[论文解读] Lecture Notes: Temporal Point Processes and the Conditional Intensity Function

Jakob Gulddahl Rasmussen|arXiv (Cornell University)|Jun 1, 2018

Point processes and geometric inequalities参考文献 10被引用 36

一句话总结

本文以条件强度函数为核心建模工具，全面介绍了时间点过程。详细阐述了基于似然的推断、Ogata的薄化算法等模拟方法，以及用于模型检验的残差分析，表明在正确模型下，变换后的事件时间应服从单位强度的泊松过程，从而实现对地震学、排队论和事件预测等应用中点过程模型的稳健验证。

ABSTRACT

These short lecture notes contain a not too technical introduction to point processes on the time line. The focus lies on defining these processes using the conditional intensity function. Furthermore, likelihood inference, methods of simulation and residual analysis for temporal point processes specified by a conditional intensity function are considered.

研究动机与目标

• 以非技术性但严谨的方式，使用条件强度函数作为主要建模框架，提供时间点过程的入门介绍。
• 解决建模复杂、依赖历史的事件序列的挑战，其中事件时间并非独立，例如地震或服务器到达事件。
• 在单一连贯的框架下统一点过程分析的关键阶段——建模、估计、模拟和验证，该框架基于条件强度函数。
• 通过将观测事件时间转换为单位强度泊松过程，使研究人员能够通过残差分析评估模型拟合度。
• 通过模拟算法和基于似然的推断支持实际实现，促进预测和复杂摘要统计量的近似。

提出的方法

• 通过条件强度函数 λ*(t) 定义时间点过程，该函数指定在时间 t 之前的历史条件下事件发生的瞬时速率。
• 利用从条件强度导出的似然函数，执行模型参数的最大似然估计。
• 通过反函数法和Ogata改进的薄化算法实现模拟，两者均通过使用累积强度变换均匀随机变量来生成事件时间。
• 通过将观测事件时间 ti 变换为 si = Λ*(ti) 进行残差分析，其中 Λ*(t) 是累积条件强度；在模型正确时，si 应构成单位强度泊松过程的一个实现。
• 通过统计诊断检验变换后的事件间隔时间（si+1 − si）是否服从均值为一的指数分布，来检验模型拟合度。
• 使用基于模拟的方法进行模型检验、预测以及在闭式解不可用时近似复杂摘要统计量。

实验结果

研究问题

• RQ1 如何利用条件强度函数有效建模时间点过程，以捕捉时间依赖的事件动态？
• RQ2 条件强度函数在实现点过程的基于似然的推断和参数估计中起到什么作用？
• RQ3 Ogata的薄化算法等模拟技术如何被调整以在给定条件强度模型下生成逼真的事件序列？
• RQ4 基于时间变换的残差分析在检测时间点过程模型中的模型误设方面有哪些应用方式？
• RQ5 模拟与残差分析如何结合使用，以在现实世界应用中验证和改进点过程模型？

主要发现

• 当点过程由条件强度函数 λ*(t) 正确指定时，变换后的事件时间 si = Λ*(ti) 构成单位强度泊松过程的一个实现，从而实现正式的模型验证。
• 基于此变换的残差分析可检测模型不足，例如数据中未被模型捕捉到的事件间不切实际的长间隔。
• 时间点过程的似然函数可表示为事件间隔时间条件密度的乘积，从而在条件强度框架下实现最大似然估计。
• 点过程的模拟在生成典型模式、预测未来事件以及近似复杂摘要统计量（如时间区间内事件的期望数量）方面是可行且有用的。
• Ogata的薄化算法和反函数法为模拟带标记和不带标记的时间点过程提供了高效且准确的方法，并可扩展以在每个事件处包含标记。
• 不建议基于用于估计的同一函数（如条件强度）进行模型检验；相反，应使用其他摘要统计量或诊断方法，以避免过拟合偏差。