的分布不太敏感,并且丢失了时间信息,这并不是一个好事。所以MTF浮出水面。

MTF,马尔可夫转换场

​ MTF,即马尔可夫转换场,记作 M M M ,是一个 N × N N \times N N×N 矩阵, N N N 为时序长度:

M k l = A q k q l M_{kl} = A_{q_k q_l} Mkl=Aqkql

其中, q k q_k qk文章来源地址https://www.toymoban.com/news/detail-798235.html

到了这里,关于时序分析 43 -- 时序数据转为空间数据 (二) 马尔可夫转换场的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 【机器学习】马尔可夫链与隐马尔可夫模型(HMM)

            马尔可夫链(Markov chain),又称离散时间马尔可夫链(discrete-time Markov chain),因俄国数学家安德烈·马尔可夫(A.A.Markov)得名。描述的是状态空间中经过从一个状态到另一个状态的转换的 随机过程 。该过程要求具备“无记忆”的性质: 下一状态的概率分布只能

    2024年02月13日
    浏览(45)
  • 算法介绍及实现——马尔可夫链、隐马尔可夫链(附Python实现)

    目录  ——马尔可夫链 ——隐马尔可夫链 马尔科夫性质: 即当前在已知时,过去和未来是独立的,如果知道当前的状态,那么就不许要过去的额外信息来对未来做出预测。 理解 :n为n-1的后一个时间(或者说单位),若n-1为当前时刻状态,那么n即为下一刻的未来状态,0至

    2024年02月05日
    浏览(52)
  • 机器学习算法 - 马尔可夫链

    马尔可夫链(Markov Chain)可以说是机器学习和人工智能的基石,在强化学习、自然语言处理、金融领域、天气预测、语音识别方面都有着极其广泛的应用 The future is independent of the past given the present   未来独立于过去,只基于当下。 这句人生哲理的话也代表了马尔科夫链的思想

    2024年01月17日
    浏览(39)
  • 机器学习:马尔可夫模型

    后续遇到合适的案例会再补充   马尔可夫模型(Markov Model, MM)是一种统计模型,广泛应用在自然语言处理等领域中。 1.1 数学定义   考虑一组随机变量序列 X = { X 0 , X 1 , … , X t , …   } X={X_{0},X_{1},dots,X_{t},dots} X = { X 0 ​ , X 1 ​ , … , X t ​ , … } ,其中 X t X_{t} X t ​ 表

    2024年02月13日
    浏览(43)
  • 学习笔记:马尔可夫模型

    安德雷·马尔可夫(Andrey Markov),俄国数学家,在概率论、数理统计和随机过程等领域做出了重要贡献,20世纪初期提出了一种数学模型,即马尔可夫过程Markov Process),用于描述具有“无记忆性”的随机过程。 马尔可夫性质(Markov Property)是概率论中的一个概念,它是指一个随

    2024年02月04日
    浏览(48)
  • 简述马尔可夫链【通俗易懂】

    马尔可夫链(Markov Chain)可以说是机器学习和人工智能的基石,在强化学习、自然语言处理、金融领域、天气预测、语音识别方面都有着极其广泛的应用 The future is independent of the past given the present 未来独立于过去,只基于当下。 这句人生哲理的话也代表了马尔科夫链的思想:

    2023年04月08日
    浏览(39)
  • 马尔可夫预测(Python)

    从一个例子入手:假设某餐厅有A,B,C三种套餐供应,每天只会是这三种中的一种, 而具体是哪一种,仅取决于昨天供应的哪一种, 换言之,如果知道今天供应了什么,就可以用某种方式预测明天将会供应什么。         例如,今天供应的是A,那么明天有60%概率供应B,我

    2024年01月25日
    浏览(49)
  • 灰色-马尔可夫预测模型

            在实际生活中,我们经常遇到很多要预测的事情,其中很常见的就是对产品销量的预测,这对于防止产品供应不足或者产品滞销的情况是很有用的。我们要介绍的灰色-马尔可夫模型就是一个比较热门的预测模型,它的特点是: 信息量较小,需要预测的信息较少,指

    2024年02月09日
    浏览(51)
  • 两个状态的马尔可夫链

    手动推导如下公式。 证明: 首先将如下矩阵对角化: { 1 − a a b 1 − b } begin {Bmatrix} 1-a a \\\\ b 1-b end {Bmatrix} { 1 − a b ​ a 1 − b ​ } (1)求如下矩阵的特征值: { 1 − a a b 1 − b } { x 1 x 2 } = λ { x 1 x 2 } = = begin {Bmatrix} 1-a a \\\\ b 1-b end {Bmatrix} begin {Bmatrix} x_1 \\\\x_2 end {Bmatrix} = la

    2024年02月13日
    浏览(43)
  • 【强化学习】03 ——马尔可夫决策过程

    在此推荐另一篇文章【自动驾驶决策规划】POMDP之Introduction 提供了一套在结果 部分随机 、 部分在决策者的控制下的决策过程建模 的数学框架。 MDP形式化地描述了一种强化学习的环境 环境完全可观测 当前状态可以完全表征过程(马尔科夫性质) 几乎所有的RL问题都可以转换到

    2024年02月07日
    浏览(48)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包