@article { author = {Adalat, Mohammad Hasan and Azmi, Reza and Bagherinejad, Jafar}, title = {An Enhanced LSTM Method to Improve the Accuracy of the Business Process Prediction}, journal = {Journal of Industrial Management Perspective}, volume = {10}, number = {3}, pages = {71-97}, year = {2020}, publisher = {Shahid Beheshti University}, issn = {2251-9874}, eissn = {2645-4165}, doi = {10.52547/jimp.10.3.71}, abstract = {Prediction of the process behavior plays a key role in business process management. This research benefits from recent development in the field of deep learning to predict the next event in business processes. The proposed method uses Long Short-Term Memory (LSTM) as a promising architecture of recurrent neural networks. This architecture is implemented using a number of configurations with the aim of investigating how each of them affects the performance of the prediction models.  In order to build and evaluate our prediction models, we used two publicly available datasets (BPI 2012 and BPI 2017). After developing 300 prediction models, the results indicated that the proposed method outperforms the state-of-the-art methods in terms of precision. The best result in terms of Accuracy (0.907) was achieved through “one-hidden” layer LSTM architecture and by using “Big” configuration in the absence of “feedback”.}, keywords = {Process Management,Prediction Model,Machine Learning,LSTM Architecture}, title_fa = {بهبود دقت پیش‌بینی فرآیندها در مدیریت فرآیندهای کسب‌وکار با به‌کارگیری معماری LSTM}, abstract_fa = {پیش­بینی رفتار فرآیندهای سازمانی، نقش مهمی در مدیریت فرآیندهای کسب­‌وکار ایفا می­‌کند. این مهم با توسعه به­‌کارگیری الگوریتم‌­های یادگیری ماشین در جنبه‌­های مختلف آیند‌‌‌ه‌­پژوهی افق‌­های نوینی در برابر پیش­بینی رویدادها و فرآیندها در فضای کسب‌­وکار گشوده است. یکی از رو‌‌‌ش‌­های ‌یادگیری ماشین، به کارگیری الگوریتم­‌های یادگیری عمیق به­‌عنوان شاخه‌­ای از شبکه­‌های عصبی است که توانسته دقت پیش­بینی را به میزان زیادی افزایش دهد؛ ازاین‌­رو در پژوهش حاضر از معماری LSTM (حافظه طولانی کوتاه­‌مدت) شبکه عصبی برای پیش­بینی فرآیندهای کسب­وکار استفاده شده است. برای انجام آزمایش، الگوریتم LSTM بر روی مجموعه داده BPI2012 و BPI2017 اعمال شد. نتایج حاصل از ساخت 300 مدل پیش­بینی نشان داد که در مجموعه داده BPI2017 از مجموع آزمایش‌های انجام‌­شده بیشترین دقت 907/0 است که این مقدار دقت از مقادیر دقت به­‌دست‌­آمده در پژوهش‌های مشابه بالاتر است. این دقت با اجرای الگوریتم LSTM با معماری یک­‌لایه و مدل داده­‌بزرگ و بدون بازخورد به­‌دست آمده است.}, keywords_fa = {مدیریت فرآیندها,مدل پیش بینی,یادگیری ماشین,معماری LSTM}, url = {https://jimp.sbu.ac.ir/article_87590.html}, eprint = {https://jimp.sbu.ac.ir/article_87590_34d67a6e96031eaa9980a489cb99f9a5.pdf} }