马尔可夫链 · 深度手册

分类：预测类 ｜难度：★★☆ 进阶｜编号：markov

一、这是什么（一句话用途）

状态转移概率已知的动态预测（排名 / 占有率）

二、核心思想

马尔可夫链描述的是"无后效性"的随机过程：系统下一时刻处于什么状态，只取决于当前状态，与更早的历史无关（"记忆只有一步"）。一旦知道状态间的一步转移概率矩阵，就能预测任意 $n$ 步后的状态分布，甚至求出长期不变的"稳态分布"。在市占率演化、网页排名（PageRank 本质就是马尔可夫链）、排队系统中有大量应用。

三、数学原理与推导

设状态空间 $S=\{1,\dots,N\}$ ，一步转移概率矩阵 $P=(p_{ij})$ ， $p_{ij}\ge0$ 且每行 $\sum_j p_{ij}=1$ 。 $n$ 步转移矩阵 $P^{(n)}=P^n$ 。

分布演化：若第 $t$ 期分布为行向量 $\pi_t$ ，则

$\pi_{t+1}=\pi_t P$

稳态分布 $\pi$ 满足不动点方程（与初始无关，若链不可约、非周期）：

$\pi=\pi P,\qquad \sum_i\pi_i=1$

即 $(P^T-I)\pi=0$ 配合归一化，解线性方程组得稳态占比。还可计算首次到达时间、吸收概率等。

四、建模 / 求解步骤

定义状态空间
统计转移频数 → 概率矩阵 P
初始分布 π0
迭代 π_{n+1}=π_n·P
收敛得稳态

五、关键公式速查

π_{k+1}=π_k · P；稳态 π=π·P

六、典型示例

品牌占有率随用户转移 → 预测下季份额。

完整算例（数字演示，照着算一遍）

场景：用户状态活跃/沉睡/流失，一步转移矩阵：

       活跃 沉睡 流失
活跃  0.7  0.2  0.1
沉睡  0.3  0.5  0.2
流失  0.1  0.1  0.8

初始 (0.6,0.3,0.1)。

两步后：(0.55, 0.27, 0.18)；稳态 ≈(0.41, 0.23, 0.36)。

结论：流失稳态达 36%，需加强唤醒。

七、Python 实现示例

import os, numpy as np
import pandas as pd
HERE = os.path.dirname(os.path.abspath(__file__))
df = pd.read_csv(os.path.join(HERE,"..","datasets","markov.csv"))
states = ["A","B","C"]
idx = {s:i for i,s in enumerate(states)}
n = len(states); P = np.zeros((n,n))
seq = df["state"].map(idx).to_numpy()
for i,j in zip(seq[:-1], seq[1:]):
    P[i,j] += 1
P = P/P.sum(1, keepdims=True)
pi = np.array([1,0,0]); 
for _ in range(20): pi = pi@P
print("转移矩阵:\n", np.round(P,3))
print("稳态分布:", np.round(pi,3))

配套文件：py_markov.py（需 numpy / pandas；与下方数据集配套练习）

八、MATLAB 实现示例

%% 马尔可夫链示例（MATLAB/Octave）
df = readtable('..\datasets\markov.csv');
seq = categorical(df.state, {'A','B','C'});
s = double(seq); n=3; P=zeros(n);
for k=1:length(s)-1, P(s(k),s(k+1))=P(s(k),s(k+1))+1; end
P = P./sum(P,2);
pi=[1,0,0];
for i=1:20, pi=pi*P; end
disp(P); disp(pi);

配套文件：m_markov.m（基础 MATLAB / Octave 即可运行）

九、练手数据集（可下载）

60 步状态序列（A/B/C 三态）。用于统计一步转移矩阵、迭代求稳态分布。

字段：step, state
行数：60 行
下载：markov.csv

十、常见误区与避坑清单

需'无后效性'假设
转移矩阵每行和为 1
初值影响短期

十一、结果怎么解读

稳态分布即长期占比。

十二、常与谁搭配

与蒙特卡洛结合做仿真。

十三、论文写作技巧（怎么把它写进论文）

把 马尔可夫链 写进论文，核心不是堆公式，而是讲清「为什么用它、结果怎么呈现、如何对比」三件事。

1. 动机怎么写（为什么用它而不是别的）

先说明你的数据具有时间 / 序列依赖，或需要由已知推断未知，因此采用预测类方法。交代输入特征与预测目标，并说明为何选马尔可夫链（如非线性强、含季节性、小样本等），对比朴素法（如移动平均）点出优势。

2. 结果怎么写（图表与指标）

结果必须给「预测值 vs 真实值」对比曲线 + 误差指标表（MAE / RMSE / MAPE），最好附训练 / 验证分段。若有多个模型，用一张表横向对比误差，突出马尔可夫链更优。

3. 可直接套用的写作话术

中文模板：针对<问题>，本文采用 马尔可夫链 进行状态转移概率已知的动态预测（排名 / 占有率）。该方法能够自动刻画<优势>，在处理<场景>时相较<对比方法>更具<特点>。
英文模板：To address , we adopt 马尔可夫链 to 状态转移概率已知的动态预测（排名 / 占有率）. Benefiting from its ability to , it outperforms on .

4. 同类易踩的写作坑

不可只报 R² 不看外推；时间序列要显式说明训练 / 测试切分方式，避免用未来信息泄漏（look-ahead bias）。

5. 典型论文段落范例（可直接参考 / 改写）

下面是一段可直接套用的论文表述，已按本算法定制，填空处（…）替换成你的真实数值即可。

由于日用电量具有明显的时间依赖与周期波动，本文采用马尔可夫链对未来 30 天负荷进行预测，以 RMSE=…、MAPE=… 的精度优于 ARIMA 基线，验证了模型对非线性趋势的捕捉能力。

Given the strong temporal dependence and periodic fluctuation of daily load, we employ 马尔可夫链 to forecast the next 30 days, achieving RMSE=… and MAPE=… and outperforming the ARIMA baseline, which confirms its strength in capturing nonlinear trends.

十四、相关手册（延伸阅读）

蒙特卡洛模拟 · 优化类

十五、本手册导航

上一篇：逻辑回归 · 预测类
下一篇：插值（拉格朗日 / 样条） · 预测类
返回：算法深度手册库｜资料站首页

本手册由「算法深度手册生成器」自动产出，配套提供 Python / MATLAB 双版本示例与可下载练手数据集。