基于可预测适合度的选择性模型修复

由于信息系统记录的行为不断变化,因此事件日志与给定模型之间往往存在偏差.事件日志可能产生2种不同类型的偏差,且每种偏差在偏差总数中的占比是不确定的.已有方法采用固定方式修复日志中非迭代偏差和自循环产生的迭代偏差,或在理想适合度被设定为1的前提下选择执行不同的修复方式,因而很难保证适合度与精度始终在合理范围.针对这一问题,提出一种修复方法可根据迭代可观测偏差总成本预测配置优化后的适合度,并在其满足给定阈值的情况下对所有偏差进行整体配置.当预测适合度不满足给定阈值时,进一步通过最优对齐发现事件日志与过程模型之间的变体,并根据每个变体的实际情况使用配置优化或者自循环插入的方式修复可观测偏差.仿真实验中对不同数据集进行了验证,结果表明:在始终保证适合度合理的前提下所提出方法能够最大程度地改善精度.