python - 借助 hmmlearn Python 库预测 HMM 中的下一个状态

Question

我是统计分析的新手。我将详细描述我的问题如下： 我有一个数据集如下：

ObjectID         Timestamp         State

1                 t1               1

1                 t2               3

1                 t3               5

1                 t4               2

2                 t11               2

2                 t22               5

2                 t33               3

2                 t44               1

同样。

状态总数固定为20。每个对象都是相似的，可以归为一类。所以最后，我有属于类似类的每个对象的可变长度状态序列及其各自的时间戳。

所以，我想为这种类型的数据集训练一个 HMM 模型，并在相应的输入是一系列先前状态时预测下一个状态作为输出。

那么，我该如何解决这类问题，以及我需要使用hmmlearnPython 库实现哪些参数。任何代码帮助也会更好。

Answer 1

我想阅读hmmlearn图书馆的文档至少可以帮助你开始。所以基本上，在更简单的情况下：

from hmmlearn import hmm
# Setting the HMM structure. n_component is the number of hidden states
mode = hmm.MultinomialHMM(n_components=2)
# Training the model with your data
model.fit(your_data) 
# Predicting the states for the observation sequence X (with Viterbi)
Z = model.predict(your_data)

为了预测下一个输出的状态，您可以使用从 Viterbi 序列（HMM 是无记忆过程）推断出的最后一个状态以及转移矩阵。从代表系统从最后一个状态到其他状态的转换的概率质量函数，您可以绘制模型将处于的下一个状态。

在我对这个问题的回答中，更详细地阐述了最后一点。