摘要:在不同的Markov模型中,Markov模型级数越高,显示的预测性能越强,但是模型越复杂,状态空间越大,运行时间越长.我们提出了一种利用规则访问压缩多级Markov模型空间的方法-AMAS(All-kth Markov with Super Node).通过把连续访问压缩到一个超级节点中,既可以达到消减状态复杂度的目的,又不会降低模型的预测性能,甚至还有助于预测精度的提高.我们利用程序执行踪迹测试模型,发现其性能高于多级Markov模型,序列长度最大减少了97%(平均减少到49%),模型空间最大减少99%(平均减少到48%).