An Innovative Next Activity Prediction Using Process Entropy and Dynamic Attribute-Wise-Transformer in Predictive Business Process Monitoring
Department of Electrical and Computer Engineering, Faculty of Engineering and Computer Science, University of Victoria（维多利亚大学工程与计算机科学学院电气与计算机工程系）；Department of Mechanical Engineering, Faculty of Engineering and Computer Science, University of Victoria（维多利亚大学工程与计算机科学学院机械工程系）
本文提出基于过程熵的模型选择框架和动态属性-wise-Transformer，用于提升预测业务流程监控中下一流程活动的预测性能，平衡可解释性与准确性。
2026-04-07 cs.AI cs.LG
Prediction-based Resource Allocation using Bayesian Neural Networks and Minimum Cost and Maximum Flow Algorithm
预测性业务流程监控旨在通过分析业务流程中已完成案例的日志来提供有关运行实例的预测。近年来，大量的研究集中在通过预测执行过程中潜在的问题来提高业务流程的生产力和效率。然而，大多数研究都没有提出改进这一进程的具体行动。这取决于用户的主观判断。在本文中，我们提出了一种新的方法来连接预测业务流程监控的结果，以实际的业务流程改进。更详细地说，我们优化的资源分配在一个非千里眼的在线环境中，我们有有限的调度所需的信息，通过利用预测。该方法结合了离线预测模型的建设，预测处理时间和下一个活动的一个正在进行的实例，使用贝叶斯神经网络（BNN）与在线资源分配，这是从最小成本和最大流算法扩展。为了验证所提出的方法，我们进行了实验，使用人工事件日志和现实生活中的事件日志从全球金融组织。
2021-09-22 cs.AI
Measuring Inconsistency over Sequences of Business Rule Cases
University of Koblenz-Landau（科布伦茨-兰道大学）；Institure for Information Systems Research（信息系统研究所）；Institute for Web-Science and Technologies（网络科学与技术研究所）
在这份报告中，我们调查（元素为基础的）不一致的措施，多套业务规则库。目前，相关的工作允许评估个别的规则基础，但是，由于公司可能会遇到成千上万的这样的情况下，每天，研究不仅单独的规则基础，而是他们的相互关系变得必要，特别是在确定合适的重新建模策略。因此，我们提出了一种方法来诱导多集措施从任意（传统）不一致的措施，提出了新的合理性假设的多集用例，并调查多规则库不一致性测量的各个方面的复杂性。
2021-03-01 cs.AI
Evaluating Predictive Business Process Monitoring Approaches on Small Event Logs
University of Bayreuth（拜罗伊特大学）；University of Regensburg（雷根斯堡大学）
预测性业务流程监控关注的是预测正在运行的流程实例将如何展开，直到在运行时完成。大多数提出的方法依赖于大量不同的机器学习（ML）技术。在过去的几年中，许多比较研究，评论和基准的这种方法，出版和显示，他们可以成功地应用于不同的预测目标。ML技术需要一个定性和定量的足够数据集。然而，在业务流程管理（BPM）中有许多情况下，只有数量不足的数据集可用。BPM背景下的数据不足问题仍然被忽视。因此，没有比较研究或基准调查的预测业务流程监控技术在小数据集的环境中的性能。在本文中，现有的方法比较其适用于小数据集的评价框架的开发和示范应用到国家的最先进的方法在预测业务流程监控。
2021-04-20 cs.AI
The WHY in Business Processes: Unification of Causal Process Models
IBM Research, Israel（IBM研究院，以色列）
提出一种新方法将多个因果过程变体统一为一致模型，显式表示因果流交替，保持原始模型正确性，并在五个数据集上验证有效性。
2025-05-28 cs.AI
Monitoring Constraints in Business Processes Using Object-Centric Constraint Graphs
RWTH Aachen University（亚琛工业大学）
