隐马尔可夫模型用于事件预测

问题：在隐式马尔可夫模型的合理实现下进行设置吗？

我有一组108,000观察数据（在100天的时间内进行），并且2000在整个观察时间范围内大约都有事件发生。数据如下图所示，其中观察到的变量可以采用3个离散值，红色列突出显示事件时间，即：$[1,2,3]$$t_E$

如图中红色矩形所示，我对每个事件都剖析了{到 }，将它们有效地视为“事件前窗口”。$t_E$$t_{E-5}$

HMM训练：我计划使用Pg上建议的多观察序列方法，基于所有“事前窗口” 训练隐马尔可夫模型（HMM）。Rabiner 论文 273 。希望这将使我能够训练HMM，以捕获导致事件的序列模式。

HMM预测：然后，我计划使用此HMM 预测 新一天的对，其中将是一个滑动窗口矢量，实时更新以包含当前时间至随着时间的推移。$log[P(Observations|HMM)]$$Observations$$t$$t-5$

对于与“事前窗口”类似的，我希望看到增加。实际上，这应该使我能够在事件发生之前进行预测。$log[P(Observations|HMM)]$$Observations$

您所描述的方法的一个问题是，您将需要定义的增加幅度是有意义的，这可能很困难，因为通常总是很小。训练两个HMM可能更好，比如说HMM1用于发生关注事件的观察序列，而HMM2用于未发生事件的观察序列。然后给定观察序列您具有 ，对于HMM2同样。然后，您可以预测如果 $P(O)$$P(O)$$O$

$$\begin{align*} P(HHM1|O) &= \frac{P(O|HMM1)P(HMM1)}{P(O)} \\ &\varpropto P(O|HMM1)P(HMM1) \end{align*}$$ $$\begin{align*} P(HMM1|O) &> P(HMM2|O) \\ \implies \frac{P(HMM1)P(O|HMM1)}{P(O)} &> \frac{P(HMM2)P(O|HMM2)}{P(O)} \\ \implies P(HMM1)P(O|HMM1) &> P(HMM2)P(O|HMM2). \end{align*}$$

免责声明：以下内容基于我个人的经验，因此请以实际情况为准。HMM的优点之一是，它们允许您处理可变长度的序列和可变顺序的效果（由于隐藏状态）。有时这是必要的（例如在许多NLP应用程序中）。但是，您似乎先验地假设只有最后5个观测值与预测感兴趣的事件有关。如果这个假设是现实的，那么使用传统技术（逻辑回归，朴素贝叶斯，SVM等），并且仅将最后5个观察值用作特征/独立变量，您可能会有更多的运气。通常，这些类型的模型将更易于训练，并且（以我的经验）会产生更好的结果。