确实不是典型的问题表述。我建议两种方法：

1. 使用简单的贝叶斯模型，其中状态或节点是您的每个特征。当节点具有直接时间依赖性时直接连接节点（例如 vote1 -> vote2 -> vote3，但不是 vote3 -> vote1）并计算最终（输出）节点成为某物的概率（例如用户类型 1，用户类型 2 等）。您还可以使用一个隐藏的马尔可夫模型，该模型自然地模拟状态之间的转换。在您的情况下，它只会输出 1 个状态（预测）。对于您的问题，我不太喜欢这种模型，但尝试一下可能会很好。不过，您将需要大量数据。
2. 您可以使用模糊归纳推理 (FIR)。这绝对不是一个简单的算法，但对于具有时间序列或时间相关特征的分类非常有效。在 FIR 中，您希望找到给定深度的最佳掩码。例如，如果您每个样本有 5 个特征，例如，您想知道要选择哪些特征，您将为您的数据学习一个最佳掩码来解决这个问题（并创建模糊规则等）。此外，如果您想关联两个或更多示例，您将为蒙版定义大于 1 的深度。这将允许您找到一个掩码，例如使用样本 t 的特征 1,2 和 4，样本 t+1 的特征 2,3,4 和 5 以及样本 t+2 的特征 1 和 4。将 t 从 1 个样本移动到 N 个样本。因此，从具有时间关系（或某种序列）的样本中创建了有趣的特征组合。

您可以做的一件事是使用关联规则方法，即找到与被动相关的最常见模式，或与被动过度相关的模式：

1. 设置频率阈值
2. 找出你正在寻找什么样的模式，例如频繁的序列。如果您可以对它们进行部分排序，这很好，类似于在先验算法中设置包含。例如，查找序列，并按“is subsequence of”对它们进行排序。
3. 从您正在寻找的一个相当小的最小模式列表开始，通过您的数据计算这些模式的出现次数。
4. 保持最频繁的模式（高于您的阈值），这是您的第一步频繁模式集。
5. 通过向您的 step-i 模式添加一些内容来生成 step-i +1模式的候选者。
6. 计算候选项出现的次数。转到步骤 4，直到步骤i没有更多频繁模式。
7. 然后你有一堆候选规则，你想使用关联规则度量来找到最能预测被动的模式。