論文の概要: Working My Way Back to You: Resource-Centric Next-Activity Prediction

• arxiv url: http://arxiv.org/abs/2508.19016v1
• Date: Tue, 26 Aug 2025 13:27:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.857371
• Title: Working My Way Back to You: Resource-Centric Next-Activity Prediction
• Title（参考訳）: 振り返る - リソース中心の次世代活動予測
• Authors: Kelly Kurowski, Xixi Lu, Hajo A Reijers,
• Abstract要約: 4つの実生活データセットにまたがる4つの予測モデルと3つの符号化戦略を評価する。 その結果、LightGBM と Transformer のモデルでは、2-gram のアクティビティ・トランジションに基づく符号化が最適であることがわかった。 このリソース中心のアプローチは、よりスマートなリソース割り当て、戦略的労働計画、パーソナライズされた従業員サポートを可能にする。
• 参考スコア（独自算出の注目度）: 0.3441021278275805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive Process Monitoring (PPM) aims to train models that forecast upcoming events in process executions. These predictions support early bottleneck detection, improved scheduling, proactive interventions, and timely communication with stakeholders. While existing research adopts a control-flow perspective, we investigate next-activity prediction from a resource-centric viewpoint, which offers additional benefits such as improved work organization, workload balancing, and capacity forecasting. Although resource information has been shown to enhance tasks such as process performance analysis, its role in next-activity prediction remains unexplored. In this study, we evaluate four prediction models and three encoding strategies across four real-life datasets. Compared to the baseline, our results show that LightGBM and Transformer models perform best with an encoding based on 2-gram activity transitions, while Random Forest benefits most from an encoding that combines 2-gram transitions and activity repetition features. This combined encoding also achieves the highest average accuracy. This resource-centric approach could enable smarter resource allocation, strategic workforce planning, and personalized employee support by analyzing individual behavior rather than case-level progression. The findings underscore the potential of resource-centric next-activity prediction, opening up new venues for research on PPM.
• Abstract（参考訳）: Predictive Process Monitoring (PPM)は、プロセス実行における今後のイベントを予測するモデルをトレーニングすることを目的としている。 これらの予測は、早期ボトルネック検出、スケジューリングの改善、積極的な介入、ステークホルダとのタイムリーなコミュニケーションをサポートする。 既存の研究は制御フローの観点を採用するが、資源中心の観点からの次世代の予測を調査し、改善された作業組織、ワークロードの分散、キャパシティ予測などのメリットを提供する。 資源情報はプロセス性能分析などのタスクを強化することが示されているが、その役割はいまだ解明されていない。 本研究では,4つの実生活データセットにまたがる4つの予測モデルと3つの符号化戦略を評価する。 ベースラインと比較すると, LightGBM と Transformer のモデルでは, 2-gram のアクティビティ遷移に基づく符号化が最適であるのに対して,Random Forest では2-gram の遷移とアクティビティ反復を組み合わせた符号化が有効であることがわかった。 この組み合わせ符号化は、最高平均精度も達成する。 このリソース中心のアプローチは、ケースレベルの進行ではなく、個人の行動を分析することによって、よりスマートなリソース割り当て、戦略的労働計画、パーソナライズされた従業員サポートを可能にする。 この発見は、資源中心の次世代活動予測の可能性を強調し、PPM研究のための新たな場所を開く。

