本研究提出了一种新颖的图时空点过程模型（GSTPP），有效处理空间异质性和潜在相关性，从而提高细粒度事件预测的准确性，实验结果显著优于现有方法。

本文研究了数据点序列中预测和解释事件发生的挑战，并提出了机器学习解决方案。该解决方案能够学习和识别未知触发器，并预测事件的发生。同时，它还能识别触发器候选项，以更高效的方式与系统交互。作者希望通过分享发现，帮助其他人估计问题的复杂性、所需数据和解决方案。

AutoCast++是一种利用新闻文章进行事件预测的系统，采用零样本排序和摘要方法来提取语义相关的新闻并获得简洁的上下文，通过多项指标的显著改善来提高多选和判断题的性能。

本文使用多元Hawkes过程建模滞后的Granger因果效应，并通过模拟后验分布推断时间滞后。研究了复杂环境下的模型估计方法，取得了良好的事件预测和时间滞后推断结果。