基于改进的灰色马尔可夫链模型的交通事故预测

交通事故预测是交通安全评价、规划和决策的基础.灰色预测适合于数据量少和波动小的系统对象,而马尔可夫链理论适用于预测随机波动大的动态过程.为克服一般灰色马尔可夫链模型运用的转移概率矩阵固定不变而影响预测精度的问题,本文建立了改进的灰色马尔可夫链模型.采用滑动转移概率矩阵方法,去掉最老数据并补充最新数据,从而建立新的一步转移概率矩阵.借助改进的灰色马尔可夫链模型,对全国2002-2004年交通事故10万人口死亡率进行了预测分析.结果表明,改进的灰色马尔可夫链模型比一般灰色马尔可夫链模型的预测范围更准确,预测精度更高.     

基于灰色马尔可夫模型的物流配送需求量预测研究

研究可以较准确地预测物流配送需求量的数学模型,以服务于政府及企业的物流规划及其决策.将灰色理论和离散状态的马尔可夫链相结合,用灰色马尔可夫链对物流配送需求量进行实证研究.针对灰色数据系列首先用GM模型进行趋势预测,然后利用马尔可夫状态转移概率矩阵预报方法对其预测值进行二次拟合,预测精度明显高于GM模型预测.     

连续时间遗传算法模型及其强收敛性分析

本文在隐马尔可夫链的框架下利用隐马尔可夫链{Xt:t∈[0,∞)}的观测链的概率分布提出一个连续化遗传算法模型，并给出其一个强收敛结果，讨论了其离散骨架的性质。     

高阶马尔可夫链的降阶模型及其应用

本文通过对传统高阶马尔可夫链模型的状态空间进行阶数重构,导出一个在重构状态空间上的降阶马尔可夫模型。理论分析证明,降阶马尔可夫链模型不但可以描述传统高阶马尔可夫链模型的全部性态,更能表达较传统模型细微的随机结构。然后,应用降阶模型对我国股票指数的动态变化进行实证分析,讨论了阶数的选取和高阶马尔可夫性检验,分析了股票市场内在波动结构。最后,对股指序列作出短期与长期的预测分析。     

基于灰色马尔可夫预测模型的农村人均收入预测

以武汉市农村人均收入为样本,将灰色预测模型和马尔可夫链预测模型相结合,通过对比预测的数据信息与实际数据信息差距,对2011年和2012年武汉市农村人均收入进行了预测计算.根据相关模拟检验与残差修正,灰色马尔可夫链可视为农村人均收入预测的可行且有效的方法.结果显示,单纯地运用灰色模型,预测值与实际值的误差均值是0.687%;通过马尔可夫链模型的二次模拟得到的误差明显减小.     

基于改进灰色GM(1,1)马尔柯夫模型的煤矿事故百万吨死亡率预测

煤矿安全事故预防和控制是煤矿安全评价和决策的基础.灰色预测适合于时间短、数据量少和波动不大的系统对象,而马尔可夫链理论适用于预测随机波动大的动态过程.结合灰色预测GM(1,1)模型和马尔可夫链理论的优点,提出了一种改进的灰色马尔可夫GM(1,1)模型.利用改进的GM(1,1)模型进一步拟合煤矿人因失误事故的发展变化趋势,并以此为基础进行马尔柯夫预测,提高预测效果.以2000-2010年全国煤矿事故百万吨死亡率为例进行了预测分析,结果表明模型既能揭示煤矿人因失误事故百万吨死亡率变化的总体趋势,又能克服随机波动性数据对预测精度的影响,具有较强的工程实用性,并对煤矿人因失误安全事故的预测和控制有一定的实际意义.     

基于灰色加权马尔可夫链的移动通信市场预测

在传统的用灰色预测模型预测的方法基础上,建立了灰色加权马尔可夫链模型.以中国移动通信市场预测作为实例,介绍了使用这种模型的方法与步骤.灰色加权马尔可夫链模型既考虑了从时间序列中挖掘数据的演变规律,又通过规范化各阶自相关系数为权重,用加权的马尔可夫转移概率矩阵的变换,考虑数据的随机波动,具有严密的科学性,能较好地应用于中国移动通信市场的预测.     

基于灰色马尔可夫链模型的人口预测

将灰色预测模型和马尔可夫链预测相结合,将其应用到人口预测中,并依据南京市历年总人口数据进行计算,可以比较准确地预测2008年的户籍人口数,验证了其有效性;同时由模型可以预测2010年,2011年南京户籍人口数以做参考用,灰色马尔可夫链可视为人口预测的可行且有效的方法。     

拟对称Markov链泛函型中心极限定理

本文研究了一般的马尔可夫链特别是拟对称马尔可夫链．利用Lyons-Meyer-Zheng对称马尔可夫过程的鞅分解，建立了泛函型中心极限定理．推广到了一般平稳遍历马尔可夫过程。     

隐非齐次马尔可夫模型的强大数定律

在状态集都有限的情况下,给出了隐马尔可夫模型的一些性质定理．利用马氏链的强极限定理,得到了隐非齐次马尔可夫模型的强大数定律．     

灰色预测模型在汇率分析中的应用

首先建立IM（1,1）预测模型,在此基础上再使用马尔科夫预测方法,构造出一种全新的预测方法,应用于汇率的预测与控制中。     

FMG模型的改进及其应用

针对张信昌等提出的FMG预测模型存在的预测精度和准确性不稳定等问题,根据GM(1,1)模型和马尔可夫过程研究的新成果,改进了FMG预测模型,并利用东阳市年降水量资料进行预测试验,初步结果表明,与原来的预测模型相比,改进后的模型在长期性降水预测结果的准确性方面有了明显的提高.     