约束监控旨在监控业务流程中的约束违反，例如，应通过分析事件数据，在收到相应货物后48小时内结清发票。用于约束监控的现有技术假设在业务过程中存在单个案例概念，医疗保健过程中的患者，并且每个事件与病例概念相关联。然而，实际上，业务流程是以对象为中心的，即，存在多个情况概念（对象），并且事件可以与多个对象相关联。例如，订单到现金（O2C）过程涉及订单、物品、交付等，并且它们在执行事件时交互，例如，将多个物品打包在一起以进行递送。现有的技术在应用于这种以对象为中心的业务流程时会产生误导性的见解。在这项工作中，我们提出了一种方法来监控约束以对象为中心的业务流程。为此，我们引入以对象为中心的约束图（OCCGs）来表示考虑对象交互的约束。接下来，我们通过分析以对象为中心的事件存储器（OCELs），存储在事件中的不同对象的交互来评估OCCG所表示的约束。我们已经实现了一个Web应用程序，以支持所提出的方法，并进行了两个案例研究，使用现实生活中的SAP ERP系统。
2022-10-21 cs.AI
What Automated Planning can do for Business Process Management
Sapienza - University of Rome（罗马大学）
业务流程管理（BPM）是当今组织的核心要素。尽管多年来它的主要重点一直是支持高度控制的领域中的流程，但现在BPM社区感兴趣的许多领域的特征是不断变化的需求，不可预测的环境和影响流程实例执行的数据量不断增加。在这种动态条件下，BPM系统必须提高其自动化水平，以提供流程管理所需的反应性和灵活性。另一方面，人工智能（AI）社区已经将其努力集中在调查涉及计算实体和物理设备的主动控制的动态域（例如，机器人、软件代理等）。在这种情况下，自动规划是人工智能中最古老的领域之一，被认为是一种基于模型的方法，可以从模型中自动合成自主行为。在本文中，我们将讨论如何利用自动化计划技术来实现新的自动化水平和对业务处理的支持，并展示一些成功应用于BPM生存周期不同阶段的具体示例。
2017-10-20 cs.AI
Business Process Deviance Mining: Review and Evaluation
Queensland University of Technology（昆士兰理工大学）；University of Tartu（塔尔图大学）
业务流程偏差是指业务流程的一部分执行偏离其预期或理想结果的现象，无论是消极的还是积极的。业务流程的异常执行包括那些违反法规遵从性规则的执行，或者低于或超过性能目标的执行。异常挖掘是通过分析业务流程事件日志来发现异常执行的原因。本文提供了一个系统的审查和比较评估的偏差挖掘方法的基础上，家庭的数据采掘技术称为序列分类。使用现实生活中的日志从多个领域，我们评估了一系列的功能类型和分类方法的能力，以准确区分正常和异常的执行过程。我们还分析了使用不同方法提取的规则集的兴趣度。我们观察到，使用模式挖掘技术提取的特征集仅略优于简单的特征集的基础上计数的个人活动发生在一个跟踪。
2016-08-29 cs.AI cs.DB
Survey and cross-benchmark comparison of remaining time prediction methods in business process monitoring
Queensland University of Technology（昆士兰科技大学）；University of Tartu（塔尔图大学）；University of Melbourne（墨尔本大学）
预测性业务流程监视方法利用历史流程执行日志来生成关于业务流程的运行实例（称为案例）的预测，诸如对给定流程案例的结果、下一活动或剩余周期时间的预测。这些见解可用于支持业务管理人员在业务流程展开时采取补救行动，例如将资源从一个案件转移到另一个案件，以确保后者按时完成。在文献中已经提出了许多解决剩余周期时间预测问题的方法。然而，由于实验设置、数据集选择、评价指标和基线的差异，每种方法的相对优点仍不清楚。本文提出了一个系统的文献综述和分类的方法，剩余时间预测的背景下，业务流程，以及跨基准比较的16个这样的方法的基础上，16个现实生活中的数据集来自不同的行业领域。
2018-05-10 cs.AI cs.LG
Goal-Oriented Next Best Activity Recommendation using Reinforcement Learning
IBM Research AI（IBM人工智能研究院）；IIIT Hyderabad（海得拉巴国际信息技术学院）
为一个正在进行的案例推荐一系列活动需要这些建议符合基本的业务流程，并满足完成时间或流程结果的性能目标。现有的下一个活动预测工作可以预测未来的活动，但无法保证预测符合或达到目标。因此，我们提出了一个目标导向的下一个最佳活动建议。我们提出的框架使用深度学习模型来预测下一个最佳活动和给定活动的目标的估计值。强化学习方法基于可能满足一个或多个目标的估计来探索活动的序列。我们进一步解决了现实世界中的多个目标的问题，通过引入额外的奖励函数来平衡推荐活动的结果并满足目标。我们证明了所提出的方法的有效性在四个现实世界的数据集具有不同的特点。结果表明，从我们提出的方法的建议优于目标满意度和一致性相比，现有的国家的最先进的下一个最好的活动推荐技术。
2022-05-06 cs.AI
