Learning Human Activity Patterns Using Clustered Point Processes With Active and Inactive States
利用具有活跃与非活跃状态的聚集点过程学习人类活动模式AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用点过程与社交媒体活动，未提供因果、网络关系或所列其他细分方向的充分依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用具有活跃与非活跃状态的聚集点过程学习人类活动模式
- 研究问题
- 如何刻画人类活动事件成簇出现、又伴随零星或长期不活动的模式，并以稳定可解释的估计方法识别不同活动状态和行为差异？
- 方法与思路
- 作者提出在活跃与非活跃状态间交替的聚集点过程，开发复合似然和复合 EM 估计，并研究算法收敛及估计量的渐近性质。
- 材料陈述的贡献
- 摘要称，模型兼顾灵活性和解释性，估计具有一致性与渐近正态性，并用于分析特朗普推文行为变化及微博用户行为分组。
- 阅读关注点
- 应核对状态转换与事件聚集机制的设定、参数识别、复合 EM 的收敛含义，以及行为变化和用户分组的统计证据如何建立。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要；状态结构、正则条件和行为分析结果未说明，不能从描述性活动模式推断政治因果关系，不推断刊本变化。
原文摘要
Modeling event patterns is a central task in a wide range of disciplines. In applications such as studying human activity patterns, events often arrive clustered with sporadic and long periods of inactivity. Such heterogeneity in event patterns poses challenges for existing point process models. In this article, we propose a new class of clustered point processes that alternate between active and inactive states. The proposed model is flexible, highly interpretable, and can provide useful insights into event patterns. A composite likelihood approach and a composite EM estimation procedure are developed for efficient and numerically stable parameter estimation. We study both the computational and statistical properties of the estimator including convergence, consistency, and asymptotic normality. The proposed method is applied to Donald Trump’s Twitter data to investigate if and how his behaviors evolved before, during, and after the presidential campaign. Additionally, we analyze large-scale social media data from Sina Weibo and identify interesting groups of users with distinct behaviors.