Learning-Based Approaches to Predictive Monitoring with Conformal Statistical Guarantees
University of Trieste（的里雅斯特大学）；King’s College London（伦敦国王学院）
本教程系统介绍了基于机器学习和共形预测的CPS预测性监控框架，通过学习高效替代模型替代昂贵模型检验，并利用共形预测提供统计保证以识别不可靠预测。
2023-12-04 cs.AI cs.LG
Sustainable Smart Farm Networks: Enhancing Resilience and Efficiency with Decision Theory-Guided Deep Reinforcement Learning
Virginia Tech（弗吉尼亚理工学院）
本文提出一种可持续智能农场网络，利用决策理论引导的深度强化学习优化动物监测质量与能源效率，实验表明其性能优于迁移学习增强模型，训练时间减少47.5%。
2025-05-06 cs.LG cs.MA
Encoder-Decoder Model for Suffix Prediction in Predictive Monitoring
Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS)（智能技术单一研究中心（CiTIUS））；Universidade de Santiago de Compostela（圣地亚哥德孔波斯特拉大学）
预测监控是流程挖掘的一个子领域，旨在预测正在运行的案例在未来将如何展开。它的主要挑战之一是预测从给定时间点开始将发生的活动的顺序-后缀预测-。大多数解决后缀预测问题的方法都是通过学习如何预测下一个活动来学习预测后缀，而不是在训练阶段从整个后缀中学习。本文提出了一种新的架构的基础上的编码器-解码器模型的注意力机制，从推理阶段的前缀的表示学习，预测只有后缀的活动。在推理阶段，该架构扩展了一个启发式搜索算法，提高了每个后缀索引的活动的选择。我们的方法已经过测试，使用12个公共事件日志对6个不同的国家的最先进的建议，表明它显着优于这些建议。
2022-11-29 cs.AI cs.LG
Learning Uncertainty with Artificial Neural Networks for Improved Predictive Process Monitoring
Research Centre for Information Systems Engineering（信息系统工程研究中心）
人工神经网络无法评估其预测的不确定性是其广泛使用的障碍。我们区分两种类型的可学习的不确定性：由于缺乏训练数据和噪声引起的观测不确定性模型的不确定性。贝叶斯神经网络使用坚实的数学基础来学习其预测的模型不确定性。观测不确定度可以通过在这些网络上增加一层并增加其损失函数来计算。我们的贡献是将这些不确定性概念应用于预测过程监控任务，以训练基于不确定性的模型来预测剩余时间和结果。我们的实验表明，不确定性估计允许更多和更少的准确的预测进行区分，并在回归和分类任务中构建置信区间。即使在运行过程的早期阶段，这些结论仍然是正确的。此外，部署的技术速度快，预测更准确。学习到的不确定性可以增加用户对过程预测系统的信心，促进人类与这些系统之间更好的合作，并使更早的实现具有更小的数据集。
2022-06-13 cs.AI cs.LG
Guiding the generation of counterfactual explanations through temporal background knowledge for Predictive Process Monitoring
Free University of Bozen-Bolzano（博洛尼亚-博兹纳自由大学）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Trento（特伦托大学）
针对预测过程监控中反事实解释未考虑时间背景知识的问题，调整基于遗传算法的反事实生成技术，使其满足时间约束，生成更合规且不损失传统质量指标的反事实解释。
2024-03-18 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
Beyond Yes or No: Predictive Compliance Monitoring Approaches for Quantifying the Magnitude of Compliance Violations
Technical University of Munich（慕尼黑工业大学）；Tsinghua University（清华大学）
本文提出两种预测性合规监控方法，通过混合分类回归和多任务学习，在预测合规状态的同时量化时间约束违规程度，并在合成与真实事件日志上验证了其有效性。
2025-02-03 cs.AI cs.LG
Dynamic feature selection in medical predictive monitoring by reinforcement learning
Tsinghua University（清华大学）；Institute for Precision Medicine, Tsinghua University（清华大学精准医学研究院）；Center for Big Data and Clinical Research（大数据与临床研究中心）