Multivariate Business Process Representation Learning utilizing Gramian Angular Fields and Convolutional Neural Networks
German Research Center for Artificial Intelligence（德国人工智能研究中心）；Saarland University（萨尔兰大学）
学习有意义的数据表示是机器学习的一个重要方面，最近已成功应用于许多领域，如语言理解或计算机视觉。表示学习不是为一个特定的任务训练一个模型，而是训练一个模型来捕获底层数据中的所有有用信息，并使预测器可以访问这些信息。对于预测性流程分析，在对未来进行预测以及进行聚类和异常检测时，必须具有流程实例的所有解释性特征。由于业务流程数据中的透视图和类型种类繁多，因此生成良好的表示是一项具有挑战性的任务。在本文中，我们提出了一种新的方法，表示学习的业务流程实例，可以处理和组合的事件日志中的大多数观点。结合自我监督的预训练方法，我们通过可视化的表示空间和案例检索来展示该方法的功能。此外，预训练的模型被微调到多个过程预测任务，并与现有方法相比，证明了其有效性。
2021-06-15 cs.AI cs.LG stat.ML
The WHY in Business Processes: Discovery of Causal Execution Dependencies
IBM Research（IBM研究院）
本研究针对流程发现算法仅依赖时间先后、缺乏因果视角的问题，提出结合活动时序与现有因果发现算法的系统性方法，挖掘流程任务的因果执行依赖，分析流程挖掘模型与因果模型的差异并标注，在合成及公开基准数据集上完成验证。
2024-11-29 cs.AI
Text-Aware Predictive Monitoring of Business Processes
RWTH Aachen University（亚琛工业大学）
利用历史事件数据对业务流程进行实时预测是现代业务流程监控系统的一项重要功能。现有的过程预测方法也能够利用记录事件的数据透视图，除了控制流透视图。然而，虽然在许多预测技术中考虑了结构良好的数值或分类属性，但几乎没有技术能够利用以自然语言编写的文本文档，其可以保存对预测任务至关重要的信息。在本文中，我们说明了一种新的文本感知过程预测模型的设计，实现和评估的基础上长短期记忆（LSTM）神经网络和自然语言模型。所提出的模型可以考虑事件数据中的分类，数字和文本属性，以预测下一个事件的活动和时间戳，结果和运行过程实例的周期时间。实验表明，文本感知模型能够在包含文本数据的模拟和真实事件日志上优于最先进的过程预测方法。
2022-05-10 cs.AI cs.LG
Activity Graph Transformer for Temporal Action Localization
Simon Fraser University（西蒙弗雷泽大学）；Borealis AI
我们引入活动图Transformer，一个端到端的可学习模型的时间动作本地化，接收视频作为输入，并直接预测一组出现在视频中的动作实例。检测和定位未修剪视频中的动作实例需要对视频中的多个动作实例进行推理。在文献中的主导范例处理视频时间要么提出行动区或直接产生帧级检测。然而，当动作实例具有非顺序依赖性和/或非线性时间排序（诸如重叠动作实例或动作实例在视频过程中的重新出现）时，视频的顺序处理是有问题的。在这项工作中，我们捕捉这种非线性的时间结构的推理的视频作为非连续的实体的形式的图形。我们在具有挑战性的数据集上评估了我们的模型：THUMOS 14，Charades和EPIC-Kitchen-100。我们的研究结果表明，我们提出的模型优于国家的最先进的一个相当大的保证金。
2021-01-28 cs.AI cs.CV
Leveraging contextual events on structure-aware next activity prediction
Polytechnic University of Marche（马尔凯理工大学）
本文提出基于实例图的方法，通过多种编码策略将上下文过程实例纳入图神经网络，用于下一个活动预测，实验证明可提升预测性能。
2026-09-09 cs.AI cs.LG
Time Matters: Time-Aware LSTMs for Predictive Business Process Monitoring
Friedrich-Alexander-University Erlangen-Nürnberg (FAU)（弗里德里希-亚历山大大学埃尔兰根-纽伦堡（FAU））
预测性业务流程监控（PBPM）旨在基于事件日志数据预测正在执行的流程期间的未来流程行为。特别是，下一个活动和时间戳预测技术可以帮助提高运营业务流程的性能。近年来，研究人员提出了许多基于深度学习的PBPM解决方案。由于事件日志数据的连续性，通常的选择是应用具有长短期记忆（LSTM）单元的递归神经网络。我们认为，事件之间经过的时间是信息。然而，目前的PBPM技术主要使用“香草”LSTM单元和手工制作的时间相关控制流功能。为了更好地建模事件之间的时间依赖关系，我们提出了一种新的PBPM技术基于时间感知LSTM（T-LSTM）细胞。T-LSTM单元固有地包含连续事件之间的经过时间以调整单元记忆。此外，我们引入了成本敏感的学习来解决事件日志中常见的类不平衡问题。我们的实验公开的基准事件日志表明，所介绍的技术的有效性。
