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

采用神经控制微分方程技术提出了基于控制微分方程的 Hawkes 进程（HP-CDE）概念，成功地对不规则时间序列数据集进行了建模，并能够准确地计算对数似然。在四个真实数据集上的实验中，该方法的表现优于现有方法。

May, 2023

研究了在线信息传播建模的统计工具，发现在 Hawkes 模型中，扩展事件的频率与 SIR 模型中的新感染率相同，并导出了 HawkesN 的级联大小分布。

Nov, 2017

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

作者们提出了一种名为 Graph Hawkes Neural Network 的方法，可以用来建模动态图序列中的事件发生，同时还可以预测未来事件发生的时间和类型。实验证明，该方法对于大规模的时态多关系数据库非常有效，例如时间知识图谱。

Mar, 2020

本文提出了用 MDL 算法推导多维 Hawkes 过程网络的因果关系，同时在金融数据实验中表现出优异性能。

Jun, 2022

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

本研究提出了一种有效的基于 Hawkes 过程的 Dirichlet 混合模型方法来解决事件序列聚类问题，并通过 EM 算法的内外迭代进行分析和学习，演示了该方法的优越性和稳健性。

Jan, 2017

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