多视角属性网络与序列嵌入模型MAKEE在预测性业务流程监控中的创新应用

本文推荐：该研究提出MAKEE模型（多视角属性网络与序列嵌入方法），创新性地融合业务流程中多属性网络（如组织网络、资源网络）的图结构信息与序列特征，通过图卷积网络（GCN）和Transformer分别提取全局结构特征与序列依赖关系，显著提升下一活动预测（next-activity prediction）的准确性。实验基于12个真实事件日志验证了模型在预测性业务流程监控（PBPM）中的优越性。

　　

亮点

本研究提出MAKEE方法，通过多视角学习整合业务流程中隐含的多属性网络（如组织架构、社交网络）的深层结构信息与显式序列特征，为预测性流程监控（PBPM）提供了新思路。

方法学

MAKEE框架包含三步骤：

1. 1.

   预处理：从事件日志中分割轨迹，挖掘多属性网络图（如资源协作网络），并提出节点特征增强方法，将历史执行的全局结构信息编码至节点特征矩阵；

2. 2.

   多视角学习：采用图卷积网络（GCN）学习网络结构特征，Transformer捕捉属性序列的时序依赖；

3. 3.

   融合预测：联合两类特征提升下一活动预测性能。

实验验证

基于12个真实事件日志的对比实验表明，MAKEE在预测准确性和鲁棒性上均优于现有方法。例如，在医疗流程日志中，模型通过资源网络特征识别了医护人员协作模式，显著降低急诊流程的预测偏差。

结论与展望

MAKEE首次系统整合业务流程的多属性网络结构信息，未来可扩展至跨机构流程协同优化（如多医院资源调度）和实时异常检测（real-time deviation detection）场景。

作者贡献声明

陈彬彬：方法论实现与实验分析；赵双瑶：多视角学习框架设计；林磊磊：图结构建模；张强：研究指导与资源协调。

利益冲突声明

作者声明无潜在竞争性利益影响本研究。

（注：翻译保留原文技术术语如GCN、Transformer等，并通过“资源协作网络”“时序依赖”等表述增强生命科学领域的专业性与可读性。）