针对多变量时间序列医疗预测监测中静态特征选择方法无法有效利用时序信息的问题，提出基于强化学习的动态特征选择方法，在最大成本限制下优化策略生成合成数据更新模型，实验证明其在严格成本限制下优于基线方法。
2024-05-30 cs.AI cs.LG
Confidence-based Estimators for Predictive Performance in Model Monitoring
University of Helsinki（赫尔辛基大学）；NannyML
针对生产环境中机器学习模型因真实标签延迟或缺失无法直接监控预测性能的问题，本文探索平均置信度（AC）方法的理论性质并实证比较，证明其为无偏一致估计器且多数情况下优于复杂方法。
2025-02-12 cs.AI cs.LG
Explainable Predictive Process Monitoring
myInvenio（myInvenio 公司）；University of Padua（帕多瓦大学）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
预测性业务流程监控正在成为组织的重要辅助工具，为其流程提供在线运营支持。本文解决的基本问题，装备预测业务流程监控与解释能力，以便不仅是什么，而且为什么预测通用KPI时，如剩余时间，或活动执行报告。我们使用Shapley值的博弈论来获得对预测的有力解释。该方法已被实施和测试在现实生活中的基准，第一次显示如何解释可以在预测业务流程监测领域。
2020-09-16 cs.LG stat.ML
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
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
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
Structural Positional Encoding for knowledge integration in transformer-based medical process monitoring
Laboratorio Integrato di Intelligenza Artificiale e Informatica in Medicina DAIRI（人工智能与医学信息整合实验室DAIRI）；Azienda Ospedaliera SS. Antonio e Biagio e Cesare Arrigo（安东尼和比阿乔和卡雷罗医院）
本文提出基于Transformer的医疗过程监控方法，通过图位置编码整合领域知识，提升预测准确性与实用性。
2024-03-13 cs.AI cs.LG
Predictive Process Model Monitoring using Recurrent Neural Networks
KU Leuven（鲁汶大学）
预测性流程监控领域关注案例级模型，以预测单个特定结果，例如特定目标、（剩余）时间或下一个活动/剩余序列。最近，一个更长的地平线，模型范围内的方法已被提出的过程模型预测的形式，它预测整个过程模型的未来状态，通过预测的所有活动，活动的关系，一次使用时间序列预测。本文介绍了\emph{predictive process model monitoring}的概念，它位于预测过程监控和过程模型预测的中间。具体地，通过将过程模型建模为随时间推移存在于活动之间的一组约束，与过程模型预测相比，我们可以捕获活动之间的更详细的信息，同时与通常以与这些约束相同的语言表示的典型预测过程监控目标兼容。为了实现这一点，引入了电影处理（PAM），即，一种能够联合挖掘和预测流程执行的各个窗口中的活动之间的声明性流程约束的新技术。PAM预测什么声明性规则适用于跟踪（基于对象），这也支持将所有约束作为一个流程模型（基于模型）一起预测。各种递归神经网络拓扑结构的灵感来自视频分析定制的时间高维输入的过程模型的演变与窗口作为时间步长，包括编码器-解码器长短期记忆网络，和卷积长短期记忆网络。在实际事件日志中获得的结果表明，这些拓扑结构在预测准确性和精度方面是有效的。
2023-01-10 cs.LG
Directly Follows Graphs Go Predictive Process Monitoring With Graph Neural Networks
Fraunhofer IIS（弗劳恩霍夫应用集成电路研究所）；Center for Applied Research on Supply Chain Services（供应链服务应用研究中心）
本研究提出将业务过程转换为directly-follows-graph表示，并应用图神经网络进行预测性过程监控，以更好地处理长且含大量循环的复杂过程，同时设计了多种图表示方法以最小化信息损失。
2025-03-05 cs.AI cs.LG
Feature Attribution-Based Explainability Analysis of Deep Learning Models in Predictive Process Monitoring
SKEMA Business School（SKEMA商学院）；KU Leuven（鲁汶大学）
研究预测过程监控中深度学习模型黑箱问题，提出基于控制流感知分割算法的局部事后可解释性方法，能计算段级SHAP解释，在合成及真实数据集上评估验证，提升模型可解释性。
