隐马尔可夫与半隐马尔可夫模型：这些模型何时以及为何可用于时间序列数据中的状态分类？
应用统计
2021-11-22 v2
摘要
隐马尔可夫模型（HMMs）及其扩展已被证明是对具有时间依赖性的系统所产生的观测进行分类的强大工具，因为它们考虑到时间上接近的观测很可能来自同一状态（即类别）。当观测的类别信息事先可用时，可以应用监督方法。在本文中，我们提供了在监督学习背景下用于分类的四种模型实现的细节：HMMs、隐半马尔可夫模型（HSMMs）、自回归HMMs和自回归HSMMs。通过模拟，我们在不同程度的模型设定错误下研究分类性能，以刻画何时将基本HMM扩展为HSMM是重要的。作为这些技术的应用，我们使用这些模型对美利奴羊的加速度计数据进行分类，以区分四种不同的感兴趣行为。特别是在运动生态学领域，随时间收集精细尺度的动物运动数据以识别行为状态已变得普遍存在，这需要能够解释数据中依赖结构的模型。我们证明，当目标是进行分类时，所提出模型的各种程度的模型设定错误可能不会妨碍良好的分类性能，除非状态依赖分布之间存在高度重叠，即除非不同状态的观测分布难以区分。
引用
@article{arxiv.2105.11490,
title = {Hidden Markov and semi-Markov models: When and why are these models useful for classifying states in time series data?},
author = {Sofia Ruiz-Suarez and Vianey Leos-Barajas and Juan Manuel Morales},
journal= {arXiv preprint arXiv:2105.11490},
year = {2021}
}