Exploring Business Process Deviance with Sequential and Declarative Patterns
Newcastle University（纽卡斯尔大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；Free University of Bozen-Bolzano（博尔扎诺-博岑自由大学）；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预期或期望结果的现象，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支持业务流程执行的系统存储的事件日志来揭示异常执行的原因。在本文中，解释业务流程中的偏差的问题，首先调查使用功能的基础上，顺序和声明模式，以及它们的组合。然后，通过基于纯数据属性值和数据感知声明性规则的特征，利用事件日志中的事件和跟踪的数据属性，进一步改进了解释。然后通过直接和间接的规则归纳方法提取表征偏差的解释。使用来自多个领域的现实生活日志，评估一系列特征类型和不同形式的决策规则准确区分流程的非异常执行和异常执行的能力以及最终结果的可理解性返回给用户。
2021-11-24 cs.AI
Specification-Driven Predictive Business Process Monitoring
University of Innsbruck（因斯布鲁克大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）；Blekinge Institute of Technology（布莱金厄理工学院）
业务流程监控中的预测分析旨在预测正在运行的业务流程的未来信息。预测通常基于从历史过程执行日志（事件日志）提取的模型来进行。在实践中，不同的业务领域可能需要不同类型的预测。因此，重要的是具有用于适当地指定期望的预测任务的手段，以及处理这些各种预测任务的机制。虽然在这方面已经有很多研究，但它们大多集中在特定的预测任务上。这项工作介绍了一种语言，用于指定所需的预测任务，这种语言允许我们表达各种预测任务。这项工作还提出了一种机制，用于自动创建相应的预测模型的基础上给定的规格。与以前的研究不同，我们提出了一种基于所需预测任务的给定规范来处理各种预测任务的方法，而不是专注于特定的预测任务。我们还提供了一个实现的方法，这是用来进行实验，使用现实生活中的事件日志。
2019-04-20 cs.AI
Agent Behavior Mining: Generative AI Agent Governance in Business Processes
SAP；Umeå University（于默奥大学）
针对生成式AI智能体在业务流程中的不可见自主性风险，提出智能体行为挖掘方法，通过事件数据模型将智能体活动转化为标准流程日志，实现决策可观测与可追溯，并验证其实用性。
2026-06-23 cs.AI cs.SE
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
Clustering Object-Centric Event Logs
RWTH Aachen University（亚琛工业大学）；University of Mannheim（曼海姆大学）
流程挖掘提供了各种基于事件数据分析流程执行的算法。流程发现是流程挖掘技术中最重要的一类，其目的是从事件日志中发现流程模型，然而，当处理真实数据时，它会导致意大利面条模型。因此，在传统事件日志之上已经提出了几种聚类技术（即，具有单个事例概念的事件日志）来降低过程模型的复杂性并发现事例的同构子集。然而，在现实生活中的流程中，特别是在企业对企业（B2B）流程的上下文中，流程中涉及多个对象。最近，以对象为中心的事件跟踪（OCEL）已被引入到捕获这样的进程的信息，和一些进程发现技术已经开发了OCEL的顶部。然而，所提出的发现技术在实际OCEL上的输出导致了更丰富的信息，但也更复杂的模型。在本文中，我们提出了一种基于聚类的方法来聚类OCEL中的相似对象，以简化所获得的过程模型。使用一个真实的B2B过程的案例研究，我们证明了我们的方法降低了过程模型的复杂性，并生成连贯的对象子集，帮助最终用户获得洞察的过程。
2022-07-26 cs.AI
Store Location Selection via Mining Search Query Logs of Baidu Maps
Baidu Research（百度研究院）；Tsinghua University（清华大学）
