本文提出了一种使用强化学习方法和符合预测技术的过程监控方法，以考虑干预决策基于预测的不确定性和资源利用级别的不确定性来避免资源浪费和提高干预效果。

Jul, 2023

本研究提出了一种基于预测得分、预测不确定性和干预因果效应来过滤和排名进行中案例的规定性流程监测方法，以最大化利益函数触发干预，考虑可用资源，在真实事件日志的评估中表现出比现有基线更好的总利益。

Jun, 2022

通过对合成数据进行实验，证明了强化学习在流程优化中的优势，其策略的表现优于因果推断方法，并且在相同的条件下更加稳健，可应用于许多总结性过程监控问题，但在线学习不是一个好的选择时，因果推断则具有优势。

Jun, 2023

本文提出了一个基于强化学习的方法来学习，通过观察过去的执行来推荐最佳活动以优化感兴趣的 KPI，首先通过学习特定 KPI 的马尔可夫决策过程，然后使用 RL 训练来学习最优策略，该方法通过在真实和合成数据集上的验证，并与异策略深度 RL 方法进行比较，表明了我们方法与深度 RL 方法相比，具有同等或更好优势，从而为利用白盒 RL 技术的场景提供了贡献，其中仅有时间执行数据可用。

Mar, 2023

该研究提出了一种利用可信度预测方法来增强运行时介入决策的新方法，实证结果表明，这种方法在资源受限条件下可以提高迎合预测值的介入策略的效益。

Dec, 2022

本文通过应用增强学习算法 Q-learning 和 SARSA，使用护理流程中的事件数据，训练马尔可夫决策过程，以寻找在客户出现任何类型的攻击性行为时，员工的最佳策略。结果显示，这些算法得出的策略与目前最常用的行为相似，但在某些情况下为员工提供了更多的选择。

Oct, 2023

本文提出了扩展预测性流程监控方法的实用性流程监控框架，该框架在预测性监控的基础上引入了警报、干预、补偿和缓解影响等概念，并且具有可参数化的成本模型来评估在特定情况下应用实用性流程监控的成本效益权衡。作者还概述了一个优化警报生成的方法，并使用一系列真实事件日志进行了实证评估。

Mar, 2018

提出了一种基于结果导向的 Prescriptive Process Monitoring 系统，该系统使用线性时间逻辑来定义活动之间的时间关系，通过训练机器学习分类器来预测目标结果，并在运行时返回最显著的时间模式。

Nov, 2022

提出了一个基于事件日志的预测性流程监控框架，在运行中的案例中，通过将其映射到群集并应用相应的分类器，估计一个给定谓词在完成时将被满足的概率，该框架已在 ProM 工具集上实现并在一家大型医院的癌症治疗日志上验证。

Jun, 2015

介绍了使用具有 AI 动力的自动化技术的业务流程，其中包括了经典业务流程管理、目标驱动的聊天机器人、对话式推荐系统和机器人流程自动化，探讨了这一新领域中最主要的挑战，并引入合成数据集，演示了众包和目标驱动方法来进行过程监控。

Dec, 2022