用于业务流程实例数据感知剩余时间预测的LSTM网络
机器学习
2017-11-13 v1 机器学习
摘要
在服务级别协议约束下管理流程时，预测业务流程实例的完成时间将是非常有帮助的辅助手段。提前知晓运行流程实例的趋势可使业务经理及时反应，以防延误或不利情形。然而，做出此类准确预测并不容易：诸多因素可能影响完成一个流程实例所需时间。本文提出一种基于深度循环神经网络（具体为LSTM）的方法，能够利用与单个事件关联的任意信息，从而对运行实例的完成时间做出尽可能准确的预测。在真实数据集上的实验证实了我们所提方案的质量。
引用
@article{arxiv.1711.03822,
title = {LSTM Networks for Data-Aware Remaining Time Prediction of Business Process Instances},
author = {Nicolò Navarin and Beatrice Vincenzi and Mirko Polato and Alessandro Sperduti},
journal= {arXiv preprint arXiv:1711.03822},
year = {2017}
}
备注
Article accepted for publication in 2017 IEEE Symposium on Deep Learning (IEEE DL'17) @ SSCI