ارائه مدل پیش‌پردازش داده‌های سازمانی جهت پیش‌بینی فرآیندهای کسب و کار بیمه‌های اجتماعی

محورهای موضوعی : آمار

مهرداد فدائی پله شاهی ¹ , سهراب کردرستمی ² , امیرحسین رفاهی شیخانی ³ , مرضیه فریدی ماسوله ⁴ , سهیل شکری ⁵

1 - گروه ریاضی، دانشکده علوم پایه، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.
2 - گروه ریاضی، دانشکده علوم پایه، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.
3 - گروه ریاضی، دانشکده علوم پایه، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.
4 - دانشکده کامپیوتر و فناوری اطلاعات دانشگاه احرار، رشت، ایران
5 - گروه ریاضی، دانشکده علوم پایه، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران

تاریخ دریافت : 1400/06/07 تاریخ پذیرش : 1401/03/11 تاریخ انتشار : 1402/10/28

کلید واژه: data mining, Social Insurance Business, Prediction, Recurrent neural network, preprocessing,

چکیده مقاله :

در این مقاله، یک روش جدید پیش پردازش داده ها در زمینه پیش بینی فرآیندهای کسب و کار با استفاده از شبکه عصبی بازگشتی، زنجیره مارکوف و یادگیری عمیق بازگشتی ارائه شده است. هدف، بدست آوردن داده های با کیفیت و استخراج اطلاعات مهمترین متغیرهای دخیل در فرآیند از کارافتادگی از سازمان تامین اجتماعی است. برای دستیابی به این هدف، روش، شامل کاهش تعداد ویژگی و نرمال سازی داده ها در مقایسه با ویژگی های اولیه می باشد. روش پیشنهادی با داده های حقیقی سازمان تامین اجتماعی؛ پیاده سازی شده و در مدل، پیش بینی اعمال گردیده و نتایج نشان می دهد که استفاده از روش ارائه شده، میزان استفاده از منابع حافظه ای را به میزان بسیار جزئی افزایش داده ولی میزان زمان استفاده از CPU، نسبت به روش های مورد مقایسه کاهش چشمگیری داشته و مضاعف بر آن، میزان دقت و کارایی را نیز به میزان قابل توجه ای افزایش می دهد.

چکیده انگلیسی:

In this paper , a new data preprocessing method for predicting business processes is presented , using recursive neural networks , Markov chains and recursive deep learning . The aim of this study is to obtain high quality data and extract the information of the most important variables involved in the disability process of the Social Security Organization (S S O ) . For this purpose, the proposed method includes reducing the number of features and normalizing the data compared to the initial features . The method is implemented for real data of the Social Security Organization and is applied in the form of predictive method . T he results show that the proposed method increases the amount of memory usage , but the amount of CPU usage time becomes significantly lower than the methods compared . In addition, the presented method signifi cantly increases the accuracy and efficiency .

منابع و مأخذ:

[1] A. Khan, H. Le, K. Do, T. Tran, A. Ghose, H. Dam, R. Sindhgatta. Memory-augmented neural networks for predictive process analytics: arXiv preprint arXiv: 1802. 00938 (2018).

[2] A. E. Márquez-Chamorro, M. Resinas, A. Ruiz-Corts.Predictive monitoring of business processes: a survey. IEEE Transactions on Services Computing 99:1-1 (2017).

[3] L. Lin, L. Wen, J. Wang. Mm-pred: A deep predictive model for multi-attribute event sequence. In Proceedings of the 2019 SIAM international conference on data mining: Society for Industrial and Applied Mathematics. 118-126 (2019).

[4] J.-P. Briot, G. Hadjeres, F. Pachet. Deep learning techniques for music generation-a survey. arXiv preprint arXiv: 1709.0162. (2019)

[5] J. Evermann, J.-R. Rehse, P. Fettke. A deep learning approach for predicting process behavior at runtime: in International Conference on Business Process Management, Springer 327-338 (2016).

[6] Y. LeCun, Y. Bengio, G. Hinton. Deep learning: Nature 521: 436–444 (2015).