2020-11-05 cs.AI cs.LG
Task-Level AI Readiness Assessment for Business Process Management:The T-IPO Model and LARA Matrix in Financial-Services IT Operations
Tsinghua University（清华大学）
本文提出T-IPO模型和LARA矩阵，用于评估任务级AI代理的适用性，通过认知执行复杂度和治理合规强度的两因素结构提升预测效用。
2026-04-16 cs.AI cs.CY cs.HC
Anomaly Correction of Business Processes Using Transformer Autoencoder
Anhui University of Science and Technology（安徽理工大学）；Anhui Province Engineering Laboratory for Big Data Analysis and Early Warning Technology of Coal Mine Safety（安徽省煤矿安全大数据分析与预警技术工程实验室）
针对现有事件日志异常处理依赖阈值且难以兼顾检测、修正与效率的问题，提出基于 Transformer 自编码器和自监督分类的方法，可直接修正任意长度流程实例并提升检测准确性。
2024-04-16 cs.AI cs.LG
ProcessTransformer: Predictive Business Process Monitoring with Transformer Network
Eindhoven University of Technology（埃因霍温理工大学）
预测性业务流程监视侧重于使用事件日志预测正在运行的流程的未来特征。对流程执行的预见为高效运营、更好的资源管理和有效的客户服务提供了巨大的潜力。基于深度学习的方法已被广泛用于流程挖掘，以解决经典算法在解决多个问题，特别是下一个事件和时间预测任务时的局限性。然而，设计一个在各种任务中具有竞争力的深度神经架构是具有挑战性的，因为现有方法无法捕获输入序列中的长距离依赖关系，并且对于冗长的过程跟踪表现不佳。在本文中，我们提出了ProcessTransformer，一种使用基于注意力的网络从事件日志中学习高级表示的方法。我们的模型结合了长程记忆，并依赖于一个自我注意机制，以建立大量的事件序列和相应的输出之间的依赖关系。我们评估我们的技术的适用性，对9个真实的事件日志。我们证明了基于transformer的模型优于现有技术的几个基线，平均获得80%以上的准确度预测下一个活动的任务。与基线相比，我们的方法在预测事件时间和运行案例的剩余时间方面也具有竞争力
2021-04-01 cs.AI cs.LG
Generating Realistic Adversarial Examples for Business Processes using Variational Autoencoders
Research Centre for Information Systems Engineering (LIRIS)（信息系统工程研究中心（LIRIS））；KU Leuven（鲁汶大学）
本文针对预测性流程监控中对抗样本易产生不真实流程的问题，提出两种基于变分自编码器潜在空间扰动的领域无关攻击方法，并在11个真实事件日志和4个预测模型上验证其能生成符合业务约束的真实对抗样本。
2024-11-21 cs.AI cs.LG
A Comparison of Deep-Learning Methods for Analysing and Predicting Business Processes
University of Essex（埃塞克斯大学）；Ulm University（乌尔姆大学）
卷积神经网络（CNN）和长短期记忆（LSTM）等深度学习模型已成功用于流程挖掘任务。与传统方法相比，它们在不同的预测任务中取得了更好的性能。我们通过测试图神经网络（GNN）的四种不同变体和具有dropout的完全连接多层感知器（MLP）来扩展现有的研究内容，用于预测下一个流程活动的性质和时间戳。与现有的研究相比，我们评估了我们的模型在过程的不同阶段的性能，由事件数量的四分位数和案例持续时间的归一化四分之一确定。这为预测模型的性能提供了新的见解，因为它们在业务流程的不同阶段表现不同。有趣的是，我们的实验表明，简单的MLP在这两个预测任务中的表现往往优于更复杂的深度学习模型。我们认为，需要小心时，在一个过程的不同阶段应用自动化的过程预测技术。我们进一步认为，研究人员应该反映他们的结果与强大的基线方法，如简单的MLP。
2021-05-02 cs.AI cs.LG
Ethical and Scalable Automation: A Governance and Compliance Framework for Business Applications
University College London（伦敦大学学院）