在开设新店时选择一个好的位置对企业未来的成功至关重要。传统的方法包括离线人工调查，这是非常耗时的，以及基于普查数据的分析模型，这是无法适应动态的市场。来自各种类型移动设备的大数据（例如在线查询数据和离线定位数据）的可用性的快速增加为我们提供了开发用于商业商店布局的自动且准确的数据驱动的预测模型的可能性。本文通过挖掘百度地图的搜索查询数据，提出了一种基于需求分布驱动的商店布局（D3SP）框架。D3SP首先通过中国最大的在线地图搜索引擎百度地图的查询数据，检测客户对不同业务服务需求的时空分布，并检测需求与供应之间的差距。然后，我们通过聚类这些间隙来确定候选位置。在最后一个阶段，我们通过预测和排名客户的数量来解决位置优化问题。我们不仅部署了监督回归模型来预测客户数量，还学习了排名模型来直接对位置进行排名。我们评估我们的框架在现实世界的情况下，各种类型的企业，实验结果表明，我们的方法的有效性。D3SP作为店铺布局的核心功能，已经作为我们商业分析平台的核心组件实现，并可能被百度糯米上的连锁店商家使用。
2016-06-12 cs.AI cs.IR
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
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
Specification-Driven Multi-Perspective Predictive Business Process Monitoring (Extended Version)
University of Innsbruck（因斯布鲁克大学）；Free University of Bozen-Bolzano（博尔扎诺自由大学）
业务流程监控中的预测分析旨在预测正在运行的业务流程的未来信息。预测通常基于从历史过程执行日志（事件日志）提取的模型来进行。在实践中，不同的业务领域可能需要不同类型的预测。因此，重要的是具有用于适当地指定期望的预测任务的手段，以及处理这些各种预测任务的机制。虽然在这方面已经有很多研究，但它们大多集中在特定的预测任务上。这项工作介绍了一种语言，用于指定所需的预测任务，这种语言允许我们表达各种预测任务。这项工作还提出了一种机制，用于自动创建相应的预测模型的基础上给定的规格。因此，不同于以往的研究，我们的方法使我们能够处理各种预测任务的基础上给定的规格。实现我们的方法的原型已经开发和实验，使用现实生活中的事件日志已经进行。
2018-07-01 cs.AI cs.LO
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
Extracting Semantic Process Information from the Natural Language in Event Logs
University of Mannheim（曼海姆大学）
流程挖掘侧重于分析记录的事件数据，以获得有关业务流程的真实执行的见解。虽然基本的流程挖掘技术将这些数据视为抽象事件的序列，但更高级的技术依赖于特定类型信息的可用性，例如组织挖掘中的资源和以工件为中心的分析中的业务对象。然而，这些信息通常不容易获得，而是以特别的方式与事件相关联，通常甚至作为非结构化文本属性的一部分。考虑到事件日志的大小和复杂性，这需要自动化支持来提取此类流程信息，从而启用高级流程挖掘技术。在本文中，我们提出了一种方法，实现这一点，通过所谓的事件数据的语义角色标注。我们结合了文本属性值的分析，基于一个国家的最先进的语言模型，一个新的属性分类技术。通过这种方式，我们的方法提取每个事件多达8个语义角色的信息。我们证明了该方法的有效性，通过使用广泛的事件日志的定量评估，并证明了有用的案例研究中提取的信息。
2021-03-06 cs.AI cs.CL
Automated Query Reformulation for Efficient Search based on Query Logs From Stack Overflow
Nanjing University（南京大学）；Monash University（莫纳什大学）；University of Adelaide（阿德莱德大学）；Nantong University（南通大学）
作为一个流行的编程问答网站，Stack Overflow是开发者的宝藏。然而，Stack Overflow上的大量问题和答案使得开发人员很难有效地找到他们正在寻找的信息。有两个差距导致搜索结果不佳：用户的意图和文本查询之间的差距，以及查询和帖子内容之间的语义差距。因此，开发人员必须不断地重新制定他们的查询，纠正拼写错误的单词，增加限制某些程序设计语言或平台等查询重新制定是繁琐的开发人员，特别是新手，我们提出了一个自动化的软件特定的查询重新制定方法的基础上深度学习。利用Stack Overflow提供的查询日志，我们构建了一个大规模的查询重构语料库，包括原始查询和相应的重构查询。我们的方法训练了一个Transformer模型，当给定用户的原始查询时，该模型可以自动生成候选重构查询。评估结果表明，我们的方法优于五个国家的最先进的基线，并实现了5.6%至33.5%的提升方面的$\mathit{ExactMatch}$和4.8%至14.4%的提升方面的$\mathit{GLEU}$。
2021-02-10 cs.AI cs.IR cs.SE
