MMMar, 2020

用自组织决策树的时空点过程预测

PDF
TL;DR本文提出了一种新方法，利用 Hawkes 过程和自适应决策树来对时空数据进行建模，通过非平稳的时空表达，对每个子区域进行点处理来对其进行统计，且提供了一种基于梯度的联合优化算法， 实验结果表明，与文献中常用的标准方法相比，该方法在空间适应性和联合优化方面显著提高了预测结果。
发现论文，激发创造
  • 自激励时空点过程及其应用综述

    给出了自激励时空点过程模型的基本理论，概述了每个领域相关的估计和推断技术，强调了几个关键应用，并提出了未来研究的方向。

    Aug, 2017

  • 超越 Hawkes：空间 - 时间点过程上的神经多事件预测

    提出了一种用于同时多事件预测的新神经结构，利用 transformers、normalizing flows 和 probabilistic layers，以实现 spatio-temporal Hawkes 过程的批量复杂历史相关的未来离散事件分布预测，取得了包括南加州地震，Citibike，Covid-19 和 Hawkes 合成风车数据集在内的各种基准数据集的最新性能。

    Nov, 2022

  • 神经时空点过程

    本文提出利用神经常微分方程作为计算方法的新型参数化方法来处理时空点过程，使得离散事件能够在连续时间和空间上进行灵活且精确的建模，本方法包括连续时间神经网络、Jump 以及 Attentive Continuous-time Normalizing Flows 等两种新型神经网络结构，能够处理在时间和空间领域内的复杂分布，并能够非常巧妙地对事件历史进行建模，我们在地震学、流行病学、城市移动性以及神经科学等领域的数据集上验证了我们的模型。

    Nov, 2020

  • 弹性参数推断空时霍克斯过程

    发展一种快速灵活的参数推理技术，以恢复涉及空间 - 时间 Hawkes 过程的强度函数中的内核函数的参数。

    Jun, 2024

  • 建模随机观测的时空动力系统

    我们开发了一种新的时空方法，通过集成从摊销变分推断、神经微分方程、神经点过程和隐式神经表示等技术，有效处理随机采样的数据，并对未来观测的概率位置和时间进行预测，从而在预测准确性和计算效率上显著超越现有方法，成为研究和理解在真实无约束条件下观察到的复杂动力系统的有用工具。

    Jun, 2024

  • 非自回归基于扩散的时间点过程用于连续时间长期事件预测

    我们提出了一种基于扩散的非自回归时间点过程模型，用于连续时间的长期事件预测。该模型通过发展一个双向映射来在事件序列上执行扩散过程，并设计了一种新的降噪网络来捕捉顺序和上下文特征，从而在长期事件预测中取得了优越的性能。

    Nov, 2023

  • 动态潜在图引导的神经时态点过程

    提出了一种新颖的变分自编码器来捕捉时间动态的混合，通过使用学习到的依赖图来预测未来事件时间和事件类型，在预测真实世界事件序列中表现出更高的准确性，相较于现有先进的神经点过程。

    Dec, 2023

  • 基于决策树作为数据观测过程的贝叶斯决策理论最优预测算法

    本篇论文利用决策树表示数据观测过程并使用基于贝叶斯决策理论的先验概率分布，将实现统计上最优的预测结果。同时，我们解决了计算 Bayes 最优预测的问题，例如内部节点的特征分配问题，实现方法为应用马尔可夫链 - 蒙特卡洛方法，其步长可以根据先验分布自适应调整。

    Jun, 2023

  • 时空扩散点过程

    该研究提出了一种新的基于扩散模型的参数化框架，用于学习复杂的时空联合分布，它打破了现有解决方案对时空依赖关系的限制，并实现了灵活准确的预测。

    May, 2023

  • 神经霍克斯过程：一种神经自调节的多元点过程

    使用神经网络中的 LSTM 模型通过多维点过程建模离散事件流，可实现事件预测，包括缺失数据情况下的预测。

    Dec, 2016