我在需求/库存水平估计场景中使用了 HMM，在这种情况下，我们从许多商店购买的商品可能会或可能不会缺货。因此，这些项目的每日需求序列包含合法的零需求天数和商店缺货的零。您会认为您会从库存级别知道商店是否缺货，但是库存记录中的错误会传播，并且找到一家认为手头有正数商品的商店并不罕见，但实际上没有；隐藏状态或多或少是商店是否真的有库存，信号是（每日需求，名义库存水平）。不过，这项工作没有参考资料；出于竞争原因，我们不应该公布结果。

编辑：我要补充一点，这是特别重要的，因为在零需求的情况下，商店的名义现有库存永远不会减少并越过订单点，从而触发更多库存的订单 - 因此，零库存状态是由于错误的库存记录在很长一段时间内都不会得到修复，直到有人注意到有问题或发生循环盘点，这可能是问题开始后的几个月。

我几乎经历过同样的事情，除了天气之外没有发现太多。想到的领域包括：语音识别、变化点检测、在文本中标记词性、对齐重叠的项目/文本以及识别手语。

我在本介绍的第 8 节中找到并做了一些探索的一个例子，这是 Wikipedia 中 HMM 的参考资料之一。（这实际上很有趣：您的分析发现有元音和辅音。）这还向您介绍了使用文本语料库，这很有用。

（如果你想玩 HMM 的生成，你可以训练莎士比亚文本，然后生成假莎士比亚。）

大多数语音识别软件使用隐马尔可夫模型。如果您想体验 HMM 应用程序，可以尝试自然语言处理。

这是一个很好的来源：Koller 和 Friedman 的概率图形模型。

隐马尔可夫模型在监测 HIV 方面非常有用。HIV 进入血流并寻找免疫反应细胞。然后它位于细胞的蛋白质含量上并进入细胞核心并改变细胞的 DNA 含量并开始病毒粒子的增殖，直到它从细胞中爆发出来。所有这些阶段都是不可观察的，称为潜在阶段。隐马尔可夫建模的理想示例。