科研之友
微信
新浪微博
Facebook
分享链接
摘要
时序点过程作为一种异步事件序列建模的重要方法，目前已经在地震、医疗等领域得到了广泛的应用。Transformer等深度学习模型的引入使得模型的预测性能得到了突破性进步，为了解决基于Transformer的霍克斯过程模型在对事件序列建模时出现的学习偏差问题，提出了多分支加权的Transformer霍克斯过程模型（Multi-branch Weighted Transformer Hawkes Process，MWTHP）。基于多分支的思想，通过为不同角度下学习到的依赖关系赋予差异化的重要性，提高模型对事件序列的建模能力；为了应对基于Transformer的霍克斯过程模型的局部感知能力较差问题，构建了一种基于因果卷积的局部感知增强网络，改善了模型对事件序列局部上下文信息的关注能力。通过在多个合成数据集和真实世界数据集上进行实验，采用对数似然值、时间均方根误差、事件类型准确率等指标进行综合评价。实验结果验证了所提模型的性能优于其它基准模型；通过消融实验，证明了局部感知增强网络的有效性。
-
单位中国石油大学（华东）; 青岛海信日立空调系统有限公司