2026-07-21 cs.AI cs.LG
PDRL: Multi-Agent based Reinforcement Learning for Predictive Monitoring
University of Southern Queensland（南昆士兰大学）；Wuhan University of Technology（武汉理工大学）；Lingnan University（岭南大学）
本文提出多智能体预测式深度强化学习框架PDRL，结合DQN与BiLSTM监测生命体征等预测状态，在三项任务上超越基线并可迁移至交通、天气预测。
2023-09-20 cs.AI cs.LG
Temporal Stability in Predictive Process Monitoring
University of Tartu（塔尔图大学）
预测性流程监控涉及对业务流程执行期间产生的事件进行分析，以便尽早预测正在进行的案例的最终结果。传统上，预测过程监控方法在准确性方面进行了优化。然而，在用户根据收到的预测做出决策并采取行动的环境中，优化针对每种情况做出的连续预测的稳定性同样重要。为此，本文定义了一个概念的时间稳定性的二进制分类任务的预测过程监测和评估现有的方法的时间稳定性和准确性。我们发现基于XGBoost和LSTM神经网络的方法具有最高的时间稳定性。然后，我们表明，时间稳定性可以提高超参数优化随机森林和XGBoost分类器之间的运行稳定性。最后，我们表明，时间序列平滑技术可以进一步提高时间稳定性的代价略低的准确性。
2018-06-15 cs.LG stat.ML
Communicating Uncertainty in Machine Learning Explanations: A Visualization Analytics Approach for Predictive Process Monitoring
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Saarland University（萨尔兰大学）
本文研究如何将模型不确定性量化与PDP、ICE等事后解释方法结合，并通过可视化分析界面在制造业预测性流程监控中验证其有效性与可靠性。
2023-04-12 cs.AI cs.LG stat.AP
Graph Grounded Cross Attention Transformer Neural Network for Structurally Constrained Full Event Sequence Generation in Predictive Process Monitoring
Department of Computer Science, University of Milan（米兰大学计算机科学系）
提出图锚定交叉注意力Transformer（GGATN），通过全局过程图作为结构化记忆、Transformer自注意力编码序列位置、图锚定交叉注意力注入过程拓扑，结合维特比式图约束解码，一次性生成完整事件序列，在六个基准日志上优于LLM基线。
2026-06-18 cs.AI cs.LG
Embedding Graph Convolutional Networks in Recurrent Neural Networks for Predictive Monitoring
Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS), Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学智能技术研究中心（CiTIUS））；Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学）；Departamento de Electrónica e Computación, Universidade de Santiago de Compostela（圣地亚哥-德孔波斯特拉大学电子与计算系）
业务流程的预测性监控是流程挖掘的一个子领域，其目标是预测下一个事件的特征或下一个事件的序列。尽管已经提出了多种基于深度学习的方法，主要是循环神经网络和卷积神经网络，但它们都没有真正利用过程模型中可用的结构信息。本文提出了一种基于图卷积网络和循环神经网络的方法，该方法直接使用来自过程模型的信息。对真实事件日志的实验评估表明，我们的方法是更一致的，优于目前国家的最先进的方法。
2021-12-23 cs.LG
Explainability of Predictive Process Monitoring Results: Can You See My Data Issues?
Ulm University（乌尔姆大学）；Mansoura University（曼苏拉大学）；German University in Cairo（开罗德国大学）
