隐马尔可夫随机动力学模型中的序贯贝叶斯推断及其在季节性流行病检测与应对中的应用
统计计算
2014-09-10 v1 概率论
统计理论
统计理论
摘要
我们研究具有潜在因子的随机动力学模型中的序贯贝叶斯推断。假设对所有反应进行连续观测，我们的重点是对未知的反应速率和动态潜在状态进行联合推断，这些状态被建模为隐马尔可夫因子。利用连续时间跳跃马尔可夫过程非线性滤波的见解，我们为此开发了一种新颖的序贯 Monte Carlo 算法。我们的方法应用粒子学习的思想来最小化粒子退化并利用解析的跳跃马尔可夫结构。我们方法的一个驱动应用是通过区室流行病模型表示的季节性传染病爆发建模。我们通过若干数值算例展示了此类模型中的推断，并讨论了使用序贯 Bayes 估计对流行病应对措施进行预测分析。
引用
@article{arxiv.1301.3617,
title = {Sequential Bayesian Inference in Hidden Markov Stochastic Kinetic Models with Application to Detection and Response to Seasonal Epidemics},
author = {Junjing Lin and Michael Ludkovski},
journal= {arXiv preprint arXiv:1301.3617},
year = {2014}
}
备注
26 pages, 7 figures