演员丰富化的时间序列过程性能预测
机器学习
2025-10-15 v1
摘要
预测性过程监控 (PPM) 是过程矿工中的关键任务，旨在预测未来的行为、结果或性能指标。准确预测后者对于主动决策至关重要。鉴于过程往往由资源驱动，理解并纳入演员行为在预测中至为关键。尽管现有研究已纳入演员行为的某些方面，但其作为 PPM 中变化信号的作用仍受限。本研究探讨了是否将演员行为信息建模为时间序列后，能否提高吞吐时间 (TT) 预测模型的预测性能。我们使用真实事件日志构建包含 TT 以及演员中心特征的多变量时间序列，即演员参与情况、持续、中断和交接行为的频率，以及这些行为的持续时间。我们训练并比较了多种模型，以研究添加演员行为的优势。结果表明，演员丰富化的模型在 RMSE、MAE 和 R2 等指标上 consistently 优于仅包含 TT 特征的基线模型。这些发现表明，建模演员随时间的行为并将此信息纳入预测模型可增强对性能指标的预测。
引用
@article{arxiv.2510.11856,
title = {Actor-Enriched Time Series Forecasting of Process Performance},
author = {Aurelie Leribaux and Rafael Oyamada and Johannes De Smedt and Zahra Dasht Bozorgi and Artem Polyvyanyy and Jochen De Weerdt},
journal= {arXiv preprint arXiv:2510.11856},
year = {2025}
}
备注
Accepted at ICPM 2025