시공간 점 과정 (Spatiotemporal Point Process, STPP) 모델의 평가는 잠재적인 생성 구조를 알 수 없고 모델의 실패 원인을 규명하기 어려운 불투명한 실제 데이터셋에 크게 의존합니다. 우리는 다변량 Hawkes (multivariate Hawkes) 백본을 기반으로 구축된, 제어 가능한 시공간 패턴 복잡성을 위한 생성기 정렬 벤치마크인 HawkesNest를 소개합니다. HawkesNest는 공간-시간 얽힘 (space--time entanglement), 배경 이질성 (background heterogeneity), 유형 간 상호작용 (cross-type interaction), 그리고 도메인 위상 (domain topology)이라는 네 가지 복잡성 축을 정의합니다. 각 축은 잠재적 데이터 생성 메커니즘으로부터 계산된 결정론적 지수 (deterministic index)와 연관됩니다. 전역율 (global rate), 안정성 (stability), 그리고 시뮬레이션 예산 (simulation budget)을 고정하면서 이러한 축들을 변화시킴으로써, HawkesNest는 알려진 구조적 난이도 하에서 STPP 모델의 진단적 스트레스 테스트 (diagnostic stress tests)를 가능하게 합니다. 우리는 제어된 스윕 (sweeps) 하에서 이 지수들이 단조적 (monotone)이며 거의 직교 (orthogonal)함을 검증합니다. 우리는 Hawkes 계열의 베이스라인 모델들이 Hawkes 데이터 생성 백본과 구조적으로 정렬되어 있음에도 불구하고, 이질성-얽힘 (heterogeneity--entanglement) 결합 복잡성 하에서 성능이 저하됨을 보여줌으로써 HawkesNest의 활용 사례를 입증합니다. 나아가 우리는 HawkesNest가 신경망 모델의 민감도를 드러낸다는 것을 보여줍니다: AutoSTPP는 공간-시간 얽힘이 단독으로 증가할 때 여전히 취약한 상태로 남습니다. 코드. https://github.com/YahyaAalaila/HawkesNest 에서 확인 가능합니다.