本文提出了一种名为动态 Hawkes 过程（DHP）的方法，它能够捕捉事件扩散背后的社区状态演化规律，并基于演化规律预测事件的发生。与其他五种采用的事件预测方法相比，DHP 的实验表现更加优异。

May, 2021

本文提出一种 SIS 模型的改进版，将警惕性引入该模型，得到了一个连续时间马尔可夫过程，并且证明了该模型的传播具有两个明显的阈值。实验进一步证明了，警惕性可以被视为控制流行病的一种策略，对从传染病缓解到减少恶意软件影响的多个应用领域具有潜在的发掘价值。

Jul, 2011

介绍了新型点过程模型，用于描述传染疾病的发生。该模型是 Hawkes 自励过程的变体，其聚类类似，但没有组成传染的组件在时间上保持静态的限制，传染度随条件强度变化而改变。

Mar, 2017

本文研究社交网络，尤其是社交网络上疾病的传播，在物理学界引起了广泛关注。我们证明了一类称为易感性 / 传染性 / 移除 (SIR) 模型可以在各种网络上得到精确解。此外，我们解决了各种时间和概率是非均匀和相关的情况，也考虑了一个简单的结构化群体的流行病情况，即男女分组的性传播疾病。通过在网络上进行 SIR 疫情的数值模拟，我们证实了我们的解的正确性。

Apr, 2002

本研究通过结合多个不同参数的 SEIR 模型的流行病曲线，生成了三个复杂的流行病情景，并考察了流行病学参数估计的目前现状和局限性，结果表明忽略数据生成过程中的复杂性和异质性会掩盖底层地理和人口特定的流行病动态。

Jun, 2021

本论文对流行病传播的理论分析进行了全面的综述，重点阐述了流行病学建模的共性和差异性，并探讨了复杂网络中的扩散和演化问题。

Aug, 2014

本章介绍了点过程、特别是霍克斯过程，用于对连续时间上的离散、相互依赖的事件进行建模。我们介绍了霍克斯过程及其事件强度函数、事件模拟和参数估计方案，并描述了一个基于社交媒体数据的实际例子。我们提出了内存核的设计方法，以及如何估计参数和预测流行度的结果。代码和示例事件数据作为在线附录提供。

Aug, 2017

通过将自激励水平视为随机微分方程，我们提出了对 Hawkes 过程的扩展，该新点过程允许更好地逼近事件和强度相互加速且传染性相关水平的应用领域。我们推广了一种最近用于模拟具有随机激发水平的 Hawkes 过程的算法，并提出了混合马尔可夫链蒙特卡罗方法来拟合模型。我们的采样过程与所需事件的数量呈线性比例，并且不需要点过程的平稳性。我们提出了一种由 Gibbs 和 Metropolis Hastings 步骤组合而成的模块化推断过程。我们将期望最大化作为特例。这种一般方法是通过几何布朗运动和指数朗之万动力学的传染研究进行了说明。

Sep, 2016

通过新提出的潜在影响点过程模型 (Latent Influence Point Process，LIPP) 来量化传染病在人口密集地区的内部动态对事件发生的反馈（触发区域性爆发疫情的前期病例存在的可能性），并研究了昆士兰州 15 年的登革热病例，发现爆发主要由州间全局扩散所驱动，而密集地区的疫情受到前期流行病的缓慢而持续的反馈，而边缘区域的疫情则受到快速但不稳定的反馈。该模型揭示了不同组之间的直接和间接扩散过程以及基于接触和向量传播疾病的概率因果关系。

Jan, 2018

本文探讨了犯罪事件和安全事件数据的聚类机制，通过使用 Hawkes 过程和背景速率为高斯 Cox 进程的滤波算法，对芝加哥的财产犯罪数据、北爱尔兰和以色列的恐怖袭击数据以及伊拉克的平民伤亡数据进行了分析，量化了传染程度与独立历史相关性水平之间的不确定性。

Nov, 2013