假設您想要預測下次該船將作爲概率訪問的時間。 您開始在船週期的任意位置進行觀測。 當您進行觀察時,您只能記錄船隻是否可見(假設它是船上始終可見的週期中的正確點)。 在這個世界上,船的週期長度也是未知的但是週期性的,並且船訪問持續時間是未知的,但總是比周期長度更小的小於。同樣假設週期是可能不會改變的固定自然現象。用於檢測未知週期中的位置的算法(時間序列)
案例1.觀察的第一個小時你沒有看到一條船。因此預計在下一個小時內有船的可能性將是任意的。第二個小時,我們觀察一條船,我們預測3小時的概率很高。小時4我們沒有觀察船,我們現在可以確定船通常可以觀察2小時(第2小時和第3小時)。我們繼續進行觀察,7小時後船再次可見。只有在這一點上,我們才知道船的週期長度(5小時)和船可觀察的持續時間(2小時)。
案例2.第一小時的觀察,你看到一條船。預計下一小時的概率很高。在第四小時,你沒有觀察到船隻。此時船可見度至少爲3小時。我們在5小時,6小時,7小時,8小時再次觀察船,9小時沒有船。只有在小時9之後,我們可以安全地說週期爲5小時,能見度爲4小時。
案例3.第一個小時,你看到一條船。你去睡3個小時。在第5小時,你看不到一條船。你去睡3個小時。在第9小時,你會看到一條船。 10,11,12幾小時看到一艘船的概率是多少?
我可以用什麼算法來解決這個問題?我在想一個隱藏的馬爾可夫模型可能會工作,因爲有一個潛在的現象,但它不是直接可觀察的。但在這種情況下,現象並不完全清楚。在我的具體情況下,我可以用平均週期長度初始化算法。創建這種算法的真正動機是觀察結果之間的差距很小。這個程序在訓練階段是最有價值的,因爲如果週期長度和我們在週期中的位置是已知的,事情就會變得微不足道。
下面大致有什麼可以輸出給定的0,1,2和3個連續觀測(X意味着看到小船的觀察,O表示無舟),使用的小時的平均歷史週期長度,船的持續時間爲小時。仔細觀察圖表,你會注意到在船隻可能返回的地方,可能性增加了。
期間是一個整數嗎?也就是說,模式重複完美嗎? – Beta 2012-07-13 11:23:46
看來你想估計伯努利定律的參數;或不? – Bentoy13 2012-07-13 11:23:55
@貝塔假設這是。該模式完美重複,但在算法開始時是未知的。當然,如果我們用概率工作,我們可以解釋異常值。如果我們使用HMM,我們可以通過學習來更新內部權重,以解釋現象本身行爲的逐漸變化。 – 2012-07-13 11:54:00