过程挖掘中增强活动依赖的最优对齐算法

一致性检验是过程挖掘领域中检验日志与模型之间偏差的有效方法,对齐是众多先进方法之一。现阶段最优对齐的成本计算大多只与对齐中移动个数保持相关,缺乏对单一活动成本的考虑。因此,提出一种增强活动依赖的最优对齐加权计算方法。基于动态规划求解日志与模型之间的序列对齐;统计合法移动信息,差异化活动及移动类别的成本进行依赖增强;依据对齐成本加权计算方法计算最优对齐并以Java应用的形式对以上方法进行实现。实验利用一个常规化模型及其部分日志对方法的可行性及有效性进行了验证。

事件日志的批量迹与过程模型的多视角对齐方法

在业务过程发现的一致性检测中,现有事件日志与过程模型的多视角对齐方法一次只能获得一条迹与过程模型的最优对齐;并且最优对齐求解中的启发函数计算复杂,以致最优对齐的计算效率较低。为此,提出一种基于迹最小编辑距离的、事件日志的批量迹与过程模型的多视角对齐方法。首先选取事件日志中的多条迹组成批量迹,使用过程挖掘算法得到批量迹的日志模型;进而获取日志模型与过程模型的乘积模型及其变迁系统,即为批量迹的搜索空间;然后设计基于Petri网变迁序列集合与剩余迹的最小编辑距离的启发函数来加快A^(*)算法;最后设计可调节数据和资源视角所占权重的多视角代价函数,在乘积模型的变迁系统上提出批量迹中每条迹与过程模型的多视角最优对齐方法。仿真实验结果表明,相比已有工作,在计算批量迹与过程模型间的多视角对齐时,所提方法占用更少的内存空间和使用更少的运行时间。该方法提高了最优对齐的启发函数计算速度,可以一次获得批量迹的所有最优对齐,进而提高了事件日志与过程模型的多视角对齐效率。

基于Petri网的事件日志与过程模型对齐方法

为了提高过程挖掘中计算最优对齐的效率,提出一种基于Petri网的事件日志与过程模型之间的快速对齐方法——RapidAlign方法。该方法在观察日志的同时运行模型,比对日志活动与模型活动,从而得到日志移动、模型移动和同步移动;根据移动类型计算代价值,并记录日志和模型的当前状态;选取代价值最小的状态继续日志的观察和模型的运行,直到日志和模型均到达结束状态。最终生成一个最优对齐图,其源节点到终节点之间的路径包含了基于标准似然代价函数的事件日志与业务过程模型之间的所有最优对齐。对RapidAlign方法的适用性进行了详细且严格的描述,从理论上证明了该方法的正确性与有效性。通过仿真实验,验证了RapidAlign方法的优越性。

基于对齐处理与偏差检测的业务流程适合度分析

由于业务流程在实际应用中的多变性及动态性,需要对日志与给定模型之间的服从性进行校验与分析。目前的服从性校验方法主要将日志与模型进行对齐处理以检测整体偏差,但这种全局观测所获得的偏差会影响服从性校验的准确性,因此提出一种新方法对日志和给定模型间的最优对齐进行搜索来分析服从性。首先设定选择子序列划分对齐的种类,并通过对齐搜索算法在不断排除的过程中寻找最小偏差对齐;然后分析同一偏差以不同形式回放于模型子模块中的精度及行为关系确定最优对齐。该方法通过实际业务流程的研究案例及比较实验进行评估,其结果表明准确检测偏差能够明显提高适合度的测量值,并通过分析适合度测量的详细数据得出缩小对齐比较范围可减少计算量的结论。

基于成本对齐的业务流程变化挖掘方法

变化挖掘是业务流程管理的核心,从事件日志中挖掘出业务流程的变化尤为重要。已有对变化挖掘的分析方法大多集中在源模型或目标模型已知的基础上。文中从系统日志的角度提出了一种基于成本最优对齐的业务流程变化挖掘方法。首先,根据事件日志提取出有效的高频形态学发生片段,计算出各迹对齐时的最高成本函数值,并在此基础上发现最优迹对齐;然后,通过度量最优对齐时变化日志与源日志间的相似性度,快速且高效地挖掘出变化集。最后通过实例分析显示了该方法的有效性。

基于结构的加权对齐计算方法

现阶段最优对齐的成本计算大多只与对齐中移动个数保持相关,忽视了活动之间的结构关系,缺乏对单一活动成本的考虑.基于活动的结构关联提出一种增强活动依赖的最优对齐加权计算方法.基于活动的结构关联提出相对权重的概念,并给出计算方法;基于结构出现频次,提出活动权重归一化方法;基于动态规划的对齐方法计算加权后的对齐成本.实验利用一个包含顺序、选择及并发结构的模型及其部分系统日志对方法的可行性及有效性进行了验证.

基于启发式搜索的带循环模型一致性检测方法

为了尽可能高效、准确地计算带循环模型的最优对齐,鉴于已有可保证准确性的无循环模型的一致性检测方法,提出带循环模型的一致性检测方法,其将带循环模型的一致性检测问题转化为寻找与给定事件序列一致性程度最高的循环展开过程。该方法利用过程模型中的循环对应事件序列中重复事件的特点,提出将事件序列按重复事件出现节点分解为若干子序列;将展开循环后(无循环)的过程模型与子序列逐渐递增的事件序列进行最优对齐计算,得到各循环展开情况与事件序列的匹配程度;以匹配程度作为启发信息,优先针对匹配程度高的展开情况继续展开,直到找到与事件序列最匹配的循环展开过程。实验结果表明,启发式搜索策略能有效减少搜索空间,在事件日志中的新增变异为非模型活动的情况下,准确率达到99.8%,验证了方法的有效性。

基于行为校验与偏差组合的过程模型修复

模型修复通过对偏差行为的合理调整,改善事件日志与业务流程之间的一致性性能。采用自循环插入方式对日志中可观测的偏差活动进行模型修复,将优先考虑适合度的提升而忽视精度。为获得事件日志与过程模型之间不可回放的行为模式,根据行为关系将其可达活动图表划分为若干个片段并进行服从性校验。利用回放过程中行为模式所产生的最优对齐检测偏差的发生、位置以及潜在行为关系,将具有直接跟随关系的偏差元素构建为可修复的子结构,从而通过减少事件日志中的偏差个数而改善精度。通过实验使用M-repair插件在不同数据集上进行评估,结果表明该方法相较于现存方法在保证适合度的前提下可显著提升精度。