بهبود دقت پيش‌بيني فرآيندها در مديريت فرآيندهاي كسب‌وكار با به‌كارگيري معماري LSTM

An Enhanced LSTM Method to Improve the Accuracy of the Business Process Prediction

پيش­بيني رفتار فرآيندهاي سازماني، نقش مهمي در مديريت فرآيندهاي كسب­‌وكار ايفا مي­‌كند. اين مهم با توسعه به­‌كارگيري الگوريتم‌­هاي يادگيري ماشين در جنبه‌­هاي مختلف آيند‌‌‌ه‌­پژوهي افق‌­هاي نويني در برابر پيش­بيني رويدادها و فرآيندها در فضاي كسب‌­وكار گشوده است. يكي از رو‌‌‌ش‌­هاي ‌يادگيري ماشين، به كارگيري الگوريتم­‌هاي يادگيري عميق به­‌عنوان شاخه‌­اي از شبكه­‌هاي عصبي است كه توانسته دقت پيش­بيني را به ميزان زيادي افزايش دهد؛ ازاين‌­رو در پژوهش حاضر از معماري LSTM (حافظه طولاني كوتاه­‌مدت) شبكه عصبي براي پيش­بيني فرآيندهاي كسب­وكار استفاده شده است. براي انجام آزمايش، الگوريتم LSTM بر روي مجموعه داده BPI2012 و BPI2017 اعمال شد. نتايج حاصل از ساخت 300 مدل پيش­بيني نشان داد كه در مجموعه داده BPI2017 از مجموع آزمايش‌هاي انجام‌­شده بيشترين دقت 907/0 است كه اين مقدار دقت از مقادير دقت به­‌دست‌­آمده در پژوهش‌هاي مشابه بالاتر است. اين دقت با اجراي الگوريتم LSTM با معماري يك­‌لايه و مدل داده­‌بزرگ و بدون بازخورد به­‌دست آمده است.

Prediction of the process behavior plays a key role in business process management. This research benefits from recent development in the field of deep learning to predict the next event in business processes. The proposed method uses Long Short-Term Memory (LSTM) as a promising architecture of recurrent neural networks. This architecture is implemented using a number of configurations with the aim of investigating how each of them affects the performance of the prediction models. In order to build and evaluate our prediction models, we used two publicly available datasets (BPI 2012 and BPI 2017). After developing 300 prediction models, the results indicated that the proposed method outperforms the state-of-the-art methods in terms of precision. The best result in terms of Accuracy (0.907) was achieved through “one-hidden” layer LSTM architecture and by using “Big” configuration in the absence of “feedback”.