[论文解读] Incremental Predictive Process Monitoring: How to Deal with the Variability of Real Environments

Chiara Di Francescomarino, Chiara Ghidini+3 more|arXiv (Cornell University)|Apr 11, 2018

Data Stream Mining Techniques参考文献 26被引用 5

一句话总结

本文提出一种基于自适应学习算法的增量预测过程监控方法，可在新案例完成时实时更新模型，从而实现对动态演变过程行为的动态适应。在真实和合成数据上的评估表明，该方法相比静态模型显著提升了预测准确性，且案例编码策略对性能有显著影响。

ABSTRACT

A characteristic of existing predictive process monitoring techniques is to first construct a predictive model based on past process executions, and then use it to predict the future of new ongoing cases, without the possibility of updating it with new cases when they complete their execution. This can make predictive process monitoring too rigid to deal with the variability of processes working in real environments that continuously evolve and/or exhibit new variant behaviors over time. As a solution to this problem, we propose the use of algorithms that allow the incremental construction of the predictive model. These incremental learning algorithms update the model whenever new cases become available so that the predictive model evolves over time to fit the current circumstances. The algorithms have been implemented using different case encoding strategies and evaluated on a number of real and synthetic datasets. The results provide a first evidence of the potential of incremental learning strategies for predicting process monitoring in real environments, and of the impact of different case encoding strategies in this setting.

研究动机与目标

• 解决现有预测性过程监控技术在模型训练后无法适应的僵化问题。
• 通过利用新完成的案例持续更新预测，实现模型的持续改进。
• 评估不同案例编码策略对增量学习性能的影响。
• 证明增量学习在现实世界过程监控场景中的可行性和有效性。

提出的方法

• 采用增量学习算法，在每次新案例完成执行后更新预测模型。
• 使用多种案例编码策略（例如，事件序列表示）将过程实例转换为学习的输入特征。
• 应用支持在线学习的机器学习模型，实现无需从头开始重新训练的参数更新。
• 在真实和合成数据集上逐步训练模型，以模拟过程行为的演变。
• 整合已完成案例的反馈，以优化未来预测并提升模型泛化能力。
• 随时间评估模型性能，以衡量其对过程动态变化的适应能力。

实验结果

研究问题

• RQ1 与静态模型相比，增量模型更新在动态过程环境中如何提升预测准确性？
• RQ2 不同案例编码策略对增量预测模型性能有何影响？
• RQ3 增量学习能否有效捕捉现实日志中不断演变的过程变体和新行为模式？
• RQ4 当应用于大规模过程监控工作负载时，增量学习算法的稳定性和可扩展性如何？

主要发现

• 在过程行为持续演变的环境中，与静态模型相比，增量学习显著提升了预测准确性。
• 案例编码策略的选择对模型性能有显著影响，某些编码方式能实现更好的泛化能力和更快的收敛速度。
• 通过增量方式更新的模型能更有效地适应随时间演变的新过程变体和行为变化。
• 即使过程日志持续演化，该方法仍能保持较高的预测性能，展现出在现实场景中的鲁棒性。
• 合成数据集证实，与批量训练模型相比，增量模型能更快检测并适应行为变化。
• 结果为增量学习在实时预测性过程监控中的可行性和有效性提供了实证支持。