双无限环境中马氏链的中心极限定理

本文研究了双无限环境中马氏链,构造了一马氏双链.利用马氏链的理论,在双链平稳遍历的条件下,获得了双无限环境中马氏链的中心极限定理成立的充分条件.     

马尔可夫状态转换加随机波动瞬时利率模型实证研究

文章对中国瞬时利率动态行为进行了实证研究,比较了一类马尔可夫状态转换加随机波动扩散模型。与以往研究不同,文章对模型所有参数采用基于Gibbs抽样的马尔可夫链蒙特卡罗模拟方法进行估计。同时,通过MAE(绝对误差平均值)、MRSE(平方误差均值)、调整R~2、对数损失函数LL以及非参数Wilcoxon检验对各种模型的样本内与样本外预测能力进行了分析与比较,结果表明:中国利率市场确实存在马尔可夫状态转换现象,其中Smith模型更适合刻画国内瞬时利率动态行为。     

BP神经网络非线性组合预测模型在海洋冰情预测中的应用

针对海洋冰情灾害的非线性复杂问题，目前已提出了多种模型对其进行预测。在此基础上，根据神经网络的非线性和良好的函数逼近特性，提出用基于BP神经网络的非线性组合预测（NN-NLCF）模型来预测海洋冰情灾害。结果表明，NN—NLCF模型与海洋冰情的非线性特性相契合，它综合利用了参与组合的多种预测模型的有效信息，因而能更客观地反映海洋冰情的发展趋势，预测结果更为稳健、精度更高，在其它自然灾害时序预测中具有一定的推广应用价值。     

Mover‐stayer model with covariate effects on stayer's probability and mover's transitions

A discrete time Markov chain assumes that the population is homogeneous, each individual in the population evolves according to the same transition matrix. In contrast, a discrete mover‐stayer (MS) model postulates a simple form of population heterogeneity; in each initial state, there is a proportion of individuals who never leave this state (stayers) and the complementary proportion of individuals who evolve according to a Markov chain (movers). The MS model was extended by specifying the stayer's probability to be a logistic function of an individual's covariates but leaving the same transition matrix for all movers. We further extend the MS model by allowing each mover to have her/his covariates dependent transition matrix. The model for a mover's transition matrix is related to the extant Markov chains mixture model with mixing on the speed of movement of Markov chains. The proposed model is estimated using the expectation‐maximization algorithm and illustrated with a large data set on car loans and the simulation.     

状态可数的马氏环境中马氏链函数的强大数定律

讨论了马氏双链与随机环境中马氏链的关系．在此基础上，研究了具有离散参量的马氏环境中马氏链函数的强大数定律，并且给出了直接加于链和过程样本函数上的充分条件．     

A higher order Markov model for analyzing covariate dependence

During the recent past, there has been a renewed interest in Markov chain for its attractive properties for analyzing real life data emerging from time series or longitudinal data in various fields. The models were proposed for fitting first or higher order Markov chains. However, there is a serious lack of realistic methods for linking covariate dependence with transition probabilities in order to analyze the factors associated with such transitions especially for higher order Markov chains. L.R. Muenz and L.V. Rubinstein [Markov models for covariate dependence of binary sequences, Biometrics 41 (1985) 91–101] employed logistic regression models to analyze the transition probabilities for a first order Markov model. The methodology is still far from generalization in terms of formulating a model for higher order Markov chains. In this study, it is aimed to provide a comprehensive covariate-dependent Markov model for higher order. The proposed model generalizes the estimation procedure for Markov models for any order. The proposed models and inference procedures are simple and the covariate dependence of the transition probabilities of any order can be examined without making the underlying model complex. An example from rainfall data is illustrated in this paper that shows the utility of the proposed model for analyzing complex real life problems. The application of the proposed method indicates that the higher order covariate dependent Markov models can be conveniently employed in a very useful manner and the results can provide in-depth insights to both the researchers and policymakers to resolve complex problems of underlying factors attributing to different types of transitions, reverse transitions and repeated transitions. The estimation and test procedures can be employed for any order of Markov model without making the theory and interpretation difficult for the common users.     

A Markov Chain analysis of genetic algorithms with power of 2 cardinality alphabets

In this paper we model the run time behavior of GAs using higher cardinality representations as Markov chains, define the states of the Markov Chain and derive the transition probabilities of the corresponding transition matrix. We analyze the behavior of this chain and obtain bounds on its convergence rate and bounds on the runtime complexity of the GA. We further investigate the effects of using binary versus higher cardinality representation of a search space.