[7] T. A. Gibson, J. A. Henderson, J. Wiles. Predicting temporal sequences using an event-based spiking neural network incorporating learnable delays 3213-3220 (2014).

[8] F. Daniel, K. Barkaoui, S. Dustdar,eds. Process Mining Manifesto: in Business Process Management Workshops. IEEE Task Force on Process Mining. vol. 99 of Lecture Notes in Business Information Processing, Springer-Verlag, Berlin 169-194 (2012).
[9] J. Kumar, A. K. Singh. Workload prediction in cloud using arti_cial neural network and adaptive di_erential evolution. Future Generation Computer Systems 81: 41-52 (2018).

[10] N. Tax, I. Verenich, M. La Rosa, M. Dumas. Predictive business process monitoring with lstm neural networks: In International Conference on Advanced Information Systems Engineering, 477–492 (2017).

[11] W. M. P. van der Aalst, M.H. Schonenberg, M. Song. Time prediction based on process mining. Inf. Syst 36(2): 450–475 (2011).

[12] X. Jiang, S. Pan, G. Long, F. Xiong, J. Jiang, C. Zhang. Cost-sensitive parallel learning framework for insurance intelligence operation. Transactions on Industrial Electronics 1–11 (2018).

[13] M.A. Jassim, S.N. Abdulwahid. Data Mining preparation: Process, Techniques and Major Issues in Data Analysis, IOP Conf. Ser.: Mater. Sci. Eng. 1090 012053 (2021).

[14] A.K. Dubey, A. Kumar, R . Agrawal. An efficient ACO‑PSO‑based framework for data classification and preprocessing in big data, Evolutionary Intelligence, part of Springer Nature 2020 https://doi. org/10. 1007/s12065-020-00477-7 (2020)

[15] S. García, S. Ramírez-Gallego, J. Luengo, J.M. Benítez, F.,Herrera. Big data preprocessing: methods and prospects, Big Data Analytics, DOI 10.1186/s41044-016-0014-0 (2016).

[16] J. A. Cortés-Ibáñez, S. González, J. J. Valle-Alonso, J. Luengo, S. García, F. Herrera. Preprocessing methodology for time series: an industrial world application case study. Information Sciences, 514, 385-401 (2020).

[17] H.woo, J. kim, W. Lee. Validation of Text Data Preprocessing Using a Neural Network Model: Mathematical Problems in Engineering. ) 2020).

[18] G. report.Critical Capabilities for Composite Content Management Applications (2010).

[19] G. T. Lakshmanan, D. Shamsi, Y. N. Doganata, M. Unuvar, R. Khalaf. A markov predictionmodel for data-driven semi-structured business processes: Knowledge and Information Systems 42: 97-126 (2015).

[20] W.V. Aalst, A. Adriansyah, A.K. Medeiros, F. Arcieri, T. Baier, T. Blickle, J. Chandra Bose, P.Van Den Brand, R. Brandtjen, J. Buijs. Process mining manifesto: In International Conference on Business Process Management 169–194 (2011).

[21] J. Schmidhuber. Deep learning in neural networks: An overview. Neural Networks 61: 85–117 (2015).

[22] N. Tax, I. Verenich, M. La Rosa, M. Dumas. Predictive business process monitoring with lstm neural networks: in International Conference on Advanced Information Systems Engineering. Springer 477-492 (2017).

[23] N. Navarin, B. Vincenzi, M. Polato, A. Sperduti. Lstm networks for data-aware remaining time prediction of business process instances: arXiv preprint arXiv: 1711.03822 (2017).

[24] J. Evermann, J. Rehse, P. Fettke. Predicting process behaviour using deep learning: Decision Support Systems. (2017).

[25] P.H. Klees, M. leoni A. W. Veenstra. The Application of Comparative Process Mining in Logistics.Student theses are made available in the TU/e repository upon obtaining the required degree. (2017).

[26] M. Fadaei Pellehshahi, S. Kordrostami, A.H. Refahi Sheikhani, M. Faridi Masouleh. Predicting business processes of the social insurance using recurrent neural network and Markov chain: Journal of Modelling in Management, Vol. ahead-of- print No. ahead- of- print. (2021).