EHHN: 一种面向对象中心的下一个活动预测的事件驱动异构超图网络

# EHHN：一种面向对象中心的下一个活动预测的事件驱动异构超图网络

来源：https://arxiv.org/html/2607.01785
王家兴, 陈凯涛, 韩柱斌, 侯晨宇, 曹斌, 范菁 和 张继\*曹斌和张继为通讯作者。王家兴, 陈凯涛, 韩柱斌, 侯晨宇, 曹斌和范菁来自浙江工业大学计算机科学与技术学院，邮编310023，中国 (电子邮件: \{wjx, chenkaitao, hanzhubin, houcy, fanjing, bincao\}@zjut.edu.cn)。张继来自南昆士兰大学，图姆巴 QLD 4350，澳大利亚 (电子邮件: [email protected])。稿件收到日期：2026年X月X日；修改日期：2026年X月X日。

###### 摘要

下一个活动预测帮助面向服务的流程在延迟、异常或服务级别风险发生之前预判后续步骤。现有方法大多假定经典的单案例事件日志，而真实的业务流程往往涉及多个类型业务对象共享的事件。面向对象的事件日志（OCEL）能够捕捉此类交互，但当前的预测方法仍存在局限。基于扁平化的方法会丢失跨对象上下文，而原生 OCEL 图方法通过成对关系编码多对象事件。现有模型也未能联合捕捉事件驱动的对象状态变化、事件间时序以及全局执行模式。我们提出了 EHHN，一种用于面向对象的下一个活动预测的事件驱动异构超图网络。EHHN 将每个预测前缀表示为一个异构超图，其中事件-对象超边绑定保留的共同参与对象，而生命周期超边则对主对象的已观察生命周期事件进行分组。基于此表示，EHHN 采用双流架构，其中微观空间流建模事件驱动的对象状态演化，宏观演化流通过检索全局原型捕捉时间动态。两流融合后用于预测下一个活动。在四个公开 OCEL 基准数据集上，与九个基线模型进行的实验表明，EHHN 在所有数据集上均取得了最佳准确率和宏平均 F1 分数，相较于最强基线分别提升高达 8.1 和 12.4 个百分点。与最强的原生 OCEL 图基线相比，EHHN 还将峰值 GPU 内存降低达 24 倍。代码可从 https://github.com/chenkaitao1112/EHHN 获取。

## I. 引言

下一个活动预测在预测性流程监控（PPM）中扮演着重要角色，它使服务提供者能够预判运行中流程实例的后续行为 [32 (https://arxiv.org/html/2607.01785#bib.bib30), 43 (https://arxiv.org/html/2607.01785#bib.bib31)]。例如在订单履约服务中，预测订单的下一个活动（如配送调度、退货处理或异常解决）可以指导资源分配并触发服务等级协议（SLA）风险警报。此类预测不仅依赖于订单已观察的生命周期事件，还可能涉及与相关对象（如商品、包裹和发票）有关的事件。然而，现有大多数预测器都基于经典的单案例事件日志构建，其中每个事件关联一个流程实例，自然表示为有序的事件序列 [37 (https://arxiv.org/html/2607.01785#bib.bib67), 26 (https://arxiv.org/html/2607.01785#bib.bib64), 45 (https://arxiv.org/html/2607.01785#bib.bib66), 28 (https://arxiv.org/html/2607.01785#bib.bib65), 8 (https://arxiv.org/html/2607.01785#bib.bib72), 32 (https://arxiv.org/html/2607.01785#bib.bib30), 42 (https://arxiv.org/html/2607.01785#bib.bib44), 43 (https://arxiv.org/html/2607.01785#bib.bib31)]。这种单案例视图无法直接表示由多个类型业务对象共享的服务事件或跨相关对象生命周期的依赖关系。

面向对象的事件日志（OCEL）超越了单案例视图，通过记录每个事件及其涉及的所有类型对象，以多对多的事件-对象关系表示多对象流程 [17 (https://arxiv.org/html/2607.01785#bib.bib1), 15 (https://arxiv.org/html/2607.01785#bib.bib12)]。这种更丰富的表示也使得预测更具挑战性：模型不能再依赖单一的活动序列，因为下一个活动可能依赖于多个相关对象及其共享的事件。现有的基于 OCEL 的预测器及密切相关的预测监控方法主要遵循两个方向。基于扁平化的方法将 OCEL 投影到选定的对象类型上，并应用为经典日志开发的序列模型，从该单一视角处理跨对象事件 [19 (https://arxiv.org/html/2607.01785#bib.bib45), 35 (https://arxiv.org/html/2607.01785#bib.bib47), 16 (https://arxiv.org/html/2607.01785#bib.bib46)]。原生 OCEL 图方法通过将事件、对象及其关系表示为事件-对象图来保留更多面向对象的信息，并使用图神经网络进行编码以用于预测 [1 (https://arxiv.org/html/2607.01785#bib.bib39), 2 (https://arxiv.org/html/2607.01785#bib.bib48), 36 (https://arxiv.org/html/2607.01785#bib.bib40), 20 (https://arxiv.org/html/2607.01785#bib.bib41)]。

