摘要

长时域事件预测在多个领域中至关重要，包括零售、金融、医疗保健和社会网络。传统方法，如标记时间点过程（Marked Temporal Point Processes, MTPP），通常依赖自回归模型来预测未来的多个事件。然而，这些模型经常遇到收敛到常数或重复输出的问题，这限制了它们的有效性和普遍适用性。为了解决这些问题，我们提出了一种基于检测的时间点过程（Detection-based Temporal Point Processes, DeTPP）的新方法，该方法受到计算机视觉中物体检测技术的启发。DeTPP采用了一种独特的匹配损失函数，有选择地优先考虑可可靠预测的事件，从而在推理过程中提高了预测的准确性和多样性。我们的方法在长时域事件预测方面建立了新的最先进水平，在现有的MTPP和下K个事件预测方法上实现了高达77%的相对改进。值得注意的是，DeTPP在大规模交易数据集上的下一个事件预测准确性也提高了多达2.7%。此外，DeTPP也是最快的推理方法之一。DeTPP的实现代码已公开发布在GitHub上。