MODELO BASADO EN REDES NEURONALES RECURRENTES LSTM PARA LA PREDICCIÓN DE LA SIGUIENTE ACTIVIDAD EN PROCESOS DE NEGOCIO (LSTM RECURRENT NEURAL NETWORK BASED-MODEL FOR THE PREDICTION OF THE NEXT ACTIVITY IN BUSINESS PROCESSES)

Resumen

Las redes neuronales recurrentes de tipo Memoria a Corto y Largo Plazo (LSTM) proporcionan una alta precisión en la predicción del modelado de secuencias en varios dominios de aplicación. En este artículo se introduce el uso de redes LSTM para la predicción de actividades de un proceso de negocio, etapa importante dentro del descubrimiento de procesos de negocio en la minería de procesos. Se propone una metodología para la implementación de la red LSTM en el dominio de minería de procesos. La red neuronal LSTM es entrenada con diferentes registros de eventos para comparar su tasa de exactitud, los registros de eventos presentan diferente cantidad de trazas, número de casos y total de actividades. La tasa de exactitud obtenida en el entrenamiento de la red neuronal es aceptable de acuerdo a la literatura del dominio, así como la validación de la precisión en la predicción de la siguiente actividad.

The Long Short-Term Memory (LSTM) Recurrent Neural Networks provide a high precision in the prediction of the modeling of sequences in several application domains. This article introduces the use of LSTM networks for the prediction of activities in a business process, an important step in the discovery of business processes in process mining. A methodology for the implementation of the LSTM network in the process mining domain is proposed. The LSTM neural network is trained with different event logs to compare its accuracy rate, the event logs contain a different number of traces, number of cases and total activities. The accuracy rate obtained in the training of the neural network is acceptable according to the literature of the domain, as well as the validation precision in the prediction of the next activity.