预测性业务流程监控（PPM）作为流程挖掘的一个用例已经存在了好几年。PPM通过预测有关正在运行的流程实例如何结束的相关信息、相关的性能指标以及其他可预测的方面，来预测业务流程的未来。大部分PPM方法采用机器学习（ML）技术来解决预测任务，特别是非过程感知PPM方法。因此，PPM继承了ML方法所面临的挑战。这些挑战之一是需要获得用户对所生成的预测的信任。可解释的人工智能（XAI）领域解决了这个问题。然而，PPM任务中所做的选择和采用的技术，以及ML模型的特征，都会影响结果的解释。缺少不同设置对生成的解释的影响的比较。为了解决这一差距，我们研究了不同PPM设置对输入ML模型的结果数据的影响，从而对XAI方法产生影响。我们研究了解释结果的差异如何表明基础数据中的几个问题。我们构建了一个框架，我们的实验，包括不同的设置，在每个阶段的PPM与XAI集成为一个基本部分。我们的实验揭示了数据特征（以及对这些数据的期望）之间的一些不一致性以及协议，ML模型使用的重要数据作为查询的结果，以及对所研究的ML模型的预测的解释。
2022-02-16 cs.AI cs.LG
PreAct-Bench: Benchmarking Predictive Monitoring in LLMs
King’s College London（伦敦国王学院）；National University of Singapore（新加坡国立大学）；Southern University of Science and Technology（南方科技大学）；Thomson Reuters Foundational Research（汤姆森路透基础研究）；Imperial College London（伦敦帝国学院）；The Alan Turing Institute（艾伦·图灵研究所）
提出预测性监控任务，在动作执行前判断是否会导致不道德行为，并构建PreActBench基准，评估多种模型发现该任务具有挑战性。
2026-06-03 cs.AI cs.CL cs.LG
Neural Predictive Monitoring under Partial Observability
Università di Trieste（的里雅斯特大学）；Saarland University（萨尔大学）；Royal Holloway University（伦敦大学皇家霍洛威学院）
我们考虑预测监测（PM）的问题，即，在运行时从当前状态预测系统的未来违规。我们在最现实的设置下工作，在运行时只有部分和嘈杂的状态观测。这样的设置直接影响可达性预测的准确性和可靠性，危及系统的安全性。在这项工作中，我们提出了一种基于学习的PM方法，尽管部分可观测性（PO），但该方法可以产生准确可靠的可达性预测。我们建立在神经预测监控（NPM），PM方法，使用深度神经网络近似混合系统的可达性，并将其扩展到PO的情况下。我们提出并比较了两种解决方案，端到端的方法，它直接操作的粗糙的意见，和一个两步的方法，它引入了一个中间的状态估计步骤。这两种解决方案都依赖于保形预测来提供1）预测区域形式的概率保证和2）预测不确定性的合理估计。我们使用后者来识别不可靠的（和可能错误的）预测，并在这些不确定的输入上重新训练和改进监视器（即，主动学习）。我们的方法可以实现高度准确的可达性预测和错误检测，以及具有保证覆盖率的紧密预测区域。
2021-08-17 cs.LG
Local Post-Hoc Explanations for Predictive Process Monitoring in Manufacturing
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Saarland University（萨尔大学）
该研究提出了一种创新的可解释的预测质量分析解决方案，通过结合过程挖掘，机器学习和可解释的人工智能（XAI）方法，促进制造过程规划的数据驱动决策。为此，在整合从各种企业信息系统获得的顶层和车间数据后，应用深度学习模型来预测过程结果。由于本研究旨在通过将预测性见解嵌入决策过程来实现所提供的预测性见解，因此必须为领域专家提供相关解释。为此，两个互补的局部事后解释方法，Shapley值和个人条件期望（ICE）图，预计将提高决策能力，使专家从不同的角度来检查解释。在用相关的二进制分类评估措施评估所应用的深度神经网络的预测强度之后，提供了对所生成的解释的讨论。
2021-06-10 cs.AI cs.LG stat.ML
On the Simplification of Neural Network Architectures for Predictive Process Monitoring
SAP Signavio, Walldorf, Germany（SAP Signavio（德国沃尔德福））；University of Mannheim（曼海姆大学）
针对预测过程监控中深度学习模型计算成本高的问题，分析简化模型复杂度对性能的影响，发现Transformer缩小85%仅降2-3%性能，LSTM稍敏感，为高效可扩展的PPM方案提供依据。
2025-09-21 cs.LG
Alarm-Based Prescriptive Process Monitoring
University of Tartu（塔尔图大学）；Eindhoven University of Technology（埃因霍温理工大学）
预测过程监控涉及对过程执行期间产生的事件的分析，以便预测其正在进行的情况的未来状态。该领域中的现有技术能够在案件的每个步骤预测案件将以不期望的结果结束的可能性。然而，这些技术没有考虑到过程工作者可以对所生成的预测做什么，以便降低不期望的结果的可能性。本文提出了一个框架，规范的过程监控，扩展了预测过程监控方法的报警，干预，补偿和缓解效果的概念。该框架采用了一个参数化的成本模型，以评估在给定的设置中应用规范性流程监测的成本效益权衡。本文还概述了一种方法，以优化生成报警给定的数据集和一组成本模型参数。所提出的方法是经验评估使用一系列的现实生活中的事件日志。
