하이크스 과정(Hawkes processes)은 사회적 확산 등 여러 분야에서 순차적 사건 발생, 즉 사건 발생 동역학을 모델링하는 데 널리 사용되는 프레임워크이다. 실제 세계의 시나리오에서는 사건 간 도착 간격이 불규칙하다. 그러나 기존의 신경망 기반 하이크스 과정 모델은 i) 이러한 복잡한 불규칙한 동역학을 포착하지 못할 뿐만 아니라, ii) 주로 정규적인 이산 입력을 위한 신경망 구조에 기반하고 있어 사건의 로그우도(log-likelihood)를 계산하기 위해 휴리스틱 기법을 사용해야 하는 한계를 지닌다. 이를 해결하기 위해 본 연구에서는 연속적인 RNN의 대응 개념인 신경 통제 미분방정식(neural controlled differential equation, neural CDE) 기술을 활용하여, 제어 미분방정식 기반 하이크스 과정(Hawkes process based on controlled differential equations, HP-CDE)의 개념을 제안한다. HP-CDE는 데이터를 연속적으로 읽기 때문에, i) 불규칙한 시간 간격을 갖는 시계열 데이터를 그들의 비균일한 시간 공간을 유지하면서 적절히 다룰 수 있으며, ii) 로그우도를 정확히 계산할 수 있다. 또한 하이크스 과정과 신경 CDE 모두 복잡한 인간 행동 동역학을 모델링하기 위해 개발된 점을 고려할 때, 신경 CDE 기반 하이크스 과정은 이러한 사건 발생 동역학을 효과적으로 모델링하는 데 성공한다. 4개의 실제 데이터셋을 활용한 실험 결과, 제안한 방법은 기존 방법들에 비해 유의미한 성능 향상을 보였다.