HOMC ni kifurushi cha kukokotoa kinachotegemea MATLAB, kilichoundwa kwa ajili ya kuchanganua minyororo ya Markov ya mpangilio wa juu moja kwa moja katika umbo la tensori. Katika minyororo ya kawaida ya Markov ya mpangilio wa kwanza, hali ya baadaye hutegemea hali ya sasa pekee; katika minyororo ya mpangilio wa juu, hali ya baadaye hutegemea hali ya sasa pamoja na hali moja au zaidi za nyuma. Kwa hiyo, uwezekano wa mpito huwakilishwa na tensori ya mpito yenye vipimo vingi badala ya matrisi yenye vipimo viwili. HOMC; hii mpito tensörlerinden k-adımlı mpito olasılıklarını, limiting probability distribution değerlerini, ever-reaching probability tensörlerini na mean first passage time tensörlerini hesaplayabilmekte; pia zincirin regular au ergodic olup olmadığının incelenmesini, durumların recurrent/transient kama sınıflandırılmasını na ilişkili reduced first-order chain mpito matrisinin oluşturulmasını huunga mkono.

Paketin matematiksel katika kiini cha yazarın önceki çalışmalarında kullanılan maalum moja tensori işlemi ambayo ni box product (⊠) hupatikana. Hii çarpım, klasik tensori çarpımlarından tofauti moja olasılıksal anlama sahiptir na wa mpangilio wa juu Markov zincirinin k-adımlı mpito tensörünü moja kwa moja üretmek kwa hutumika. Box product, mertebe iki olduğunda normal matrisi çarpımına indirgenmesine rağmen katika mpangilio wa tatu na wa juu zaidi associative si. HOMC hii nedenle tensori kuvvetlerini klasik matrisi kuvvetlendirmesinden tofauti, sıralı moja biçimde hesaplamaktadır.

Mifano ya utafiti inaonyesha kwamba kifurushi hiki hakiishii kwenye minyororo ya mpangilio wa juu pekee; katika mpangilio wa pili hufanya kazi pia kwa upatanifu na minyororo ya kawaida ya Markov ya mpangilio wa kwanza. Hata hivyo, msisitizo mkuu wa mwandishi ni kwamba si matatizo yote ya Markov ya mpangilio wa juu yanaweza kutatuliwa kwa kuyapunguza kuwa mnyororo unaohusiana wa mpangilio wa kwanza. Sababu kuu ya HOMC ni kutoa mazingira ya MATLAB ya kukokotoa yanayoweza kuhifadhi moja kwa moja hisabati ya tensori ya muundo wa mpangilio wa juu.

Kuna tofauti gani kati ya mnyororo wa Markov wa mpangilio wa kwanza na mnyororo wa mpangilio wa juu?

Klasik birinci mertebe Markov zincirinde sistemin moja sonraki durumu pekee sasa duruma bağlıdır. Durum uzayı

\[ S=\{1,2,\ldots,n\} \]

kama tanımlandığında Markov özelliği:

\[ \Pr(X_{t+1}=i\mid X_t=j,\ldots,X_1=k) = \Pr(X_{t+1}=i\mid X_t=j) \]

şeklindedir.

Geçiş uwezekano:

\[ p_{ij}=\Pr(X_{t+1}=i\mid X_t=j) \]

na hufafanuliwa na zote geçişler \(n\times n\) wenye vipimo stokastik moja \(P\) matrisi ndani ya tutulabilir.

Yüksek mertebeli Markov zincirinde ikiwa gelecek hali pekee \(X_t\)'ye si, geçmişteki birden fazla duruma bağlıdır. Makaledeki tanıma kulingana na \(m\geq3\) olmak üzere \((m-1)\). mertebeden zincir:

\[ \Pr( X_{t+1}=i_1 \mid X_t=i_2,\ldots,X_{t-m+2}=i_m,\ldots,X_1=i_{t+1} ) = \Pr( X_{t+1}=i_1 \mid X_t=i_2,\ldots,X_{t-m+2}=i_m ) \]

özelliğini hutoa.

Buna karşılık mpito uwezekano:

\[ p_{i_1i_2\ldots i_m} = \Pr( X_{t+1}=i_1 \mid X_t=i_2,\ldots,X_{t-m+2}=i_m ) \]

huwa na zote olasılıklar \(m\). mertebeden, her boyutu \(n\) ambayo ni moja mpito tensöründe tutulur:

\[ \mathcal P=[p_{i_1i_2\ldots i_m}] \]

Hii tensori stokastiktir:

\[ 0\leq p_{i_1i_2\ldots i_m}\leq1 \]

na her nyuma hali kombinasyonu kwa:

\[ \sum_{i_1\in S}p_{i_1i_2\ldots i_m}=1 \]

olmalıdır.

