[論文レビュー] Time and Activity Sequence Prediction of Business Process Instances

Mirko Polato, Alessandro Sperduti+2 more|arXiv (Cornell University)|Feb 24, 2016

Business Process Modeling and Analysis参考文献 18被引用数 12

ひとこと要約

本稿では、制御フローおよび追加のイベントログ属性を活用して、実行中のビジネスプロセスインスタンスの残り時間と将来のアクティビティシーケンスを予測する、3つの機械学習ベースの手法を提案する。定常プロセスに対して最先端技術を上回る性能を示す「定常プロセス手法」（DATS）と、進化するワークフローにうまく一般化できる新規の非定常プロセス手法（SVR+TS）を導入し、実世界の事例において高い予測精度を達成した。

ABSTRACT

The ability to know in advance the trend of running process instances, with respect to different features, such as the expected completion time, would allow business managers to timely counteract to undesired situations, in order to prevent losses. Therefore, the ability to accurately predict future features of running business process instances would be a very helpful aid when managing processes, especially under service level agreement constraints. However, making such accurate forecasts is not easy: many factors may influence the predicted features. Many approaches have been proposed to cope with this problem but all of them assume that the underling process is stationary. However, in real cases this assumption is not always true. In this work we present new methods for predicting the remaining time of running cases. In particular we propose a method, assuming process stationarity, which outperforms the state-of-the-art and two other methods which are able to make predictions even with non-stationary processes. We also describe an approach able to predict the full sequence of activities that a running case is going to take. All these methods are extensively evaluated on two real case studies.

研究の動機と目的

• 実行中のビジネスプロセスインスタンスの残り時間と将来のアクティビティシーケンスの予測精度を向上させること。
• 現行の手法がプロセスの定常性を仮定しているという制限を解消し、現実の動的環境ではしばしば失敗する問題に対処すること。
• 変化するまたは未観測のプロセスバージョンに対しても一般化できるモデルを開発すること、特にプロセスのドリフトや季節的変化の下でも有効であること。
• 制御フロー情報と追加のイベントログ属性（例：タイムスタンプ、リソースデータ）を統合して、より豊かな予測を実現すること。
• 提案手法を実世界の事例で評価し、性能と頑健性を検証すること。

提案手法

• プロセスの定常性を仮定する状況下で残り時間予測を実現するため、類似度ベースの遷移システムとナイーブベイズ分類器を組み合わせた「DATS（Dynamic Activity Transition System）」を提案する。
• 非定常プロセスにおける未観測のプロセスバージョンへの一般化を図るため、類似度ベースの遷移システムを用いたサポートベクターレグレッション（SVR）を組み合わせた「SVR+TS」を導入する。
• セット抽象化とプレフィックス類似度を用いてプロセストレースをモデル化し、未完了なプロセスインスタンスと履歴プロセスインスタンスの間で頑健な比較を可能にする。
• 予測された将来のアクティビティシーケンスの正確性を評価するために、Damerau-Levenshtein距離とプレフィックス類似度メトリクスを用いる。
• 非パラメトリック回帰と履歴イベントログに基づいて学習された機械学習モデルを用いて、残り時間の推定と次のアクティビティの予測を実施する。
• アクティビティ、タイムスタンプ、リソース情報などを含むイベントログデータを活用し、予測モデルを豊かにする。

実験結果

リサーチクエスチョン

• RQ1 プロセスが定常的である条件下で、最先端の手法と比較して、機械学習ベースの手法が残り時間の予測精度を向上させられるか？
• RQ2 進化するまたは未観測の行動パターンを示す非定常プロセスに対しても、手法が一般化できるか？
• RQ3 制御フローと追加のイベントログ属性の統合は、予測性能の向上にどの程度効果的か？
• RQ4 予測された将来のアクティビティシーケンスが、未完了なプロセスインスタンスの実際のシーケンスとどの程度一致するか？
• RQ5 類似度ベースの遷移システムは、動的またはノイズの多いプロセス環境におけるモデルの頑健性をどのように向上させるか？

主な発見

• DATS手法は、プロセスが定常的であるという仮定下で、既存の最先端手法を上回る残り時間予測精度を達成した。
• SVR+TS手法は非定常な状況下でも優れた性能を示し、従来の遷移システムベースのモデルが失敗する未観測のプロセスバージョンに対してもうまく一般化できた。
• FPP（Future Prediction Path）手法は、次のアクティビティを94％の精度で予測し、平均Damerau-Levenshtein類似度が0.81に達し、ランダム予測（0.36）を著しく上回った。
• 提案手法は、将来のアクティビティシーケンスについて平均プレフィックス類似度が0.63を達成したのに対し、ランダム予測では0.09にとどまり、強力な予測能力を示した。
• 予測の不確実性が蓄積されるため、将来のシーケンスが長くなるほど精度は低下するが、提案手法は全長にわたりランダムベースラインを著しく上回った。
• セット抽象化と類似度ベースの遷移システムの活用により、特に動的環境下でノイズやプロセスのドリフトに対して頑健性が向上した。