带有标记和计时信息的事件序列可在广泛的领域中使用,从自动火车监控系统中的机器记录到社交网络中的信息级联。根据历史事件序列,预测下一个事件将在何时发生以及何时将发生将可以使许多有用的应用受益,例如大规模快速列车的维护服务时间表以及社交网络中的产品广告。由于时间点过程(TPP)能够捕获事件之间的时间依赖性,因此它是解决下一事件预测问题的有效解决方案。最近的递归时间点过程(RTPP)方法利用递归神经网络(RNN)摆脱了TPP密度函数中的参数形式假设。但是,大多数现有的RTPP方法仅关注事件之间的时间依