Kwa nini MATLAB inafaa kwa tatizo hili?

Yüksek mertebeli Markov zincirlerinde temel veri yapısı çok wenye vipimo moja tensördür. MATLAB'ın doğal multidimensional array yapısı hii tür mpito tensörlerini moja kwa moja saklamaya uygundur.

Örneğin \(m\). mertebeden moja mpito tensörünün frontal slice'ları:

P(:,:,i3,...,im)

biçiminde erişilebilir. Her slice sıradan moja \(n\times n\) MATLAB matrisi kwamba ni kwa ya tensori tofauti bölümlerini incelemek au değiştirmek moja kwa moja MATLAB sözdizimiyle mümkündür.

Ancak yoğun moja \(m\). mertebe, \(n\) wenye vipimo ya tensori giriş sayısı:

\[ n^m \]

kwamba ni kwa bellek gereksinimi hızlı biçimde büyür. Çalışma HOMC'nin temel uzay karmaşıklığını:

\[ O(n^m) \]

kama vermektedir.

Yazar bunun genel na dense higher-order Markov chain problemi kwa mpito tensörünün kendisinin zaten \(n^m\) eleman içerdiği göz önüne alındığında kaçınılmaz olduğunu belirtmektedir.

HOMC hujaribu kupunguza kumbukumbu kwa njia gani?

Özel box-product hesabının naif moja uygulaması zote:

\[ (i_1,i_2,\ldots,i_m) \]

indeks kombinasyonlarının önceden oluşturulmasını gerektirebilir. Bunun büyük \(n\) na \(m\) değerlerinde önemli ek bellek tüketimi yaratacağı inaelezwa.

HOMC bunun yerine MATLAB'ın yerleşik ind2sub fonksiyonunu kullanarak ihtiyaç duyulan indeksleri hesaplama sırasında üretmektedir. Aynı yaklaşım paket içindeki başka fonksiyonlarda da uygun yerlerde kullanılmıştır.

Dolayısıyla ana bellek yükü ek moja dev indeks tablosundan si, esas mpito tensörü na gerektiğinde sawa büyüklükteki çıktı tensörlerinden kaynaklanmaktadır.

Kwa nini linear indexing ni muhimu?

Moja ya tensori çok wenye vipimo indekslerini tek moja sırada düzenlemek, tensor-to-matrix dönüşümleri na reduced first-order chain oluşturma kama işlemlerde ni muhimu.

HOMC bunun kwa:

ind = lind(s,r)

fonksiyonunu sunmaktadır.

Burada:

s = size(P)

mpito tensörünün boyut vektörüdür. Varsayılan r=1 normal linear indexing üretirken:

lind(s,-1)

reversed linear indexing hutoa.

Örnek 2.1'de:

s = [2 2 2 2]

kwa toplam:

\[ 2^4=16 \]

indeks kombinasyonu elde inafanywa.

Box product ni nini?

HOMC'nin merkezindeki işlem \(\boxempty\) au chanzo gösterimindeki ⊠ box product'tır. Aynı boyutta iki \(m\). mertebe tensori:

\[ \mathcal A=[a_{i_1i_2\ldots i_m}], \qquad \mathcal B=[b_{i_1i_2\ldots i_m}] \]

kwa:

\[ \mathcal C=\mathcal A\boxtimes\mathcal B \]

tensörünün elemanları:

\[ c_{i_1i_2\ldots i_m} = \sum_{j=1}^{n} a_{i_1ji_2\ldots i_{m-1}} b_{ji_2\ldots i_m} \]

kwa umbo la hufafanuliwa.

MATLAB kazi:

C = bprod(A,B)

biçimindedir.

Özel kama \(m=2\) olduğunda tensörler matristir na box product sıradan:

\[ AB \]

matrisi çarpımına hubadilika.

Kwa nini box product ni tofauti na uzidishaji wa kawaida wa matrisi?

En kritik fark associative olmamasıdır. Genel kama \(m\geq3\) kwa:

\[ A\boxtimes(B\boxtimes C) \neq (A\boxtimes B)\boxtimes C \]

olabilir.

Hii nedenle tensori kuvvetleri sıradan cebirdeki kama parçalanamaz.

Örneğin:

\[ A^6 \]

genel kama:

\[ A^3\boxtimes A^3 \]

kwa umbo la hesaplanamaz.