Leveraging GPT-4o Efficiency for Detecting Rework Anomaly in Business Processes
University of Milan（米兰大学）
本文研究GPT-4o-2024-08-06检测业务流程返工异常的有效性，开发相关工具并在特定合成数据集上用三种提示技术测试不同异常分布，结果显示模型性能优异，且异常分布和提示策略影响性能。
2025-02-10 cs.AI cs.LG
PGTNet: A Process Graph Transformer Network for Remaining Time Prediction of Business Process Instances
University of Mannheim（曼海姆大学）；University of Vienna（维也纳大学）
提出 PGTNet，将事件日志转为图数据并训练流程图 Transformer 网络，以在复杂业务流程中融合多视角信息并提升实例剩余时间预测性能。
2024-04-09 cs.AI cs.LG
Automated File-Level Logging Generation for Machine Learning Applications using LLMs: A Case Study using GPT-4o Mini
Concordia University（康科德大学）
本研究以GPT-4o mini为案例，评估LLM为ML项目生成文件级日志的能力，发现其在63.91%情况下位置匹配，但过度日志记录率高，并面临函数边界、大代码块及约定对齐等挑战。
2025-08-06 cs.AI cs.LG cs.SE
Semi-automated checking for regulatory compliance in e-Health
University of Swansea（斯旺西大学）
每个业务流程的主要问题之一是遵守法律规则。这项工作提出了一种方法来检查在一个半自动化的方式的业务流程的法规遵从性。我们特别分析了电子健康医院服务：家庭医院（HaH）服务。本文首先使用业务流程管理和表示法（BPMN）标准语言对医院业务进行了分析，然后对欧洲通用数据保护条例（GDPR）中的一些规则进行了形式化的可废止道义逻辑（DEDED）。其目的是展示如何使用工具将业务的一组任务与一组要遵守的规则相结合。
2021-10-14 cs.AI
Prescriptive Business Process Monitoring for Recommending Next Best Actions
Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡大学）
预测性业务流程监控（PBPM）技术基于历史事件日志数据预测未来的流程行为，以改进运营业务流程。关于下一个活动预测，最近的PBPM技术使用最先进的深度神经网络（DNN）来学习预测模型，以在运行的过程实例中产生更准确的预测。尽管组织通过关键绩效指标（KPI）来衡量流程绩效，但DNN的学习过程并不直接受其影响。因此，所得到的下一个最可能的活动预测在实践中可能不太有益。规范性业务流程监控（PrBPM）方法评估有关其对流程性能（通常由KPI测量）的影响的预测，以通过发出警报或建议操作来防止不希望的流程活动。然而，这些方法都没有推荐实际的过程活动作为根据给定KPI优化的动作。我们提出了一种PrBPM技术，它将下一个最有可能的活动转换为给定KPI的下一个最佳行动。因此，我们的技术使用业务流程模拟，以确保控制流一致性的建议行动。基于我们的评估与两个现实生活中的事件日志，我们表明，我们的技术的下一个最好的行动可以优于下一个活动预测的KPI的优化和距离的实际过程实例。
2020-08-19 cs.AI cs.SE
Towards Knowledge-Centric Process Mining
University of Wollongong（伍伦贡大学）；University of Nevada（内华达大学）
流程分析方法在支持业务流程管理和持续流程改进方面发挥着关键作用，它利用流程相关数据来识别性能瓶颈，提取有关降低成本和优化可用资源利用的见解。过程分析技术通常必须与真实世界的设置相抗衡，其中可用的日志是嘈杂的或不完整的。在本文中，我们提出了一种方法，允许过程分析技术，以提供价值，面对嘈杂/不完整的事件日志。我们的方法利用知识图谱来减轻事件日志中噪声的影响，同时支持过程分析师了解与事件日志相关的可变性。
2023-01-26 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
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
Predictive maintenance on event logs: Application on an ATM fleet
Worldline；Univ. Orléans（奥尔良大学）
