تاريخيًا، كان التنبؤ بالأنشطة التالية في سجلات الأحداث (event logs) يعتمد بشكل كبير على التقنيات المعقدة مثل الشبكات العصبية (Neural Networks). لكن، تظهر الأبحاث الحديثة تحولًا ملحوظًا نحو استخدام نماذج Automata الخفيفة (Lightweight Automata Models) مثل n-grams، وتشير النتائج إلى أنها تتفوق على بعض الأطر العصبية في الاستخدام العملي.

في إطار التجارب التي أجريت على أنماط تركيبية وخمسة مجموعات بيانات في الواقع، تبين أن استخدام n-grams مع نوافذ سياقية ملائمة يمكن أن يحقق دقة مشابهة لتلك التي توفرها نماذج التعلم العميق، بينما يحتاج إلى موارد أقل بكثير. على عكس هياكل الشبكات العصبية التي تعتمد على النوافذ، حيث تظهر أداءً غير مستقر، توفر n-grams دقة ثابتة وقوية.

لكن، تتطلب الأساليب الكلاسيكية المعروفة مثل التصويت (Voting) تنفيذ عدة وكلاء في وقت واحد، مما يزيد من استهلاك الذاكرة وزمن الاستجابة. ومن هنا، طرحت الدراسة خوارزمية مبتكرة تُعرف باسم "خوارزمية الترويج" (Promotion Algorithm)، التي تختار ديناميكيًا بين نموذجين نشطين خلال عملية الاستنتاج، مما يقلل من التكاليف التشغيلية مقارنةً بأساليب التصويت التقليدية.

أظهرت النتائج على مجموعات بيانات حقيقية أن هذه النماذج تجمع بين دقة النماذج العصبية غير المعتمدة على النوافذ وتكاليف حسابية أقل، مما يجعلها خيارًا مثيرًا للاهتمام للباحثين في مجال تحليل البيانات.