関連論文リスト

• Predictive Process Monitoring Using Object-centric Graph Embeddings [0.0]
  本稿では,次のアクティビティ予測と次のイベント時間という2つのタスクに焦点をあて,将来のプロセス行動を予測するエンド・ツー・エンド・エンド・モデルを提案する。 提案モデルでは,アクティビティとその関係を符号化するグラフアテンションネットワークと,時間的依存を処理するLSTMネットワークを併用する。
  論文  参考訳（メタデータ） (2025-07-21T09:10:49Z)
• Agentic Predictor: Performance Prediction for Agentic Workflows via Multi-View Encoding [56.565200973244146]
  Agentic Predictorは、効率的なエージェントワークフロー評価のための軽量な予測器である。 Agentic Predictorはタスク成功率の近似を学ぶことで、最適なエージェントワークフロー構成の迅速かつ正確な選択を可能にする。
  論文  参考訳（メタデータ） (2025-05-26T09:46:50Z)
• An Innovative Data-Driven and Adaptive Reinforcement Learning Approach for Context-Aware Prescriptive Process Monitoring [3.4437362489150254]
  本稿では,Fun-Tuned Offline Reinforcement Learning Augmented Process Sequence Optimizationという新しいフレームワークを提案する。 FORLAPSは、状態依存型報酬形成機構によって強化された学習を活用して、ビジネスプロセスにおける最適な実行経路を特定することを目的としている。 また,FOLAPSは資源使用時間の31%削減,プロセス時間の23%削減を実現している。
  論文  参考訳（メタデータ） (2025-01-17T20:31:35Z)
• Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
  この研究は、性能推定のためのより計算効率のよい指標として、事前学習損失に焦点を当てている。 FLP-Mは、事前トレーニング中に複数のソースからのデータセットを統合する実践的なニーズに対処する、パフォーマンス予測の基本的なアプローチである。
  論文  参考訳（メタデータ） (2024-10-11T04:57:48Z)
• VEDIT: Latent Prediction Architecture For Procedural Video Representation Learning [59.68917139718813]
  そこで本研究では,市販の冷凍型ビジュアルエンコーダを用いて,予測および手続き計画において,最先端(SoTA)の性能を達成可能であることを示す。 観察されたステップから凍結したクリップレベルの埋め込みを条件付けて、目に見えないステップの動作を予測することで、予測のための堅牢な表現を学習することができる。
  論文  参考訳（メタデータ） (2024-10-04T14:52:09Z)
• Investigating Enhancements to Contrastive Predictive Coding for Human Activity Recognition [7.086647707011785]
  コントラスト予測符号化(Contrastive Predictive Coding, CPC)は、時系列データの特性を活用して効果的な表現を学習する手法である。 本研究では,アーキテクチャ,アグリゲータネットワーク,今後のタイムステップ予測を体系的に検討し,CPCの強化を提案する。 提案手法は6つのターゲットデータセットのうち4つを大幅に改善し,アプリケーションシナリオを広範囲に拡張する能力を示した。
  論文  参考訳（メタデータ） (2022-11-11T12:54:58Z)
• An Empirical Study on Distribution Shift Robustness From the Perspective of Pre-Training and Data Augmentation [91.62129090006745]
  本稿では,事前学習とデータ拡張の観点から分布シフト問題を考察する。 我々は,事前学習とデータ拡張に焦点を当てた,最初の総合的な実証的研究を行った。
  論文  参考訳（メタデータ） (2022-05-25T13:04:53Z)
• Online Multi-Agent Forecasting with Interpretable Collaborative Graph Neural Network [65.11999700562869]
  複数の協調予測器からの予測を協調グラフに従って集約する新しい協調予測ユニット(CoPU)を提案する。 本手法は,3つのタスクの最先端処理を平均28.6%,17.4%,21.0%で上回っている。
  論文  参考訳（メタデータ） (2021-07-02T08:20:06Z)
• Video Prediction via Example Guidance [156.08546987158616]
  ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。 本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-03T14:57:24Z)
• TTPP: Temporal Transformer with Progressive Prediction for Efficient Action Anticipation [46.28067541184604]
  ビデオアクション予測は、観察されたフレームから将来のアクションカテゴリを予測することを目的としている。 現在の最先端のアプローチは主に、履歴情報を隠された状態にエンコードするために、リカレントニューラルネットワークを利用する。 本稿では,プログレッシブ予測フレームワークを用いた簡易かつ効率的な時間変換器を提案する。
  論文  参考訳（メタデータ） (2020-03-07T07:59:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。