量化与解释预测性流程监控中的机器学习不确定性：运筹学视角
机器学习
2023-04-14 v1 人工智能
最优化与控制
机器学习
摘要
本文引入一种综合的多阶段机器学习方法，有效融合信息系统与人工智能，以增强运筹学领域的决策过程。所提框架巧妙解决了现有方案的常见局限，例如忽视对关键生产参数的数据驱动估计、仅生成点预测而未考虑模型不确定性、以及缺乏对不确定性来源的解释。我们的方法采用分位数回归森林生成区间预测，并采用 SHapley Additive Explanations（SHAP）的局部与全局变体用于所考察的预测性流程监控问题。通过一个真实世界的生产规划案例研究证实了所提方法的实际适用性，强调了规范性分析在改进决策程序方面的潜力。本文凸显了应对这些挑战以充分利用可获取的海量丰富数据资源进行明智决策的必要性。
引用
@article{arxiv.2304.06412,
title = {Quantifying and Explaining Machine Learning Uncertainty in Predictive Process Monitoring: An Operations Research Perspective},
author = {Nijat Mehdiyev and Maxim Majlatow and Peter Fettke},
journal= {arXiv preprint arXiv:2304.06412},
year = {2023}
}