بهبود دقت پیش‌بینی فرآیندها در مدیریت فرآیندهای کسب‌وکار با به‌کارگیری معماری LSTM

Abstract

پیش­بینی رفتار فرآیندهای سازمانی، نقش مهمی در مدیریت فرآیندهای کسب­‌وکار ایفا می­‌کند. این مهم با توسعه به­‌کارگیری الگوریتم‌­های یادگیری ماشین در جنبه‌­های مختلف آیند‌‌‌ه‌­پژوهی افق‌­های نوینی در برابر پیش­بینی رویدادها و فرآیندها در فضای کسب‌­وکار گشوده است. یکی از رو‌‌‌ش‌­های ‌یادگیری ماشین، به کارگیری الگوریتم­‌های یادگیری عمیق به­‌عنوان شاخه‌­ای از شبکه­‌های عصبی است که توانسته دقت پیش­بینی را به میزان زیادی افزایش دهد؛ ازاین‌­رو در پژوهش حاضر از معماری LSTM (حافظه طولانی کوتاه­‌مدت) شبکه عصبی برای پیش­بینی فرآیندهای کسب­وکار استفاده شده است. برای انجام آزمایش، الگوریتم LSTM بر روی مجموعه داده BPI2012 و BPI2017 اعمال شد. نتایج حاصل از ساخت 300 مدل پیش­بینی نشان داد که در مجموعه داده BPI2017 از مجموع آزمایش‌های انجام‌­شده بیشترین دقت 907/0 است که این مقدار دقت از مقادیر دقت به­‌دست‌­آمده در پژوهش‌های مشابه بالاتر است. این دقت با اجرای الگوریتم LSTM با معماری یک­‌لایه و مدل داده­‌بزرگ و بدون بازخورد به­‌دست آمده است.