2018-06-19 cs.AI cs.LG
Interpretable and Explainable Machine Learning Methods for Predictive Process Monitoring: A Systematic Literature Review
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Saarland University（萨尔兰大学）
本文通过系统文献综述，探讨预测性流程挖掘中机器学习模型的可解释性与可解释性，区分内在可解释模型与事后解释技术，并总结趋势、挑战与未来方向，以促进更可信的智能系统开发。
2023-12-29 cs.AI cs.LG stat.ML
XAI in the context of Predictive Process Monitoring: Too much to Reveal
Ulm University（乌尔姆大学）；Mansoura University（曼苏拉大学）；German University in Cairo（开罗德国大学）
预测性流程监控（PPM）已被集成到流程挖掘工具中，作为一项增值任务。PPM对正在运行的业务流程的进一步执行提供了有用的预测。为此，基于机器学习的技术在PPM的上下文中被广泛采用。为了获得利益相关者对PPM预测的信任和支持，采用可解释的人工智能（XAI）方法来弥补最有效的预测模型缺乏透明度的缺陷。即使在数据、预处理技术和ML模型的相同设置下使用，多种XAI方法生成的解释也有很大的不同。缺少比较以区分XAI特征或对解释具有确定性的基础条件。为了解决这一差距，我们提供了一个框架，以研究不同的PPM相关设置和ML模型相关选择对结果解释的特征和表达能力的影响。此外，我们还比较了不同的可解释性方法特征如何塑造结果解释，并使其能够反映底层模型推理过程
2022-02-16 cs.LG
Predictive Monitoring with Logic-Calibrated Uncertainty for Cyber-Physical Systems
University of Virginia（弗吉尼亚大学）；TU Wien（维也纳工业大学）
预测监控-预测未来的状态和监控，如果预测的状态满足要求-提供了一个很有前途的范例，支持决策的网络物理系统（CPS）。现有的预测监测工作主要集中在监测单个预测，而不是顺序预测。我们开发了一种新的方法来监测贝叶斯递归神经网络（RNN）生成的序列预测，该方法可以捕获CPS中固有的不确定性，并借鉴我们对现实世界CPS数据集的研究。我们提出了一种名为\emph{Signal Temporal Logic with Uncertainty}（STL-U）的新逻辑来监控包含由贝叶斯RNN预测的无限个不确定序列集的流管。我们定义STL-U强和弱满足语义的基础上，如果所有或一些序列中包含的流管满足的要求。我们还开发了计算置信水平范围的方法，在该置信水平范围内，保证流管强（弱）满足STL-U公式。此外，我们开发了新的标准，利用STL-U监测结果来校准贝叶斯RNN中的不确定性估计。最后，我们通过对真实世界数据集和模拟智能城市案例研究的实验来评估所提出的方法，这些实验显示了基于STL-U的预测监测方法优于基线的非常令人鼓舞的结果。
2021-07-24 cs.LG cs.SY eess.SY
Predictive Digital Twin for Condition Monitoring Using Thermal Imaging
SINTEF Digital（SINTEF数字研究院）
本文提出整合POD、RPCA和DMD构建预测性数字孪生框架，结合热成像与虚拟现实界面，在加热板实验中验证了其在状态监测、异常检测和实时预测方面的能力，推动工业资产管理变革。
2024-11-08 cs.CV cs.LG
Leveraging Data Augmentation and Siamese Learning for Predictive Process Monitoring
Department of Mathematics and Computer Science, Eindhoven University of Technology, The Netherlands（数学与计算机科学系，埃因霍温理工大学，荷兰）；Department of Mathematics and Computer Science, University of Padua, Italy（数学与计算机科学系，帕多瓦大学，意大利）
SiamSA-PPM通过结合孪生学习和统计增强方法，提升预测过程监控的性能和数据变异性。
2025-09-12 cs.LG
Intervening With Confidence: Conformal Prescriptive Monitoring of Business Processes
University of Tartu（塔尔图大学）
规定的过程监控方法寻求通过在运行时选择性地触发干预（例如，向顾客提供折扣）以增加期望的情况结果的概率（例如，进行购买的顾客）。规范性流程监控方法的支柱是干预策略，它确定应该针对哪些情况以及何时执行干预。该领域的现有方法依赖于预测模型来定义干预政策;具体地说，它们考虑当负面结果的估计概率超过阈值时触发干预的政策。然而，由预测模型计算的概率可能具有高水平的不确定性（低置信度），导致不必要的干预，从而浪费精力。当可用于执行干预措施的资源有限时，这种浪费尤其成问题。为了解决这一缺点，本文提出了一种方法来扩展现有的规范过程监控方法与所谓的共形预测，即，有信心保证的预测。使用现实生活中的公共数据集的实证评估表明，保形预测提高了规定的过程监控方法在有限的资源下的净收益。
