WOLFRAM

Wolfram 语言与系统参考资料中心

SequencePredict[{seq1,seq2,…}]

基于给定的序列生成 SequencePredictorFunction[…].

SequencePredict[training,seq]

试图根据所给的训练序列预测序列 seq 的下一个元素.

SequencePredict[training,{seq1,seq2,…}]

给出每一个序列 seqi 的预测.

SequencePredict["name",seq]

使用由 "name" 表示的内置序列预测器.

SequencePredict[…,seq,prop]

给出与 seq 相关联的预测的指定属性.

更多信息和选项
Details and Options Details and Options
范例  
基本范例  
范围  
自定义序列预测器  
内置序列预测器  
选项  
FeatureExtractor  
PerformanceGoal  
Method  
可能存在的问题  
参见
相关指南
历史
按以下格式引用：

SequencePredict

SequencePredict[{seq1,seq2,…}]

基于给定的序列生成 SequencePredictorFunction[…].

SequencePredict[training,seq]

试图根据所给的训练序列预测序列 seq 的下一个元素.

SequencePredict[training,{seq1,seq2,…}]

给出每一个序列 seqi 的预测.

SequencePredict["name",seq]

使用由 "name" 表示的内置序列预测器.

SequencePredict[…,seq,prop]

给出与 seq 相关联的预测的指定属性.

更多信息和选项

  • 序列 seqi 可以是 token 列表或字符串.
  • 序列 seqi 被假定为基本无穷序列的无序子序列.
  • 在 SequencePredict[…,seq,prop] 中，属性与 SequencePredictorFunction[…] 中给出的一样；有：
  • "NextElement"最可能的下一个元素
    "NextElement"n接下来最可能的 n 个单个元素
    "NextSequence"n接下来最可能的长度为 n 的元素序列
    "RandomNextElement"来自下一个元素分布 (next-element distribution) 的随机样本
    "RandomNextElement"n来自下一个序列分布 (next-sequenct distribution) 的随机样本
    "Probabilities"所有可能的下一个元素的概率的关联
    "SequenceProbability"预测器产生给定序列的概率的对数
    "SequenceLogProbability"预测器产生给定序列的概率的对数
    "Properties"所有可用属性的列表
  • 内置序列预测器的范例有：
  • "Chinese"基于字符的中文文字
    "English"基于字符的英文文字
    "French"基于字符的法语文字
    "German"基于字符的德语文字
    "Portuguese"基于字符的葡萄牙语文字
    "Russian"基于字符的俄语文字
    "Spanish"基于字符的西班牙语文字
  • 可以给出下列选项：
  • FeatureExtractor Automatic怎样对序列进行预处理
    Method Automatic使用何种预测算法
    PerformanceGoal Automatic优化目标
    RandomSeeding1234内部应该怎样对伪随机数字生成器进行播种
  • 字符串的 FeatureExtractor 的常见设置包括：
  • "SegmentedCharacters"把字符串解释为字符序列（默认）
    "SegmentedWords"把字符串解释为单词序列
  • PerformanceGoal 的可能设置包括：
  • "Memory"最小化预测器对存储空间的要求
    "Quality"最大化预测器的准确度
    "Speed"最大化预测器的速度
    "TrainingSpeed"最小化产生预测器所花费的时间
    Automatic自动在速度、准确度和内存之间进行折衷
  • PerformanceGoal{goal1,goal2,…} 会自动把 goal1、goal2 等组合在一起.
  • RandomSeeding 的可能设置包括：
  • Automatic每次调用函数时自动重新播种
    Inherited使用外部播种的随机数字
    seed明确指定整数或字符串作为种子
  • Method 的可能设置包括：
  • "Markov"Markov 模型
  • 在 SequencePredict[…,Method{"Markov","Order"order}] 中，order 对应于 Markov 过程的内存大小.
  • 在 SequencePredict[…,"SequenceProbability"] 中，为未知元素保留一些概率质量.
  • 在 SequencePredict[training,{},prop] 中，{} 被解释为序列的空列表，而不是空序列.

范例

打开所有单元 关闭所有单元

基本范例  (1)

在一组序列上训练一个序列预测器：

Wolfram Language code: sp = SequencePredict[{{[image], [image]}, {[image], [image], [image]}, {[image], [image], [image]}, {[image], [image]}}]

预测新序列的下一个元素：

Wolfram Language code: sp[{[image], [image]}]

给定序列，求下一个元素的概率：

Wolfram Language code: sp[{[image], [image]}, "Probabilities"]

根据上述分布随机获取下一个元素：

Wolfram Language code: sp[{[image], [image]}, "RandomNextElement"]

一次给出多个预测：

Wolfram Language code: sp[{{[image], [image]}, {[image], [image]}}]

预测最可能的下一个元素，并使用这个中间结果预测接下来的元素：

Wolfram Language code: sp[{[image], [image]}, "NextElement" -> 2]

预测接下来最可能的序列：

Wolfram Language code: sp[{[image], [image]}, "NextSequence" -> 2]

比较上述序列的概率：

Wolfram Language code: sp[{{[image], [image], [image], [image]}, {[image], [image], [image], [image]}}, "SequenceProbability"]

范围  (4)

自定义序列预测器  (3)

在字符串列表上训练序列预测器：

Wolfram Language code: sp = SequencePredict[{"the cat is grey", "my cat is fast", "this dog is scary", "the big dog", "what a lovely cat", "this is not a dog"}]

预测给定字符串的下一个字符：

Wolfram Language code: sp["the ca"]

