4. 随机游走的分类与扩展

前面讨论的简单对称随机游走只是最基础的原型。在真实建模中，我们往往需要回答三类问题：这个游走会不会“回来”？它有没有系统性偏向？时间是否必须离散？这三个问题分别对应常返性与暂留性、带漂移的随机游走、连续时间随机游走。理解它们的差异，才能为后续的行为仿真选对模型。

一、常返性与暂留性：会不会回到原点

先约定参照：设游走从位置 0 出发，每步以概率 p 向右 +1、以概率 q=1−p 向左 −1。所谓常返，指以概率 1 无限次回到原点；暂留指只回到原点有限次，之后一去不返。关键结论是：一维对称随机游走（p=q=0.5）是常返的，而二维对称随机游走虽然也常返，但返回期望时间发散；三维及以上的对称随机游走则是暂留的——这就是著名的“醉汉能回家，醉鸟回不了家”。

对带偏的游走，判据更直接：只要 p≠q，无论偏向多小，一维游走都是暂留的。可以用漂移量 μ=p−q 来刻画：μ=0 时常返，μ>0 时长期向右漂移，μ<0 时向左漂移。仿真中判断常返/暂留的实用做法是：固定起点，记录首次返回时间与返回次数，跑足够长的步数（例如 10⁵～10⁶ 步），若返回次数随步数持续增长且未见饱和，倾向常返；若返回次数很快停止增长，则倾向暂留。需要注意，这是数值判据而非严格证明，步数不足会把暂留误判为“还没回来”。

二、带漂移的随机游走：给随机性加上方向

带漂移的随机游走把每步写成 Xₜ₊₁ = Xₜ + μ + σ·εₜ，其中 μ 是漂移（每步平均位移），σ 是波动幅度，εₜ 是零均值、单位方差的随机扰动（如标准正态或 ±1）。它把“方向性趋势”和“随机抖动”分开表达：μ 决定长期斜率，σ 决定围绕趋势的离散程度。n 步后位置均值为 nμ，方差为 nσ²，标准差按 √n 增长——这意味着短期波动可能掩盖漂移，只有步数足够多，趋势才稳定显现。

实操上要关注两个量：一是信噪比 μ/σ，它决定需要多少步才能让趋势“看得见”；二是首达时间，即首次触及某个上界或下界的步数分布。例如设 μ=0.1、σ=1，从 0 出发，想判断“多久能稳定到达 +10”，可用蒙特卡洛跑 1000 条路径，统计首达步数的中位数与分位数。这类参数在行为仿真中很常见：把 μ 解释为习惯带来的平均倾向，σ 解释为情境扰动，就能模拟“有偏好但受随机影响”的个体行为。

三、连续时间随机游走：把步长交给时间

离散模型默认“每单位时间走一步”。连续时间随机游走（CTRW）放松这一点：每次跳跃的等待时间 τ 服从某个分布（常见指数分布），跳跃方向与幅度仍按离散规则抽取。若等待时间服从均值为 1/λ 的指数分布，则单位时间内的平均跳跃次数为 λ，长期扩散系数与 λ 成正比。更一般地，若等待时间分布具有重尾（如幂律），就会出现“等待很久才跳一次”的停滞现象，导致反常扩散——这正是 CTRW 在行为建模中的价值：它能刻画“长时间不动、偶尔突变”的行为模式。

实现上，CTRW 的仿真循环与离散版不同：不是固定步数循环，而是维护当前时间 t，每次抽取等待时间 Δt 与位移 Δx，更新 t←t+Δt、x←x+Δx，直到 t 超过仿真时长。这样得到的是“位置—时间”轨迹，可直接与真实观测的时间戳对齐，这是离散模型做不到的。

四、如何为仿真选择变体

选择模型时，先看行为是否具有“回归倾向”。若观测对象长期围绕某个基准波动、没有系统性偏移，用对称随机游走并检验常返性；若存在明确趋势（如习惯累积、持续偏好），用带漂移模型，并用 μ/σ 与首达时间做参数标定；若行为表现为“长时间静止、偶尔跳跃”，或数据本身带不规则时间戳，则应选连续时间随机游走，重点拟合等待时间分布而非固定步长。

一个常见的误区是把带漂移模型当成万能近似：当 μ 很小而 σ 很大时，有限步内轨迹看起来与对称游走几乎无异，此时若直接断言“存在漂移”会过度解读。稳妥做法是做多次重复仿真，观察均值轨迹是否稳定偏离 0，并结合置信区间判断，而不是只看单条路径的终点。

把三者放在同一套仿真框架里时，建议统一记录“位置—时间”序列，再分别计算返回次数、均值斜率与等待时间直方图，用同一份数据支撑三种判据，避免因模型切换导致结论不可比。