2022-12-07 cs.AI cs.LG
FairLoop: Software Support for Human-Centric Fairness in Predictive Business Process Monitoring
University of Applied Science Hof（应用科学大学霍夫）；Friedrich-Alexander-University Erlangen-Nuremberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；University of Bayreuth（拜鲁特大学）
FairLoop 通过从神经网络蒸馏决策树并由人类修改不公平逻辑后微调原模型，实现预测性业务流程监控中上下文感知的公平性偏差缓解。
2025-08-27 cs.LG
Achieving Group Fairness through Independence in Predictive Process Monitoring
Research Center for Information Systems Engineering (LIRIS)（信息系统工程研究中心（LIRIS））；KU Leuven（根特大学）
本研究通过确保预测不受敏感群体成员身份影响的独立性，解决预测性过程监控中的群体公平性问题，提出结合二元交叉熵和Wasserstein分布损失的复合损失函数，在受控实验中有效平衡了预测性能与公平性。
2025-04-28 cs.LG stat.ML
Predictive Modeling For Real-Time Personalized Health Monitoring in Muscular Dystrophy Management
Dalian Polytechnic University（大连工业大学）；Fujian Medical University（福建医科大学）
本文提出一种基于物联网的肌营养不良症远程多维监测系统，通过实时健康状态预测建模弥补传统方法缺乏可操作数据的不足，以优化治疗策略并增强医患管理信心。
2024-11-22 cs.LG
Quantifying and Explaining Machine Learning Uncertainty in Predictive Process Monitoring: An Operations Research Perspective
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Saarland University（萨尔兰大学）
本文从运筹学视角提出多阶段机器学习方法，结合分位数回归森林与SHAP解释预测性流程监控中的不确定性，并通过真实生产计划案例验证其决策优化价值。
2023-04-13 cs.AI cs.LG math.OC
An LSTM-Based Predictive Monitoring Method for Data with Time-varying Variability
City University of Hong Kong（香港城市大学）；University of Amsterdam（阿姆斯特丹大学）
本文提出一种基于LSTM预测区间的控制图方法，用于监控具有时变变异性的数据，仿真和传感器数据验证其优于其他神经网络预测监控方法，能有效检测异常。
2023-09-05 cs.LG stat.ME
pmSensing: A Participatory Sensing Network for Predictive Monitoring of Particulate Matter
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
这项工作提出了一个用于参与式传感的无线传感器网络的建议，物联网传感设备专门用于监测和预测空气质量，作为高成本气象站的替代品。该系统被称为pmSensing，旨在测量颗粒物质。通过将原型收集的数据与站点的数据进行比较来进行验证。比较表明，结果是接近的，这可以使低成本的解决方案的问题。该系统仍然使用递归神经网络进行预测分析，在这种情况下是LSTM-RNN，其中预测相对于真实数据具有高精度。
2021-11-22 cs.CY cs.LG cs.NI
From Data Lifting to Continuous Risk Estimation: A Process-Aware Pipeline for Predictive Monitoring of Clinical Pathways
Department of Informatics, University of Bari Aldo Moro（巴里阿尔多·莫罗大学信息学院）；Department of Engineering, University of Sannio（萨尼奥大学工程学院）；Department of Economy and Law, UnitelmaSapienza University（单位elma萨皮恩扎大学经济法学院）
