论文
重新审视基础模型时代的预测过程监测：序列、表格和 LLM 方法的比较研究
Revisiting Predictive Process Monitoring in the Age of Foundation Models: A Comparative Study of Sequence, Tabular, and LLM Approaches
摘要
预测流程监控 (PPM) 利用事件日志来预测正在运行的流程实例的未来，例如，预测下一个活动、案例完成之前的剩余时间或下一个事件的时间。虽然近年来的 PPM 研究主要是从头开始训练的深度序列模型，例如长短期记忆 (LSTM) 模型，但基础模型方法——特别是 大语言模型 (LLM)——越来越多地针对 PPM 进行探索。与此同时，具有上下文学习功能的表格基础模型提供了一种有前途的替代方案，但尚未系统地针对 PPM 进行基准测试。因此，目前尚不清楚经典的基于序列的模型在这个不断发展的环境中是否仍然具有竞争力。本文通过跨多个数据集和预测任务的受控基准，从概念上和经验上比较了三种建模范式。结果表明，序列模型在下一个活动预测方面始终表现最佳，而表格基础模型在时间任务上具有竞争力，尽管成本较高，但 LLM 通常落后。