最近看了这篇文章哈，JCR4区的SCI。Web of Science 类别为Statistics & Probability。看这篇的默认HMM了解的差不多了。。

摘要：

这篇文章提出了一种多特征HMM，解决了由层级人力系统过度流动潜在因素导致的特征间的异质性（intra-category heterogeneity ）。将该模型应用于尼日利亚某大学科研人员的人力资源数据分析系统，该模型将移动类、普通类和静态类分别纳入到每个人员类别中。训练阶段，使用EM算法估计每个子特征成员的转移概率。通过似然比检验（LRT），赤池信息准则 (AIC) 和 贝叶斯信息准则 (BIC)这三个准则，证明了改进的HMM优于经典的Markov模型。

Introduction

HMM是一个双重随机过程，有一个隐藏时序特征的随机过程和一个可观测时序特征的随机过程。他们俩个随机过程存在某种映射关系（具体的就不写了，他写了好多也是改改变量名照本宣科）。
到目前为止，关于HMMs的论文大量应用于语音识别、遗传学、生物学、金融学、心理学和经济学等领域（这里又是一堆谁干了什么的介绍就不写了）。

人力系统是指一个组织中从事特定工作的人员或劳动力的总供给。虽然人力资源管理模型已经出现有一段时间了，但是在人力资源规划的文献中，我们所知的人力资源系统建模的隐马尔可夫方法很少受到关注，而经典的马尔可夫模型方法却得到了广泛的应用。不用HMM的原因是人力数据的数据特征不适用于HMM。。。？本文的主要目的是将人力资源系统的层次模型转化为具有潜在子类的隐马尔可夫链。基于此本文的具体目标如下:

1. 利用HMM描述人力系统中的人员流动；
2. 比较HMM和经典马尔可夫模型在人力规划建模中的系统特征和模型拟合。

组织人力系统（Organizational manpower system）是一个复杂的动态系统，它受各种显性因素和隐性因素及其不确定性的影响，如不断变化的人类行为、企业所处的社会经济环境和管理政策，并且隐状态及其不确定性难以量化或精确识别。因此,对于这项工作主要是做一个良好的数据特征细分和特征量化的参数估计。然后啰啰嗦嗦写了很多介绍人力系统数据特点和马氏链特点的，没啥营养我也没接触过这个数据不太感兴趣。。。。。。

Literature review

前人工作的废话就不写了。。。
在本研究中，将通过将每个人员类别细分为三个潜在的移动者、中移动者和留置者，来解决组织人员系统的类别内异质性问题，以纳入由于潜在因素而产生的更大范围的异质性。这将有助于进一步减少类别内的可变性，并使得到的类别更加同质。

Model setup

woc不写了就是普通的HMM模型而已。。。

这篇实验也不行。。。。