PGTNet: A Process Graph Transformer Network for Remaining Time Prediction of Business Process Instances

我们提出了PGTNet，这是一种将事件日志转换为图形数据集的方法，并利用面向图形的数据来训练过程图转换网络，以预测业务流程实例的剩余时间。PGTNet在20个公开可用的真实世界事件日志的不同范围内始终优于最先进的深度学习方法。值得注意的是，我们的方法对于高度复杂的流程最具有前途，因为现有的深度学习方法在学习流程活动之间的控制流关系和捕捉长程依赖性方面遇到了困难。PGTNet解决了这些挑战，同时还能够在学习过程中考虑多个流程视角。

本论文旨在将事件日志转化为图形数据集，使用图形数据训练流程图转换网络，以预测业务流程实例的剩余时间。该方法旨在解决现有深度学习方法在学习控制流关系和捕捉长期依赖性方面的局限性，特别是在高度复杂的流程中。

PGTNet将事件日志转化为图形数据集，并使用图形数据训练流程图转换网络，以预测业务流程实例的剩余时间。该方法能够更好地学习控制流关系和捕捉长期依赖性，同时还能考虑多个流程视角。

该论文在20个公开可用的真实世界事件日志中进行了实验，并表明PGTNet在高度复杂的流程中表现最佳。该论文的亮点包括使用图形数据进行训练、考虑多个流程视角、解决现有深度学习方法的局限性等。论文未提供开源代码。

与此相关的最近研究包括：1）使用深度学习进行业务流程预测的研究；2）使用图形数据进行机器学习的研究。