Machine learning 隐马尔可夫模型下一个状态只依赖于前一个状态？前n个州呢？

我正在开发一个原型框架

基本上，我需要根据每个人的一些传感器数据，例如GPS、运动、心率、周围环境读数、温度等，为每个人的生活方式生成一个模型或配置文件

建议的模型或轮廓是个人生活方式模式的知识表示。也许是一个概率图

我正在考虑使用隐马尔可夫模型来实现这一点。由于HMM中的状态可以是工作、睡眠、休闲、运动等，因此观测值可以是一组各种传感器数据

我对HMM的理解是，下一个状态S（t）只取决于前一个状态S（t-1）。然而在现实中，一个人的活动可能取决于之前的n个状态。使用HMM仍然是个好主意吗？或者我应该使用其他更合适的模型？我看过一些关于二阶和多阶马尔可夫链的工作，它也适用于HMM吗

如果你能给我一个详细的解释，我真的很感激

---

谢谢

您所说的是一阶隐马尔可夫模型，在该模型中，您的模型只知道以前的历史状态。在n阶马尔可夫模型的情况下，下一个状态将依赖于之前的“n”状态，可能这就是您正在寻找的，对吗

---

您是对的，就简单的HMM而言，下一个状态仅依赖于当前状态。然而，也可以通过定义如图所示的转移概率来实现mth阶HMM。然而，随着顺序的增加，矩阵的整体复杂度也随之增加，因此模型的复杂度也随之增加。因此，如果你愿意接受挑战，并愿意付出必要的努力，这实际上取决于你自己

您所说的是一阶隐马尔可夫模型，在该模型中，您的模型只知道以前的历史状态。在n阶马尔可夫模型的情况下，下一个状态将依赖于之前的“n”状态，可能这就是您正在寻找的，对吗

您是对的，就简单的HMM而言，下一个状态仅依赖于当前状态。然而，也可以通过定义如图所示的转移概率来实现mth阶HMM。然而，随着顺序的增加，矩阵的整体复杂度也随之增加，因此模型的复杂度也随之增加。因此，如果你愿意接受挑战，并愿意付出必要的努力，这实际上取决于你自己