Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Silva, Ronildo Oliveira da |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://repositorio.ufc.br/handle/riufc/75231
|
Resumo: |
Business process analysis belongs to process mining study area that covers the predictive monitoring process and aim to do predictions over both individuals process like: what the next process instance will be executed when provide past events, the remaining time to process instance conclusion when it applies in general process models that is not necessarily includes a business focus. This work aims to predict the remaining time to complete a business process instance using deep learning models. Efficiently predicting the remaining time to complete a process instance contributes to preventing uncertain waits, discovering bottlenecks in processes, and assist alert systems. This paper proposes new architectures of deep learning with recurrent networks to predict the remaining time to conclusion a business process, which surpass state-of-the-art solutions. The architectures used are validated with two sets of public data and another three private one, facilitating the reproducibility of the experiments. |
