پیش‌بینی زمان باقی‌مانده در اجرای فرایندهای شیء-محور با استفاده از مدل‌های یادگیری ماشین

پایش پیش‌بینانه فرایندها یکی از رویکردهای نوین در مدیریت فرایندهای کسب‌وکار است که با هدف پیش‌بینی وضعیت آینده اجرای فرایندها و ارائه بینش برای تصمیم‌گیری به‌موقع به‌کار می‌رود. در سال‌های اخیر، ظهور داده‌های شیء-محور (object-centric) که در آن هر رویداد می‌تواند با چندین شیء مرتبط باشد، موجب گسترش نیاز به روش‌های پیش‌بینانه متناسب با این نوع داده‌ها شده است. یکی از مسائل کلیدی در این حوزه، پیش‌بینی زمان باقی‌مانده اجرای فرایندها است که می‌تواند در بهینه‌سازی تخصیص منابع، کاهش تاخیرها و بهبود کیفیت خدمات نقشی اساسی ایفا کند. در این پژوهش، با استفاده از داده‌های رویداد شیء-محور و به‌کارگیری تکنیک‌های یادگیری ماشین، مدلی برای پیش‌بینی زمان باقی‌مانده در اجرای فرایندها ارائه شده است. برای این منظور، ویژگی‌های مرتبط با زمان، فعالیت‌های پیشین و تعاملات بین اشیاء استخراج و به‌عنوان ورودی به مدل‌های مختلف یادگیری ماشین شامل رگرسیون خطی، جنگل تصادفی و گرادیان بوستینگ داده شده است. نتایج آزمایش‌ها بر روی داده‌های واقعی نشان می‌دهد که استفاده از رویکرد شیء-محور در ترکیب با مدل‌های یادگیری ماشین می‌تواند دقت پیش‌بینی زمان باقی‌مانده را به‌طور چشمگیری افزایش دهد.