怎么用马尔可夫模型预测天气？

1.马尔可夫模型是什么？

马尔可夫模型是一种用于描述系统状态随时间变化的数学模型，它的核心是，未来只与现在有关，与过去无关。

2.马尔可夫模型的特征？

• 无记忆性：下一步的状态只依赖当前状态，与更早状态无关。
• 状态空间：系统所有可能的状态构成的集合。
• 转移概率：从一个状态转移到另一个状态的概率，所有从一个状态出发的转移概率之和为1.

3.马尔可夫模型建模步骤：（以天气预报为例)

• 定义状态空间：列出所有可能的状态，比如S1=【‘晴’，‘雨’】
• 准备历史数据：准备一串已知的天气序列，比如 ['晴','晴','雨','雨','晴','雨']
• 统计转移次数：遍历整个序列，统计从一种状态转移到另一种状态的次数，构造转移频数矩阵
• 计算转移概率：把转移频数矩阵的每一行除以每一行的总和，得到转移概率矩阵
• 预测未来：用当前的状态作为初始矩阵，用转移概率矩阵预测明天可能的天气，若要预测多次，需要用矩阵乘法循环迭代

4.天气预报的例子：

S1 = ['晴','雨']
possibility = ['晴','晴','雨','雨','晴','雨']

def calculate(lst):
    p11 = 0
    p12 = 0
    p21 = 0
    p22 = 0
    for i in range(len(lst)-1):
        if lst[i] == '晴':
            if lst[i+1] == '晴':
                p11 += 1
            else:
                p12 += 1
        else:
            if lst[i+1] == '晴':
                p21 += 1
            else:
                p22 += 1
    return p11,p12,p21,p22
p11,p12,p21,p22 = calculate(possibility)
P11,P12,P21,P22 = p11 / (p11+p12),p12/(p11+p12),p21/(p21+p22),p22/(p21+p22)
P11,P12,P21,P22

        2.构造转移概率矩阵、预测未来一天的天气情况

import numpy as np
matrix = np.array([[P11,P12],[P21,P22]])
ini = [1,0]     #初始状态
result = np.dot(ini,matrix)
print('明天有{:.2f}概率晴天,有{:.2f}概率雨天'.format(result[0],result[1]))

明天有0.33概率晴天,有0.67概率雨天

        3.预测未来五天的天气情况

def pre(days,matrix):
    current = ini     #当前状态
    result1 = []
    for i in range(days):
       current = np.dot(current,matrix)
       result1.append(current.copy())
    return result1
predictions = pre(5,matrix)
print('未来五天天气预报')
for i in range(5):
    print('第{}天{:.2f}概率晴天,有{:.2f}概率雨天'.format(i+1,predictions[i][0],predictions[i][1]))
    

未来五天天气预报
第1天0.33概率晴天,有0.67概率雨天
第2天0.44概率晴天,有0.56概率雨天
第3天0.43概率晴天,有0.57概率雨天
第4天0.43概率晴天,有0.57概率雨天
第5天0.43概率晴天,有0.57概率雨天

        4.将结果可视化，直观分析

import matplotlib.pyplot as plt
import matplotlib.pyplot as plt
import numpy as np

import warnings
warnings.filterwarnings('ignore')      #忽略运行时警告信息

plt.rcParams['axes.unicode_minus'] = False      #修复负号显示
plt.rcParams['font.sans-serif'] = ['SimHei']  

