异构多元分类序列的建模与聚类分析：基于跨序列转移概率的混合模型创新

这篇综述聚焦多元分类序列（MCS）的建模与聚类难题，提出基于跨序列转移概率的混合模型，突破传统单变量序列（如马尔可夫模型）或同质状态假设的局限。作者通过仿真实验验证模型在聚类精度和计算效率的优势，并应用于英国家庭追踪调查（BHPS）和文本风格分析，为生命科学（如DNA序列）、临床医学（多器官病程监测）及社会科学提供通用分析框架。

　　

亮点
方法论
表1列出了本节使用的符号体系。

实验
本节通过两项仿真研究评估模型性能。

数据描述
我们首先将模型应用于英国家庭追踪调查（BHPS）数据。BHPS覆盖英国250个地区，旨在研究社会经济变迁。这项家庭追踪调查基于政府邮编地址抽样，在1991-2008年间每年对成年家庭成员进行访谈。

讨论
本文提出的多元分类序列分析方法填补了该领域空白。传统方法将多元序列转化为单变量（导致状态数爆炸）或强加同质状态假设（如所有子序列共享相同状态），而新模型通过跨子序列转移概率混合框架，在保持计算可行性的同时提升解释力。

作者贡献声明
张莹莹：主笔初稿、可视化、验证、软件及方法论开发；沃洛迪米尔·梅尔尼科夫：审校、验证、项目监督及方法论指导。

利益冲突声明
作者声明不存在可能影响本研究的财务或个人关系。

致谢
本研究部分受西密歇根大学SFSA基金资助。

（注：翻译采用"病程监测"等医学场景化表述，保留k-modes等术语原格式，用"状态数爆炸"等生动比喻，省略文献标注符[1]等）