| 한글제목(Korean Title) |
액티비티별 특징 정규화를 적용한 LSTM 기반 비즈니스 프로세스 잔여시간 예측 모델 |
| 영문제목(English Title) |
LSTM-based Business Process Remaining Time Prediction Model Featured in Activity-centric Normalization Techniques |
| 저자(Author) |
함성훈
안현
김광훈
Seong-Hun Ham
Hyun Ahn
Kwanghoon Pio Kim
|
| 원문수록처(Citation) |
VOL 21 NO. 03 PP. 0083 ~ 0092 (2020. 06) |
한글내용
(Korean Abstract) |
최근에 많은 기업 및 조직들이 비즈니스 프로세스 모델의 효율적 운용을 위해 예측적 프로세스 모니터링에 관심이 높아지고 있다. 기존의 프로세스 모니터링은 특정 프로세스 인스턴스의 경과된 실행상태에 초점을 두었다. 반면, 예측적 프로세스 모니터링은 특정 프로세스 인스턴스의 미래의 실행상태에 대한 예측에 초점을 둔다. 본 논문에서는 예측적 프로세스 모니터링 기능 중 하나인 비즈니스 프로세스 인스턴스 실행 잔여시간 예측기능을 구현한다. 잔여시간을 효과적으로 모델링하기 위해 액티비티별 속성에 따른 시간특징 값 분포 차이를 고려하여 액티비티별 특징 정규화를 제안하고 예측모델에 적용한다. 본 논문에서 제안된 모델의 예측성능 우수성을 입증하기 위해서 4TU.Centre for Research Data에서 제공하는 실제 기업의 이벤트 로그 데이터를 통해 선행연구들과 비교평가 한다.
|
영문내용
(English Abstract) |
Recently, many companies and organizations are interested in predictive process monitoring for the efficient operation of business process models. Traditional process monitoring focused on the elapsed execution state of a particular process instance. On the other hand, predictive process monitoring focuses on predicting the future execution status of a particular process instance. In this paper, we implement the function of the business process remaining time prediction, which is one of the predictive process monitoring functions. In order to effectively model the remaining time, normalization by activity is proposed and applied to the predictive model by taking into account the difference in the distribution of time feature values according to the properties of each activity. In order to demonstrate the superiority of the predictive performance of the proposed model in this paper, it is compared with previous studies through event log data of actual companies provided by 4TU.Centre for Research Data.
|
| 키워드(Keyword) |
예측적 프로세스 모니터링
잔여시간 예측
LSTM 모델
딥러닝
프로세스 마이닝
predictive process monitoring
remaining time prediction
LSTM model
deep learning
process mining
|
| 파일첨부 |
PDF 다운로드
|
