TY - THES A1 - Ritschl, Alexander T1 - Konzeption, Implementierung und Test eines Business Process Modeling Recommender Systems auf Basis von Long Short-Term Memory Neural Networks N2 - Das Ziel dieser Arbeit ist es, zu bestimmen, ob neuronale Netze (insbesondere LSTM) zur Prozessvorhersage eingesetzt werden können. Dabei soll eine möglichst genaue Vorhersage zu dem Nachfolger eines Events getroffen werden. Dazu wurde Python mit dem Framework TensorFlow genutzt, um ein rekurrentes neuronales Netz zu erstellen. Dabei werden zwei Netze erstellt, wobei das eine für das Training und das andere für die Vorhersage genutzt wird. Die verwendeten Datensätze bestehen aus mehreren Prozessen mit jeweils mehreren Events. Mit diesen Prozessen wird das Netz trainiert und die Parameter nach dem Training gespeichert. Das Netz zur Vorhersage nutzt dann dieselben Parameter, um Vorhersagen zu Events zu treffen. Das neuronale Netz ist in der Lage, nachfolgende Events eindeutig vorherzusagen. Auch Verzweigungen können vorhergesagt werden. In der weiteren Entwicklung ist eine Einbindung in andere Programme möglich. Dabei ist es empfehlenswert, auf eine eindeutige Benennung der Events zu achten oder eine geeignete Umbenennung durchzuführen. N2 - The main goal of this paper is to ascertain, if neural networks (especially LSTM) are helpful in predicting processes by making predictions as accurately as possible. TensorFlow is the used framework in Python to build recurrent neural networks. Two networks are built, whereby one is used for training and the other one for prediction. Used datasets contain several processes with several events each. With those processes, the network ist trained and afterwards, the parameters are saved. The network for prediction uses these parameters to make predictions. The neural network is able to make clear predictions about subsequent events. Even branches can be predicted. When developed further, integration in other programs is possible. It is recommended to use unique names for the events or to rename them. Y1 - 2019 UR - https://kola.opus.hbz-nrw.de/frontdoor/index/index/docId/1905 UR - https://nbn-resolving.org/urn:nbn:de:kola-19057 ER -