HOMC hufafanuaje nguvu ya tensori?

Tensör kuvveti rekürsif kama:

\[ A^{k+1}=A^k\boxtimes A \]

kwa umbo la hufafanuliwa.

MATLAB kazi:

C = bpow(A,k)

biçimindedir.

Sıfırıncı kuvvet kwa maalum moja \(m\). mertebe identity tensor hutumika:

\[ \mathcal I=[\delta_{i_1i_2\ldots i_m}] \]

na:

\[ \delta_{i_1i_2\ldots i_m} = \begin{cases} 1,& i_1=i_2\\ 0,& \text{aksi halde} \end{cases} \]

kama hufafanuliwa.

Hii tensori:

\[ I\boxtimes A=A \]

özelliğini sağlarken genel kama:

\[ A\boxtimes I\neq A \]

olabilir.

Identity tensor:

I = eyet(s)

na huundwa.

Maana ya kihisabati ya box product ni ipi?

Yüksek mertebeli zincirin mpito tensörü \(\mathcal P\) ikiwa:

\[ \mathcal P^k = [p^{(k)}_{i_1i_2\ldots i_m}] \]

tensöründeki her eleman:

\[ p^{(k)}_{i_1i_2\ldots i_m} = \Pr( X_{t+k}=i_1 \mid X_t=i_2,\ldots,X_{t-m+2}=i_m ) \]

kwa umbo la k-adımlı mpito olasılığını temsil eder.

Dolayısıyla bpow(P,k) pekee soyut moja tensori kuvveti hesaplamaz; moja kwa moja k adım sonraki hali olasılıklarını hutoa.

Je, mnyororo wa mpangilio wa juu ulio regular na ergodic ni kitu kimoja?

Hayır. Çalışma hii iki kavram arasındaki farkı iki örnekle hasa görünür hâle getirir.

Örnek 2.2: Dört durumlu mpangilio wa pili zincirde:

bpow(P,10)

hesaplandığında \(P^{10}\)'un zote girişlerinin pozitif kwamba ni huonekana. Başka moja ifadeyle moja \(k\geq1\) kwa:

\[ P^k>0 \]

sağlandığından zincir regulardır.

Kaynak, regular moja wa mpangilio wa juu zincirin unique limiting probability distribution'a sahip olduğunu belirtmektedir.

Örnek 2.3: Üç durumlu başka moja mpangilio wa pili zincirde ikiwa:

\[ P^k=P \]

tek \(k\) değerlerinde, başka moja tensori ikiwa çift \(k\) değerlerinde tekrarlanmaktadır. Dolayısıyla hiçbir kuvvette zote girişler pozitif olmadığı kwa zincir regular si.

Bununla birlikte her başlangıç/hedef kombinasyonu kwa uygun moja \(k\) bulunabildiğinden zincir ergodicdir.

Hii örnek, chanzo wa utafiti kullandığı higher-order Markov terminolojisinde:

ergodic olmak na regular olmak sawa koşul si.

Tensori ya diagonal hutumika kwa nini?

Moja ya tensori diagonal kısmı:

\[ A_d=[a^{(d)}_{i_1i_2\ldots i_m}] \]

na gösterilir na:

\[ a^{(d)}_{i_1i_2\ldots i_m} = \begin{cases} a_{i_1i_2\ldots i_m},&i_1=i_2\\ 0,&\text{aksi halde} \end{cases} \]

kama hufafanuliwa.

HOMC kazi:

D = diagt(A)

şeklindedir.

Hii yapı hasa ever-reaching probability na mean first passage time denklemlerinde hutumika.

Tensori hubadilishwa kuwa matrisi vipi?

HOMC hem matricization hem tensorization işlemlerini huunga mkono.

Moja \(m\). mertebe, \(n\) wenye vipimo tensori kwa:

\[ N=n^{m-1} \]

olduğunda mode-k matricization sonucu \(n\times N\) matristir.

Fonksiyonlar:

B = t2mat(A,k)

na ters işlem kwa:

A = mat2t(B,k)

şeklindedir.

Örnek 2.5'te:

A = reshape(1:16,2,2,2,2)

na oluşturulan \(2\times2\times2\times2\) tensori mode-3 üzerinden:

\[ B= \begin{bmatrix} 1&2&3&4&9&10&11&12\\ 5&6&7&8&13&14&15&16 \end{bmatrix} \]

matrisine dönüştürülmekte na:

mat2t(B,3)

orijinal tensörü geri vermektedir.

