软件学报

作者：郭娜，刘聪，李彩虹，陆婷，闻立杰，曾庆田

单位：郭娜，山东理工大学 电气与电子工程学院, 山东 淄博 25500011,刘聪，山东理工大学 计算机科学与技术学院, 山东 淄博 255000;山东科技大学 计算机科学与工程学院, 山东 青岛 26659002,李彩虹，山东理工大学 计算机科学与技术学院, 山东 淄博 25500003,陆婷，山东理工大学 电气与电子工程学院, 山东 淄博 25500004,闻立杰，清华大学 软件学院, 北京 10008405,曾庆田，山东科技大学 计算机科学与工程学院, 山东 青岛 26659006

关键词：流程挖掘;剩余时间预测;特征选择;可解释;分层模型

基金：国家自然科学基金(61902222);山东省泰山学者工程专项基金(ts20190936,tsqn201909109);山东省自然科学基金优秀青年基金(ZR2021YQ45);山东省高等学校青创科技计划创新团队项目(2021KJ031);山东科技大学领军人才与优秀科研团队计划(2015TDJH102)

流程剩余时间预测对于业务异常的预防和干预有着重要的价值和意义.现有的剩余时间预测方法通过深度学习技术达到了更高的准确率,然而大多数深度模型结构复杂难以解释预测结果,即不可解释问题.此外,剩余时间预测除了活动这一关键属性还会根据领域知识选择若干其他属性作为预测模型的输入特征,缺少通用的特征选择方法,对于预测的准确率和模型的可解释性存在一定的影响.针对上述问题,提出基于可解释特征分层模型(explainable feature-based hierarchical model,EFH model)的流程剩余时间预测框架.具体而言,首先提出特征自选择策略,通过基于优先级的后向特征删除和基于特征重要性值的前向特征选择,得到对预测任务具有积极影响的属性作为模型输入.然后提出可解释特征分层模型架构,通过逐层加入不同特征得到每层的预测结果,解释特征值与预测结果的内在联系.采用LightGBM (light gradient boosting machine)和LSTM (long short-term memory)算法实例化所提方法,框架是通用的,不限于选用算法.最后在8个真实事件日志上与最新方法进行比较.实验结果表明所提方法能够选取出有效特征,提高预测的准确率,并解释预测结果.

来源：2024年第3期

《软件学报》期刊编辑部

查看软件学报杂志2024年第3期