一种创新的数据驱动和自适应的强化学习方法用于情境感知的预置过程监控
机器学习
2025-05-29 v2 人工智能
摘要
人工智能和机器学习在商业流程管理中的应用取得了显著进展，但由于数据质量和可用性的挑战，这些技术的全部潜力仍基本未被探索。我们提出了一种新框架，称为 Fine-Tuned Offline Reinforcement Learning Augmented Process Sequence Optimization（FORLAPS），旨在通过利用基于状态依赖奖励塑形机制增强的强化学习来识别商业流程中的最优执行路径，从而实现情境感知的预置决策。此外，为比较 FORLAPS 与现有模型（置换特征重要性和多任务长短期记忆模型），我们进行实验以评估其在资源节省和过程时间减少方面的效果。实验结果表明，FORLAPS 在实际事件日志上的应用可实现 31% 的资源时间节省和 23% 的过程时间缩短。为进一步增强学习，我们引入一种创新的过程感知数据增强技术，通过选择性地增加抽样批次中平均估计 Q 值的，实现了强化学习模型的自动微调。通过前缀级别和轨迹级别的评估（以 Damerau-Levenshtein 距离为主要指标）评估了模型的鲁棒性。最后，通过包括医疗保健治疗路径、金融服务工作流程、监管机构许可申请以及运营管理等多样化案例研究，进一步验证了该模型在不同行业中的可适应性。在每个领域，所提出的模型都表现出色，优于现有最先进的方法在预置决策方面的表现，展示了其在流程轨迹中预测最佳下一活动并预置最优下一步骤的能力。
引用
@article{arxiv.2501.10543,
title = {An Innovative Data-Driven and Adaptive Reinforcement Learning Approach for Context-Aware Prescriptive Process Monitoring},
author = {Mostafa Abbasi and Maziyar Khadivi and Maryam Ahang and Patricia Lasserre and Yves Lucet and Homayoun Najjaran},
journal= {arXiv preprint arXiv:2501.10543},
year = {2025}
}