预测性流程监控(predictive process monitoring,PPM)是流程挖掘中的关键任务,旨在基于当前事件日志预测未来流程行为。然而,现有的PPM方法大多集中在对单个流程实例的短期预测,例如下一个活动预测、剩余处理时间预测等,预测范围有限且...预测性流程监控(predictive process monitoring,PPM)是流程挖掘中的关键任务,旨在基于当前事件日志预测未来流程行为。然而,现有的PPM方法大多集中在对单个流程实例的短期预测,例如下一个活动预测、剩余处理时间预测等,预测范围有限且缺乏对流程演变的全局视角,从而无法提供流程模型在较长时间范围内的演变趋势。因此,提出了一种基于时间序列分析的过程模型预测(PMF)方法,将原始事件日志转换为多维时间序列数据,系统性地捕捉流程中所有活动对(直接后继关系)在时间上的频率演变。在考虑直接后继关系之间的相互影响下,预测出未来直接跟随图,从而实现对整个过程模型的长时间范围预测。实验结果表明,该方法在多个真实流程日志上均优于传统时序分析方法,在预测准确性和稳定性方面表现突出,具备良好的应用前景。展开更多
文摘预测性流程监控(predictive process monitoring,PPM)是流程挖掘中的关键任务,旨在基于当前事件日志预测未来流程行为。然而,现有的PPM方法大多集中在对单个流程实例的短期预测,例如下一个活动预测、剩余处理时间预测等,预测范围有限且缺乏对流程演变的全局视角,从而无法提供流程模型在较长时间范围内的演变趋势。因此,提出了一种基于时间序列分析的过程模型预测(PMF)方法,将原始事件日志转换为多维时间序列数据,系统性地捕捉流程中所有活动对(直接后继关系)在时间上的频率演变。在考虑直接后继关系之间的相互影响下,预测出未来直接跟随图,从而实现对整个过程模型的长时间范围预测。实验结果表明,该方法在多个真实流程日志上均优于传统时序分析方法,在预测准确性和稳定性方面表现突出,具备良好的应用前景。
