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

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

本文研究了多个时间序列数据的影响结构的问题，通过对多元线性 Hawkes 过程的网络还原因果结构，并提出了算法来学习支持兴奋矩阵，最终在合成的多元 Hawkes 网络，股票市场和 MemeTracker 的真实数据集上进行了评估。

Mar, 2016

提出了一种基于 Transformer 和 Hawkes 过程的模型（THP），能够更好地捕捉事件序列数据中的短期和长期时间依赖关系，并能够通过集成结构性知识来改善预测表现。

Feb, 2020

本文在神经 Hawkes 过程、演绎式数据库、神经符号化模型、注意力机制等关键技术的基础上，采用注意力机制的扁平化结构替换其原来的 LSTM 架构，并展示了相对较高的精度。

Dec, 2021

提出了一种利用 self-attention 机制进行 intensity function 拟合的 self-attentive Hawkes process 方法，相较于传统的统计方法和深度循环神经网络，该方法能更好地识别时间事件之间的复杂依赖关系，并且能够捕捉更长的历史信息，可以针对多变量事件序列进行有效的复杂模式预测。

Jul, 2019

本研究采用新型 WGP-NN 图神经网络架构，结合高斯过程对事件发生概率的时间演化及其不确定性进行联合建模，能够在表示实体不确定性的基础上，预测未来链接的不确定性，并且可以连续时间建模 tKG 的复杂时空动态，经测试在两个真实世界基准数据集上表现出最先进的性能。

Jan, 2023

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

TREND 是一种基于 Hawkes 过程的图神经网络，采用渐进的模式进行节点处理，并通过模型与节点动态驱动的个体化和集体特征分析方法来捕获事件之间的激动效应。在四个真实 - world 数据集上进行的广泛实验表明了模型的有效性。

Mar, 2022

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