تُعد عمليات هاوكس إطارًا شائعًا لنموذج حدوث الأحداث المتسلسلة، أي ديناميكيات الحدوث، في مجالات متعددة مثل الانتشار الاجتماعي. في السياقات الواقعية، تكون الفترات الزمنية بين حدوث الأحداث غير منتظمة. ومع ذلك، فإن النماذج الحالية القائمة على الشبكات العصبية لعمليات هاوكس لا تنجح فقط في التقاط هذه الديناميكيات المعقدة وغير المنتظمة، بل تعتمد أيضًا على طرق حدسية لحساب الاحتمال اللوغاريتمي للأحداث، نظرًا لأنها تعتمد في معظمها على الشبكات العصبية المصممة لمعالجة المدخلات المنفصلة المنتظمة. ولحل هذه المشكلة، نقدّم مفهوم عملية هاوكس المستندة إلى المعادلات التفاضلية المُشرَّفة (HP-CDE)، باستخدام تقنية المعادلات التفاضلية العصبية المُشرَّفة (neural CDE)، التي تمثل نموذجًا مشابهًا للشبكات العصبية التكرارية المستمرة (RNNs المستمرة). وبما أن HP-CDE تقرأ البيانات بشكل مستمر، فإنها تتيح معالجة مناسبة للبيانات الزمنية غير المنتظمة مع الحفاظ على الفجوات الزمنية غير المنتظمة، كما تسمح بحساب الاحتمال اللوغاريتمي بدقة. علاوة على ذلك، وبما أن كلًا من عمليات هاوكس والمعادلات التفاضلية العصبية المُشرَّفة تم تطويرهما في الأصل لنموذج الديناميكيات السلوكية البشرية المعقدة، فإن نماذج هاوكس القائمة على المعادلات التفاضلية العصبية المُشرَّفة أثبتت نجاحها في نمذجة هذه الديناميكيات. وقد أظهرت تجاربنا على أربع مجموعات بيانات واقعية أن طريقتنا تتفوّق على الطرق الحالية بفارق ملحوظ.