尽管取得了进展，现有的基于 OCEL 的预测方法仍然存在四个局限。首先，基于扁平化的方法将多对象事件投影到一个选定的视角，丢失了共同参与的对象和跨对象依赖关系。其次，原生 OCEL 图方法通常通过成对边表示每个多对象事件，削弱了事件与同一发生中涉及的所有对象之间的联合绑定。第三，现有模型很少区分事件和对象的不对称角色：事件是状态变化的瞬态触发器，而对象随时间持续存在并累积这些变化。第四，事件间时序和全局执行模式很少被一起建模，尽管它们对于区分具有相似局部事件-对象结构但时序或流程变体不同的前缀很重要。这些局限要求一种能够保留多对象事件语义的表示，以及一个能够联合捕捉事件驱动的状态演化、事件间时序和全局执行模式的模型。

为此，我们提出了 EHHN，一种用于面向对象的下一个活动预测的事件驱动异构超图网络。EHHN 将围绕主对象的观测前缀表示为一个异构超图：事件-对象超边将每个保留的事件与其保留的共同参与对象绑定起来，避免了在前缀范围内的成对分解；同时，生命周期超边将主对象的已观察生命周期事件分组。在此表示之上，采用双流架构处理前缀。微观空间流将事件视为瞬态触发器，对象视为持久状态，建模事件驱动的对象状态转换和生命周期约束的细化，以捕捉局部对象演化。随后，异构交互编码器将事件和对象表示对齐到共享空间。宏观演化流首先使用时间感知注意力建模事件间时序，然后从全局原型记忆中检索潜在的执行模式，以提供数据集级别的指导。融合后的表示结合这些局部和全局信号，用于下一个活动预测。

本文的主要贡献如下：

- • 我们引入了一种有界异构超图表示，用于面向对象的下一个活动预测。对于每个预测前缀，事件-对象超边将每个保留的事件与其保留的参与对象连接起来，在前缀范围内保持了共同的多对象参与，而生命周期超边则对主对象的已观察生命周期事件进行分组。这种表示避免了单视角扁平化和保留的事件-对象关系的成对分解。
- • 我们提出了一种微观空间编码器，用于建模 OCEL 中事件和对象的不对称角色。该编码器将事件视为更新信号的瞬态来源，将对象视为状态演化的持久实体，因此对象表示由其相关事件更新，并进一步通过主对象的生命周期上下文进行细化。
- • 我们设计了一种宏观演化编码器，用于捕捉局部事件-对象更新未涵盖的信息。该编码器对主对象的生命周期序列应用时间感知注意力以建模事件间时序，并从全局原型记忆中检索原型，以提供数据集级别的执行模式指导。
- • 我们在四个公开的 OCEL 基准数据集上，与九个代表性基线模型对 EHHN 进行了评估。EHHN 在所有数据集上取得了最佳的准确率和宏平均 F1 分数，分别比最强基线提高了高达 8.1 和 12.4 个百分点，并且相对于最强的原生 OCEL 图基线，将峰值 GPU 内存降低了高达 24 倍。

## II. 相关工作

本节回顾与 EHHN 最相关的两方面工作：在经典单案例事件日志上的 PPM（重点在于下一个活动预测），以及在 OCEL 上的 PPM。

### II-A. 经典单案例事件日志上的 PPM

下一个活动预测已在经典单案例事件日志的 PPM 领域得到广泛研究 [25 (https://arxiv.org/html/2607.01785#bib.bib26)]。早期研究依赖于统计、基于规则、概率和特征工程模型 [13 (https://arxiv.org/html/2607.01785#bib.bib42), 3 (https://arxiv.org/html/2607.01785#bib.bib5), 38 (https://arxiv.org/html/2607.01785#bib.bib16)]，而近期方法主要分为基于序列或基于图两类。基于序列的方法将每个运行案例建模为有序事件序列，并用 LSTM 变体 [39 (https://arxiv.org/html/2607.01785#bib.bib36), 6 (https://arxiv.org/html/2607.01785#bib.bib35), 21 (https://arxiv.org/html/2607.01785#bib.bib34)]、CNN-BiLSTM 和基于注意力的模型 [37 (https://arxiv.org/html/2607.01785#bib.bib67)]、Transformer 编码器 [5 (https://arxiv.org/html/2607.01785#bib.bib19), 27 (https://arxiv.org/html/2607.01785#bib.bib38), 23 (https://arxiv.org/html/2607.01785#bib.bib63), 26 (https://arxiv.org/html/2607.01785#bib.bib64), 45 (https://arxiv.org/html/2607.01785#bib.bib66)]、多视图或知识增强预测器 [29 (https://arxiv.org/html/2607.01785#bib.bib20), 41 (https://arxiv.org/html/2607.01785#bib.bib29), 9 (https://arxiv.org/html/2607.01785#bib.bib21), 30 (https://arxiv.org/html/2607.01785#bib.bib22), 14 (https://arxiv.org/html/2607.01785#bib.bib23)] 以及最近的基于 LLM 的方法 [28 (https://arxiv.org/html/2607.01785#bib.bib65), 31 (https://arxiv.org/html/2607.01785#bib.bib14), 7 (https://arxiv.org/html/2607.01785#bib.bib13)] 学习时间依赖关系。基于图的方法通过构建实例图、序列图、同质图或异构图表示，并使用 GNN 或图增强循环架构进行编码，改进了结构表达能力 [11 (https://arxiv.org/html/2607.01785#bib.bib33), 10 (https://arxiv.org/html/2607.01785#bib.bib32), 34 (https://arxiv.org/html/2607.01785#bib.bib28), 12 (https://arxiv.org/html/2607.01785#bib.bib43), 32 (https://arxiv.org/html/2607.01785#bib.bib30), 42 (https://arxiv.org/html/2607.01785#bib.bib44), 43 (https://arxiv.org/html/2607.01785#bib.bib31)]。

