Ein Vergleich aktueller Deep-Learning-Architekturen zur Prognose von Prozessverhalten
Heinrich K, Zschech P, Janiesch C, Bonin M (2020)
Publication Language: German
Publication Type: Conference contribution
Publication year: 2020
Publisher: GITO Verlag
City/Town: Berlin
Pages Range: 876-892
Conference Proceedings Title: Proceedings of the 15th International Conference on Wirtschaftsinformatik
Event location: Potsdam
ISBN: 9783955453350
URI: https://library.gito.de/oa_wi2020-i1.html
DOI: 10.30844/wi_2020_i1-heinrich
Open Access Link: https://library.gito.de/oa_wi2020-i1.html
Abstract
Vor dem Hintergrund einer zunehmenden Datenverfügbarkeit sowie der Motivation von Unternehmen, Geschäftsprozesse kontinuierlich zu verbessern, untersucht der Beitrag verschiedene Deep-Learning-Architekturen, die im Kontext der Prozessprognose angewendet werden können, um dadurch kritische Prozessrisiken früher und besser erkennen zu können. Das Forschungsziel ist dabei die Identifikation und Gegenüberstellung aktueller Architekturkonzepte für die Prognose von Folgeereignissen in laufenden Prozessinstanzen. Dazu werden zunächst Ansätze aus dem Bereich Deep Learning identifiziert, welche ein klares Anwendungspotenzial in der Prozessprognose aufweisen. Anschließend wird ein Testdesign entwickelt, anhand dessen die identifizierten Ansätze evaluiert und systematisch gegenübergestellt werden. Die Ergebnisse zeigen, dass neuartige Deep-Learning-Architekturen konkurrenzfähige und teilweise bessere Prognosequalitäten aufweisen als die bisher in der Literatur verwendeten Ansätze.
Authors with CRIS profile
Additional Organisation(s)
Involved external institutions
How to cite
APA:
Heinrich, K., Zschech, P., Janiesch, C., & Bonin, M. (2020). Ein Vergleich aktueller Deep-Learning-Architekturen zur Prognose von Prozessverhalten. In Gronau N, Heine M, Krasnova H, Pousttchi K (Hrg.), Proceedings of the 15th International Conference on Wirtschaftsinformatik (S. 876-892). Potsdam, DE: Berlin: GITO Verlag.
MLA:
Heinrich, Kai, et al. "Ein Vergleich aktueller Deep-Learning-Architekturen zur Prognose von Prozessverhalten." Tagungsband 15th International Conference on Wirtschaftsinformatik (WI), Potsdam Hrg. Gronau N, Heine M, Krasnova H, Pousttchi K, Berlin: GITO Verlag, 2020. 876-892.
BibTeX: Download