用于零星与突发事件发生的马尔可夫调制Hawkes过程
应用统计
2021-08-16 v4
摘要
对事件动态建模是许多学科的核心。观测到的事件到达时间模式通常使用点过程建模。此类事件到达数据常表现出自激发、异质与零星趋势，这对传统模型构成挑战。有理由假设存在一个隐藏状态过程，在不同状态下驱动不同的事件动态。本文提出一种马尔可夫调制Hawkes过程（MMHP）模型来学习此类事件动态的混合，并开发了相应的推断算法。使用合成数据的数值实验表明，带有所提估计算法的MMHP在模拟中始终能恢复真实的隐藏状态过程；而来自一所大型大学的电子邮件数据和一项动物行为研究的数据表明，该过程能捕捉不同的事件动态，从而揭示真实数据中有趣的社会结构。
引用
@article{arxiv.1903.03223,
title = {Markov-Modulated Hawkes Processes for Sporadic and Bursty Event Occurrences},
author = {Jing Wu and Owen G. Ward and James Curley and Tian Zheng},
journal= {arXiv preprint arXiv:1903.03223},
year = {2021}
}