Kwa nini mnyororo wa mpangilio wa juu hubadilishwa kuwa mnyororo wa mpangilio wa kwanza?

Moja \((m-1)\). mertebe Markov zincirinin nyuma hali kombinasyonları tek moja genişletilmiş hali kama ele alınarak ilişkili moja first-order chain oluşturulabilir.

Yeni hali uzayı:

\[ T= \{ i_1i_2\ldots i_{m-1}: i_1,\ldots,i_{m-1}\in S \} \]

huwa na boyutu:

\[ N=n^{m-1} \]

kadardır.

Yeni süreç:

\[ Y_t= [X_t,X_{t-1},\ldots,X_{t-m+2}]^T \]

kama hufafanuliwa.

Hii zincir kaynakta reduced first-order chain kama adlandırılır.

Matrisi ya mpito ya reduced-chain huundwaje katika MATLAB?

Önce mpito tensörünün mode-1 matricization'ı huundwa. Daha baada yake sütun bazlı Khatri-Rao product hutumika.

HOMC bunun kwa iki kazi sunar:

krprod(A,B)

na moja kwa moja reduced-chain matrisi kwa:

Q = rcmat(P)

Örnek 2.2'deki dört durumlu mpangilio wa pili zincir kwa:

\[ N=4^2=16 \]

kwa kuwa ni elde edilen reduced first-order transition matrix:

\[ Q\in\mathbb R^{16\times16} \]

boyutundadır.

Limiting probability distribution hupatikanaje?

Kaynağa kulingana na regular moja wa mpangilio wa juu zincir unique limiting distribution:

\[ \pi=\lim_{t\rightarrow\infty}x_t \]

değerine sahiptir.

Reduced-chain matrisi \(Q\)'nun dominant eigenvalue değeri:

\[ \lambda=1 \]

kwa uygun sağ eigenvector \(y\) hupatikana na:

\[ y\geq0, \qquad \|y\|_1=1 \]

kama normalize hufanywa.

Daha baada yake kaynakta identity tensor'un mode-1 matricization'ı kama tanımlanan \(\mathcal P^{(0)}\) na:

\[ \pi=\mathcal P^{(0)}y \]

hukokotolewa.

Örnek 2.6'da MATLAB'ın eig kazi kullanıldığında \(\lambda=1\)'in multiplicity değeri 2 olsa na iki tofauti eigenvector elde edilse de her ikisi de sawa limiting distribution sonucunu üretmektedir:

\[ \pi= \begin{bmatrix} 0.2857\\ 0.2857\\ 0.2857\\ 0.1429 \end{bmatrix} \]

Ever-reaching probability ni nini?

Ever-reaching probability, belirli nyuma hali dizisinden başlanıldığında hedef duruma gelecekte en az moja kez ulaşılma olasılığını ifade eder.

İlk mpito zamanının tam \(k\). adımda gerçekleşme uwezekano:

\[ f^{[k]}_{i_1i_2\ldots i_m} \]

na gösterilir.

İlk tensori:

\[ F^{[1]}=P \]

na sonraki tensörler:

\[ F^{[k+1]} = (F^{[k]}-F^{[k]}_d)\boxtimes P \]

rekürsiyonu na hukokotolewa.

Ever-reaching probability tensor:

\[ F=\sum_{k=1}^{\infty}F^{[k]} \]

kama hufafanuliwa.

HOMC kazi:

F = erp(P,tol)

şeklindedir.

Varsayılan tolerans:

\[ 10^{-6} \]

kama hutolewa. Eğer herhangi moja \(k\)'da \(F^{[k]}\)'nın en büyük mutlak elemanı toleransın altına düşerse seri o noktada kesilerek takriban \(F\) döndürülür.

Hali huainishwaje kwa kutumia ever-reaching probability?

Moja hali \(i\), gerekli diagonal ever-reaching olasılıklarının tamamı 1 ikiwa recurrent kama sınıflandırılır.

Bunlardan en az biri 1 değilse hali transienttir.

İlgili zote değerler 1'in altındaysa hali fully transient kama adlandırılır.

Örnek 3.1'de erp(P,1e-8) hesabı serinin ilk 67 terimi kwa kutumia yakınsamaktadır na matokeo:

• Durum 1: transient fakat fully transient si,
• Durum 2: recurrent,
• Durum 3: fully transient

kama sınıflandırılmıştır.

Mean first passage time ni nini?

Mean first passage time, başlangıç nyuma hali kombinasyonundan hedef duruma ilk kez ulaşmak kwa gereken ortalama adım sayısıdır.

