用时变半参数 Hawkes 过程模型预测吸烟事件
机器学习
2018-09-07 v1 机器学习
应用统计
摘要
吸烟（美国可预防死亡的首要原因）带来的健康风险可通过戒烟大幅降低。尽管大多数吸烟者都有戒烟动机，但多数戒烟尝试以失败告终。若干研究探讨了自我报告症状、生理测量和环境背景对吸烟风险的作用，但较少工作关注吸烟事件的时间动态，包括每日模式和相关的尼古丁效应。在这项工作中，我们考察这些动态并通过将吸烟建模为自触发过程来改进风险预测，其中先前的吸烟事件会改变当前风险。具体而言，我们将 42 名吸烟者自我报告的吸烟事件拟合到为此目的开发的时变半参数 Hawkes 过程（TV-SPHP）。结果表明，与相关的现有模型相比，TV-SPHP 实现了更优的预测性能，其中纳入时变预测因子在较长预测窗口下收益最大。此外，影响函数揭示了先前未知的吸烟时间动态，可能与尼古丁代谢存在关联，将在未来通过随机研究设计进行探索。通过更有效地预测吸烟事件并探索吸烟风险的自触发成分，本工作支持开发旨在减少吸烟致死的新颖或改良戒烟干预措施。
引用
@article{arxiv.1809.01740,
title = {Predicting Smoking Events with a Time-Varying Semi-Parametric Hawkes Process Model},
author = {Matthew Engelhard and Hongteng Xu and Lawrence Carin and Jason A Oliver and Matthew Hallyburton and F Joseph McClernon},
journal= {arXiv preprint arXiv:1809.01740},
year = {2018}
}
备注
Presented at Machine Learning for Healthcare 2018, Stanford, CA