本文开发了一种基于个性化、多变量时间点过程的新型统计模型，用于对移动健康应用中的人类行为建模，以得出未来用户行为及其时机的准确预测。

Feb, 2018

本文提出了一种新的模型和计算方法，通过利用真实世界扩散过程中的特征稀疏性，克服了 Multivariate Hawkes Processes 在规模上的限制，并在合成和真实数据集上取得了最先进的预测结果，同时提高了运行时间性能。 结合易于解释的潜在变量和影响结构，这使我们能够在以前无法达到的规模上分析扩散过程。

Feb, 2020

本文探讨了人类活动的非泊松分布性质，表明人类的活动具有爆发性特征，并提出了两种排队模型来描述任务执行的优先级和等待时间，这些模型可以很好地解释人类的活动规律，并给出了实证结果和未来发展挑战。

Oct, 2005

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

本文提出了一种用于短期时间依赖检测的鲁棒计算方法，该方法使用不依赖于异质性目标 HP 的交互 HP 的异质性强度，取消了异质性强度的先验估计，并在神经科学中得到了显着的新应用，实验结果表明该方法比现有方法表现更优。

May, 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

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

本文提出了一个基于自助 Hawkes 过程的概率模型，以表征个体微博获得其流行度的过程，并在最受欢迎的中国微博网络新浪微博上应用，证明了该模型优于基于强化泊松过程的模型。

Mar, 2015

本研究提出了一种称为 CyHMMs 的方法，用于在多维异构时间序列数据中检测和建模周期，并能更准确地推断周期长度。应用人体健康数据，对月经周期和身体活动进行研究，发现不同维度数据间具有相关性，并且可以通过该方法来推断周期中的不同症状。

Dec, 2017

提出了一种新的基于高斯过程半马尔可夫模型的工人行为模式提取方法，不需要预先训练，能够自动准确地将连续运动划分为不同的运动类别，并与隐马尔可夫模型进行参数互推，以实现准确的运动模式提取。该方法在实际生产现场的工人装配产品的运动数据上进行了验证，其运动模式的提取精度通过归一化的 Levenshtein 距离（NLD）评估，与基准方法相比，该方法的 GP-HSMM 和 HSMM 层提取的模式 NLD 分别为 0.50 和 0.33，是最小的。

May, 2024