本文提出了一种可重复且过程感知的临床路径预测监控管道，通过整合数据提升、时间重建、事件日志构建、基于前缀的表示和预测建模，支持对部分观测患者轨迹的连续推理，克服了传统回顾性过程挖掘的局限。
2026-05-12 cs.LG cs.SE
Explain, Adapt and Retrain: How to improve the accuracy of a PPM classifier through different explanation styles
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；University of Trento（特伦托大学）；Free University of Bozen Bolzano（博尔扎诺自由大学）
最近的论文介绍了一种新的方法来解释为什么面向结果的预测过程监控（PPM）模型提供了错误的预测。此外，他们还展示了如何利用使用最先进的事后解释器获得的解释，以半自动方式识别导致预测器出错的最常见特征，从而减少这些特征的影响并提高预测模型的准确性。这项工作开始于这样一个假设，即事件日志中频繁的控制流模式可能代表表征并因此解释某个预测的重要特征。因此，在本文中，我们（i）采用一种新的编码，能够利用预测过程监控中的延迟约束，并将这种编码的有效性与预测过程监控最先进的编码进行比较，特别是对于面向结果的预测任务;（ii）引入一个完全自动化的管道，用于识别导致预测器出错的最常见特征;以及（iii）通过在不同的真实数据集上验证所提出的流水线来显示所提出的流水线在提高预测模型的准确性方面的有效性。
2023-03-27 cs.AI cs.LG
Prescriptive Process Monitoring Under Resource Constraints: A Causal Inference Approach
University of Tartu（塔尔图大学）
规范性流程监控是一系列通过在运行时触发干预来优化业务流程性能的技术。现有的规范性过程监测技术假设可能触发的干预措施的数量是无限的。但实际上，具体的干预措施消耗的资源有限。例如，在贷款发放过程中，干预可能包括准备一个替代贷款提议，以增加申请人获得贷款的机会。这种干预需要信贷官员一定的时间，因此，不可能在所有情况下都触发这种干预。本文提出了一种规范的过程监控技术，触发干预，以优化成本函数下固定的资源约束。所提出的技术依赖于预测建模来识别可能导致负面结果的病例，并结合因果推理来估计干预对病例结果的影响。然后，这些产出被用来为干预措施分配资源，以最大限度地提高成本函数。初步的实证评估表明，所提出的方法产生了更高的净收益比一个纯粹的预测（非因果）的基线。
2021-10-11 cs.AI cs.LG
Safe AI for health and beyond -- Monitoring to transform a health service
本文研究医疗机器学习模型发布后的性能维护问题，提出通过持续监测与更新基础设施应对临床环境变化，并以乳腺癌预后和神经退行性疾病分层两个场景验证。
2023-06-06 cs.AI cs.LG
Predictive Object-Centric Process Monitoring
RWTH Aachen University（亚琛工业大学）
业务流程的自动化和数字化导致在信息系统中捕获大量数据，这些数据可以帮助企业更好地理解其流程，改进工作流程或提供运营支持。通过对正在进行的流程进行预测，可以识别瓶颈并重新分配资源，以及深入了解流程实例（案例）的状态。传统上，数据是以事件日志的形式从系统中提取的，具有单个标识案例概念，例如订单到现金（O2C）流程的订单ID。然而，真实的流程通常有多个对象类型，例如order、item和package，因此强制使用单个case概念的格式并不能反映数据中的底层关系。引入了以对象为中心的事件日志（OCEL）格式来正确捕获此信息。最先进的预测方法仅适用于传统的事件日志。这篇论文表明，利用生成对抗网络（GAN），长短期记忆（LSTM）架构和序列到序列模型（Seq2seq）的预测方法可以通过OCEL中包含的丰富数据进行扩展。OCEL中的对象可以具有在预测下一个事件和时间戳时有用的属性，例如对象类型包的优先级类属性，指示较慢或较快的处理。在预测剩余事件的序列相似性和时间戳的平均绝对误差（MAE）的度量中，本文的方法匹配或超过先前的研究，这取决于所选择的对象属性是否是模型的有用特征。此外，本论文提供一个网路介面，以预测使用者输入的下一个活动序列。
2022-07-20 cs.AI cs.LG
On the Potential of Multi-Task Learning in Predictive Process Monitoring
SAP Signavio；University of Mannheim（曼海姆大学）
本研究首次系统评估多任务学习在预测性流程监控中的效果，发现其能显著提升下一活动预测并缓解类别不平衡，且任务平衡对低容量模型至关重要。
2026-09-15 cs.LG
Predictive Business Process Monitoring via Generative Adversarial Nets: The Case of Next Event Prediction
The University of Melbourne（墨尔本大学）
