用于流程模型预测的时间序列基础模型
机器学习
2025-12-09 v1 人工智能
摘要
流程模型预测（PMF）旨在通过建模直接跟随（DF）关系的时间动力学来预测流程的控制流结构如何随时间演变，补充了专注于单案例前缀的预测性流程监控。先前的基准测试显示，机器学习和深度学习模型相比统计基线仅提供了适度的提升，主要是由于DF时间序列的稀疏性和异质性。我们研究了时间序列基础模型（TSFMs），即用于通用时间序列的大型预训练模型，作为PMF的替代方案。使用来自真实事件日志的DF时间序列，我们将TSFMs的零样本使用（无需额外训练）与针对PMF特定数据进行微调的变体进行了比较。TSFMs通常比在相同日志上从头训练的传统和专门模型实现更低的预测误差（MAE和RMSE），表明从非流程域有效传递了时间结构。虽然微调可以进一步提高准确性，但提升通常很小，并且可能在更小或更复杂的数据集上消失，因此零样本使用仍然是一个强有力的默认选择。我们的研究突出了TSFMs在流程相关时间序列上的泛化能力和数据效率，并且据我们所知，首次对PMF的时间序列基础模型进行了系统性评估。
引用
@article{arxiv.2512.07624,
title = {Time Series Foundation Models for Process Model Forecasting},
author = {Yongbo Yu and Jari Peeperkorn and Johannes De Smedt and Jochen De Weerdt},
journal= {arXiv preprint arXiv:2512.07624},
year = {2025}
}