Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventos

Detalhes bibliográficos
Autor(a) principal: Alves, Renato Marinho, 1997-
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/17231
Resumo: Orientadores: Edmundo Roberto Mauro Madeira, Sarajane Marques Peres
id UNICAMP-30_e131f0a9cf61b029c61c9ca2796a994c
oai_identifier_str oai::1384107
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventosRemaining time prediction for process instances in process mining considering context in event logsMineração de processosRedes neurais recorrentesPrevisãoMineração de dados (Computação)Process miningRecurrent neural networksForecastingData miningOrientadores: Edmundo Roberto Mauro Madeira, Sarajane Marques PeresDissertação (mestrado) - Universidade Estadual de Campinas, Instituto de ComputaçãoResumo: Mineração de processos (MP) é uma área de pesquisa que analisa os comportamentos de processos ao combinar os conhecimentos e técnicas de ciência de processos e ciência de dados. Estudos relacionados a estas áreas estão em evidência, pois diversas organizações no mundo estão adotando MP para otimização de seus serviços e processos de negócio. MP consiste na análise de eventos presentes na execução de um processo, armazenados de forma estruturada em um log de eventos. Ao utilizar alguns atributos presentes na maioria destes logs, diversas técnicas de mineração de processos podem ser aplicadas, como a descoberta de modelos de processo, checagem de conformidade e predição de saídas do processo. Problemas de predição de tempo são comumente modelados com o uso de aprendizado de máquina. Em monitoramento de processos de negócio, tarefas de predição de tempo são associadas aos objetivos de monitoramento do processo. Soluções preditivas baseiamse em um conjunto básico de informações armazenadas no log de eventos relacionado ao processo de negócio, por exemplo, as marcações de tempo, execução das atividades e a identificação da instância do processo executada. Contudo, características relevantes para o entendimento do processo são desprezadas ao trabalhar com estes três atributos apenas. Neste estudo, focamos em como contexto influencia no tempo de término de instâncias de processos existentes no log de eventos, discutindo o problema de desempenho dos métodos atuais para predição de tempo restante e como estes atributos podem contribuir para a melhora deste desempenho. Desta forma, avalia-se o impacto do uso de informações de contexto sobre o processo como um recurso para proporcionar informações relevantes aos modelos de predição. Propõe-se então um método para tratativa de informações contextuais ao selecionar e adicionar manualmente atributos de contexto da instância dos processos nas descrições de instâncias destes na etapa anterior à construção da entrada fornecida aos modelos preditores baseados em Long Short Term Memmory e Sistema de Transições Anotado. Os resultados obtidos indicam que a presença de informações de contexto relacionados à execução de instâncias do processo proporciona uma melhora nos resultados quando comparados aos gerados por métodos que utilizam apenas os três atributos tradicionais. Três logs de eventos foram utilizadas para validação da nossa abordagem, sendo dois deles de origem pública e um de origem privada. Neste cenário, observou-se que os resultados mais promissores foram obtidos da execução de modelos construídos utilizando uma abordagem baseada em Sistemas de Transição Anotados. Foi utilizada a medida de erro médio absoluto para calcular e demonstrar a eficiência da utilização de contexto na tarefa de prediçãoAbstract: Process mining is a research field that analyzes process behaviors by combining the knowledge and techniques from business models and data science. These techniques are in evidence as several organizations worldwide are adopting pm services to optimize their services and processes. Process mining consists of the analysis of the events that took place during the execution of a process, which are stored in a database known as event log. Several process mining techniques can be applied by using some attributes contained in most event logs, including process model discovery, conformance checking and process outcome prediction, among others. Time-based prediction problems are often modeled using machine learning. In business process monitoring, we associate time-based prediction tasks with predictive process monitoring goals. Solutions for prediction are based on specific information recorded in an event log related to business processes, such as timestamps, execution of activities and the identification of the process instance that executed it. However, relevant characteristics of the business process are left out when we select only these attributes. In this research, we focus on how context influences the termination time of process instances in the event log, discussing the performance problem of current methods for predicting remaining time and how these attributes can contribute to improving this performance. In this way, the impact of using context information on the process is evaluated as a resource to provide relevant information to prediction models. A method is then proposed for dealing with contextual information by manually selecting and adding context attributes of the process instance in the descriptions of their instances in the step before the construction of the input provided to the predictive models based on Long Short Term Memory and Annotated Transition System. The results obtained indicate that the presence of context information related to the execution of process instances provides an improvement in results when compared to those generated by methods that use only the three traditional attributes. Three event logs were used to validate our approach, two of which were of public origin and one of private origin. In this scenario, it was observed that the most promising results were obtained from the execution of models built using an approach based on Annotated Transition Systems. The mean absolute error measure was used to calculate and demonstrate the efficiency of using context in the prediction taskAbertoMestradoCiência da ComputaçãoMestre em Ciência da ComputaçãoCAPES001[s.n.]Madeira, Edmundo Roberto Mauro, 1958-Wainer, Jacques, 1958-Rocha, Marcelo LisboaUniversidade Estadual de Campinas (UNICAMP). Instituto de ComputaçãoPrograma de Pós-Graduação em Ciência da ComputaçãoUNIVERSIDADE ESTADUAL DE CAMPINASAlves, Renato Marinho, 1997-20232023-12-12T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (73 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/17231ALVES, Renato Marinho. Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventos. 2023. 1 recurso online (73 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/17231. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1384107Cover: https://repositorio.unicamp.br/capa/capa?codigo=1384107Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2024-05-08T19:38:46Zoai::1384107Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2024-05-08T19:38:46Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventos
Remaining time prediction for process instances in process mining considering context in event logs
title Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventos
spellingShingle Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventos
Alves, Renato Marinho, 1997-
Mineração de processos
Redes neurais recorrentes
Previsão
Mineração de dados (Computação)
Process mining
Recurrent neural networks
Forecasting
Data mining
title_short Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventos
title_full Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventos
title_fullStr Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventos
title_full_unstemmed Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventos
title_sort Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventos
author Alves, Renato Marinho, 1997-
author_facet Alves, Renato Marinho, 1997-
author_role author
dc.contributor.none.fl_str_mv Madeira, Edmundo Roberto Mauro, 1958-
Wainer, Jacques, 1958-
Rocha, Marcelo Lisboa
Universidade Estadual de Campinas (UNICAMP). Instituto de Computação
Programa de Pós-Graduação em Ciência da Computação
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Alves, Renato Marinho, 1997-
dc.subject.por.fl_str_mv Mineração de processos
Redes neurais recorrentes
Previsão
Mineração de dados (Computação)
Process mining
Recurrent neural networks
Forecasting
Data mining
topic Mineração de processos
Redes neurais recorrentes
Previsão
Mineração de dados (Computação)
Process mining
Recurrent neural networks
Forecasting
Data mining
description Orientadores: Edmundo Roberto Mauro Madeira, Sarajane Marques Peres
publishDate 2023
dc.date.none.fl_str_mv 2023
2023-12-12T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/20.500.12733/17231
ALVES, Renato Marinho. Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventos. 2023. 1 recurso online (73 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/17231. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/17231
identifier_str_mv ALVES, Renato Marinho. Predição de tempo restante de instâncias de processo em mineração de processos considerando contexto em logs de eventos. 2023. 1 recurso online (73 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/17231. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1384107
Cover: https://repositorio.unicamp.br/capa/capa?codigo=1384107
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (73 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189197382156288

Registros relacionados