1.5 随机过程与马尔可夫模型
随机过程：（Ω，F，P）为已知的概率空间，随机变量X（ω，t），ω∈Ω在概率空间中，都会有t∈T作为Index，可以说X（ω，t）是（Ω，F，P）上的一个随机过程。
马尔可夫链：已知有一组随机变量X1，X2，X3，…，Xt，Xt+1组成的随机过程{Xt，t=0，1，2，…}，其中这些变量的取值范围构成状态空间{xi}。如果Xt+1在时间t+1的概率依赖于历史X1，X2，X3，…，Xt的情况，可以将其简化成Xt+1的历史条件概率仅依赖Xt的取值，则有：
P（Xt+1=x|X1=x1，X2=x2，…，Xt=xt）=P（Xt+1=x|Xt=xt）
具有这种性质的随机过程称为马尔可夫过程。马尔可夫链是指时间、状态都是离散情况下的马尔可夫随机过程。
齐次马尔可夫链：如果一条马尔可夫链，Xu=i转移到Xt+u=j的转移概率定义为pij=P（Xt+u=j|Xu=i），pij的取值只依赖于时间t，而与起始时间u无关，则称之为齐次马尔可夫链。
马尔可夫链常用于对一些有内在规律问题的预测，最常见的就是天气预测的问题。
假设通过日常的观察发现：次日与当日的天气情况存在内在关系，当日天气为晴时，次日天晴的概率很大；当日阴天或有雨时，次日为雨的概率很大。统计某县数年内7月份的天气情况，得到天气的转移概率表如表1-4所示。
表1-4 天气的转移概率表
问题：如果当天为阴天时，那么接下来的3天的天气情况如何？
那么初始状态X（0）=（0，1，0）T，转移概率矩阵
。
则：
PX（0）=X（1）=（0.3，0.4，0.6）T
X（2）=（0.39，0.46，0.45）T
X（3）=（0.423，0.423，0.45）T
如果当天为阴天，则第二天为雨天的概率大，第三天为阴天或雨天的概率更大，第四天几乎哪种天气都有可能，发生概率都差不多。
隐马尔可夫模型（HMM）：隐马尔可夫模型也具有马尔可夫性，是隐藏状态序列为马尔可夫链的一种变形，它的观测状态并不像隐状态一样可以直接构成马尔可夫链，但可以通过隐藏状态到观测状态的转移矩阵，间接求出观测状态的概率。如图1-2所示。
图1-2 隐马尔可夫模型的5个元素
隐马尔可夫模型包含（S，O，Π，A，B）这5个主要元素。
（1）S代表隐马尔可夫模型（HMM）的隐藏状态。
隐马尔可夫的隐藏状态S1，S2，…，Sn满足马尔可夫性。
（2）O代表隐马尔可夫模型（HMM）的观测状态。
观测状态是通过直接观测得到的，本身没有马尔可夫性，通过观测桩体转移矩阵和隐藏状态发生关系。
（3）Π代表初始化状态概率矩阵。
用于初始化各个状态在t=1时的矩阵。
（4）A代表隐藏状态间的转移概率。
隐状态序列可以构成马尔可夫链，Aij=P（it+1=Sj|it=Si），1≤i≤N，1≤j≤N。
隐状态马尔可夫链在t时刻，隐状态为Si的条件已知下，在t+1时刻的隐状态Sj的概率。
（5）B代表观测状态转移矩阵。
Bij=P（Oi|Sj）
在t时刻，在隐藏状态Sj已知的情况下，观测状态是Oi的概率。
一般来说，可以用λ=（A，B，Π）三元组来简洁的表示一个隐马尔可夫模型，现在来看一个隐马尔可夫应用的例子，看看和马尔可夫在应用上有哪些差异。
假设人们根据当天的天气（晴天、阴天、雨天）来决定他们的出行方式，分为步行和搭乘交通工具两种，观测概率转移矩阵可以表示为如表1-5所示。
表1-5 观测概率转移矩阵
天气状态（隐状态）间的转移概率矩阵为表1-6所示：
表1-6 天气状态（隐状态）间的转移概率矩阵
假设天气初始化概率为0.3、0.3、0.4，那么人们连续3天的出行方式为：交通工具-走路-交通工具的概率是多少？
O代表的观测状态集合：
O={交通工具，走路}
S代表的隐藏状态集合：
S={晴天，阴天，雨天}
Π代表的初始化状态概率矩阵：
Π={0.3，0.3，0.4}T
A代表的隐藏状态间的转移概率：
B代表观测状态转移矩阵：
考虑HMM模型λ=（A，B，Π），当观测序列为O=（交通工具、走路、交通工具）时，求P=（O|λ）。
1）第一天使用交通工具，隐藏状态天气是晴天的概率为：
α1（1）=p1b1（o1）=0.3*0.5=0.15
隐藏状态天气是阴天的概率为：
α1（2）=p2b2（o2）=0.3*0.6=0.18
隐藏状态天气是雨天的概率为：
α1（3）=p3b3（o3）=0.3*0.7=0.21
2）第二天走路，隐藏状态天气是晴天的概率为：
隐藏状态天气是阴天的概率为：
隐藏状态天气是雨天的概率为：
继续递推第3天的3个状态前向概率：
3）第3天使用交通工具，隐藏状态天气是晴天的概率为：
隐藏状态天气是阴天的概率为：
隐藏状态天气是雨天的概率为：
最终求出观测序列：O=（坐公交、走路、坐公交）时概率为：