预测性维护用于工业应用中，以提高机器可用性并优化与计划外维护相关的成本。在大多数情况下，预测性维护应用程序使用传感器的输出，记录物理现象，如温度或振动，这些物理现象可以直接与机器的退化过程相关联。但是，在某些应用中，传感器的输出不可用，而是使用机器生成的事件日志。我们首先研究了文献中用于解决预测性维护问题的方法，并提出了一个新的公共数据集，其中包含来自156台机器的事件日志。在此之后，我们定义了一个预测性维护系统的评估框架，该框架考虑了业务约束，并进行实验以探索合适的解决方案，这些解决方案可以作为使用这个新数据集的未来工作的指导方针。
2021-11-22 cs.AI cs.LG
SNAP: Semantic Stories for Next Activity Prediction
IBM Research - Israel（IBM以色列研究院）
针对业务流程预测未充分利用语义信息的问题，提出SNAP方法，利用语言基础模型从事件日志构建语义故事预测下一步活动，在六个基准数据集上显著优于九个最先进模型。
2024-03-14 cs.AI
Automated Business Process Analysis: An LLM-Based Approach to Value Assessment
The University of Melbourne（墨尔本大学）
本文提出一种基于大语言模型的两阶段自动化增值分析方法，通过分解流程步骤并按精益原则分类，在50个流程模型上验证了结构化提示的有效性，旨在减少人工流程分析的时间和主观性。
2025-04-09 cs.AI cs.CL cs.SE
Decision-Aware Suffix Prediction and Reasoning of Business Processes
Technical University of Munich（慕尼黑工业大学）
本文提出一种结合决策挖掘的神经符号后缀预测框架，通过决策规则推理改进短前缀和稀有变体的预测，并增强可解释性。
2026-09-09 cs.AI cs.LG
Abducing Compliance of Incomplete Event Logs
University of Bologna（博洛尼亚大学）；FBK-IRST（布鲁诺·凯斯勒基金会-信息技术与微系统研究所）；Free University of Bozen–Bolzano（博尔扎诺-博岑自由大学）
本文提出基于溯因推理的框架处理事件日志中的不完整信息，并将合规性细化为强合规性与条件合规性，实验验证了方法的可行性。
2016-06-17 cs.AI
Control-flow Reconstruction Attacks on Business Process Models
Humboldt-Universität zu Berlin（柏林洪堡大学）；Weizenbaum Institute for the Networked Society（魏岑鲍姆网络社会研究所）；Eindhoven University of Technology（埃因霍温理工大学）
本研究首次实证探究基于业务流程模型的控制流重构攻击，提出多种利用频率标注从流程树重构控制流的推演策略，通过真实数据集对比验证攻击潜力与模型发布风险。
2024-09-17 cs.AI cs.DB cs.SE
Outcome-Oriented Predictive Process Monitoring: Review and Benchmark
University of Tartu（塔尔图大学）；The University of Melbourne（墨尔本大学）
预测性业务流程监控是指根据业务流程的未完成执行跟踪和历史（已完成）跟踪日志，对正在进行的业务流程案例的未来状态进行预测的行为。由于业务流程执行的细粒度事件数据越来越普遍，预测性流程监控问题在过去几年中受到了极大的关注。特别地，已经提出了相当多的方法来解决面向结果的预测过程监控的问题，其指的是根据给定的一组可能的分类结果对过程的每个正在进行的情况进行分类，例如，客户会不会投诉？订单会被交付、取消或撤回吗？不幸的是，不同的作者使用不同的数据集、实验环境、评价措施和基线来评估他们的建议，导致可比性差，不同方法的相对优点和适用性不清楚。为了解决这一差距，本文提出了一个系统的审查和分类的结果导向的预测过程监控方法，和比较实验评估的11个代表性的方法使用的基准涵盖24个预测过程监控任务的基础上，9个现实生活中的事件日志。
2018-10-23 cs.AI
DeepRule: An Integrated Framework for Automated Business Rule Generation via Deep Predictive Modeling and Hybrid Search Optimization
DeepRule通过深度预测建模与混合搜索优化，实现自动化业务规则生成，提升零售定价与商品组合优化的效率和可解释性。
2025-12-03 cs.AI
Ontology - Based Dynamic Business Process Customization
