目前在生物群体和人类社会中的集群行为得到了深入的研究。然而,动物的协同行为与人类有着显著不同。一般而言,描述动物协同行为的短期网络相比于人类有着较高的阶数,这就需要用高阶网络去刻画。在本文中提出了一种使用集群行为时序数据的方法来确定动物群体的最优极大马尔科夫阶数从而反映交互网络的最大记忆能力。我们的方法结合了时延的因果推断算法以及高阶图模型。一方面因果推断算法基于信息论,通过聚合因果邻居和删除非直接因果邻居的最优因果熵算法建立因果网络;另一方面高阶模型的马尔科夫链则结合了多层的图结构,通过似然函数检验出集群行为网络所提取的时序数据符合的最优极大阶数。本文将方法应用到鸽群,狗群以及一种摇蚊群体中,通过最优因果熵迭代构建了它们的瞬时因果网络,提取信息流路径集后检验它们的最优极大阶数并且建立相应的高阶De Bruijin图从而描述群体间的交互关系。同时本文研究了六个人类行为数据集的最优极大阶数并且与动物的集群行为进行对比。人类数据的最优极大阶数显示了一阶性。然而,鸽群、摇蚊群和狗群的最优极大阶数都大于人类行为阶数。由此本文推论在人类社会的交流协作中信息流的马尔科夫链明显短于动物群体,这说明了动物个体中高度的协同和信息共享。另一方面,人类可以无需频繁的信息交互就完成复杂的合作,这说明了单个人类的记忆力所包含的信息总量远远大于单个动物的交流信息总量。多数动物运动的时序网络数据可以通过本文的方法得到有效分析。本文的方法为检测集群行为的最优极大阶数提供了一种实际且有效的方法。