将马尔可夫链用于时间序列数据

Question

这是我的数据框当前的结构（前 6 行）。我使用的数据可用 here.

ID  date        sps     time    pp  datetime            km
1   2012-06-19  MICRO   2:19    0   2012-06-19 02:19    80
2   2012-06-21  MUXX    23:23   1   2012-06-21 23:23    80
3   2012-07-15  MAMO    11:38   0   2012-07-15 11:38    80
4   2012-07-20  MICRO   22:19   0   2012-07-20 22:19    80
5   2012-07-29  MICRO   23:03   0   2012-07-29 23:03    80
8   2012-08-07  PRLO    2:04    0   2012-08-07 02:04    80

列代表：

ID: 身份证号码
date: 观察日期
km: 位置
sps: 物种代码
time:观察时间
pp: 如果观察到的物种 (sps) 是捕食者 (1) 或猎物 (0)
datetime：将 date 和 time 行转换为 as.POSIXct 格式

我要回答的问题：

Does the likelihood of a predator (pp = 1) being observed increase with the number of times prey (pp = 0) are observed (e.g. is prey followed by predator more likely than prey followed by prey, etc.) at each location (km)?

背景：

对于每个位置 (km)，我的数据中都有一个唯一的行，其中包含拍摄图像的时间以及照片是捕食者还是猎物的标识。
每个位置都有很多捕食者和猎物的照片。
对于每个位置，捕食者和猎物的观察都是按时间顺序进行的。

我想做什么：

对于每个位置，详尽计算观察的时间对的数量：猎物-猎物、猎物-捕食者、捕食者-猎物和捕食者-捕食者。
对于每个位置，打乱（随机化）pred/prey 的观察结果（即保持与观察结果相同的 pred/prey 总数）并计算观察结果对的数量由洗牌产生：猎物-猎物、猎物-捕食者、捕食者-猎物和捕食者-捕食者。记录。计算步骤 (1) 中的观察次数与每次洗牌发现的观察次数之间的差异。重复 1000 次。这应该让我了解猎物-猎物、猎物-捕食者、捕食者-猎物和捕食者-捕食者配对序列的原始观察有多大可能给出 pred/prey.
[= 的观察比例66=]

我的问题：

假设马尔可夫链模型是回答我问题的最合适方法，我如何才能在 R 中对此进行编码？

此时，我认为我应该使用的 R 包是 markovchain，但我不知道如何将步骤 1 和 2 转换为 R 代码。

Answer 1

这是一些代码：

library(dplyr)
library(markovchain)

读入数据并格式化时间戳

data <- read.table("~/Downloads/d1.txt", sep="\t", header=T, stringsAsFactors=F)
data$datetime <- as.POSIXct(data$datetime)

按时间排序

data <- data[order(data$datetime, decreasing=F),]

对于每个位置，创建一个 pp

序列

data <- data %>% group_by(km) %>% summarize(pp_chain=list(pp)) %>% as.data.frame 
pp_chains <- data$pp_chain; names(pp_chains) <- data$km

在所有序列链上拟合马尔可夫模型

fit <- markovchainFit(pp_chains)

估计转移概率：

print(fit$estimate)
          0          1
0 0.9116832 0.08831677
1 0.5250852 0.47491476

这个矩阵表示从 0 到 0 的转换概率是 0.91；从 0 到 1 的转移概率是 0.088；等等。

估计稳态：

print(steadyStates(fit$estimate))
             0         1
[1,] 0.8560214 0.1439786

我们可以将转移概率与稳态进行比较。如果转换只是随机的，那么转换将不依赖于先前的状态，它们将只等于稳态值。

既然情况并非如此，那么很明显，如果你有一个捕食者，你就更有可能拥有另一个捕食者，反之亦然。

将马尔可夫链用于时间序列数据

Using Markov Chains for time series data

r

datetime

time-series

markov-chains