Vorhersage von Geschäftsprozessen mit LSTM-Neuralen Netzen

Vorhersagemethoden für Geschäftsprozessüberwachung nutzen Protokolle abgeschlossener Prozessfälle, um Vorhersagen über laufende Fälle desselben Prozesses zu treffen. Bestehende Methoden in diesem Bereich sind auf spezifische Vorhersageaufgaben zugeschnitten. Zudem ist ihre relative Genauigkeit stark von dem verwendeten Datensatz abhängig, was Benutzern bei der Anwendung in einem bestimmten Kontext erhebliche Probier- und Anpassungsarbeiten abverlangt. Diese Arbeit untersucht Langzeit-Kurzzeit-Gedächtnis-Neuronale Netze (LSTM) als Ansatz zur Erstellung konsequent genauer Modelle für eine breite Palette von vorhersagenden Prozessüberwachungsaufgaben. Zunächst zeigen wir, dass LSTMs bestehende Techniken bei der Vorhersage des nächsten Ereignisses eines laufenden Falls und dessen Zeitstempels übertreffen. Anschließend demonstrieren wir, wie Modelle zur Vorhersage der nächsten Aufgabe verwendet werden können, um die vollständige Fortsetzung eines laufenden Falls vorherzusagen. Schließlich wenden wir denselben Ansatz an, um die verbleibende Zeit vorherzusagen, und zeigen, dass dieser Ansatz bestehende spezialisierte Methoden übertrifft.