Научно-практический центр Национальной академии наук Беларуси по животноводству, Жодино, Беларусь РАЗРАБОТКА РЕЖИМНЫХ ПАРАМЕТРОВ ИК ОБЛУЧЕНИЯ ПОРОСЯТ-ОТЪЕМЫШЕЙ ПО АНАЛИЗУ ПОВЕДЕНИЯ ЖИВОТНЫХ С ИСПОЛЬЗОВАНИЕМ ВИДЕОНАБЛЮДЕНИЯ Аннотация: Актуальность исследования определяется необходимостью снижения энергоемкости производства продукции в интенсивном животноводстве. Последнее возможно на основе использования инновационных методов и технических средств интеллектуального управления сложными биотехническими системами с идентификацией поведения животных и управлением с использованием средств видеонаблюдения. В статье приведены результаты экспериментальных исследований энергоэкономической эффективности автоматизированной системы инфракрасного облучения поросят-отъемышей с режимами облучения, установленными по анализу видеонаблюдения поведения животных. В качестве этологического признака для анализа поведения животных был принят признак расположения животных по площади пола относительно теплого источника-темного инфракрасного облучателя. В результате экспериментальных исследований на основании данных видеонаблюдения были определены режимы ИК облучения по статистическому анализу этологического признака расположения животных относительно теплового источника ИК облучения. Данные режимы были занесены в программу микроконтроллера, в течение 20 дней опытная группа животных подвергалась ИК облучению по установленным режимам. В результате эксперимента было установлено, что разработанные режимы ИК облучения позволяют получить дополнительную выручку 2,97 руб/гол, в том числе обеспечивают экономический эффект на обогреве 0,89 руб/гол. Разработанные режимы ИК облучения поросят-отъемышей исключают общее отопление. Автоматизированная установка ИКОВ-1 позволяет отрабатывать энергоэффективные зоогигиенические режимы содержания животных на основе обработки данных и инструментария видеонаблюдения с использованием датчика температуры воздуха в зоне ИК облучения. Благодарности. Работа выполнена при поддержке Белорусского республиканского фонда фундаментальных исследований в рамках договора Т18М-001 «Комплексное энергообеспечение управляемых биотехнических систем в аграрном производстве с использованием возобновляемых источников энергии».

Predicting business process behaviour is an important aspect of business process management. Motivated by research in natural language processing, this paper describes an application of deep learning with recurrent neural networks to the problem of predicting the next event in a business process. This is both a novel method in process prediction, which has largely relied on explicit process models, and also a novel application of deep learning methods. The approach is evaluated on two real datasets and our results surpass the state-of-the-art in prediction precision.

PurposeThe paper aims at providing a survey of the development of empirical research in business process management (BPM). It seeks to study trends in empirical BPM research and applied methodologies by means of a developed framework in order to identify the status quo and to assess the probable future development of the research field.Design/methodology/approachIn order to analyse the development of the research field a systematic literature review of empirical journal articles in the BPM context is conducted. The retrieved literature is analyzed by means of scientometric methods and a developed reference framework.FindingsThe steadily growing number of published articles in empirical BPM research shows an increase in interest in the research field. Research interests, applied methodologies, the underlying research paradigm and the level of maturity of empirical BPM research differ depending on regional aspects. BPM gains importance in the industry as well as in the public administration context.Research limitations/implicationsThe findings are based on a sample of 355 articles and not on an exhaustive amount of available empirical research contributions. Nevertheless, significant analyses can be conducted. Future research could apply the developed reference framework for further literature reviews in order to be able to compare the findings and to measure progress.Originality/valueThe presented literature review gives an overview of trends in empirical BPM research. The developed and strictly applied reference framework supports a systematic analysis of contributions and can thus draw a significant picture of the state‐of‐the‐art of the research field. To the best knowledge of the authors no such survey has currently been undertaken.

No abstract

No abstract

No abstract

No abstract

The ability to proactively monitor business processes is a main competitive differentiator for firms. Process execution logs generated by process aware information systems help to make process specific predictions for enabling a proactive situational awareness. The goal of the proposed approach is to predict the next process event from the completed activities of the running process instance, based on the execution log data from previously completed process instances. By predicting process events, companies can initiate timely interventions to address undesired deviations from the desired workflow. The paper proposes a multi-stage deep learning approach that formulates the next event prediction problem as a classification problem. Following a feature pre-processing stage with n-grams and feature hashing, a deep learning model consisting of an unsupervised pre-training component with stacked autoencoders and a supervised fine-tuning component is applied. Experiments on a variety of business process log datasets show that the multi-stage deep learning approach provides promising results. The study also compared the results to existing deep recurrent neural networks and conventional classification approaches. Furthermore, the paper addresses the identification of suitable hyperparameters for the proposed approach, and the handling of the imbalanced nature of business process event datasets.