# 原始数据
days_orig = np.arange(1, len(possibility) + 1)
y_orig = [0 if w == '晴' else 1 for w in possibility]   # 晴=0, 雨=1

# 预测数据
predictions = pre(5, matrix)
pred_晴天 = [p[0] for p in predictions]    # 每天晴天的概率
pred_雨天 = [p[1] for p in predictions]    # 每天雨天的概率
days_pred = np.arange(len(possibility) + 1, len(possibility) + 6)

plt.figure(figsize=(10, 5))
plt.scatter(days_orig, y_orig, color='blue', label='原始天气(0=晴,1=雨)', s=50, zorder=5)    #zorder图层显示
plt.plot(days_pred, pred_晴天, 'o–', color='orange', label='预测概率(晴天)', alpha=0.8)
plt.plot(days_pred, pred_雨天, 's–', color='green', label='预测概率(雨天)', alpha=0.8)

plt.title('马尔可夫模型天气预测')
plt.xlabel('天数')
plt.ylabel('概率 / 天气状态')
plt.xticks(range(1, len(possibility) + 6))
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

从图片可以看出，未来几天是雨天的概率较大。同时，可以看到，从第8天开始，预测概率趋于稳定。

5.完整代码：

S1 = ['晴','雨']
possibility = ['晴','晴','雨','雨','晴','雨']

def calculate(lst):
p11 = 0
p12 = 0
p21 = 0
p22 = 0
for i in range(len(lst)-1):
if lst[i] == '晴':
if lst[i+1] == '晴':
p11 += 1
else:
p12 += 1
else:
if lst[i+1] == '晴':
p21 += 1
else:
p22 += 1
return p11,p12,p21,p22
p11,p12,p21,p22 = calculate(possibility)
P11,P12,P21,P22 = p11 / (p11+p12),p12/(p11+p12),p21/(p21+p22),p22/(p21+p22)

import numpy as np
matrix = np.array([[P11,P12],[P21,P22]])
ini = [1,0] #初始状态
result = np.dot(ini,matrix)
print('明天有{:.2f}概率晴天,有{:.2f}概率雨天'.format(result[0],result[1]))

def pre(days,matrix):
current = ini #当前状态
result1 = []
for i in range(days):
current = np.dot(current,matrix)
result1.append(current.copy())
return result1
predictions = pre(5,matrix)
print('未来五天天气预报')
for i in range(5):
print('第{}天{:.2f}概率晴天,有{:.2f}概率雨天'.format(i+1,predictions[i][0],predictions[i][1]))

import matplotlib.pyplot as plt
import matplotlib.pyplot as plt
import numpy as np

import warnings
warnings.filterwarnings('ignore') #忽略运行时警告信息

plt.rcParams['axes.unicode_minus'] = False #修复负号显示
plt.rcParams['font.sans-serif'] = ['SimHei']

# 原始数据
days_orig = np.arange(1, len(possibility) + 1)
y_orig = [0 if w == '晴' else 1 for w in possibility] # 晴=0, 雨=1

# 预测数据
predictions = pre(5, matrix)
pred_晴天 = [p[0] for p in predictions] # 每天晴天的概率
pred_雨天 = [p[1] for p in predictions] # 每天雨天的概率
days_pred = np.arange(len(possibility) + 1, len(possibility) + 6)

# 画图
plt.figure(figsize=(10, 5))

# 原始天气用散点
plt.scatter(days_orig, y_orig, color='blue', label='原始天气(0=晴,1=雨)', s=50, zorder=5) #zorder图层显示

# 预测概率用两条折线
plt.plot(days_pred, pred_晴天, 'o–', color='orange', label='预测概率(晴天)', alpha=0.8)
plt.plot(days_pred, pred_雨天, 's–', color='green', label='预测概率(雨天)', alpha=0.8)

plt.title('马尔可夫模型天气预测')
plt.xlabel('天数')
plt.ylabel('概率 / 天气状态')
plt.xticks(range(1, len(possibility) + 6))
plt.legend()
plt.grid(True, alpha=0.3)
plt.show()

6.总结：

马尔可夫模型用于“下一步只与当前有关”的场景，如天气预报、股票预测、自然语言处理。优点是模型简单、易于理解，局限性是仅依赖当前状态，可能无法捕捉更长期的历史规律。

该天气预报例子，状态空间情况少、历史数据有限，相对简单，对于大数据集，需要更多的处理。