预测过程监控旨在预测正在进行的过程案例的未来特征，例如案例结果或剩余时间戳。最近，已经提出了几种基于深度学习的预测过程监控方法，例如长短期记忆或卷积神经网络，以解决下一个事件预测的问题。然而，由于训练数据不足或次优网络配置和架构，这些方法不能很好地概括手头的问题。本文提出了一种新的对抗训练框架来解决这一缺点，基于生成对抗网络（GANs）对顺序时态数据领域的适应。训练的工作原理是在两个玩家的游戏中让一个神经网络与另一个神经网络对抗（因此具有对抗性），这导致预测与地面事实无法区分。我们正式表明，所提出的方法的最坏情况下的准确性至少等于在非对抗性设置中实现的准确性。从实验评估中可以看出，尽管使用了简单的网络架构和朴素的特征编码，但该方法在预测的准确性和早期性方面系统地优于所有基线。此外，该方法更鲁棒，因为其准确性不受案例长度波动的影响。
2020-04-01 cs.LG stat.ML
GNN4PPM: Multi-Target Predictive Process Monitoring with Relational Graph Convolutional Networks
Technical University of Munich（慕尼黑工业大学）
GNN4PPM利用关系图卷积网络和异构知识图谱，实现多目标预测性流程监控，一次性预测所有下一事件及其数据负载，实验证明其准确性和适用性。
2026-09-15 cs.LG
HOEG: A New Approach for Object-Centric Predictive Process Monitoring
Utrecht University（乌得勒支大学）
本文提出异构对象事件图编码HOEG及异构GNN架构，在不聚合对象特征的情况下利用OCEL预测流程剩余时间，并在三个日志上验证其性能与可扩展性。
2024-04-16 cs.LG
Predictive Business Process Monitoring with LSTM Neural Networks
Eindhoven University of Technology（埃因霍温理工大学）；Queensland University of Technology（昆士兰科技大学）；University of Tartu（塔尔图大学）
预测性业务过程监视方法利用过程的已完成案例的日志，以便对其运行案例进行预测。该领域的现有方法是为特定的预测任务量身定制的。此外，它们的相对准确性对手头的数据集高度敏感，因此需要用户在特定设置中应用它们时进行试错和调整。本文研究了长短期记忆（LSTM）神经网络，作为一种为各种预测过程监控任务构建一致准确模型的方法。首先，我们证明了LSTM在预测运行案例的下一个事件及其时间戳方面优于现有技术。接下来，我们将展示如何使用模型来预测下一个任务，以预测运行案例的完整延续。最后，我们应用相同的方法来预测剩余时间，并表明这种方法优于现有的定制方法。
2017-05-16 cs.DB cs.LG cs.NE
Revisiting Predictive Process Monitoring in the Age of Foundation Models: A Comparative Study of Sequence, Tabular, and LLM Approaches
University of Mannheim（曼海姆大学）；SAP Signavio（思爱普 Signavio）；Technical University of Clausthal（克劳斯塔尔工业大学）
该研究对比序列、表格基础模型与LLM在PPM任务的表现，发现序列模型下一个活动预测最优，表格模型在时间任务具竞争力，LLM性能滞后且成本更高。
2026-07-31 cs.LG
Neuro-Symbolic Predictive Process Monitoring
Faculty of Engineering, Free University of Bozen-Bolzano（博洛尼亚-博尔扎诺自由大学工程学院）；Department of Computer, Control and Management Engineering, Sapienza, Università di Roma（罗马大学计算机、控制与管理工程系）
提出一种结合数据驱动学习与时序逻辑先验知识的神经符号方法，通过可微逻辑损失函数训练自回归序列预测器，以提升业务过程管理中后缀预测的准确性和逻辑一致性。
2026-05-29 cs.AI cs.FL cs.LG
Predictive and diagnosis models of stroke from hemodynamic signal monitoring
Complutense University of Madrid（马德里康普顿斯大学）；Hospital Universitario de La Princesa（拉普林塞萨大学医院）
本研究利用机器学习基于血流动力学数据开发脑卒中实时诊断预测模型，可快速完成亚型诊断、死亡及复发预测，精度超97%，可为难行CT检查及卒中单元患者提供临床支持。
2023-05-30 cs.LG eess.SP
Extending predictive process monitoring for collaborative processes
Universidad ORT Uruguay（乌拉圭ORT大学）
本文提出了一种针对协作（组织间）流程的预测性流程监控扩展方法，通过考虑协作流程的特殊性，不仅预测下一个活动和剩余时间，还预测具体参与者的下一步动作及参与者间的消息交换，以支持更精准的偏差预防和资源重分配。
2024-09-13 cs.DB cs.LG
