案例间预测性过程监控：量子机器学习的候选方向？

无论领域如何，预测运行中过程实例的未来行为对决策者而言都是值得关注的问题，尤其当多个实例交互时。受近期机器学习研究进展的推动，已有若干方法被提出以自动预测过程的下一活动、结果或剩余时间。然而，构建具有高预测能力的模型既需要提取事件日志数据中有意义特征的内在知识，也需要能捕捉数据中复杂模式的模型。本工作基于案例间预测性过程监控（PPM）的最新进展，全面基准测试了案例间特征对预测准确性的影响。此外，其纳入了量子机器学习模型，预期在特征维度规模增长时相较经典模型提供优势。基于 BPI challenge 真实世界训练数据的评估显示，案例间特征在准确性上带来了超过百分之四的显著提升，且量子算法在少数特征配置下确实具有竞争力。然而，由于量子硬件仍处于发展早期，本文结合运行时间、噪声及训练数据过拟合风险对这些发现进行了批判性讨论。最后，一个开源插件的实现展示了将 Camunda 等最先进工作流引擎连接至 IBM 量子计算云服务的技朮可行性。