通过提出一种作为生成模型的多变量周期 Hawkes 过程模型，该模型可以捕捉人类活动的时间聚类、相互依赖结构和相互兴奋以及一周内时间周期效应。我们将这个模型应用于大规模信用卡交易数据集，并证明 MPHP 在交互事件时间分布和活动预测任务的统计适合度上超过非齐次泊松模型和 LDA。

May, 2020

ProActive 是一个神经标记的时间点过程（MTPP）框架，用于对活动序列中的动作进行连续时间建模，同时解决了下一个动作预测、序列目标预测和端到端序列生成三个高影响问题。

Jul, 2023

本文介绍了一个新数据集 StrokeRehab，旨在解决机器学习中的一个重要问题，即从视频和运动数据中识别出细微的运动，提出了一种以语音识别技术为灵感的基于序列到序列模型的高分辨率动作识别方法，并在 StrokeRehab 数据集以及标准测试数据集 50Salads，Breakfast 和 Jigsaws 上取得了当前最优的结果。

Nov, 2021

提出了一种用于周期性感知预测短序列未来事件的元学习方法，通过点过程建模和时间周期模式考虑来提高事件预测性能。

Jan, 2024

本研究通过对移动健康可穿戴设备和应用的 7,261 名用户的一天内活动模式进行研究，发现使用穿戴式追踪器记录的步数和睡眠数据明显提高了与精神健康和神经系统紊乱相关的自我报告的慢性病症状的分类效果。通过联合预测所有疾病类型，利用多任务学习可以提取横跨数据集的特征，并实现最高的分类性能。该研究证实了使用卷积神经网络对多变量时间序列进行直接训练，可以实现领先于基线模型的分类性能。

Dec, 2016

通过对三维空间内由佩戴式加速度计测量的加速度数据的多维时间序列进行分割，本文分析了活动识别的问题，并提出了一种特定的统计潜在过程模型进行自动时段分割，该模型通过隐藏的离散逻辑过程来控制随时间而变换的多个活动。最终结果表明，本文提出的方法在完全无监督的情况下运作，并且不需要特征提取预处理步骤，其性能非常有竞争力。

Dec, 2013

通过将社交网络影响视为用户感知的影响，开发了用于用户活动的概率模型，其中每个用户的活动根据一个具有隐藏状态的马尔可夫链发展，而该隐藏状态受用户朋友的集体活动影响。通过使用推特上用户活动的大量语料库验证所提出的模型，数值研究表明，在具有足够观察以确保准确模型学习的情况下，所提出的框架比基于更新过程的模型或传统的未耦合的隐藏马尔可夫模型更好地解释了观察到的数据，并展示了所提出方法在预测下一条推文的时间方面的效用。最后，该模型参数空间中的聚类显示出由用户和他的网络之间的互动动态特征化的不同自然群集。

May, 2013

ProActive 是一种神经标记的时间点过程 (MTPP) 框架，用于对活动序列中行动的连续时间分布进行建模，同时解决了下一步行动预测，序列目标预测和端到端序列生成等高影响问题。使用自关注模块进行建模，以及附带较少的行动数量来预测序列目标。在三个活动识别数据集上的广泛实验表明，ProActive 在行动和目标预测方面的准确性显着提高，并首次应用了端到端行动序列生成。

Jun, 2022

通过对连续智能手机用户行为的预测建模，本文引入了一种研究社交媒体习惯的新方法。使用长短期记忆（LSTM）和变压器神经网络，我们展示了社交媒体使用在个人内部和个人之间是可预测的，同时在个体之间的预测差异也是稳健的。

Apr, 2024

提出了一种多时间尺度模型，以在不同时间尺度上捕获异常活动，并通过对不同时间尺度的输入姿势轨迹进行未来和过去预测来检测异常活动。

Aug, 2019