BurstClusterModelle

BurstClusterModelle bezeichnet eine Familie statistischer Modelle zur Erfassung und Beschreibung von Burstiness in zeitlich geordneten Ereignisdaten. Ziel ist es, kurze, intensitätsreiche Phasen (Bursts) zu identifizieren und diese Bursts in clusters zu gruppieren, etwa nach Akteuren, Orten oder inhaltlichen Merkmalen.

Struktur und Funktionsweise der Modelle beruhen typischerweise auf zwei Ebenen. Einer Burst-Komponente wird eine erhöhte Ereignisrate während bestimmter Zeitperioden zugeordnet, oft über Zustandsmodelle (baseline versus burst) oder über selbst-anstufige Prozesse wie Hawkes-Prozesse. Gleichzeitig erfolgt eine Clustering-Komponente, die Bursts anhand räumlicher, thematischer oder attributiver Ähnlichkeiten in Gruppen zusammenfasst. Ansätze verwenden auch Poisson-Mischmodelle oder Bayesianische Mischmodelle, um Unsicherheit und Varianz zu berücksichtigen.

Inference und Anpassung erfolgen meist durch Expectation-Maximization, variationale Inferenz oder MCMC-Sampling. Zur Anwendung kommen zeitlich markierte Ereignisdaten, optional ergänzt durch räumliche Koordinaten oder Merkmalsvektoren. Modelle lassen sich sowohl im Batch- als auch im Online-Modus trainieren, um neue Bursts zeitnah zu erkennen.

Anwendungen finden sich in verschiedenen Bereichen, darunter Analyse sozialer Medien zur Erkennung von viralen Wellen, Netzwerkanalytik zur Auffälligkeitserkennung, Finanzmärkte bei Transaktionsspitzen, seismische Aktivität sowie biologische Signalkaskaden in Zellen. Die Bewertung von BurstClusterModellen erfolgt mit Burst-spezifischen Metriken (Burst-F1, Burst-Index) sowie herkömmten Clustering-Maßen wie Silhouette oder Rand-Index; dabei spielen Robustheit gegenüber Rauschen und Skalierbarkeit eine zentrale Rolle.

Siehe auch: Burst-Detection, Clustering, Hawkes-Prozesse, Poisson-Mischmodelle.