Kaynak:

\[ \mu_{i_1i_2\ldots i_m} = E(\eta_{i_1i_2\ldots i_m}) = \sum_{k=1}^{\infty} k f^{[k]}_{i_1i_2\ldots i_m} \]

tanımını kullanmaktadır.

Bütün değerler moja mean first passage time tensor:

\[ \mu=[\mu_{i_1i_2\ldots i_m}] \]

ndani ya saklanır.

Ergodic wa mpangilio wa juu zincir kwa:

\[ \mu= E+(\mu-\mu_d)\boxtimes P \]

tensori denklemi geçerlidir.

HOMC hukokotoa mean first passage time kwa njia mbili tofauti

Doğrudan mbinu:

mu = mfptd(P)

Fonksiyon tensori denkleminden oluşan lineer sistemi moja kwa moja çözer.

Ancak chanzo, zote problemi tek moja:

\[ n^m\times n^m \]

lineer sistem kama çözmeyi önermemektedir.

Unknown değerler reversed linear indexing sırasına konulduğunda katsayı matrisi \(n\) adet diagonal block'a ayrılabildiği kwa HOMC hii yapıyı kullanarak sistemi \(n\) küçük alt probleme ayırmaktadır.

İteratif mbinu:

\[ \mu^{(k+1)} = E+ (\mu^{(k)}-\mu^{(k)}_d)\boxtimes P \]

iterasyonu uygulanmaktadır.

MATLAB kazi:

mu = mfpti(P,mu0,tol)

şeklindedir.

Varsayılan başlangıç:

\[ \mu^{(0)}=E \]

na varsayılan tolerans:

\[ 10^{-6} \]

kama hutolewa.

Je, HOMC hufanya kazi pia katika minyororo ya mpangilio wa kwanza?

Evet. Kaynakta \(m=2\) olduğunda higher-order tanım klasik Markov zincirine indirgenmektedir na HOMC fonksiyonlarının buna uyumlu olması hasa test edilmiştir.

Örnek 2.4'te üç durumlu:

\[ P= \begin{bmatrix} 0.5&0.5&0\\ 0.5&0&1\\ 0&0.5&0 \end{bmatrix} \]

mpito matrisi kwa:

bpow(P,5)

sonucu:

\[ \begin{bmatrix} 0.3750&0.4688&0.3125\\ 0.4688&0.2188&0.6250\\ 0.1562&0.3125&0.0625 \end{bmatrix} \]

kama elde edilmiş na bunun MATLAB'ın klasik:

P^5

sonucuyla sawa kwamba ni imeonyeshwa.

Je, direct na iterative MFPT hutoa matokeo sawa?

Kaynak örneklerinde evet.

Ergodic mpangilio wa pili zincir kwa mfptd(P):

\[ \mu(:,:,i_3)= \begin{bmatrix} 4&3&4\\ 1&2&1\\ 4&3&4 \end{bmatrix}, \qquad i_3=1,2,3 \]

sonucunu üretmektedir.

Kaynak pia sonucu:

mu-ones(s)-bprod(mu-diagt(mu),P)

ifadesiyle denklem (7)'ye geri koymakta na sıfır tensörü elde ederek kontrol etmektedir.

mfpti(P) ikiwa varsayılan toleransla 40 iterasyonda:

\[ 3.9999971,\quad 2.9999981,\quad 1.0000000 \]

kama direct çözümün beklenen 4, 3 na 1 değerlerine yakın sonuçlara ulaşmaktadır.

Je, kuna mfano wa MFPT wa mpangilio wa kwanza?

Evet. Örnek 3.3'te sawa klasik Markov matrisi kwa direct çözüm:

\[ M= \begin{bmatrix} 2.5&3&4\\ 2&2.5&1\\ 6&4&5 \end{bmatrix} \]

kama bulunmuştur.

Iterative mfpti(P) yöntemi varsayılan toleransla 66 iterasyonda hii değerlere takriban kama yakınsamaktadır.

Kwa nini HOMC si mbadala wa zana za reduced first-order chain pekee?

Moja wa mpangilio wa juu zincirin expanded-state first-order representation'ı oluşturulabilse de chanzo wa utafiti ana teorik mesajlarından biri, zote higher-order Markov sorularının hii dönüşümle çözülememesidir.

Reduced-chain yaklaşımı hasa limiting distribution kama belirli problemlerde yararlıdır. Buna karşılık higher-order k-step transition, ever-reaching probability na mean first passage time yapılarının tensori biçimi kendi matematiksel bilgilerini taşımaktadır.

