.png){kind=icon}
返回
A Smooth-Delayed Phase-Type Mixture Model for Human-Driven Process Duration Modeling
.png){kind=icon}
OA
AI
DOI：10.3390/a18090575.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
业务流程中的活动主要依赖人类行为来完成。由于人类能动性，个体活动背后的行为可能分多个阶段发生，且执行方式可能存在差异。因此，此类活动的执行时长和性质可能表现出复杂的多元模态特征。相位型分布（phase-type distributions）有助于分析潜在的行为结构，该结构可能包含多个子活动。此类活动中常见的现象是延迟启动，这可能是由于最小任务完成时间或前置任务所致。因此，时长分布或某些分量的分布不从零开始，而是具有最小值，且低于此值的概率为零。在使用相位型模型拟合此类分布时，通常需要大量相位，这些相位可能超过实际的子活动数量。这降低了参数的可解释性，也可能因过度参数化导致优化困难。本文提出了一种平滑延迟相位型混合模型，通过引入延迟参数来解决此类分布的拟合难题。由于短于延迟时间的时长概率应为零，这种硬截断使得参数在期望最大化（EM）框架下不可估计。为克服此问题，我们设计了一种软截断机制以改善模型收敛性。我们进一步开发了一个推理框架，结合EM算法、贝叶斯推断和顺序最小二乘规划，以实现全面且高效的参数估计。该方法在合成数据集和两个真实数据集上得到验证。结果表明，所提出的方法在保持与纯数据驱动方法相当的性能的同时，提供了良好的可解释性，能够揭示人类驱动活动背后的潜在结构。
Keyword:
phase-type distribution
mixture model
Bayesian inference
human-driven process
process duration modeling
期刊
IF:
2.1
论文数:
654
被引数:
5.4K
机构
暂无机构信息
引用论文
The estimation of phase-type related functionals using Markov chain Monte Carlo methods利用马尔可夫链蒙特卡罗方法估计相型相关泛函
.png){kind=icon}
PREAI
分享收藏
分享收藏Prediction of Remaining Execution Time of Business Processes With Multiperson Collaboration in Assembly Line Production装配线生产中多人协作业务流程的剩余执行时间预测
PREAI
分享收藏Phase-type models for competing risks, with emphasis on identifiability issues竞争风险下的相位型模型，重点讨论可识别性问题
PREAI
分享收藏
查看更多内容