本文研究了基于逻辑的事件识别中的不确定性问题，并通过引入概率推理扩展了事件演算，使用 Markov 逻辑网络作为基础形式。通过实验验证，证明了引入概率模型的 Event Calculus 在活动识别领域的优势。

Jul, 2012

介绍了一种基于 ASP 的、能够通过权重规则进行概率推理的复杂事件识别系统，可应用于活动识别等领域，并与多种现有算法进行了比较，并证明了其在效率和预测性能方面的优越性。

Mar, 2021

本文介绍了一种使用 Markov 逻辑网络的概率一阶谓词逻辑（FOPL）推理系统，从传感器网络中提取信息进行复杂决策，以及证明这种方法在处理各种实际数据时的数学准确性和广泛适用性。

Nov, 2014

本文提出了一种通过 Answer Set Programming (ASP) 规则定义转移启用条件的符号自动机学习方法，该方法在 Complex Event Recognition (CER) 领域具有优越的性能表现和高效性。

Aug, 2022

我们提出了基于自动机的复杂事件识别系统，通过 Symbolic Register Transducers 实现模式检测，提供声明性和组合性语义，并比较我们的系统与其他先进的 CER 系统，表明其更具表达能力和效率。

Jul, 2024

通过分析各种传感器数据以识别复杂事件模式，本研究调查了多模态复杂事件检测中神经和神经符号结构的性能，并证明了神经符号结构在事件识别方面具有卓越的性能。

Feb, 2024

稀有事件预测是使用机器学习和数据分析识别和预测低概率事件。由于数据分布不均衡，普通事件的频率远远超过稀有事件，需要在机器学习流程中的每个步骤中使用专门的方法，从数据处理到算法到评估协议。该论文全面综述了稀有事件预测的当前方法在四个方面：稀有事件数据，数据处理，算法方法和评估方法。它旨在找出当前文献中的差距并突出预测稀有事件的挑战。它还提出了潜在的研究方向，可帮助指导从业人员和研究人员。

Sep, 2023

提出了一种基于在线复合事件的商用车辆轨迹的识别系统，通过数据增强模块和逻辑编程实现的复合事件识别模块将车辆轨迹数据与外部信息相结合，实现了商用车辆管理应用程序中的有益活动识别。在真实的大规模商用车辆数据集上进行了有效性验证。

Jul, 2019

本文在大数据时代提供了一个系统和全面的事件预测技术、应用和评估的调查，包括已经存在的技术、主要应用和评估方法的综述、开放问题和未 来方向。

Jul, 2020

本文提出了一种基于 GRU 的模型，结合了注意机制，将语法信息和时间结构相结合，具有与其他神经网络架构相当的性能，在 ACE2005 数据集的不同随机初始化和训练验证测试划分下进行了经验评估。

Aug, 2018