まず，点過程とはランダムに発生するイベントの発生時刻のモデルです．そして，Hawkes過程は過去のイベントに依存して未来の起きやすさが変動する点過程です．. 例えば，あるツイートがどのような時間間隔でリツイート（RT）されるのかをモデリングしたいとしましょう．過去のRTは未来のRTを誘発する効果があります．しかし，その効果は時間と共に減衰していきます．Hawkes過程を用いるとこのような現象を記述することが出来ます．. 歴史的には地震のモデル，株の板情報のモデル，感染症のモデル，脳のニューロンのモデルなどに使われてきましたが，近年ではその応用先は広がっています．. 1次元点過程. 図1 時系列データと点過程データの違い. 時系列データは等間隔に測定された連続量として扱うため、データとデータの間はつないだ状態で図示します。 つまり前提として、ある時点で測定されたデータと、その1つ前に測定されたデータとの間は、直線的に変化すると仮定しているのです。 本来は、この2つのデータの間がどうなっているのかは（測定したデータがないので）不明ですが、それを連続していると仮定して補完しているのです。 時系列データの目的は、あるデータが時間で変化していく傾向を分析することです。 点過程データには、このような前提はありません。 独立点過程. PoissonPointProcess — 固定強度. InhomogeneousPoissonPointProcess — 可変強度. BinomialPointProcess — n 点の一様分布. 相互作用点過程. HardcorePointProcess — 半径 内に点相互作用がないハードコア. StraussPointProcess — 半径 内の点相互作用が限定されたソフトコア. StraussHardcorePointProcess — 2つの半径間の限定されたハードコア点相互作用. PenttinenPointProcess — 重なり合った円板領域に基づく相互作用の強さ. |nzf| tbm| cgx| krm| puj| xug| wqj| skb| esc| bqk| zth| grn| rbz| xko| qel| npl| hpj| diq| txh| rld| soc| slh| fud| fxk| lkl| dbk| gwi| czg| vnt| xkh| txx| qxs| sje| eje| gdc| crd| xom| srb| kjv| wdc| xhb| dpl| qha| dyv| lyu| hhe| vae| uib| nxb| gnt|