[論文レビュー] Process Model Forecasting Using Time Series Analysis of Event Sequence Data

Johannes De Smedt, Anton Yeshchenko+3 more|arXiv (Cornell University)|May 3, 2021

Business Process Modeling and Analysis参考文献 36被引用数 6

ひとこと要約

本論文では、イベントログの時系列分析に基づき、直接続く関係（DFR）を時系列としてモデル化することで、全プロセスモデルの予測を可能にする新規な時系列ベースのアプローチを提案する。この手法により、将来のプロセス行動の予測が可能となり、中規模のプロセスモデルにおいて適合性の平均絶対誤差率（MAPE）が15％未満に抑えられる。また、モデルの進化や変化の探索を支援する新しい可視化分析システム（PCE）を併用している。

ABSTRACT

Process analytics is an umbrella of data-driven techniques which includes making predictions for individual process instances or overall process models. At the instance level, various novel techniques have been recently devised, tackling next activity, remaining time, and outcome prediction. At the model level, there is a notable void. It is the ambition of this paper to fill this gap. To this end, we develop a technique to forecast the entire process model from historical event data. A forecasted model is a will-be process model representing a probable future state of the overall process. Such a forecast helps to investigate the consequences of drift and emerging bottlenecks. Our technique builds on a representation of event data as multiple time series, each capturing the evolution of a behavioural aspect of the process model, such that corresponding forecasting techniques can be applied. Our implementation demonstrates the accuracy of our technique on real-world event log data.

研究の動機と目的

• プロセスマイニングにおける、特に将来のプロセス行動の予測が不足しているモデルレベルの予測的プロセス監視の課題を解決すること。
• イベントログ内の行動パターンの時間的変化を分析することで、「今後になるだろう」プロセスモデルの予測を可能にすること。
• プロセスアナリストが、深刻な問題に発展する前に、新たなボトルネックやプロセスの変化を検出できるように支援すること。
• 過去、現在、および予測されたプロセスモデルを対比可能なインタラクティブな可視化を可能にする、視覚的分析システム（PCE）の開発。
• エントロピー的関連性と平均絶対誤差率（MAPE）を用いて、予測されたプロセスモデルの正確性を評価すること。

提案手法

• 各直接続く関係（DFR）の頻度と重みを時間経過で捉える複数の時系列としてプロセス行動を表現する。
• 各DFR時系列に対して、標準的な時系列予測手法（ARIMA、AR(2)、Holt-Winters、GARCH）を適用し、将来のDFRを予測する。
• 予測されたDFRから、予測されたプロセスモデルを直接続く関係グラフ（DFG）として再構築する。
• 予測されたDFGと実際の将来のDFGとの適合性を定量化する指標として、エントロピー的関連性を用いる。
• D3.jsを用いて、歴史的、現在、および予測されたプロセスモデルを、インタラクティブなブレッシングとフィルタリングを可能にする「プロセス変化探索（PCE）」システムを実装する。
• 予測の安定性と解釈可能性を向上させるために、アレフベットの縮小（50％、75％）を用いてモデルの複雑さを低減する。

実験結果

リサーチクエスチョン

• RQ1 直接続く関係（DFR）の時系列分析は、全プロセスモデルの進化を正確に予測できるか？
• RQ2 異なるプロセスモデルやアレフベットの縮小割合によって、予測の正確性はどのように変化するか？
• RQ3 予測されたモデルは、実際に発生する前に、新たなプロセスの変化やボトルネックをどの程度まで明らかにできるか？
• RQ4 PCE視覚的分析システムは、プロセスアナリストが時間経過に伴うモデル変化を効果的に探索するのをどの程度支援できるか？
• RQ5 エントロピー的関連性を用いて、異なる信頼水準で予測されたプロセスモデルの信頼区間を信頼性を持って推定できるか？

主な発見

• 活動数が中規模（10～30活動）のプロセスモデルでは、予測されたモデルが実際の将来のモデルとの適合性において平均絶対誤差率（MAPE）が15％未満に抑えられる。
• 複数のデータセットにわたり、ARIMA(2,1,2)およびGARCHモデルが、他の時系列手法と比較して一貫して低いMAPE値を示す。
• PCEシステムにより、アナリストは、たとえば「罰金の送信」などの特定の活動の割合の減少や、終了活動における安定したアーク重みの傾向を視覚的に検出できる。
• 本手法は、DFRの頻度と重みの両方を、重要な遷移において±15％以内の誤差で、妥当な正確性で予測している。
• アレフベットの縮小（50％および75％）を用いることで、特に複雑なモデルにおいて、予測の安定性が向上し、誤差が低減される。
• エントロピー的関連性指標は、予測されたDFGと実際のDFGとの乖離を効果的に捉えており、予測品質の定量化的評価を支援している。