title, created, updated, type, tags, sources
| title |
created |
updated |
type |
tags |
sources |
| TPP 应用场景 |
2026-06-16 |
2026-06-16 |
concept |
| temporal-point-process |
| applications |
| event-prediction |
| causal-discovery |
|
| raw/papers/advances-temporal-point-processes-2026.md |
|
TPP 应用场景 (TPP Applications)
TPP 已被广泛应用于从预测到因果推断的多种场景，覆盖科学、金融、社交网络等领域。
两大应用范式
事件预测
利用历史数据预测未来事件的时间、频率和类型：
| 领域 |
事件表示 |
典型模型 |
目标 |
| 社交网络 |
发帖/转推 |
Hawkes, Neural TPP |
信息扩散预测 |
| 流行病学 |
感染时间/位置 |
Hawkes, 时空 TPP |
疾病传播预测 |
| 地震学 |
地震时间/位置 |
时空 Hawkes |
余震预测 |
| 金融 |
交易/订单 |
Hawkes, Neural Hawkes |
市场事件预测 |
| 推荐系统 |
购买/点击 |
Hawkes + Attention |
用户行为预测 |
因果发现
从观测事件序列中推断事件类型间的 Granger 因果关系——见 granger-causality-tpp：
| 领域 |
事件类型 |
因果目标 |
| 神经科学 |
神经元脉冲序列 |
功能连接推断 |
| 金融 |
买卖订单流 |
买卖单向影响分析 |
| AI 运维 |
系统故障事件 |
根因定位 |
| 医疗 |
症状-药物事件 |
药物交互分析 |
| 网络安全 |
安全警报序列 |
攻击模式识别 |
延伸任务
- 事件序列聚类：按时序动态模式分组序列（如用户行为细分）
- 长程预测：预测未来长时间窗口内的多个事件，而非仅下一事件
- 多模态推理：结合文本/图像等模态信息的语义事件理解（LLM-based TPP）
标准化与 Benchmark
- EasyTPP (Xue et al., 2023a)：统一的 TPP benchmark 框架
- HyPro (Xue et al., 2022)：长程预测协议
- DanmakuTPPBench (Jiang et al., 2025)：多模态 TPP benchmark
参考
