回到你身边：以资源为中心的下一活动预测
机器学习
2025-08-27 v1
摘要
预测性过程监控（PPM）旨在训练模型以预测过程执行中的未来事件。这些预测支持早期瓶颈检测、改进调度、主动干预以及与利益相关者的及时沟通。虽然现有研究采用控制流视角，但我们从以资源为中心的视角研究下一活动预测，这提供了额外的好处，如改进工作组织、工作负载平衡和能力预测。尽管资源信息已被证明可以增强过程性能分析等任务，但其在下一活动预测中的作用仍未得到探索。在本研究中，我们评估了四个预测模型和三种编码策略，使用了四个真实数据集。与基线相比，我们的结果表明，LightGBM 和 Transformer 模型在使用基于 2-gram 活动转换的编码时表现最佳，而随机森林则从结合了 2-gram 转换和活动重复特征的编码中获益最多。这种组合编码也达到了最高的平均准确率。这种以资源为中心的方法可以通过分析个体行为而非案例级进展，实现更智能的资源分配、战略性劳动力规划和个性化的员工支持。这些发现强调了以资源为中心的下一活动预测的潜力，为 PPM 的研究开辟了新的途径。
引用
@article{arxiv.2508.19016,
title = {Working My Way Back to You: Resource-Centric Next-Activity Prediction},
author = {Kelly Kurowski and Xixi Lu and Hajo A Reijers},
journal= {arXiv preprint arXiv:2508.19016},
year = {2025}
}