2.R语言中使用排队论预测等待时间
4.R语言中的马尔科夫机制转换(Markov regime switching)模型
5.matlab贝叶斯隐马尔可夫hmm模型
6.用R语言模拟混合制排队随机服务排队系统
7.Python基于粒子群优化的投资组合优化
8.R语言马尔可夫转换模型研究交通伤亡人数事故预测
9.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用
区域土地利用类型的变化和转移是随时间的发展而变化和转移的，土地利用变化过程是连续的。当然我们不可能对每个时刻的土地利用状况进行精确分析研究，这样也是没有多大意义的，但可在有限的年份内以年份为单位，随机选择某些年份作为时间点，判断这些时间点及相邻两两之间各种土地利用类型的变化和转移。这样就形成了一个离散的随机转移问题。其中某一个时间点的土地利用问题与它前一个时间点的土地利用类型状况有关而与此之前的土地利用类型状况相关不显著。这恰好满足离散的随机数学模型———马尔柯夫模型( Wang S-Z，2006李明阳，2000谢志霄等，1994张华等，2005) 。
马尔柯夫模型是利用某一系统的现在状况及其发展动向预测该系统未来状况的一种概率预测分析方法与技术，大量研究表明，其预测准确度已经达到较高的水平。马尔科夫链模型是应用广泛的一种随机模型( 李淑娟等，2004) 。地理事物都是随时间而改变的，把时刻t0时事物所处的状态记作 X( t0) ，当状态 X( t) 随时间的变化是不确定的，受到大量随机因素的干扰，以一定的概率取到状态空间 U 中的某一状态，因而 X( t) 是不确定的，把上述依赖参数 t，以一定概率 P 取值于某一状态的过程称为随机过程( stochastic process) ( 杨学军等，2001) 。
马尔柯夫模型建立在马尔柯夫无后效假设( Markov assumption ) 基础上，建模的关键是转移概率矩阵的确定。它通过对系统不同状态的初始概率以及状态之间的转移概率的研究来确定系统各状态变化趋势，从而达到对未来趋势预测的目的。因此，转移概率矩阵的确定方法就成为这类模型各自的特点，许多模型改进的研究都体现在这一点上，在本研究中，建立景观空间动态预测模型的目的是预测研究地区景观结构总体变化趋势，把握景观要素动态变化规律，提供未来景观结构总体图景，利用马尔柯夫模型研究景观动态。这对研究景观动态演变较为合适，因为在一定条件下，研究区内景观动态演变具有马尔科夫过程的性质:①在一定区域内，不同景观类型具有相互转化的可能②各类型之间的转化过程有一些难以用函数关系准确描述的事件( 李德成等，1995) 。
量化交易是指以先进的数学模型替代人为的主观判断，利用计算机技术从庞大的历史数据中海选能带来超额收益的多种“大概率”事件以制定策略，极大地减少了投资者情绪波动的影响，避免在市场极度狂热或悲观的情况下作出非理性的投资决策。
