时间至关重要：用于预测性业务流程监控的时间感知 LSTM
机器学习
2020-11-06 v3 人工智能
摘要
预测性业务流程监控（PBPM）旨在基于事件日志数据在正在进行的过程执行中预测未来的过程行为。特别是，用于下一活动与时间戳预测的技术有助于提升运营业务流程的性能。近来，研究者提出了许多基于深度学习的 PBPM 解决方案。由于事件日志数据的序列性质，常用选择是应用带有长短期记忆（LSTM）单元的循环神经网络。我们认为，事件之间经过的时间是具有信息量的。然而，当前的 PBPM 技术主要使用“朴素”LSTM 单元以及手工构造的与时间相关的控制流特征。为了更好地建模事件间的时间依赖关系，我们提出了一种基于时间感知 LSTM（T-LSTM）单元的新 PBPM 技术。T-LSTM 单元内在地纳入连续事件之间经过的时间以调整单元记忆。此外，我们引入代价敏感学习以处理事件日志中常见的类不平衡问题。我们在公开可用的基准事件日志上的实验表明了所引入技术的有效性。
引用
@article{arxiv.2010.00889,
title = {Time Matters: Time-Aware LSTMs for Predictive Business Process Monitoring},
author = {An Nguyen and Srijeet Chatterjee and Sven Weinzierl and Leo Schwinn and Martin Matzner and Bjoern Eskofier},
journal= {arXiv preprint arXiv:2010.00889},
year = {2020}
}
备注
12 pages, 4 figures, to be published in post-workshop proceedings volume in the series Lecture Notes in Business Information Processing (LNBIP) - 1st International Workshop on Leveraging Machine Learning in Process Mining (ML4PM) @ ICPM 2020