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 .