迈向预测性流程挖掘的可复现性：SPICE —— 一个深度学习库
文章背景与核心概要
预测性流程挖掘（PPM）利用人工神经网络来监控业务流程并预测关键绩效指标（KPI），已成为现代企业管理的核心技术。然而，现有的PPM方法普遍面临可复现性差、决策过程不透明以及在基准测试或集成新数据集时可用性受限等问题，这使得不同研究成果之间的公平比较变得异常困难。
为了解决这些挑战，本文作者推出了 SPICE，这是一个基于 PyTorch 构建的 Python 框架。SPICE 在一个统一且高度可配置的基准框架内，重新实现了三种主流的深度学习 PPM 方法，旨在为历史及未来的建模方法提供稳健且可复现的比较基准。研究通过在 11 个不同数据集上对比原始报告指标与公平指标，验证了该框架的有效性。
文档元数据
| 字段 | 详情 |
|---|---|
| arXiv 标识符 | arXiv:2512.16715 [cs.LG] |
| 主要学科 | 机器学习 (cs.LG) |
| 次要学科 | 人工智能 (cs.AI) |
| 作者 | Oliver Stritzel, Nick Hühnerbein, Simon Rauch, Itzel Zarate, Lukas Fleischmann, Moike Buck, Attila Lischka, Christian Frey |
| 提交历史 | • v1: 2025年12月18日 • v2: 2025年12月19日 • v3 (当前): 2026年8月25日 |
| 许可协议 | 知识共享 署名-非商业性使用-禁止演绎 4.0 国际  |
Field Details arXiv Identifier arXiv:2512.16715 [cs.LG] Primary Subject Machine Learning ( cs.LG)Secondary Subjects Artificial Intelligence ( cs.AI)Authors Oliver Stritzel, Nick Hühnerbein, Simon Rauch, Itzel Zarate, Lukas Fleischmann, Moike Buck, Attila Lischka, Christian Frey Submission History • v1: 18 Dec 2025
• v2: 19 Dec 2025
• v3 (Current): 25 Aug 2026License Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International
摘要
近年来，基于人工神经网络的预测性流程挖掘（PPM）技术已发展成为一种监控业务流程未来走向并预测关键绩效指标（KPI）的方法。然而，许多 PPM 方法往往缺乏可复现性、决策透明度，以及在整合新数据集和进行基准测试方面的可用性，这使得不同实现之间的比较非常困难。在本文中，我们提出了 SPICE，这是一个基于 PyTorch 的 Python 框架。它在 PyTorch 中重新实现了三种流行的现有深度学习 PPM 基准方法，同时设计了一个具有严格可配置性的通用基础框架，以实现对过去和未来建模方法的可复现且稳健的比较。我们将 SPICE 与原始报告指标进行了对比，并在 11 个数据集上使用了公平指标进行了评估。
In recent years, Predictive Process Mining (PPM) techniques based on artificial neural networks have evolved as a method for monitoring the future behavior of unfolding business processes and predicting Key Performance Indicators (KPIs). However, many PPM approaches often lack reproducibility, transparency in decision making, usability for incorporating novel datasets and benchmarking, making comparisons among different implementations very difficult. In this paper, we propose SPICE, a Python framework that reimplements three popular, existing baseline deep-learning-based methods for PPM in PyTorch, while designing a common base framework with rigorous configurability to enable reproducible and robust comparison of past and future modelling approaches. We compare SPICE to original reported metrics and with fair metrics on 11 datasets.
链接与资源
- 全文访问： 查看 PDF | HTML (实验性) | TeX 源码
- 外部引用： Google Scholar | Semantic Scholar | NASA ADS
- Full-Text Access: View PDF | HTML (Experimental) | TeX Source
- External Citations: Google Scholar | Semantic Scholar | NASA ADS