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

پیش بینی 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 پیش بینی 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 پیش بینی را به میزان زیادی افزایش دهد؛ ازاین رو در پژوهش حاضر از معماری LSTM (حافظه طولانی کوتاه مدت) شبکه عصبی برای پیش بینی فرآیندهای کسب وکار استفاده شده است. برای انجام آزمایش، الگوریتم LSTM بر روی مجموعه داده BPI2012 و BPI2017 اعمال شد. نتایج حاصل از ساخت 300 مدل پیش بینی نشان داد که در مجموعه داده BPI2017 از مجموع آزمایش های انجام شده بیشترین دقت 907/0 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.