Process Prediction Using Machine Learning
Slotkienė, Asta | Recenzentas / Rewiewer |
Šiame magistro darbe nagrinėjamas mašininio mokymosi metodų taikymas prognozuojant verslo procesų eigą naudojant įvykių žurnalus, gautus iš realių verslo atvejų. Pasiūlytas metodas grindžiamas kelių įvesties duomenų LSTM (ilgalaikės trumposios atminties) neuroniniu tinklu, kuris apjungia įvykių sekas, resursų panaudojimą ir skaitinius kredito balus, siekiant numatyti kitą proceso veiklą. Atlikus išsamius eksperimentus, modelis parodė geresnį prognozavimo tikslumą, palyginti su vienos įvesties modeliais, ypač sudėtingų procesų struktūrų ir mažumos klasių atveju. Tyrimo rezultatai pabrėžia domenui būdingų požymių įtraukimo svarbą siekiant padidinti prognozavimo modelių tikslumą procesų gavyboje.
This thesis investigates the application of machine learning techniques for predictive process monitoring using event logs derived from real-life business processes. The proposed approach utilizes a multi-input Long Short-Term Memory (LSTM) neural network that integrates event sequences, resource involvement, and numerical credit scores to predict the next activity in ongoing process instances. Through extensive experimentation, the model demonstrates improved predictive performance compared to single-input baselines, particularly in handling complex process structures and minority class events. The findings highlight the importance of incorporating domain-specific features in enhancing the accuracy of predictive models in process mining.