GenPdM：一种预测到决策的框架，结合了基于LSTM的下一事件发生时间预测技术与检索增强生成算法，用于IT服务运维

《Journal of Web Engineering》：GenPdM: A Predictive-to-Decision Framework Integrating LSTM-Based Time-to-Next-Incident Forecasting and Retrieval-Augmented Generation for IT Service Operations

　　

摘要：

现代信息技术服务运营需要预测性维护（PdM）机制，这些机制不仅能够生成早期预警，还能支持预防性决策。现有的方法通常仅停留在预测事件风险阶段，操作人员需要手动解读预测结果并制定缓解措施。本研究提出了生成式预测性维护（GenPdM），这是一个统一的从预测到决策的框架，它通过基于检索的决策层将“下次事件发生时间”（TTNI）的预测转化为有依据的运营指导。GenPdM结合了基于长短期记忆网络（LSTM）的TTNI预测模型和检索增强生成（RAG）技术，并使用十个月内收集的超过166万条实际信息技术运营中心工单记录进行了评估。结构化的时间属性被转换为用于TTNI预测的时序序列，而文本和诊断记录则被索引为检索知识库。在三个运营风险类别中构建了一个包含60个案例的控制性第三阶段评估子集：高压、滞后关键和安全高错误案例。最终决策结果分为18个“关键”级、22个“高”级和20个“中等”级，这表明需要根据不同类别来优先处理问题，而不采用统一的升级模式。第三阶段流程实现了完全的响应、解析和优先级确定，平均响应时间为每个案例5.8337秒。检索的稳定性通过顶端10%的变异系数（CV）0.0404和衍生的向量距离鲁棒性（VDR）得分0.9596来体现，而在前三名检索结果下的明确定位准确性仍保持中等水平。