基于跨案例的预测过程监控：量子机器学习的候选方案？

Jun, 2023

基于跨案例的预测过程监控：量子机器学习的候选方案？

Inter-case Predictive Process Monitoring: A candidate for Quantum Machine Learning?

Stefan Hill, David Fitzek, Patrick Delfmann, Carl Corea

TL;DR本文利用最新的机器学习技术，综合分析了 Inter-case Predictive Process Monitoring (PPM) 对预测准确性的影响，研究表明多个 instance 之间的特征提取能够提高预测准确性，并且在少量特征配置下，量子算法表现优异。最后，研究者实现了一个开源插件，将先进的工作流引擎与 IBM 量子计算云服务相连接。

Abstract

Regardless of the domain, forecasting the future behaviour of a running process instance is a question of interest for decision makers, especially when multiple instances interact. Fostered by the recent advances in machine learning research, several methods have been proposed to predict the next activity, outcome or remaining time of a process automatically

predictive process monitoring machine learning inter-case features quantum algorithms workflow engine

发现论文，激发创造

预测过程监控结果可解释性：你能看到我的数据问题吗？

本文探讨了预测业务流程监控（PPM）中不同设置对 ML 模型的影响，并研究了导致生成不同解释的原因。

Feb, 2022

基于聚类的预测性过程监控

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

预测性监控的性能维持事件日志采样

本研究提出了一种选择实例的程序，可以提高训练速度，同时保持可靠的预测准确度，用于预测活动和剩余时间等信息，适用于预测过程挖掘的研究领域。

Jan, 2023

预测性监控的事件日志抽样

本文提出了一种实例选择程序，可以对采样进行培训，以预测下一步的活动，从而使训练速度显著提高，同时保持可靠的预测准确性。

Apr, 2022

预测性流程监控中机器学习不确定性的量化和解释：运筹学视角

本文介绍了一个多阶段综合的机器学习方法，有效地将信息系统和人工智能相结合，以增强操作研究领域内的决策过程的效力。该方法能够解决现有解决方案的常见限制，例如忽略关键生产参数的数据驱动估计、仅生成点预测而不考虑模型不确定性以及缺乏关于不确定性来源的解释。我们的方法利用分位数回归森林生成间隔预测，同时采用了局部和全局版本的 SHapley 加性解释，用于研究预测过程监测问题。通过一个实际的生产计划案例研究，我们证明了所提出方法的实际适用性，强调了规范分析在完善决策程序方面的潜力。本文强调了解决这些挑战以充分利用广泛和丰富的数据资源来进行明智决策。

Apr, 2023

量子机器学习优化资金预测

利用量子算法的机器学习方法可以用于提高金融预测的准确性，包括使用 DPP 提高 Ramdon Forest 模型的精度和设计量子神经网络架构降低经典性能所需的参数数量实现信用风险评估。

May, 2023

利用 LSTM 神经网络进行预测性业务流程监控

本文针对具有宽泛的预测过程监控任务，研究了采用 LSTM 神经网络建立的高准确度模型，证明该方法在预测下一个事件、任务以及剩余时间方面优于现有技术。

Dec, 2016

流程预测深度学习现有技术的系统文献综述

该研究综合了深度学习算法在流程挖掘中的应用，着重通过系统性文献综述的方式，分析不同数据处理方案、网络拓扑结构、以及目标预测等方面的优缺点。

Jan, 2021

基于学习的具有符合性统计保证的预测监控方法

该教程主要关注以机器学习为基础的预测性监测，介绍了一种有效的方法来检测系统在当前状态下对给定要求的潜在违规情况，并提出使用深度学习和符合预测方法来解决计算效率和可靠性的挑战。

Dec, 2023

可解释可解释的机器学习方法用于预测过程监控：系统文献综述

该论文通过 PRISMA 框架对机器学习模型的可解释性和可解释性进行了系统的文献综述，重点研究了在预测性过程挖掘中使用复杂业务流程数据训练的机器学习模型的解释挑战，区分了内在可解释模型和需要事后解释技术的模型，并全面概述了当前方法在各应用领域的应用及其应用。通过严格的文献分析，该研究对预测性过程挖掘中的可解释性和可解释性状况进行了详细综合，识别了关键趋势、挑战和未来发展方向。研究结果旨在为研究人员和实践者提供更深入的了解，以开发和实施更可靠、透明和有效的智能预测性过程分析系统。

Dec, 2023