>
Fa   |   Ar   |   En
   بهبود دقت پیش‌بینی فرآیندها در مدیریت فرآیندهای کسب‌وکار با به‌کارگیری معماری lstm  
   
نویسنده عدالت محمد حسن ,عزمی رضا ,باقری نژاد جعفر
منبع چشم انداز مديريت صنعتي - 1399 - دوره : 10 - شماره : 39 - صفحه:71 -97
چکیده    پیش بینی رفتار فرآیندهای سازمانی، نقش مهمی در مدیریت فرآیندهای کسب ‌وکار ایفا می ‌کند. این مهم با توسعه به ‌کارگیری الگوریتم‌ های یادگیری ماشین در جنبه‌ های مختلف آیند‌‌‌ه‌ پژوهی افق‌ های نوینی در برابر پیش بینی رویدادها و فرآیندها در فضای کسب‌ وکار گشوده است. یکی از رو‌‌‌ش‌ های ‌یادگیری ماشین، به کارگیری الگوریتم ‌های یادگیری عمیق به ‌عنوان شاخه‌ ای از شبکه ‌های عصبی است که توانسته دقت پیش بینی را به میزان زیادی افزایش دهد؛ ازاین‌ رو در پژوهش حاضر از معماری lstm (حافظه طولانی کوتاه ‌مدت) شبکه عصبی برای پیش بینی فرآیندهای کسب وکار استفاده شده است. برای انجام آزمایش، الگوریتم lstm بر روی مجموعه داده bpi2012 و bpi2017 اعمال شد. نتایج حاصل از ساخت 300 مدل پیش بینی نشان داد که در مجموعه داده bpi2017 از مجموع آزمایش‌های انجام‌ شده بیشترین دقت 0.907 است که این مقدار دقت از مقادیر دقت به ‌دست‌ آمده در پژوهش‌های مشابه بالاتر است. این دقت با اجرای الگوریتم lstm با معماری یک ‌لایه و مدل داده ‌بزرگ و بدون بازخورد به ‌دست آمده است.
کلیدواژه مدیریت فرآیندها، مدل پیش بینی، یادگیری ماشین، معماری lstm
آدرس دانشگاه آزاد اسلامی واحد قم, دانشکده فنی مهندسی, ایران, دانشگاه الزهرا, ایران, دانشگاه الزهرا, ایران
 
   An Enhanced LSTM Method to Improve the Accuracy of the Business Process Prediction  
   
Authors Adalat Mohammad Hasan ,Azmi Reza ,Bagherinejad Jafar
Abstract    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 ShortTerm 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 stateoftheart methods in terms of precision. The best result in terms of Accuracy (0.907) was achieved through “onehidden” layer LSTM architecture and by using “Big” configuration in the absence of “feedback”.
Keywords
 
 

Copyright 2023
Islamic World Science Citation Center
All Rights Reserved