Hii nedenle HOMC hem:

• tensori temelli higher-order fonksiyonları, hem de
• gerektiğinde ilişkili first-order chain'e dönüşüm araçlarını

sawa pakette sunmaktadır.

Hili lina maana gani kwa mtazamo wa Türkiye?

Kaynak utafiti Türkiye'ye ait veri seti au uygulama içermemektedir. Hii nedenle çalışmadan Türkiye'ye özgü moja Markov modeli sonucu çıkarılamaz.

Bununla birlikte HOMC genel amaçlı matematiksel moja araç kwa kuwa ni, mpito davranışının pekee son duruma si zaidi uzun geçmişe bağlı kwamba ni araştırma problemlerinde metodolojik kama kullanılabilir. Kaynak makalenin atıf verdiği uygulama literatüründe enerji fiyatları, fotovoltaik üretim tahmini, bina doluluk tahmini, zaman serileri, hedef takibi na sequential recommendation kama wa mpangilio wa juu Markov kullanım alanları ipo. Bunlar HOMC makalesinde yeni uygulama deneyleri kama test edilmemiş, pekee higher-order Markov zincirlerinin sasa uygulama alanlarına örnek kama referanslandırılmıştır.

Matokeo yanayoungwa mkono na utafiti

• HOMC, higher-order Markov chains kwa MATLAB tabanlı tensori hesaplama fonksiyonları sunmaktadır.
• Geçiş tensori MATLAB multidimensional array kama moja kwa moja temsil edilebilir.
• bprod maalum box-product işlemini uygular.
• bpow k-adımlı transition tensor hesaplamasını gerçekleştirir.
• Box product \(m\geq3\) kwa genel kama associative si.
• eyet makaledeki maalum identity tensor yapısını oluşturur.
• diagt diagonal tensor çıkarır.
• t2mat na mat2t matricization/tensorization hutoa.
• rcmat reduced first-order chain mpito matrisini oluşturabilir.
• Reduced-chain na MATLAB eig kazi limiting distribution hesabında kullanılabilir.
• erp ever-reaching probability tensor hesaplamasını destekler.
• Ever-reaching probability diagonal değerleri recurrent na transient hali sınıflandırmasında kullanılabilir.
• mfptd mean first passage time denklemini blok yapısını kullanarak moja kwa moja çözer.
• mfpti sawa problemi iteratif kama çözebilir.
• Paket \(m=2\) maalum durumunda klasik first-order Markov zincirleriyle de çalışabilmektedir.

Matokeo ambayo utafiti hauungi mkono au haujaonyesha

• HOMC'nin zote olası higher-order Markov yazılımlarından zaidi hızlı kwamba ni gösterilmemektedir.
• Makale tofauti \(n\) na \(m\) değerlerinde sistematik runtime benchmark'ı sunmamaktadır.
• Paket yoğun tensörlerde \(O(n^m)\) bellek ölçeğini ortadan kaldırmamaktadır.
• Çalışma sparse au çok büyük tensörler kwa ayrı moja ölçeklenebilirlik yöntemi doğrulamamaktadır.
• Yazarın “ilk dedicated MATLAB package” ifadesi wa utafiti literatür değerlendirmesine dayanan moja özgünlük iddiasıdır; makale bağımsız yazılım envanteri çalışması si.
• Matematiksel örneklerdeki başarı, belirli gerçek dünya veri kümelerinde otomatik üstün tahmin performansı anlamına gelmez.
• Moja higher-order chain'in reduced first-order chain'e dönüştürülebilmesi, zote higher-order sorularının pekee first-order yazılımla çözülebileceği anlamına gelmez.
• Kaynağın 2025 sürümünde zaidi baada yake eklenen fund kazi au absorbing-chain fundamental tensor özellikleri bulunmamaktadır.

Mbinu na Matokeo ya Utafiti

Kazi kuu za HOMC zilizofafanuliwa katika chanzo

Madhumuni ya kisayansi ya mifano

Mfano 2.2: matokeo ya regularity

İkinci mertebe na dört durumlu zincirin mpito tensörü dört adet \(4\times4\) frontal slice na hufafanuliwa.

bpow(P,10) sonucunda chanzo dört ayrı \(P^{10}(:,:,i_3)\) matrisinin zote girişlerini pozitif kama vermektedir.

Hii nedenle:

\[ P^{10}>0 \]

na zincir regular kama sınıflandırılmaktadır.

