TITLE: A Deep Learning Approach for Predicting Process Behaviour at Runtime

目标

描述深度学习与循环神经网络在预测下一个过程事件问题上的初步应用

简介

主要介绍了流程预测与自然语言的处理有很多地方类似，同时也有不同之处。

流程预测与自然语言不同：

  • 过程预测（事件类型数量）中词汇量的大小远小于自然语言词汇的大小
  • 轨迹的长度远远超过自然语言中的典型句子长度
  • 通过内部过程逻辑确定或约束过程事件序列，通常通过基于案例数据确定的决策规则确定。然而，以语法和形态规则的形式，自然语言也受到限制

这块主要讲了一下业务流程预测相关的研究

预测完成一个案件的剩余时间

  1. 使用事件频率、事件时间和案例数据的增强回归

When will this case finally be finished?
2. 将隐马尔可夫模型应用于事件序列和执行时间[基于一个带注释的转换系统]

A test-bed for the evaluation of bussiness process prediction techniques
3. 使用聚类树和有限状态机(FSM)来预测运行过程案例的剩余时间

Context-aware predictions on bussiness processes: An ensemble-based solution

Discovering context-aware models for predicting business process performances
4. 将复杂的事件处理（CEP）应用于事件序列，并培训以预测其未来行为

Facilitating predictive event-driven process analytics
5. 使用随机petri网模拟

Prediction of remaining service execution time using stochastic petri nets with arbitrary firing delays

Prediction of bussiness process durations using non-markovian stochastic petri nets
6. 基于案例数据聚类和回归的预测技术

A data-driven prediction framework for analyzing and monitoring business process performances
7. 对部分和全部案例采用聚类方法

Process remaining time prediction using query catalogs
8. 提出了两种基于带注释的转换系统的方法，以及支持向量回归和朴素贝叶斯分类器

Data-aware remaining time prediction of business process instances

Time and activity sequence prediction of business process instances

流程预测结果评估【二元评估】

  1. 在时间、资源和案例数据上使用决策树

Predictive business operations management

Business process intelligence

Improving bussiness
2. 使用支持向量机

Periodic berformance prediction for real-time business process monitoring
3. 基于聚类和局部离群点检测

Real-time business process monitoring method for prediction of abnormal termination using knni-based LOF prediction
4. 使用决策树来预测违反线性时序逻辑限制

Predictive monitoring of business processes
Predictive monitoring of business processes
5. 使用随机森林

Complex symbolic sequence encodings for predictive monitoring of business processes
6. 采用神经网络、约束满足和服务质量聚合

Comparing and combining predictive business process monitoring techniques
7. 聚类和回归

A prediction framework for proactive monitoring aggregate process-performance indicators

Deep Learning

Process Prediction using RNN

Experimental Results

思考

扩展学习

阅读paper36【P10】

paper36

递归神经网络与循环神经网络

Recursive Neural Network || Recurrent Neural Network

Hidden Markov Models(HHM)

LSTM与RNN