[论文解读] XES Tensorflow - Process Prediction using the Tensorflow Deep-Learning Framework
本论文提出 XES Tensorflow，一种灵活的深度学习工具，利用 TensorFlow 从 XES 事件日志预测业务流程轨迹。该工作在先前研究基础上进行了扩展，支持对每个分类预测变量分别嵌入，实现多属性预测，兼容分类与数值输入，并为非专家用户提供图形化界面，可自定义超参数训练和部署基于 RNN 的模型，同时通过 TensorBoard 实现可视化。
Predicting the next activity of a running process is an important aspect of process management. Recently, artificial neural networks, so called deep-learning approaches, have been proposed to address this challenge. This demo paper describes a software application that applies the Tensorflow deep-learning framework to process prediction. The software application reads industry-standard XES files for training and presents the user with an easy-to-use graphical user interface for both training and prediction. The system provides several improvements over earlier work. This demo paper focuses on the software implementation and describes the architecture and user interface.
研究动机与目标
- 开发一种用户友好、开源的软件工具，用于基于深度学习的流程预测。
- 通过支持多个分类与数值预测变量及目标变量，扩展现有的基于 RNN 的流程预测方法。
- 通过为每个属性单独设置嵌入向量，实现灵活的输入编码，减少词汇表大小并提升泛化能力。
- 提供图形化界面与预测 API，降低非编程研究人员和实践者的使用门槛。
- 通过可配置的训练参数与 TensorBoard 模型可视化，支持可复现的实验。
提出的方法
- 系统采用基于 LSTM 单元的序列到序列 RNN 架构，在固定步数内展开，用于建模流程轨迹。
- 每个分类预测变量属性（如活动、资源）被分配唯一的类别 ID，并映射到独立的 k 维向量空间。
- 所有分类预测变量的嵌入向量与数值预测变量拼接，形成 RNN 的输入向量。
- 模型通过反向传播与梯度下降优化器进行训练，最小化预测输出与目标输出之间的损失函数（如交叉熵）。
- 预测过程按顺序执行：模型基于当前轨迹前缀预测下一个事件的属性，该过程重复用于生成更长的后缀。
- 训练好的模型与嵌入矩阵以冻结、紧凑的形式保存，便于在独立的预测应用程序中部署，并提供简单 API。
实验结果
研究问题
- RQ1灵活的、基于图形界面的深度学习工具是否能提升非专家用户对流程预测的可访问性？
- RQ2与基于字符串拼接的编码方式相比，为每个分类属性使用独立嵌入是否能提升预测性能？
- RQ3能否在一个 RNN 框架内有效支持多属性预测（如同时预测活动与资源）？
- RQ4将多样化的案例级与事件级属性作为预测变量，对预测准确率有何影响？
- RQ5该工具在标准 BPI 数据集上，能否复现或超越先前最先进方法的结果？
主要发现
- 在使用相同模型与超参数设置的条件下，该软件成功复现了先前工作在 BPI 2012 与 2013 数据集上的训练性能。
- 为每个属性单独使用嵌入向量可减少输入词汇表大小，并更有效地处理多样化的分类预测变量。
- 系统支持单属性与多属性预测，每个目标变量可共享或独立使用 RNN 层。
- 图形界面使用户无需编程即可配置预测变量、目标变量、嵌入维度与训练参数。
- 通过 TensorBoard 支持模型训练与可视化，包括学习到的嵌入向量的 t-SNE 与 PCA 投影。
- 该工具具备可扩展性，支持通过预测变量与目标变量的新组合，持续推动预测性能的改进。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。