科研之友
微信
新浪微博
Facebook
分享链接
摘要
现有的剩余时间预测方法仅关注对剩余时间预测任务起决定性作用的时间特征信息，并未考虑空间特征信息以及异质事件日志对预测任务的影响，导致预测准确度降低。提出基于轨迹聚类的剩余时间预测方法。将不同轨迹间的相似度作为距离度量，通过对事件日志中不同长度的轨迹进行聚类，以降低事件日志复杂度并细化结构。针对业务流程剩余时间预测任务，结合卷积神经网络与准循环神经网络，同时引入双向机制与注意力机制，设计基于注意力机制的卷积准循环神经网络模型，充分地捕获和增强对剩余时间预测任务有决定性影响的时间和空间特征信息，以提高业务流程中上下文事件之间的关联性，从而识别不同事件对业务流程剩余时间预测任务的重要程度。在BPIC＿2012＿A、BPIC＿2012＿O、BPIC＿2012＿W等事件日志数据集上的实验验证了该方法的有效性和可行性，结果表明，相比传统剩余时间预测方法，该方法的预测准确度平均提高约20%，有助于提升业务流程剩余时间的预测质量。
- 单位