尽管取得了这些进展，经典 PPM 方法假设每个事件属于单个流程实例，因此无法原生建模多个类型对象共享的事件或跨对象生命周期的依赖关系。将它们应用于 OCEL 需要进行对象视角投影或成对图转换，从而丢失部分原生多对象语义。

### II-B. OCEL 上的 PPM

OCEL 记录每个事件及其涉及的所有类型对象，使得预测监控能够超越单案例视角。现有的 OCEL 预测器主要遵循两个方向。基于扁平化的方法将 OCEL 转换为序列或特征输入，并重用经典预测模型 [19 (https://arxiv.org/html/2607.01785#bib.bib45), 35 (https://arxiv.org/html/2607.01785#bib.bib47)]。尽管此类方法表明 OCEL 导出的输入可以支持预测，但模型不再基于原生多对象事件结构进行操作。Galanti 等人 [16 (https://arxiv.org/html/2607.01785#bib.bib46)] 融入了对象交互信息，后续工作使用基于 GAT 的面向对象直接跟随图嵌入作为 LSTM 预测器的上下文信息 [18 (https://arxiv.org/html/2607.01785#bib.bib71)]。这些方法仍依赖于导出的面向对象特征或选定的对象类型视角。

原生 OCEL 图方法更直接地保留事件-对象拓扑，但它们主要针对除下一个活动预测之外的其他预测任务。Adams 等人 [1 (https://arxiv.org/html/2607.01785#bib.bib39), 2 (https://arxiv.org/html/2607.01785#bib.bib48)] 研究了用于流程挖掘任务的面向对象特征提取和图保持编码。HOEG [36 (https://arxiv.org/html/2607.01785#bib.bib40)] 构建了异构事件-对象图，并应用端到端 GNN 进行剩余时间预测。Gherissi 等人 [20 (https://arxiv.org/html/2607.01785#bib.bib41)] 提出了一个基于图流程执行的模块化面向对象 PPM 框架，并在剩余时间预测和事件计数预测上进行了评估。

总体而言，现有的 OCEL 预测器证明了面向对象信息的价值，但能够保留多对象事件绑定的面向对象下一个活动预测仍未被充分探索。现有方法要么将 OCEL 简化为选定的对象视角，要么通过成对图结构编码多对象事件，并且它们尚未联合解决多对象事件绑定、事件-对象角色不对称性、事件间时序以及数据集级别的执行规律。

## III. 预备知识与问题定义

本节介绍全文使用的符号和正式定义。

### III-A. 面向对象的事件日志

面向对象的事件日志（OCEL）记录每个业务事件及其涉及的所有类型对象。形式上，一个 OCEL 是一个元组

L = (E, O, OT, π_act, π_time, π_obj, π_type, π_ea, π_oa),

其中 E, O, 和 OT 分别是事件、对象和对象类型的有限集合；A 是活动标签集合；U_T 是时间戳值域。映射 π_act: E → A 和 π_time: E → U_T 分配活动标签和时间戳；π_obj: E → P(O) \ {∅} 将每个事件映射到一个非空参与对象子集，其中 P(O) 表示 O 的所有子集的集合；π_type: O → OT 分配对象类型；π_ea, π_oa 为事件和对象分配属性值。

为了一致地定义对象轨迹，我们对事件施加确定性顺序。事件通过 ≺ 基于字典序键 (π_time(e), ι(e)) 排序，其中 ι(e) 是用于打破时间戳平局的确定性事件索引。

对于对象 o ∈ O，其*对象轨迹* 是 o 参与的事件序列，按 ≺ 排序：

σ(o) = ⟨e1, e2, ..., e_{n_o}⟩,

其中每个 e_i 满足 o ∈ π_obj(e