Incremental Predictive Process Monitoring: How to Deal with the Variability of Real Environments

要約

既存の予測プロセス監視技術の特徴は、最初に過去のプロセス実行に基づいて予測モデルを構築し、次にそれを使用して新しい進行中のケースの将来を予測することですが、実行が完了したときに新しいケースで更新する可能性はありません。
これにより、予測プロセス監視が厳格になりすぎて、時間の経過とともに継続的に進化したり、新たな変動動作を示したりする実際の環境で動作するプロセスの変動に対処できなくなる可能性があります。
この問題の解決策として、予測モデルの増分構築を可能にするアルゴリズムの使用を提案します。
これらの増分学習アルゴリズムは、新しいケースが利用可能になるたびにモデルを更新するため、予測モデルは現在の状況に合わせて時間の経過とともに進化します。
アルゴリズムは、さまざまなケース エンコーディング戦略を使用して実装され、多数の実際のデータセットと合成データセットで評価されています。
この結果は、実際の環境におけるプロセス監視を予測するための増分学習戦略の可能性と、この設定におけるさまざまなケースエンコーディング戦略の影響の最初の証拠を提供します。

要約(オリジナル)

A characteristic of existing predictive process monitoring techniques is to first construct a predictive model based on past process executions, and then use it to predict the future of new ongoing cases, without the possibility of updating it with new cases when they complete their execution. This can make predictive process monitoring too rigid to deal with the variability of processes working in real environments that continuously evolve and/or exhibit new variant behaviors over time. As a solution to this problem, we propose the use of algorithms that allow the incremental construction of the predictive model. These incremental learning algorithms update the model whenever new cases become available so that the predictive model evolves over time to fit the current circumstances. The algorithms have been implemented using different case encoding strategies and evaluated on a number of real and synthetic datasets. The results provide a first evidence of the potential of incremental learning strategies for predicting process monitoring in real environments, and of the impact of different case encoding strategies in this setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google