بهبود دقت پیش بینی فرآیندها در مدیریت فرآیندهای کسب وکار با به کارگیری معماری LSTM

پیش­بینی رفتار فرآیندهای سازمانی، نقش مهمی در مدیریت فرآیندهای کسب­ وکار ایفا می­ کند. این مهم با توسعه به­ کارگیری الگوریتم ­های یادگیری ماشین در جنبه ­های مختلف آیند ه ­پژوهی افق ­های نوینی در برابر پیش­بینی رویدادها و فرآیندها در فضای کسب ­وکار گشوده است. یکی از رو ش ­های یادگیری ماشین، به کارگیری الگوریتم­ های یادگیری عمیق به­ عنوان شاخه ­ای از شبکه­ های عصبی است که توانسته دقت پیش­بینی را به میزان زیادی افزایش دهد؛ ازاین ­رو در پژوهش حاضر از معماری LSTM (حافظه طولانی کوتاه­ مدت) شبکه عصبی برای پیش­بینی فرآیندهای کسب­وکار استفاده شده است. برای انجام آزمایش، الگوریتم LSTM بر روی مجموعه داده BPI۲۰۱۲ و BPI۲۰۱۷ اعمال شد. نتایج حاصل از ساخت ۳۰۰ مدل پیش­بینی نشان داد که در مجموعه داده BPI۲۰۱۷ از مجموع آزمایش های انجام ­شده بیشترین دقت ۹۰۷/۰ است که این مقدار دقت از مقادیر دقت به­ دست ­آمده در پژوهش های مشابه بالاتر است. این دقت با اجرای الگوریتم LSTM با معماری یک­ لایه و مدل داده­ بزرگ و بدون بازخورد به­ دست آمده است.

کلیدواژه ها:

مدیریت فرآیندها ، مدل پیش بینی ، یادگیری ماشین ، معماری LSTM