58 lines
2.1 KiB
Markdown
58 lines
2.1 KiB
Markdown
---
|
||
title: "TPP 应用场景"
|
||
created: 2026-06-16
|
||
updated: 2026-06-16
|
||
type: concept
|
||
tags: [temporal-point-process, applications, event-prediction, causal-discovery]
|
||
sources: [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|Granger 因果发现]]：
|
||
|
||
| 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
|
||
|
||
- [[temporal-point-process|时间点过程]]
|
||
- [[hawkes-process|Hawkes 过程]]
|
||
- [[granger-causality-tpp|Granger 因果发现]]
|
||
- [[advances-temporal-point-processes-2026|TPP 综述]]
|