我猜这是不可能的，至少在scikit-learn的标准HMM实现中，但我想问这个问题，看看是否有其他方法可以解决这个问题。
问题基本上是我想使用隐马尔可夫模型来拟合一组观察序列;但是，我所拥有的观察并不总是与同一时间步骤保持一致。因此，例如，我可能有两个我想用来拟合的序列：
obs1 = [1,2,3,4]
obs2 = [1,2,2,4]
然而，这些不一定是时间上均匀的间隔。所以可能会说obs1中的观察结果有时会被1,2,3,6观察到，obs2中的观察结果有时会被1,4,5,6观察到。因此将它们原样输入HMM似乎是错误的。
到目前为止我尝试的是＆＃34;插值＆＃34;观察结果使时间步长相同。所以上面的例子将成为：
obs1 = [1,2,3,3,3,4]
obs2 = [1,1,1,2,2,4]
这似乎对我的机器学习问题起作用相对较好;然而，由于大量的附加样本（观测相对稀疏，因此添加这些插值会增加数百个额外的观测值），它会大大减慢拟合。还有其他办法吗？
答案 0 :(得分：1)
我认为你已经找到了最简单的解决方案 - 如果它有效，我会继续。我想到了一些其他（可能的）解决方案。
尝试编码差分，即1,1,1,1,1,2,1可以是1,0,0,0,0,1，-1，而不是直接编码。这可能会让你“降低”高速率信号，只能在事情发生变化时查看状态。在通信中，这可能就像从BPSK（二进制相移键控）更改为DBPSK（差分二进制相移键控） - 您可以查看一些想法。
这些事件在概率意义上是否真的相关？也许您可以使用单独的HMM实际分解它们，然后使用每个概率来提供另一个分类器/统计决策。这可能是处理“多流量”的最简单方法，而不会因较低信号的上采样而产生大量浪费，尤其是在较低速率信号显着小于较高速率信号的情况下。
找到一个特征表示，将低速率信号编码到高速信号上。这将允许您组合成单个流，但可能无法节省任何计算时间。
您可以尝试随机对较高速率信号进行二次采样。您将丢失信息，但学到的整体模型可能仍然可用。与压缩感知相似的想法，尽管最好在大变化区域“花费”您的采样点。
正如@eickenberg所说，HMM在不久的将来会被称为HMMlearn（我相信0.16），所以要注意！