Feb, 2021

深度学习方法比较分析与预测商业流程

PDF
TL;DR研究比较了多种不同的深度学习模型，发现在预测业务流程中下一步活动的性质和时间戳时，简单的多层感知器（MLP）往往表现优于 Sophisticated Deep-learning Models。在应用自动化过程预测技术时，需要注意在业务流程的不同阶段进行反思和评估。
deep-learning modelsconvolutional neural networkslong short-term memorygraph neural networksmulti-layer perceptron
发现论文，激发创造
  • 利用 LSTM 神经网络进行预测性业务流程监控

    本文针对具有宽泛的预测过程监控任务，研究了采用 LSTM 神经网络建立的高准确度模型，证明该方法在预测下一个事件、任务以及剩余时间方面优于现有技术。

    Dec, 2016

  • 使用深度学习预测流程行为

    本文探讨了利用深度学习与循环神经网络来解决企业业务流程中下一步事件的预测问题，该方法在过去的基本上是依赖于显式流程模型的基础上进行的。本文的方法在两个真实数据集上进行了评估，结果表明了预测精度达到了最新技术的水平。

    Dec, 2016

  • 流程预测深度学习现有技术的系统文献综述

    该研究综合了深度学习算法在流程挖掘中的应用，着重通过系统性文献综述的方式，分析不同数据处理方案、网络拓扑结构、以及目标预测等方面的优缺点。

    Jan, 2021

  • 基于 LSTM 的时间变化可变性数据的预测监控方法

    该论文研究了循环神经网络和其变体在处理序列方面的强大性能，并提出了一种基于长短期记忆（LSTM）预测区间的控制图方法，用于监测具有时间变动性的数据，并表明该方法优于其他基于神经网络的预测监测方法，特别适用于检测平均值突变的异常情况。

    Sep, 2023

  • 深度学习模型综述与比较分析：CNN、RNN、LSTM、GRU

    本文综述了不同类型的深度学习模型，包括卷积神经网络、循环神经网络、生成模型、深度强化学习和深度迁移学习，探讨了它们的结构、应用、优点和局限性，并使用 IMDB、ARAS 和 Fruit-360 三个公共数据集分析了六个著名深度学习模型的性能差异：CNN、Simple RNN、LSTM、双向 LSTM、GRU 和双向 GRU。

    May, 2023

  • PELP: 利用序列到序列神经网络预测先驱事件日志

    使用序列到序列深度学习方法解决事件日志预测问题，可以在合成日志和真实日志中生成完美的预测，并为事件日志预测提供实际建议。

    Dec, 2023

  • 可解释的人工智能用于过程建模的改进

    通过使用现代 Transformer 架构和传统机器学习技术，评估模拟过程规律的能力，并突出关键特征，提高模型预测能力。证明了应用机器学习模型预测关键业务流程的有效性以及 XAI 组件提供的新见解。

    Dec, 2022

  • 在线课程中学生成绩预测的深度学习方法：基于全球视角 的挑战

    使用深度学习技术（CNN 和 RNN-LSTM）预测在线课程传递中学生的绩效，通过三个不同地区收集的数据集，实验结果表明深度学习模型在两个数据集中优于其他优化的传统机器学习模型，并在第三个数据集上具有可比性的性能。

    Jan, 2024

  • 时间序列预测深度学习架构的实验综述

    本文研究旨在回顾深度学习在时间序列预测方面的应用，并比较其性能，结果表明长短时记忆网络（LSTM）和卷积神经网络（CNN）是最佳选择，其中 LSTM 获得最准确的预测结果，而 CNN 在不同参数配置下能够实现可比较的性能和更高的效率。

    Mar, 2021

  • 利用深度神经网络建模长短期时间模式

    本文提出了一个新的深度学习框架 —— Long- and Short-term Time-series network (LSTNet)， 用于解决多元时间序列预测等问题，并在复杂混合循环模式数据上实现了显著的性能提升。

    Mar, 2017