用于分析与预测业务流程的深度学习方法比较
机器学习
2021-05-04 v2 人工智能
摘要
卷积神经网络（CNN）和长短期记忆网络（LSTM）等深度学习模型已成功用于流程挖掘任务，并在不同的预测任务中取得了优于传统方法的性能。我们通过测试四种不同的图神经网络（GNN）变体以及带有 dropout 的全连接多层感知机（MLP），在预测下一流程活动的性质和时间戳这两项任务上扩展了现有研究。与已有研究不同，我们在流程的不同阶段评估模型性能，这些阶段由事件数的四分位数和案例时长的归一化四分位段确定。这提供了关于预测模型性能的新见解，因为模型在业务流程的不同阶段表现不同。有趣的是，我们的实验表明，在两项预测任务中，简单的 MLP 常常优于更复杂的深度学习模型。我们认为，在流程的不同阶段应用自动化流程预测技术时需要谨慎。我们进一步认为，研究者应当用简单的 MLP 等强基线方法来反思他们的结果。
引用
@article{arxiv.2102.07838,
title = {A Comparison of Deep-Learning Methods for Analysing and Predicting Business Processes},
author = {Ishwar Venugopal and Jessica Töllich and Michael Fairbank and Ansgar Scherp},
journal= {arXiv preprint arXiv:2102.07838},
year = {2021}
}
备注
How to cite: I. Venugopal, J. T\"ollich, M. Fairbank, A. Scherp, "A Comparison of Deep-Learning Methods for Analysing and Predicting Business Processes" in Proceedings of International Joint Conference on Neural Networks, IJCNN, IEEE Press, July 18-22, 2021