编码方式对业务流程剩余时间预测影响评估

合理的事件编码方式有助于提升业务流程剩余时间预测效果,为此,有针对性地设计出5种事件编码方式。首先,抽取业务流程包含的全部事件,并利用事件编码方式对获取的事件进行编码。其次,根据业务流程序列性的特点,构建不同类型的剩余时间预测模型,同时将事件编码向量作为预测模型的输入,从而评估事件编码方式对业务流程剩余时间预测的影响。在8个公开事件日志数据集上进行实验,结果表明GloVe事件编码方式在提高业务流程剩余时间预测效果上是最有效的。该实验结果可帮助研究者和从业者选择最合适的事件编码方式以实现最佳剩余时间预测效果。

风电业务流程剩余时间预测与系统应用

针对工业场景下运维事件日志复杂以及数据量较少等问题,提出一种基于时间卷积网络的剩余时间预测方法。首先,使用因果卷积对流程实例数据进行建模;其次,对不同长度的轨迹前缀分别进行模型训练,以提高模型的针对性;最后,将剩余时间预测模型用于实际的风电运维业务场景中,开发风电运维业务系统,实现工作票表单数据以及事件日志数据的可视化展示。与传统的剩余时间预测方法相比,该方法的预测效果有显著提升,平均绝对误差值降低了5%左右。开发的风电运维业务系统能够预测未完成工作票开票过程中流程的剩余时间,实现业务流程超时告警。

基于在线模型的业务过程剩余时间预测

鉴于现有剩余时间预测模型所采用的离线构建方式周期长、更新速度慢,在流式事件分析中容易老化,提出一种在线预测模型的构建及剩余时间预测方法。融合多种抽象机制得到复合变迁系统作为预测模型,设计了增量式预测模型学习算法,以保证模型的实时性;基于统计理论定义预测信度,给出基于预测信度的剩余时间预测算法,采用轨迹回顾机制增强模型的预测能力;定义波动性衡量预测结果在时间维度上变化的幅度;通过在多个公开数据集上与已有方法对比,表明所提方法在预测准确性和波动性上均具有明显的优势。

基于双层机器学习的业务流程剩余时间预测

近年来,流程挖掘技术不再局限于对事件日志的线下分析以实现对流程模型的改进,而更加关注如何为业务流程的优化提供在线支持.其中业务流程剩余执行时间的预测监控是流程挖掘中的关键研究问题,它能为相关者提供及时的预测信息,进而采取有效措施以减少流程执行风险(例如超过时间限制).当前剩余时间预测的研究仅考虑单个流程实例的内部属性,而忽略了多个实例共同执行对剩余执行时间所产生的竞争影响.为此,本文考虑多实例间的资源竞争,并将其作为预测的主要输入属性之一.此外,本文还通过分析历史事件日志选择出一些对当前流程实例执行时间有重大影响的关键活动,并将其也作为预测的输入属性之一.同时,为提高预测模型的精度和在复杂应用场景中的适应性,本文利用堆叠技术将XGBoost模型和LightGBM模型进行融合,构建出双层混合预测模型来完成对业务流程剩余时间的预测.在四个真实数据集上的实验表明,考虑了实例间属性以及关键活动属性的混合预测模型在平均绝对误差上比LSTM和XGBoost方法分别降低了11.6%和15.8%.

基于LSTM神经网络机车调度剩余时间预测

矿山机车调度的数字孪生系统构建是智慧矿山建设的一项重要研究内容,为实现矿山机车调度数字孪生系统的实时预测分析,将预测型监控管理的剩余时间预测作为研究目标。从井下机车调度系统的数字孪生系统的背景出发,以矿山机车的智能传感技术实时采集的机车运行过程数据为基础,通过对事件日志中不同类型的机车轨迹进行划分,构建剩余时间向量,并使用对时序数据有较高准确性的LSTM神经网络进行预测,实现机车调度剩余时间的精准预测。同时,根据划分的机车轨迹创建滑动窗口矩阵,在机车运行过程中不断迭代更新,使用已训练的LSTM神经网络模型对滑动窗口矩阵的剩余时间向量进行预测,实现不同类型机车调度剩余时间预测的实时更新。通过实验证明了方法的有效性。提出的方法可以有效地解决不同机车类型在不同活动下的机车调度剩余时间实时预测问题,为矿山数字孪生下的机车大数据分析与决策提供数据支持。

基于注意力双向循环神经网络的业务流程剩余时间预测方法

现有的基于深度学习的业务流程剩余时间预测方法大多采用传统的长短期记忆循环神经网络构建预测模型,由于传统长短期记忆循环神经网络对序列数据的建模能力有限,导致现有方法的预测效果还有较大提升空间。针对现有方法的不足,提出一个基于注意力双向循环神经网络的业务流程剩余时间预测方法。该方法使用双向循环神经网络对流程实例数据进行建模,同时引入注意力机制自动学习流程实例中不同事件的权重。此外,为了进一步提升学习效果,基于迁移学习的思想设计了一种迭代学习策略,为不同长度的流程实例分别构建剩余时间预测模型,提高了模型的针对性。实验结果表明,所提方法与传统的方法相比具有明显的优势。