业务模型之间的交互以消费者为中心的方式使用，而不是使用以生产者为中心的方法来定制云环境中的业务流程。基于知识的人类语义网用于定制业务流程，它引入人类语义网作为一个概念接口，提供人类可理解的语义上的普通语义网，它提供了机器可读的语义的基础上RDF在这个不匹配是一个主要问题。为了克服这一技术，自动定制检测是一个自动化的过程，检测可能的元素或变量的业务流程，需要特别处理，以适应其他流程的要求.将待定制的业务流程作为主业务流程，将与之协作的业务流程作为辅助业务流程或SBP。自动定制制定是根据检测到的定制点，在定制概念化知识框架上进行自动推理，对PBP执行定制的自动化过程。通过使用Web服务组合Web页面来定制业务流程的过程。
2014-01-23 cs.AI
Partial Order Resolution of Event Logs for Process Conformance Checking
University of Mannheim（曼海姆大学）；Kühne Logistics University（库恩物流大学）；Hasso Plattner Institute（哈索·普拉特纳研究所）；University of Potsdam（波茨坦大学）；Humboldt-Universität zu Berlin（柏林洪堡大学）
在支持业务流程执行的同时，信息系统记录事件日志。一致性检查依赖于这些日志来分析记录的进程行为是否符合规范性规范的行为。然而，现有一致性检查技术的一个关键假设是，所有事件都与允许推断每个流程实例的事件的总顺序的时间戳相关联。不幸的是，这一假设在实践中经常被违反。由于同步问题、手动事件记录或数据损坏，事件仅部分排序。本文提出了事件日志的偏序分解问题来弥补这一不足。它是指在一个实例的事件的所有可能的总顺序上构造概率分布。为了应对现实世界中的数据的顺序不确定性，我们提出了几个估计这个任务，结合不同的概念的行为抽象。此外，为了减少基于偏序解析的一致性检查的运行时间，我们引入了一种近似方法，该方法在精度方面具有有界误差。我们对真实世界和合成数据的实验表明，我们的方法大大提高了最先进的准确性。
2020-07-05 cs.AI
Detecting sudden and gradual drifts in business processes from execution traces
Queensland University of Technology（昆士兰科技大学）；University of Tartu（塔尔图大学）
业务流程很容易发生意外的变化，因为流程工作人员可能会突然或逐渐开始以不同的方式执行流程，以适应工作负载、季节或其他外部因素的变化。业务流程变更的早期检测使管理人员能够识别可能影响流程绩效的变更并采取相应行动。业务流程漂移检测是指通过分析从支持流程执行的系统中提取的事件日志来检测业务流程中的更改的一系列方法。现有的业务流程漂移检测方法是基于一个潜在的大特征空间的探索性分析，在某些情况下，他们需要用户手动识别特定的功能，表征漂移。根据探索的特征空间，这些方法会错过各种类型的更改。此外，它们要么被设计成检测突然漂移，要么被设计成检测逐渐漂移，但不能同时检测两者。本文提出了一种自动化和统计接地的方法来检测突然和渐进的业务流程漂移下一个统一的框架。实证评估表明，该方法检测典型的变化模式，具有显着更高的精度和更低的检测延迟比现有的方法，同时准确区分突然和逐渐漂移。
2020-05-07 cs.AI
Comprehensive Process Drift Detection with Visual Analytics
Vienna University of Economics and Business（维也纳经济大学）；The University of Melbourne（墨尔本大学）
本文提出可视化漂移检测技术，通过聚类和变化点检测实现过程漂移的分类、深入分析和量化，结合可视化解释提升漂移管理效果。
2019-07-15 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
Prescriptive Process Monitoring in Intelligent Process Automation with Chatbot Orchestration
IBM Research - Israel（IBM以色列研究院）
近年来，涉及人工智能自动化的业务流程越来越重要，市场份额也越来越大。这些业务流程结合了经典业务流程管理、目标驱动聊天机器人、会话推荐系统和机器人流程自动化的特征。在新的情况下，规范性的过程监测需要创新的方法。不幸的是，这些新进程的数据日志仍然无法在公共领域中获得。我们描述了这个新领域的主要挑战，并介绍了一个基于聊天机器人编排的智能流程自动化实际用例的合成数据集。使用这个数据集，我们展示了群众智慧和目标驱动的方法来规范过程监控。
2022-12-13 cs.AI
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
