---
title: "霍克斯過程（Hawkes Processes）"
slug: hawkes-processes
language: zh-TW
source: https://aiterms.tw/terms/hawkes-processes
updated_at: 2026-06-26
tags: [統計方法, 時序分析, 異常偵測, AI應用]
ipas_term: false
---

# 霍克斯過程（Hawkes Processes）

霍克斯過程是一種自激發點過程，事件發生會增加未來事件發生的機率。常用於建模事件序列的相互影響，如金融交易、地震或社交媒體互動。

## 完整說明

霍克斯過程是一種用於建模事件序列的隨機點過程，其特點是事件的發生會「自激發」，即增加未來事件發生的瞬時機率。它能夠捕捉事件之間的相互依賴性和群聚效應，常用於分析和預測具有時間相關性的離散事件。常見應用包括金融交易分析、地震預測、社交網路互動建模及神經元放電模式研究。

## 常見問題

### 霍克斯過程與傳統泊松過程有何主要區別？

霍克斯過程與泊松過程的主要區別在於事件的獨立性。泊松過程假設事件是獨立且隨機發生的，其發生率（強度）是恆定或由外部因素決定的，事件之間沒有相互影響。因此，泊松過程無法捕捉事件的群聚效應。相反，霍克斯過程的核心是「自激發性」，即一個事件的發生會增加未來事件發生的瞬時機率。這使得霍克斯過程能夠有效地建模事件之間的相互依賴性和群聚現象，例如金融交易中的級聯效應或地震後的餘震序列。簡單來說，泊松過程是「無記憶」的，而霍克斯過程則是「有記憶」的，其未來行為受過去事件的影響。

### 在實際應用中，如何選擇霍克斯過程的核函數（kernel function）？

核函數的選擇對於霍克斯過程的建模效果至關重要，它決定了事件激發效應的衰減模式。常見的核函數包括指數核（如 g(s) = αe^(-βs)）和冪律核（如 g(s) = α(s+c)^(-β)）。選擇核函數通常需要結合領域知識和數據特性。例如，如果預期事件影響會快速衰減，指數核可能是一個好的選擇；如果影響衰減較慢或存在「長尾」效應，冪律核可能更合適。此外，也可以透過交叉驗證或模型選擇準則（如 AIC、BIC）來評估不同核函數的擬合優度。有時，研究者也會嘗試非參數核函數或結合多個核函數的混合模型，以更靈活地捕捉複雜的激發模式。

### 霍克斯過程在哪些情境下表現不佳或存在局限性？

霍克斯過程在某些情境下可能表現不佳或存在局限性。首先，它主要建模自激發效應，難以直接處理事件發生後導致未來事件機率降低的「抑制」效應。其次，許多標準霍克斯模型假設平穩性，即背景率和激發參數不隨時間變化，這在非平穩的現實世界數據中可能導致模型失準。再者，對於非常稀疏的事件數據或高度複雜的事件依賴關係，參數估計可能變得困難且不穩定，容易陷入局部最優。此外，核函數的選擇對模型性能影響很大，選擇不當可能導致模型無法準確捕捉真實模式。最後，處理大規模、高頻的事件序列時，霍克斯過程的計算複雜度可能較高，需要優化算法或近似方法。

---

來源：https://aiterms.tw/terms/hawkes-processes
快查頁：https://aiterms.tw/terms/hawkes-processes
最後更新：2026/06/26
深度解說：https://aiterms.tw/learning/what-is-hawkes-processes