基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法

业务流程预测可以有效帮助企业进行流程控制和传递高质量服务,因此作为此类场景中的核心任务之一,业务流程剩余时间预测得到国内外学者的广泛关注.当前,在利用深度学习技术对业务流程剩余时间进行预测时,大都采用传统长短期记忆循环神经网络,然而,由于长短期记忆循环神经网络在处理序列数据的过程中缺乏并行性且建模能力有限,使得预测准确度还有进一步提升空间.因此,本文提出一种基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法.首先,该方法以双向准循环神经网络构建剩余时间预测模型,并在预测模型中融入注意力机制增强双向准循环神经网络输出的特征信息.其次,设计了一种基于不同长度轨迹前缀训练迭代策略,解决流程实例中不同长度轨迹前缀数量存在差异性的问题.最后,提出一种基于Word2vec的事件表示学习方法,实现对同一轨迹且经常出现事件的相似性向量表示,从而达到提高剩余时间预测准确度的目的.经在5个公开事件日志数据集上实验,本文方法与已有方法相比在预测准确度上平均提高近15%,模型训练时间平均缩短约26%.

基于轨迹聚类的业务流程剩余时间预测方法

现有的剩余时间预测方法仅关注对剩余时间预测任务起决定性作用的时间特征信息,并未考虑空间特征信息以及异质事件日志对预测任务的影响,导致预测准确度降低。提出基于轨迹聚类的剩余时间预测方法。将不同轨迹间的相似度作为距离度量,通过对事件日志中不同长度的轨迹进行聚类,以降低事件日志复杂度并细化结构。针对业务流程剩余时间预测任务,结合卷积神经网络与准循环神经网络,同时引入双向机制与注意力机制,设计基于注意力机制的卷积准循环神经网络模型,充分地捕获和增强对剩余时间预测任务有决定性影响的时间和空间特征信息,以提高业务流程中上下文事件之间的关联性,从而识别不同事件对业务流程剩余时间预测任务的重要程度。在BPIC_2012_A、BPIC_2012_O、BPIC_2012_W等事件日志数据集上的实验验证了该方法的有效性和可行性,结果表明,相比传统剩余时间预测方法,该方法的预测准确度平均提高约20%,有助于提升业务流程剩余时间的预测质量。

一种面向业务过程的剩余时间预测算法

准确的业务过程剩余时间预测有助于调整企业生产计划以及服务流程,以满足用户与市场的需求。现有方法多采用专家经验和历史数据构建的单一模型,具有无法智能选择较为符合当前业务过程模型的缺点。在传统变迁系统的基础上,提出一种基于多模型选择不同预测方法的算法。通过历史事件日志构建多种预测模型,基于模型数据纯度选择合适的预测模型对业务过程的剩余时间进行预测。通过在公开数据集上与传统变迁系统方法进行实验比较,验证了这种方法的有效性。

一种预测流程剩余时间的可解释特征分层方法

流程剩余时间预测对于业务异常的预防和干预有着重要的价值和意义.现有的剩余时间预测方法通过深度学习技术达到了更高的准确率,然而大多数深度模型结构复杂难以解释预测结果,即不可解释问题.此外,剩余时间预测除了活动这一关键属性还会根据领域知识选择若干其他属性作为预测模型的输入特征,缺少通用的特征选择方法,对于预测的准确率和模型的可解释性存在一定的影响.针对上述问题,提出基于可解释特征分层模型(explainable feature-based hierarchical model,EFH model)的流程剩余时间预测框架.具体而言,首先提出特征自选择策略,通过基于优先级的后向特征删除和基于特征重要性值的前向特征选择,得到对预测任务具有积极影响的属性作为模型输入.然后提出可解释特征分层模型架构,通过逐层加入不同特征得到每层的预测结果,解释特征值与预测结果的内在联系.采用LightGBM(light gradient boosting machine)和LSTM(long short-term memory)算法实例化所提方法,框架是通用的,不限于选用算法.最后在8个真实事件日志上与最新方法进行比较.实验结果表明所提方法能够选取出有效特征,提高预测的准确率,并解释预测结果.

基于Stacking策略的过程剩余执行时间预测

为企业提供精确高效的业务过程剩余执行时间预测对企业合理安排后续计划有重要意义.为了体现各个基本活动以及活动之间存在的依赖关系对整体结果的影响,本文结合朴素贝叶斯、支持向量回归与长短期记忆网络提出一种基于Stacking策略进行模型融合的业务过程剩余时间预测算法.为了验证模型,将该方法应用于2017年荷兰银行贷款申请真实数据集中.实验结果表明,我们的方法与相关的业务过程时间剩余预测方法相比具有更高的预测精度以及更好的预测效果.

面向业务过程的时间预测方法

为了在充满竞争的社会环境中生存,企业必须实现高效的工作流程.为此,时间作为业务流程中的重要因素,在近几年得到了越来越多的关注.准确的时间预测对提高企业服务效率、降低运行成本,预防违规活动发生等具有重要意义.时间预测根据应用的场景分为业务过程的剩余时间预测,业务过程中某一个活动执行时间预测以及业务过程的违规预测三种类型.本文综述了近年来有关时间预测的研究成果,总结了时间预测技术面临的挑战,并在此基础上给出了未来的研究方向.