Analyzing Business Process Anomalies Using Autoencoders
Technische Universität Darmstadt（达姆施塔特工业大学）
企业自然有兴趣检测其内部流程中的异常，因为这些可能是欺诈和效率低下的指标。在商业智能领域，经典的异常检测并不是经常被研究。在本文中，我们提出了一种方法，使用自动编码器，检测和分析异常发生在执行业务流程。我们的方法不依赖于任何关于该过程的先验知识，并且可以在已经包含异常的噪声数据集上进行训练。我们通过在700个不同的数据集上对其进行评估并针对三种最先进的异常检测方法测试其性能来证明其有效性。本文是我们2016年工作的延伸[30]。与原始出版物相比，我们在性能方面进一步完善了该方法，并对更复杂的数据集进行了详细的评估，包括2012年和2017年业务流程智能挑战的真实事件日志。在我们的实验中，我们的方法达到了0.87的F1分数，而最好的未改变的最先进的方法达到了0.72的F1分数。此外，我们的方法可以用来分析检测到的异常，在一个执行过程中的事件导致的异常。
2018-03-03 cs.AI
Automated Event Log Generation from Unstructured Text Using Finetuned LLMs
LMU Munich（慕尼黑大学）；University of Mannheim（曼海姆大学）
该研究提出利用微调后的大语言模型（LLMs）作为数据转换器的可扩展框架，从非结构化文本生成事件日志，性能远超少样本/零样本提示，为流程挖掘生态系统提供了新的数据利用途径。
2026-09-02 cs.AI
Automated machine learning: AI-driven decision making in business analytics
University of Oxford（牛津大学）；University of Strathclyde（斯特拉斯克莱德大学）
本文分析了AutoML在商业分析中的应用潜力，通过将H2O AutoML框架与手动调优的堆叠ML模型在三个真实数据集上对比，发现AutoML虽略逊一筹但快速易用且结果可靠，能有效缩短开发周期并弥合专家供需差距。
2025-06-02 cs.AI cs.CE cs.LG
A Conformance Checking-based Approach for Drift Detection in Business Processes
Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS)（智能技术研究中心）；Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）
现实生活中的业务流程会随着时间的推移而发生变化，无论是以计划内的方式还是以意想不到的方式。检测这些变化对于组织确保预期行为和实际行为尽可能相似至关重要。这些随着时间的变化被称为概念漂移，它的检测是流程挖掘中的一个巨大挑战，因为数据的固有复杂性使得很难区分变化和异常执行。在本文中，我们提出了C2D2（基于并发检查的漂移检测），一种新的方法来检测突然的控制流变化的过程中的事件跟踪模型。C2D2将发现技术与一致性检查方法相结合，以执行离线检测。我们的方法已被验证与合成基准数据集形成的68个日志，显示了提高的准确性，同时保持最小的延迟在漂移检测。
2019-07-09 cs.AI cs.LG
A Hybrid LLM-Based Framework for Automated Security Annotation Generation in Business Process Models
CentraleSupélec（中央高等电力学院）；Université Paris-Saclay（巴黎-萨克雷大学）；University of Bergamo（贝加莫大学）；University of Klagenfurt（克拉根福大学）
该研究提出一种混合LLM与规则的框架，输入BPMN模型和安全需求文档，自动生成符合SecBPMN2规范的安全标注，在27个流程模型数据集上验证，其准确率优于人工分析师，提升效率与可靠性。
2026-08-17 cs.AI cs.CR cs.SE
A Knowledge Representation Approach to Automated Mathematical Modelling
Deakin University（迪肯大学）；School of Information Technology（信息技术学院）