Mfano 2.3: mnyororo ergodic lakini si regular

Üç durumlu mpangilio wa pili zincirde tensori kuvveti periyodik davranış göstermektedir:

• tek \(k\): \(P^k=P\),
• çift \(k\): ikinci moja sabit tensori.

Hii nedenle zote girişlerin sawa \(k\)'da pozitif kwamba ni moja kuvvet bulunmamaktadır.

Buna rağmen her hali kombinasyonu kwa en az moja erişilebilir k-adımı bulunduğundan zincir chanzo tanımına kulingana na ergodic'tir.

Mfano 2.6: limiting distribution

Dört durumlu mpangilio wa pili zincirin reduced-state sayısı:

\[ 4^2=16 \]

kwa kuwa ni:

\[ Q\in\mathbb R^{16\times16} \]

mpito matrisi elde inafanywa.

MATLAB eig na bulunan iki ayrı \(\lambda=1\) eigenvector'ü sawa:

\[ \pi= [0.2857,\ 0.2857,\ 0.2857,\ 0.1429]^T \]

limiting distribution değerini üretmektedir.

Mfano 3.1: ukaribu wa ever-reaching probability

Mfano 3.2: mean first passage time ya mpangilio wa juu

Mfano 3.3: mean first passage time ya mpangilio wa kwanza

Üç durumlu first-order zincir kwa direct çözüm:

\[ M= \begin{bmatrix} 2.5&3&4\\ 2&2.5&1\\ 6&4&5 \end{bmatrix} \]

kama elde edilmiştir.

Iterative mbinu varsayılan toleransla hii matrise 66 iterasyonda yakınsamaktadır.

Chanzo kinasema nini kuhusu upanuzi wa ukokotoaji?

Makale utafiti süresi kwa sistematik benchmark vermemektedir. Buna karşılık bellek açısından temel sınırı açık biçimde belirtmektedir:

\[ O(n^m) \]

Bunun nedeni, genel dense higher-order Markov chain'in mpito tensörünün zaten \(n^m\) olasılık değeri içermesidir.

Dolayısıyla örneğin hali sayısını au mertebeyi artırmak problem büyüklüğünü doğrusal si üstel biçimde artırabilir.

Hii tablo moja kwa moja makaledeki formüllerin boyut ilişkilerini özetler; yeni performans benchmark'ı si.

Mchango mkuu wa utafiti

HOMC'nin katkısı yeni moja genel amaçlı Markov modelinden ziyade, yazarın na ortaklarının higher-order Markov chains üzerine geliştirdiği tensori temelli sonuçların MATLAB'da moja kwa moja kullanılabilir fonksiyonlara dönüştürülmesidir.

Hii paket hasa:

• sayısal deney,
• algoritma prototipleme,
• higher-order transition tensor araştırmaları,
• state classification,
• limiting distribution,
• ever-reaching probability,
• mean first passage time

problemleri kwa ortak hesaplama altyapısı sağlamayı amaçlamaktadır.

Vikwazo vikuu

• Yoğun ya tensori \(n^m\) ölçeklenmesi büyük problemlerde temel bellek sınırıdır.
• Kaynak sistematik CPU/GPU hız benchmark'ı sunmamaktadır.
• GPU, parallel computing au sparse-tensor optimizasyonu makalenin konusu si.
• Örnekler matematiksel/sentetik zincirlerdir; uygulama alanlarına ait yeni saha verisi analizi sunulmamaktadır.
• Box product klasik tensori ürünlerinden farklıdır; başka tensor toolbox işlemleriyle eşdeğer kabul edilmemelidir.
• Non-associativity nedeniyle kuvvet hesaplarında matrisi cebirindeki bazı hızlandırma sezgileri moja kwa moja kullanılamaz.
• Reduced first-order chain kullanışlı olmasına rağmen zote higher-order problemlerin yerini alamaz.

Maelezo ya Chanzo na Mbinu

Tam özgün utafiti adı: HOMC: A MATLAB Package for Higher Order Markov Chains

Yazar: Jianhong Xu.

Sorumlu yazar: Jianhong Xu.

Eş birinci/eş katkı: Çalışma tek yazarlı kwa kuwa ni eş katkı beyanı bulunmamaktadır.

Kurum: School of Mathematical and Statistical Sciences, Southern Illinois University Carbondale, Carbondale, Illinois, USA.

Kaynak türü: MATLAB tabanlı matematiksel bilimsel yazılım na sayısal mbinu çalışması.

Yüklenen sürüm: arXiv:2510.02664v1 [stat.CO].

