بهبود دقت پیش بینی فرآیندها در مدیریت فرآیندهای کسب وکار با به کارگیری معماری LSTM
Publish place: Industrial Management Perspective، Vol: 10، Issue: 3
Publish Year: 1399
Type: Journal paper
Language: Persian
View: 254
This Paper With 28 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_INDU-10-3_004
Index date: 19 September 2021
بهبود دقت پیش بینی فرآیندها در مدیریت فرآیندهای کسب وکار با به کارگیری معماری LSTM abstract
پیشبینی 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 پیشبینی 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 پیشبینی را به میزان زیادی افزایش دهد؛ ازاین رو در پژوهش حاضر از معماری LSTM (حافظه طولانی کوتاه مدت) شبکه عصبی برای پیشبینی فرآیندهای کسبوکار استفاده شده است. برای انجام آزمایش، الگوریتم LSTM بر روی مجموعه داده BPI۲۰۱۲ و BPI۲۰۱۷ اعمال شد. نتایج حاصل از ساخت ۳۰۰ مدل پیشبینی نشان داد که در مجموعه داده BPI۲۰۱۷ از مجموع آزمایش های انجام شده بیشترین دقت ۹۰۷/۰ 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.
بهبود دقت پیش بینی فرآیندها در مدیریت فرآیندهای کسب وکار با به کارگیری معماری LSTM Keywords:
بهبود دقت پیش بینی فرآیندها در مدیریت فرآیندهای کسب وکار با به کارگیری معماری LSTM authors
محمد حسن عدالت
دانشجوی دکتری، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی قم.
رضا عزمی
دانشیار، دانشگاه الزهرا.
جعفر باقری نژاد
دانشیار، دانشگاه الزهرا.
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :