چکیده:
پیشبینی رفتار فرآیندهای سازمانی، نقش مهمی در مدیریت فرآیندهای کسبوکار ایفا میکند. این مهم با توسعه بهکارگیری الگوریتمهای یادگیری ماشین در جنبههای مختلف آیندهپژوهی افقهای نوینی در برابر پیشبینی رویدادها و فرآیندها در فضای کسبوکار گشوده است. یکی از روشهای یادگیری ماشین، به کارگیری الگوریتمهای یادگیری عمیق بهعنوان شاخهای از شبکههای عصبی است که توانسته دقت پیشبینی را به میزان زیادی افزایش دهد؛ ازاینرو در پژوهش حاضر از معماری LSTM (حافظه طولانی کوتاهمدت) شبکه عصبی برای پیشبینی فرآیندهای کسبوکار استفاده شده است. برای انجام آزمایش، الگوریتم LSTM بر روی مجموعه داده BPI2012 و BPI2017 اعمال شد. نتایج حاصل از ساخت 300 مدل پیشبینی نشان داد که در مجموعه داده BPI2017 از مجموع آزمایشهای انجامشده بیشترین دقت 907/0 است که این مقدار دقت از مقادیر دقت بهدستآمده در پژوهشهای مشابه بالاتر است. این دقت با اجرای الگوریتم LSTM با معماری یکلایه 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”.