ProcessTransformer：基于 Transformer 网络的预测性业务流程监控
机器学习
2021-04-05 v1 人工智能
摘要
预测性业务流程监控侧重于利用事件日志预测运行中的流程的未来特征。对流程执行的预见为高效运营、更好的资源管理与有效的客户服务提供了巨大潜力。基于深度学习的方法已广泛采用于流程挖掘，以解决经典算法在求解多类问题（尤其是下一事件与剩余时间预测任务）的局限。然而，设计在各类任务上具竞争力的深度神经架构颇具挑战，因为现有方法未能捕捉输入序列中的长程依赖，且在长流程轨迹上表现不佳。本文中，我们提出 ProcessTransformer，一种利用基于注意力的网络从事件日志学习高层表示的方法。我们的模型融入长程记忆，并依赖自注意力机制建立大量事件序列与对应输出间的依赖。我们在九个真实事件日志上评估了技术的适用性。我们证明基于 transformer 的模型以预测下一活动任务上平均超 80% 的准确率优于若干先前技术的基线。对于预测事件时间与运行案例剩余时间的任务，相较基线我们的方法也具竞争力。
引用
@article{arxiv.2104.00721,
title = {ProcessTransformer: Predictive Business Process Monitoring with Transformer Network},
author = {Zaharah A. Bukhsh and Aaqib Saeed and Remco M. Dijkman},
journal= {arXiv preprint arXiv:2104.00721},
year = {2021}
}