ArXiv ilk gönderim tarihi: 3 Ekim 2025.

PDF juu ya yazılı tarih: 6 Ekim 2025.

ArXiv DOI: 10.48550/arXiv.2510.02664.

Yüklenen sürümün yayın durumu: Yüklenen arXiv PDF'si moja preprint sürümüdür.

Güncel yayın durumu: Bibliyografik doğrulamada yazarın Southern Illinois University resmî araştırma sayfası na HOMC resmî README dosyası çalışmayı ACM Transactions on Mathematical Software'da “to appear” kama listelemektedir.

Güncel dergi DOI'si: 10.1145/3834564.

Bilimsel içerikte kullanılan sürüm: Hii Verianla makalesindeki tanımlar, fonksiyonlar, denklemler, örnekler na sayısal matokeo yüklenen arXiv v1 sürümüne dayanmaktadır. Sonraki yazılım au makale güncellemeleri ana bilimsel içeriğe geriye dönük kama eklenmemiştir.

Kaynak kod: Yüklenen utafiti HOMC MATLAB chanzo dosyalarının Southern Illinois University sunucusundaki neumann.math.siu.edu/homc dizininde kamuya açık olduğunu belirtmektedir.

Güncel yazılım ayrımı: Resmî HOMC README dosyası Haziran 2026'da higher-order absorbing Markov chains kwa fund isimli yeni moja kazi eklendiğini belirtmektedir. Hii işlev 2025 tarihli yüklenen makalenin kazi setinde bulunmadığından hii makalenin bilimsel sifa listesine dahil edilmemiştir.

Kaynakta anlatılan ana fonksiyonlar:lind, bprod, bpow, eyet, diagt, t2mat, mat2t, krprod, rcmat, erp, mfptd na mfpti.

MATLAB built-in fonksiyonları: Kaynak hasa size, ones, eig, ind2sub, fliplr na reshape kama MATLAB araçlarından yararlanmaktadır.

Temel matematiksel yapı: m. mertebe mpito tensori, maalum box product, tensori kuvvetleri, mode-k matricization, Khatri-Rao product, reduced first-order chain, ever-reaching probability na mean first passage time tensori.

Bellek karmaşıklığı: Kaynak genel dense higher-order Markov zinciri hesaplamaları kwa esas depolama maliyetini \(O(n^m)\) kama vermektedir.

Runtime benchmark: Çalışma sistematik işlem süresi au tofauti donanımlarda performans benchmark'ı raporlamamaktadır.

“İlk paket” ifadesinin sınırı: Yazar çalışmayı kendi literatür değerlendirmesine kulingana na higher-order Markov chains kwa ilk dedicated MATLAB package kama tanımlamaktadır. Hii ifade bağımsız kapsamlı yazılım envanteri çalışmasının sonucu si.

Uygulama sınırı: Makalede higher-order Markov chains'in rating transitions, occupancy prediction, zaman serileri, PageRank, target tracking, PV üretim tahmini, electricity price dynamics na sequential recommendation kama alanlarda kullanıldığı kaynaklarla inaelezwa. HOMC makalesinin kendisi hii alanlarda yeni uygulama veri seti au karşılaştırmalı deney sunmamaktadır.

Çıkar çatışması: Yüklenen arXiv v1 metninde ayrı moja competing-interest beyanı bulunmamaktadır; bundan çıkar çatışması olmadığı sonucu çıkarılmamıştır.

Finansman: Yüklenen arXiv v1 metninde ayrı moja funding acknowledgement bölümü bulunmamaktadır.

CRediT/yazar katkısı: Çalışma tek yazarlı olup ayrı moja CRediT contribution statement içermemektedir.

Bilimsel yorum sınırı: Çalışma higher-order Markov chains kwa matematiksel na hesaplamalı moja MATLAB paketini sunmaktadır. Örnekler mbinu doğrulaması na kullanım gösterimi niteliğindedir; belirli moja gerçek dünya probleminde tahmin üstünlüğü au saha performansı kanıtı si.

Bilimsel içerik sınırı: Hii Verianla metnindeki higher-order Markov tanımları, box product, tensori kuvvetleri, regularity/ergodicity örnekleri, reduced-chain dönüşümü, limiting distribution, ever-reaching probability, state classification na mean first passage time sonuçları pekee yüklenen çalışmaya dayanmaktadır. Dış kaynaklar pekee bibliyografik yayın durumunu na HOMC paketinin güncel resmî durumunu doğrulamak kwa kullanılmıştır.