Nov, 2022

用于预测监测的后缀预测编码器 - 解码器模型

PDF
TL;DR本文提出了一种基于编码器 - 解码器模型和注意力机制的方法，通过解耦前缀的表示学习和预测阶段来预测未来的活动顺序，同时在推理阶段使用启发式搜索算法来改善后缀的活动选择，该方法在 12 个公共事件日志上与 6 种最新提出的方法进行了比较，取得了显著的优越性能。
predictive monitoringprocess miningsuffix predictionencoder-decoder modelattention mechanism
发现论文，激发创造
  • 提高商业流程活动序列预测器的准确性

    通过引入一种采样方法，本文增强了一个深度学习方法，实验证明增强方法在控制流准确度方面优于未增强方法，并用于预测案例后缀活动顺序、估计短期工作量和执行时间。

    Dec, 2023

  • 基于 Transformer 的医疗过程监测中的结构位置编码

    基于 transformer 和本体领域特定知识的预测性流程监控方法， 在中风管理领域取得了有希望的实验结果。

    Mar, 2024

  • 基于聚类的预测性过程监控

    提出了一个基于事件日志的预测性流程监控框架，在运行中的案例中，通过将其映射到群集并应用相应的分类器，估计一个给定谓词在完成时将被满足的概率，该框架已在 ProM 工具集上实现并在一家大型医院的癌症治疗日志上验证。

    Jun, 2015

  • 预测性监控的性能维持事件日志采样

    本研究提出了一种选择实例的程序，可以提高训练速度，同时保持可靠的预测准确度，用于预测活动和剩余时间等信息，适用于预测过程挖掘的研究领域。

    Jan, 2023

  • 预测性监控的事件日志抽样

    本文提出了一种实例选择程序，可以对采样进行培训，以预测下一步的活动，从而使训练速度显著提高，同时保持可靠的预测准确性。

    Apr, 2022

  • 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

  • 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

  • 基于规范的预测性业务流程监控

    该论文引入了一种用于指定预测任务并自动创建相应预测模型的规范语言，以应对不同业务领域的预测需求，并提供了实现该方法的实验结果。

    Apr, 2019

  • 为流程挖掘定制机器学习

    本文探讨了在将机器学习模型整合进过程挖掘管道中所需考虑的问题，特别是数据分布的非参数性以及并发限制，提出了正确地将机器学习与过程挖掘相结合的方法学基础及在这一方向上的研究思路。

    Jun, 2023

  • 事件型预测后缀树

    该论文介绍了基于事件的预测后缀树（EPST）算法，该算法受生物学启发，通过基于事件输入的统计学学习在线模型，并能够对多个重叠模式进行预测，具有可解释性、容错性、对事件噪声具有抵抗能力以及一次性学习的能力。

    Oct, 2023