本文提出了一种新的混合整数线性规划（MILP）模型本体和一种新的MILP公式约束类型。MILP是一种常用的数学编程技术，用于建模和解决现实生活中的调度、路由、规划、资源分配和可调度优化问题，为工业部门（如制造业、农业、国防、医疗保健、医药、能源、金融和运输）提供优化的业务解决方案。尽管现实生活中发现并解决了许多组合优化问题，还有数百万个问题有待发现和制定，但约束类型（MILP的构建块）的数量相对较少。在寻找一个合适的机器可读的知识表示结构MILP，我们提出了一个优化建模树的基础上建立的MILP模型本体，可用于指导自动化系统，以引出一个MILP模型从最终用户对他们的组合业务优化问题。我们的最终目标是开发一个机器可读的知识表示的MILP，使我们能够映射到最终用户的自然语言描述的业务优化问题的MILP正式规范自动化数学建模的第一步。
2021-02-28 cs.AI
Explainable AI Enabled Inspection of Business Process Prediction Models
Queensland University of Technology（昆士兰科技大学）
以机器学习技术为基础的现代数据分析已成为数据主导决策自动化的关键推动因素。作为最先进的数据分析的一个重要分支，业务流程预测也面临着一个挑战，即缺乏解释的推理和决策的基础“黑箱”预测模型。随着可解释的机器学习技术的发展，可以为黑盒模型生成解释，使（人类）用户能够访问机器学习预测背后的推理。在本文中，我们的目标是提出一种方法，使我们能够使用模型解释来研究机器学习预测应用的某些推理，并检测潜在的问题，从而提高对业务流程预测模型的信任。我们的方法的一个新的贡献是模型检查的建议，利用可解释的机器学习机制和上下文或领域的知识，从记录历史过程执行的事件日志中提取的解释。从这项工作中得出的结果，预计将作为一个关键的投入，开发模型的可靠性指标和评估的背景下，业务流程的预测。
2021-07-16 cs.AI cs.LG
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
Automated Discovery of Data Transformations for Robotic Process Automation
University of Melbourne（墨尔本大学）；University of Tartu（塔尔图大学）
机器人流程自动化（RPA）是一种用于自动化重复例程的技术，这些例程由用户与一个或多个应用程序的交互序列组成。为了充分利用RPA带来的机会，企业需要发现哪些特定的例程可以自动化，以及如何自动化。在这种情况下，本文解决了分析用户交互（UI）日志，以发现例程，用户从一个电子表格或（Web）的形式转移到另一个数据的问题。本文将这个问题映射到发现数据转换的例子-一个问题，其中有几种技术是可用的。该文件表明，一个天真的应用程序的最先进的数据转换发现的技术是计算效率低下。因此，本文提出了两种优化方法，它们利用了UI日志中的信息，以及跨应用程序的数据传输通常涉及分别复制字母和数字标记的事实。所提出的方法及其优化使用UI日志，复制现实生活中的重复数据传输例程进行评估。
2020-01-03 cs.AI
From Event Logs to Governed Action: A BlueSky Agenda for Agentic Process Mining
University of Oxford（牛津大学）；Peng Cheng Laboratory（鹏城实验室）；University of Glasgow（格拉斯哥大学）；Fudan University（复旦大学）；Squirrel Ai Learning（松鼠AI智适应）
该论文提出事件到行动流程挖掘议程，将事件日志转化为受治理行动，通过四种可挖掘工件支持智能体决策中的执行、推迟、询问和拒绝。
2026-09-15 cs.AI cs.CE
Learning optimal policies from event logs through reinforcement learning: a comparison of deep and MDP-based approaches
FBK - Fondazione Bruno Klopfer（FBK - 基础研究机构布鲁诺·克洛普弗）；Unitn（乌迪内大学）；Unibz（博尔扎诺大学）
提出两种强化学习方法（基于MDP和离线深度RL）从历史事件日志中学习最优行为策略以优化KPI，在数据驱动的BPS环境中评估，两种方法均有效提升KPI，但基于MDP的方法计算效率更高。
2026-06-15 cs.AI
AI-Decision Checkpoints for AI-Augmented Business Process Management: Framework and Educational Instantiation
Stockholm University（斯德哥尔摩大学）
本文提出AI决策检查点框架，通过教学案例实例化，帮助流程开发者将AI作为一等设计元素，区分任务级自动化与流程级价值。
2026-10-06 cs.AI
Process Discovery using Inductive Miner and Decomposition
American University of Beirut（贝鲁特美国大学）
