**
数据挖掘08——基于统计模型的序列数据挖掘
**
一、概述
1.序列数据挖掘方法分类
（1）模式匹配
把未知量伸长或者缩短到参考模式的长度。
然后使用动态规划方法把被比较的数据扭曲或者弯折，时期特征与模型特征对齐。
比如：DTW
（2）统计学习方法
对时间序列结构建立统计模型
比如：HMM 、CRF
（3）神经网络
模拟大脑在处理时间序列信息和工作记忆时所依赖的核心原理
比如：RNN、 LSTM 、 Transformer
2.隐马尔可夫模型
（1）定义
**隐马尔可夫模型（Hidden Markov Model, HMM）**是一种经典的概率图模型，用于建模含有隐藏状态的时序随机过程。
（2）核心思想：看得见的输出，看不见的状态
（3）HMM 的关键假设是：
系统的真实状态（隐藏状态）无法直接观测，但每个状态会以一定概率生成一个可观测的输出（观测值）。
下一状态只依赖于当前状态。
（4）举个例子：“天气与冰淇淋”
隐藏状态（真实天气）：晴天（Sunny）、雨天（Rainy）——你不知道每天具体是什么天气。
观测值（你能看到的）：每天朋友吃 1、2 或 3 个冰淇淋。
问题：根据过去一周他吃的冰淇淋数量，推断最可能的天气序列。
这就是HMM模型要做的事。
