面向可解释预测性业务流程监控的时间感知与转移语义图神经网络

预测性业务流程监控（PBPM）旨在基于历史事件日志预测正在进行的案例中的未来事件。虽然图神经网络（GNN）非常适合捕捉流程数据中的结构依赖关系，但现有的基于GNN的PBPM模型仍不成熟。大多数模型要么依赖短前缀子图，要么依赖忽视时间相关性和转移语义的全局架构。我们提出了一个统一的、可解释的GNN框架，沿三个关键轴推进了现有技术水平。首先，我们比较了基于前缀的图卷积网络（GCN）和全轨迹图注意力网络（GAT），以量化局部建模和全局建模之间的性能差距。其次，我们引入了一种新颖的时间衰减注意力机制，该机制构建动态的、以预测为中心的窗口，强调时间相关的历史信息并抑制噪声。第三，我们将转移类型语义嵌入到边特征中，以实现对结构模糊轨迹的细粒度推理。我们的架构包含多级可解释性模块，提供注意力行为的多样化可视化。在五个基准数据集上的评估表明，所提出的模型在没有逐数据集调优的情况下，取得了有竞争力的Top-k准确率和DL分数。通过解决架构、时间和语义方面的差距，这项工作为PBPM中的下一个事件预测提供了一个鲁棒、可泛化且可解释的解决方案。