تعتبر عملية توليد تسلسلات الأحداث تحت قيود هيكلية واحدة من أبرز التحديات التي تواجه مجال رصد العمليات التنبؤية (Predictive Process Monitoring). فهذا النوع من التوليد يتطلب الحفاظ على تناسق العمليات الزمنية والتوقف والتوافق بين الخصائص. وفي الوقت الذي تنصب فيه الأبحاث السابقة على مهام فرعية مثل التنبؤ بالنشاط التالي أو الوقت المتبقي، تأتي الابتكارات الحديثة لتسجل انطلاقة جديدة من خلال نموذج يسمى "النموذج القائم على الرسم البياني والنموذج المترابط (Graph Grounded Cross Attention Transformer Neural Network)" والتي تعرف اختصارًا بـ GGATN.

يعتمد نموذج GGATN على استخدام رسم بياني عالمي للعمليات كذاكرة هيكلية للنشاط، مما يسمح له بفهم السياقات المختلفة لمواقع التسلسلات عبر تقنية التحويل الذاتي (Transformer self attention). وإضافةً لذلك، يتم حقن هيكلية العمليات من خلال آلية الانتباه المتقاطع المعتمد على الرسم البياني (graph grounded cross attention).

ما يميز نموذج GGATN عن أساليب التوليد التقليدية هو قدرته على إنتاج الأنشطة والأوقات والخصائص في عملية واحدة، مما يعزز فعالية عملية التوليد. وكجزء من عملية التحقق، يستخدم النموذج decoding بأسلوب Viterbi لضمان مسارات قابلة للتطبيق وواضحة في التوقف.

أظهرت التجارب على ستة سجلات معيارية لجمع الأحداث أن GGATN يتفوق في جودة التوليد مقارنةً بنماذج التعليم التلقائي القائم على التعليمات. حيث حقق النموذج أداءً قويًا في توافق التسلسل، وتوافق Damerau Levenshtein، وتوافق التدفق، وتوزيع المدة، مع الحفاظ على صفر من الأنشطة الموهومة وصفر من التناقض في خصائص التسلسل. كما تؤكد تحليلات الإزالة على أن مشفر الرسم البياني العالمي يوفر مبدأ هيكلي مستقر.

تظهر تحليلات القابلية للتفسير كيف تؤثر الهياكل البيانية، وسياقات التسلسل، وإعادة تحسين التغذية المرتدة، والتعديل المقيد على عملية التوليد، مما يجعل نموذج GGATN خطوة مهمة نحو تحسين تكنولوجيا رصد العمليات التنبؤية.