本报告提交给流程发现竞赛。该竞赛致力于评估从事件日志中发现业务流程模型的工具和技术。我们的目标是比较技术的效率，以发现过程模型，提供了一个适当的平衡之间的“过拟合”和“欠拟合”。在过程发现竞赛的背景下，过程发现变成了一个具有训练集和测试集的分类任务;其中过程模型需要决定轨迹是否合适。在本报告中，我们首先展示了如何使用两种发现技术，即：归纳矿工和分解，使用ProM工具从训练集中发现流程模型。其次，我们展示了如何使用回放结果来1）检查模型的可重复性，以及2）将未看到的轨迹（在测试日志中）分类为拟合或不拟合。然后，我们讨论了验证日志的分类结果，发现的模型的复杂性，以及它们对选择提交模型的影响。报告以提交的过程模型的图片结束。
2016-10-25 cs.AI
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
Performance Evaluation of LLMs in Automated RDF Knowledge Graph Generation
Distributed Systems Research Laboratory, Computer Science Department, Technical University of Cluj-Napoca（克卢日-纳波卡技术大学计算机科学系分布式系统研究实验室）
本文评估了多种LLM架构和提示策略在自动RDF提取中的性能，通过控制框架和两个处理半结构化日志数据的管道，分析了Few-Shot学习在生成RDF三元组中的有效性，并揭示了不同LLM架构的局限性。
2026-02-06 cs.AI cs.DC cs.IR
OrgMining 2.0: A Novel Framework for Organizational Model Mining from Event Logs
Queensland University of Technology（昆士兰科技大学）；RWTH Aachen University（亚琛工业大学）；Sun Yat-sen University（中山大学）
围绕人力资源提供适当的结构可以精简业务，从而提高组织的竞争力。为了实现这一目标，现代组织需要在面对不断变化的环境时，准确而及时地了解人力资源分组。过程挖掘的使用提供了一种很有前途的方法，通过利用存储在信息系统中的事件日志数据来帮助解决这一需求。通过从事件日志中提取有关参与业务流程的资源的实际行为的知识，可以构建组织模型，这有助于分析与流程执行相关的人力资源的事实分组。然而，开放的研究差距仍然有待解决时，应用最先进的过程挖掘分析资源分组。首先，组织模型的发现与流程执行的上下文只有有限的联系。另一方面，一个严格的解决方案，评估组织模型对事件日志数据尚未提出。在本文中，我们的目标是通过开发一个新的框架，建立在一个更丰富的组织模型耦合资源分组与流程执行知识的定义来解决这些研究挑战。通过引入组织模型一致性检查的概念，该框架可以有效地评估组织模型，因此提供了一个基础，分析和改进基于事件日志的资源分组。我们证明了这个框架的可行性，提出了一种方法的基础上的组织模型发现的框架，并在现实生活中的事件日志进行实验，发现和评估组织模型。
2020-11-26 cs.AI cs.DB
Foundation Models for Event Prediction Across Heterogeneous Event Logs
Celonis（赛诺尼斯）
该研究提出基础事件预测器（FEP），通过特定架构与技术处理异构事件日志差异，在696个数据集预训练后，于50个未见过的数据集上实现无需参数调整的有效泛化，性能优于现有基础模型基线。
2026-10-14 cs.AI cs.LG
Automated Repair of Process Models with Non-Local Constraints Using State-Based Region Theory
The University of Melbourne（墨尔本大学）；Polytechnic University of Catalonia（加泰罗尼亚理工大学）
本文提出基于状态区域理论的方法，通过事后添加非自由选择结构修复流程模型，在保持适应度的同时提升精确度，实验验证了其有效性。
2021-12-13 cs.AI cs.FL
The Impact of Event Data Partitioning on Privacy-aware Process Discovery
Pohang University of Science and Technology（釜山科学技术大学）；Weizenbaum Institute（魏泽恩堡研究所）；Humboldt-Universität zu Berlin（柏林洪堡大学）；Utrecht University（乌得勒支大学）
本研究提出结合事件抽象划分与匿名化的流水线，通过分割事件日志降低效用损失，实验证明该方法能提升直接跟随匿名化技术的流程发现效用。
2025-07-08 cs.AI cs.CR cs.DB