预测下面四个字符：

Wolfram Language code: sp["the ca", "NextElement" -> 4]

获取每个字符为给定字符串的下一个字符的概率：

Wolfram Language code: sp["the ca", "Probabilities"]

在常见英文单词列表上训练序列预测器，把每个单词作为字符串序列：

Wolfram Language code: sp = SequencePredict[WordList[]]

预测给定序列最可能的下一个字符：

Wolfram Language code: sp["ab"]

在之前的例子中，每个单词被视为一个无穷序列的子序列. 用字符 | 作为单词间的标记：

Wolfram Language code: markedWords = "|" <> # <> "|"& /@ WordList[];

在知道单词边界的基础上建立新的序列预测器：

Wolfram Language code: sp = SequencePredict[markedWords]

生成一个类似英文单词的词的开头：

Wolfram Language code: sp["|", "RandomNextElement" -> 4]

从 ExampleData 中加载一本书：

Wolfram Language code: dq = ExampleData[{"Text", "DonQuixoteIEnglish"}];

利用该书训练序列预测器：

Wolfram Language code: spchar = SequencePredict[{dq}]

按该书的风格产生随机字符串：

Wolfram Language code: spchar[{"thou "}, "RandomNextElement" -> 20]

训练另一个序列预测器，把字符串解释为单词序列，而不是字符序列：

Wolfram Language code: spword = SequencePredict[{dq}, FeatureExtractor -> "SegmentedWords"]

用 10 个连续的单词完成前面的字符串（空格和标点符号也算作单词）：

Wolfram Language code: spword["I", "RandomNextElement" -> 10]

内置序列预测器  (1)

下载 "English" 内置序列预测器：

Wolfram Language code: sp = SequencePredict["English"]

获取给定字符串的对数概率：

Wolfram Language code: sp["the cat sat on the hat", "SequenceLogProbability"]

选项  (5)

FeatureExtractor  (2)

对训练文字进行预处理来进行单词的预测，而不是在字符层面进行预测：

Wolfram Language code: sp = SequencePredict[{WikipediaData["computer"]}, FeatureExtractor -> "SegmentedWords"]

用 10 个连续的单词完成前面的字符串（空格和标点符号也算作单词）：

Wolfram Language code: sp["computer ", "RandomNextElement" -> 10]

把训练文字预处理成小写，以便用更多的字母进行更好的统计：

Wolfram Language code: sp = SequencePredict[{WikipediaData["computer"]}, FeatureExtractor -> "LowerCasedText"]

PerformanceGoal  (2)

训练一个分类器，把重点放在所得模型的内存占用上：

Wolfram Language code: sp = SequencePredict[{WikipediaData["usa"]}, PerformanceGoal -> "Memory"]
Wolfram Language code: ByteCount[sp]

与自动生成的模型的大小进行比较：

Wolfram Language code: ByteCount@SequencePredict[{WikipediaData["usa"]}]

在探索整个序列的概率空间时，调整计算时间和精度：

Wolfram Language code: sp = SequencePredict[{ExampleData[{"Text", "DonQuixoteIEnglish"}]}]

快速但不是很精确的探索：

Wolfram Language code: {shortertime, quickprediction} = AbsoluteTiming[sp["This is", "NextSequence" -> 50, PerformanceGoal -> "Speed"]]

想要进行更深入的探索则需要更长的计算时间：

Wolfram Language code: {longertime, betterprediction} = AbsoluteTiming[sp["This is", "NextSequence" -> 50, PerformanceGoal -> "Quality"]]

比较结果：

Wolfram Language code: sp[#, "SequenceProbability"]& /@ {quickprediction, betterprediction}

Method  (1)

指定在训练子序列上训练过的马可夫过程的内存大小为 3：

Wolfram Language code: sp = SequencePredict[{WikipediaData["computer"]}, Method -> {"Markov", "Order" -> 3}]

可能存在的问题  (1)

一个空列表被解析为不含有序列的列表，将会返回 Null：

Wolfram Language code: sp = SequencePredict[{{[image], [image]}, {[image], [image], [image]}, {[image], [image], [image]}, {[image], [image]}}, {}]

为了获取空序列的最可能的下一个元素，可以将其嵌套在第二个列表中以消除歧义：

Wolfram Language code: sp = SequencePredict[{{[image], [image]}, {[image], [image], [image]}, {[image], [image], [image]}, {[image], [image]}}, {{}}]
Wolfram Research (2017)，SequencePredict，Wolfram 语言函数，https://reference.wolfram.com/language/ref/SequencePredict.html （更新于 2017 年）.

文本

Wolfram Research (2017)，SequencePredict，Wolfram 语言函数，https://reference.wolfram.com/language/ref/SequencePredict.html （更新于 2017 年）.

CMS

Wolfram 语言. 2017. "SequencePredict." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2017. https://reference.wolfram.com/language/ref/SequencePredict.html.

APA

Wolfram 语言. (2017). SequencePredict. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/SequencePredict.html 年

BibTeX

@misc{reference.wolfram_2026_sequencepredict, author="Wolfram Research", title="{SequencePredict}", year="2017", howpublished="\url{https://reference.wolfram.com/language/ref/SequencePredict.html}", note=[Accessed: 01-November-2026]}

BibLaTeX

@online{reference.wolfram_2026_sequencepredict, organization={Wolfram Research}, title={SequencePredict}, year={2017}, url={https://reference.wolfram.com/language/ref/SequencePredict.html}, note=[Accessed: 01-November-2026]}