针对企业AI应用的伦理、治理与合规风险，本文提出兼顾伦理、可控、可行性与可取性的统一框架，并通过金融、医疗及LLM合成观点案例验证其透明度、性能与可扩展性。
2024-12-05 cs.AI cs.LG
Early Churn Prediction from Large Scale User-Product Interaction Time Series
Dream11
本文将用户流失预测建模为多变量时间序列分类，提出结合用户活动数据与深度神经网络的方法，以减少复杂特征工程并实现大规模早期流失预测。
2023-09-25 cs.AI cs.LG
CASPR: Customer Activity Sequence-based Prediction and Representation
Microsoft Corporation（微软公司）
对企业盈利能力至关重要的任务，如客户流失预测、欺诈账户检测或客户终身价值估计，通常由基于表格格式客户数据设计的特征训练的模型来处理。随着时间的推移，特定于应用程序的功能工程会增加开发、运营和维护成本。表示学习的最新进展为简化和推广跨应用程序的特征工程提供了机会。当将这些进步应用于表格数据时，研究人员需要处理数据异构性，客户参与历史的变化或企业数据集的庞大数量。在本文中，我们提出了一种新的方法来编码包含客户交易，购买历史和其他互动的表格数据到一个通用的表示客户的关联业务。然后，我们评估这些嵌入功能，训练多个模型跨越各种应用程序。CASPR，基于客户活动序列的预测和表示，应用Transformer架构对活动序列进行编码，以提高模型性能，避免跨应用程序的定制特征工程。我们的大规模实验验证了CASPR适用于小型和大型企业应用程序。
2022-11-29 cs.AI cs.LG
XNAP: Making LSTM-based Next Activity Predictions Explainable by Using LRP
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；University of Münster（明斯特大学）；Vienna University of Economics and Business (WU)（维也纳经济大学）
预测性业务流程监控（PBPM）是一类旨在预测运行跟踪中的行为（如下一个活动）的技术。PBPM技术旨在通过向过程分析人员提供预测来提高过程性能，支持他们做出决策。然而，PBPM技术的有限的预测质量被认为是建立这种技术在实践中的基本障碍。通过使用深度神经网络（DNN），可以提高这些技术对下一个活动预测等任务的预测质量。虽然DNN实现了有希望的预测质量，但由于其学习表示的分层方法，它们仍然缺乏可理解性。然而，流程分析师需要理解预测的原因，以确定可能影响决策的干预机制，以确保流程性能。在本文中，我们提出了XNAP，这是第一个可解释的，基于DNN的PBPM技术，用于下一个活动预测。XNAP集成了可解释人工智能领域的逐层相关性传播方法，通过为活动提供相关性值，对可解释的长短期记忆DNN进行预测。我们通过两个真实的事件日志来展示我们的方法的好处。
2020-12-23 cs.AI cs.SE
Leveraging Taxonomy Similarity for Next Activity Prediction in Patient Treatment
German Reseach Centre for Artificial Intelligence (DFKI), SDS Branch Trier（德国人工智能研究中心（DFKI），特里尔分部）；University of Trier, Business Information Systems II（特里尔大学，商业信息系统二系）
本文提出TS4NAP方法，利用医学分类和图匹配技术提升患者治疗下一步活动预测的准确性与可解释性。
2026-03-04 cs.AI cs.LG
Discovering More Precise Process Models from Event Logs by Filtering Out Chaotic Activities
Eindhoven University of Technology（埃因霍温理工大学）；Department of Mathematics and Computer Science（数学与计算机科学系）
流程发现关注于从业务流程的执行数据自动生成描述该业务流程的流程模型。现实生活中的事件日志可能包含混乱的活动。这些活动独立于过程的状态，因此可以在相当任意的时间点发生。我们表明，这种混乱的活动在事件日志中的存在严重影响的过程模型，可以发现与过程发现技术的质量。当前从事件日志中过滤活动的做法是简单地过滤掉不频繁的活动。我们表明，基于频率的过滤活动并不能解决的问题，所造成的混乱活动。此外，我们提出了一种新的技术来过滤出混乱的活动从事件日志。我们评估这种技术的收集17个现实生活中的事件日志，起源于业务流程管理域和灵巧家庭环境域。如所示，与使用标准的基于频率的过滤发现的过程模型相比，开发的活动过滤方法能够发现行为上更具特定性的过程模型。
2017-11-03 cs.AI cs.DB cs.IT
