論文の概要: Actor-Enriched Time Series Forecasting of Process Performance

• arxiv url: http://arxiv.org/abs/2510.11856v1
• Date: Mon, 13 Oct 2025 19:10:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 21:19:14.955882
• Title: Actor-Enriched Time Series Forecasting of Process Performance
• Title（参考訳）: プロセス性能のアクター強化時系列予測
• Authors: Aurelie Leribaux, Rafael Oyamada, Johannes De Smedt, Zahra Dasht Bozorgi, Artem Polyvyanyy, Jochen De Weerdt,
• Abstract要約: 本研究では,時系列としてモデル化されたアクター行動情報を組み込むことで,スループット時間(TT)予測モデルの予測性能が向上するかどうかを検討する。 実生活のイベントログを用いて、アクター中心の機能、すなわちアクターの関与、継続頻度、中断頻度、ハンドオーバ行動、これらの行動の持続時間を含む時系列を構築する。 その結果,アクターに富んだモデルは,RMSE,MAE,R2といったTT機能のみを含むベースラインモデルよりも一貫して優れていた。
• 参考スコア（独自算出の注目度）: 7.058413173276406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive Process Monitoring (PPM) is a key task in Process Mining that aims to predict future behavior, outcomes, or performance indicators. Accurate prediction of the latter is critical for proactive decision-making. Given that processes are often resource-driven, understanding and incorporating actor behavior in forecasting is crucial. Although existing research has incorporated aspects of actor behavior, its role as a time-varying signal in PPM remains limited. This study investigates whether incorporating actor behavior information, modeled as time series, can improve the predictive performance of throughput time (TT) forecasting models. Using real-life event logs, we construct multivariate time series that include TT alongside actor-centric features, i.e., actor involvement, the frequency of continuation, interruption, and handover behaviors, and the duration of these behaviors. We train and compare several models to study the benefits of adding actor behavior. The results show that actor-enriched models consistently outperform baseline models, which only include TT features, in terms of RMSE, MAE, and R2. These findings demonstrate that modeling actor behavior over time and incorporating this information into forecasting models enhances performance indicator predictions.
• Abstract（参考訳）: 予測プロセスモニタリング(英: Predictive Process Monitoring、PPM)は、プロセスマイニングにおける重要なタスクであり、将来の振る舞い、結果、パフォーマンス指標を予測することを目的としている。 後者の正確な予測は、前向きな意思決定に不可欠である。 プロセスはリソース駆動であることが多いので、予測にアクターの振る舞いを理解し、取り入れることは重要である。 既存の研究はアクター行動の側面を取り入れているが、PPMにおける時間変化シグナルの役割は限られている。 本研究では,時系列としてモデル化されたアクター行動情報を組み込むことで,スループット時間(TT)予測モデルの予測性能が向上するかどうかを検討する。 実生活のイベントログを用いて、アクター中心の機能、アクターの関与、継続頻度、中断頻度、ハンドオーバ行動、およびこれらの行動の持続時間を含む多変量時系列を構築する。 アクターの振る舞いを追加する利点を研究するために、いくつかのモデルをトレーニングし比較する。 その結果,アクターに富んだモデルは,RMSE,MAE,R2といったTT機能のみを含むベースラインモデルよりも一貫して優れていた。 これらの結果は、時間とともにアクターの振る舞いをモデル化し、この情報を予測モデルに組み込むことで、パフォーマンス指標の予測が促進されることを示している。

関連論文リスト

• Linking Actor Behavior to Process Performance Over Time [5.415198284133619]
  我々は,時系列データ中の関連リンクを特定するために,俳優の行動分析をグランガー因果関係と統合する。 ラッソ群をラッソ群選択に用いて, 因果関係のほとんどを捉えた小さいが一貫した影響のラッソ群を同定した。
  論文  参考訳（メタデータ） (2025-07-30T19:04:07Z)
• 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)
• Internal Causal Mechanisms Robustly Predict Language Model Out-of-Distribution Behaviors [61.92704516732144]
  正当性予測の最も堅牢な特徴は、モデルの振舞いに特徴的な因果的役割を果たすものであることを示す。 モデル出力の正しさを予測するために因果メカニズムを利用する2つの手法を提案する。
  論文  参考訳（メタデータ） (2025-05-17T00:31:39Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
  そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。 本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
  論文  参考訳（メタデータ） (2024-08-24T18:28:19Z)
• MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series Interpretable Forecasting [13.790498420659636]
  時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。 本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。 時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
  論文  参考訳（メタデータ） (2023-07-13T13:16:01Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• RAIN: Reinforced Hybrid Attention Inference Network for Motion Forecasting [34.54878390622877]
  本稿では,ハイブリットアテンション機構に基づく動的キー情報の選択とランク付けを行う汎用的な動き予測フレームワークを提案する。 このフレームワークは、マルチエージェント軌道予測と人間の動き予測タスクを処理するためにインスタンス化される。 我々は,異なる領域における合成シミュレーションと運動予測ベンチマークの両方について,その枠組みを検証した。
  論文  参考訳（メタデータ） (2021-08-03T06:30:30Z)
• Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
  視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。 潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。 我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
  論文  参考訳（メタデータ） (2020-12-08T18:03:21Z)

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。