动物运动隐马尔可夫模型的序贯预测性电子诊断

隐马尔可夫模型是根据动物运动数据推断行为状态的标准方法，但检验一个已拟合的潜在状态模型是否能够良好预测留出运动数据仍然十分困难。我们提出了序贯预测 e-诊断方法，用于评估一个已拟合的运动 HMM 作为验证轨迹生成器的表现。每一种诊断都指定一个可预测的备择密度，而该密度与已拟合模型的可观测单步预测密度之比定义了一个 e-值增量。分母通过对潜在状态进行滤波获得，而不是以某条已解码路径为条件。在固定的训练/验证方案下，累积乘积构成一个 e-过程，从而在可选停止和可预测切换下提供任意时刻有效的阈值。该构造可扩展至加权证据和状态局部化证据、特征层面的圆形—线性检验以及分块汇总。受控模拟表明，在已拟合生成器零假设下该方法具有良好的校准性，并且对有针对性的模型设定偏差具有敏感性。一项留一动物交叉验证的麋鹿案例研究展示了在标准运动 HMM 工作流程中进行汇总、个体特异和状态局部化预测模型批评的方法。

隐马尔可夫模型是根据动物运动数据推断行为状态的标准方法，但检验一个已拟合的潜在状态模型是否能够良好预测留出运动数据仍然较为困难。我们开发了序贯预测 e-诊断方法，用于评估一个已拟合的运动 HMM 作为验证轨迹生成器的表现。每一种诊断都指定一个可预测的备择密度，而该密度与已拟合模型的可观测单步预测密度之比定义了一个 e-值增量。分母通过对潜在状态进行滤波得到，而不是以某条解码路径为条件。在固定的训练/验证方案下，累积乘积构成一个 e-过程，从而在可选停止和可预测切换下提供任意时刻有效的阈值。该构造可扩展至加权证据和状态局部化证据、特征层面的圆形—线性检验以及分块汇总。受控模拟表明，在已拟合生成器原假设下该方法具有校准性，并且对有针对性的模型误设具有敏感性。一项留一动物交叉验证的麋鹿案例研究展示了在标准运动 HMM 工作流程中，汇总层面、个体特异层面和状态局部化层面的预测性模型批判。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.07.737005v1?rss=1

🏷️ 动物运动 隐马尔可夫模型 模型诊断 序贯预测 交叉验证