面向结果导向的预测性业务流程监控的全面属性编码与动态 LSTM 超模型
机器学习
2025-08-06 v2
摘要
预测性业务流程监控（PBPM）旨在预测正在进行的业务流程的未来结果。然而，现有方法往往缺乏灵活性，难以处理诸如同时发生事件、类别不平衡和多级属性等现实挑战。虽然先前的工作探索了静态编码方案和固定的 LSTM 架构，但它们难以支持自适应表示并在异构数据集上进行推广。为克服这些限制，我们提出了一套动态 LSTM 超模型，集成了用于事件和序列属性的两级层次编码、事件标签的字符级分解，以及持续时间和属性相关性的新型伪嵌入技术。我们进一步引入了针对同时事件建模的专用 LSTM 变体，利用多维嵌入和时间差旗标增强。四个公共和真实世界数据集上的实验验证表明，在平衡数据集上准确率可达 100%，在不平衡数据集上 F1 分数可超过 86%。我们的做法使 PBPM 获得了模块化且可解释的模型，更适合在复杂环境中部署。除 PBPM 之外，它为更广泛的人工智能社区贡献了改进时序结果预测、支持数据异构性并促进可解释流程智能框架的能力。
引用
@article{arxiv.2506.03696,
title = {Comprehensive Attribute Encoding and Dynamic LSTM HyperModels for Outcome Oriented Predictive Business Process Monitoring},
author = {Fang Wang and Paolo Ceravolo and Ernesto Damiani},
journal= {arXiv preprint arXiv:2506.03696},
year = {2025}
}