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。     

不完备事件日志下的业务系统变化检测及模型修复方法

业务系统在演进过程中不可避免地引入变化因素,如何将演进中的变化因素对系统模型进行修复具有实际意义.现有模型修复主要针对原始参考模型和完备日志进行,存在原始参考模型未知和不完备日志的局限性.因此,提出基于不完备日志的变化检测方法,在系统原始模型未知的情形下,利用活动的比较矩阵(行为轮廓矩阵)描述事件日志的Delete、Insert和Move变化操作,从而发现原始事件日志同系统实际日志的局部变化偏差域,根据日志偏差域对原始日志发现的模型进行修复,提出7个实现模型修复的算法.最后,通过ProM工具对所提方法进行了仿真和实验,实验结果表明了方法的有效性和正确性.     

基于行为距离的带隐变迁过程模型挖掘方法

过程发现的目的是基于记录在事件日志中的业务过程的执行数据发现过程模型,由于一些原因导致过程模型中可能会出现隐变迁,而这些隐变迁的执行又不出现在事件日志中,因此隐变迁的挖掘是过程挖掘的难点之一.已有隐变迁挖掘方法对解决并发结构中的隐变迁存在不足,且可能出现一些冗余的隐变迁.基于此,提出一种带隐变迁的过程模型挖掘新方法,首先基于日志分析活动的基本行为关系,通过并发交叉关系和循环交叉关系来发现and网关类型和循环类型的隐变迁.然后,根据活动基于日志的最小和最大行为距离寻找可能存在skip类型隐变迁的活动对,进一步分析该活动对基于模型和并发结构的最小行为距离,以发现skip类型的隐变迁,并不断优化初始模型,最终得到带多种类型隐变迁的过程模型.实验结果表明,该方法能正确地发现多类型隐变迁,相对现有隐变迁挖掘方法,所提方法能显著降低模型中冗余隐变迁的个数,同时在不降低模型精确度的前提下,有效地改善了模型的适合度.     

循环并发结构的过程模型修正方法

过程模型描述的行为与事件日志记录的行为之间存在很多偏差,为了使模型可以重演日志中记录的行为,需要对现有模型进行修正。对于存在循环并发结构的模型,现有修正方法得到的模型结构比较复杂,且不能正确地描述活动之间的关系,导致模型精确度较低。因此,针对循环并发结构,提出一种基于逻辑Petri网的动态模型修正方法。基于过程树,提出并发变迁集概念,通过连续日志动作的标识库所集与相应变迁前集之间的关系,进行偏差定位,并根据逻辑Petri网对模型进行动态修正。最后,通过实例验证了所提修正方法的正确性和有效性。     

基于过程模型约束的轨迹乱序事件修复方法

日志的完备性一直是备受关注的问题,系统错误或者人为干预的影响常常会导致系统日志中的时间信息存在错误,使得日志活动之间的次序发生错位,影响后续日志分析流程.此外,现有日志修复方法在处理此类问题时,修复精度和修复效率方面有所不足.由此,提出一种基于A*算法的乱序轨迹修复方法,该方法基于模型约束,通过调整日志中活动之间的位置,可获得一个无乱序问题的最优修复结果,并利用模型分解和日志活动重放技术,有效提升了修复方法的修复效率.实验结果证明,该方法能够有效地对不同类型的乱序日志进行修复,获得了良好的性能表现.     

基于事件日志增强的时序活动表示学习方法

传统业务流程建模与分析任务中通常将活动表示为离散符号,损失了一定的语义信息。针对这一问题,提出了时序活动表示学习方法,使用多维实数向量对活动语义进行量化表示,为深度学习等现代人工智能技术在业务流程建模与分析中的应用提供基础支持。首先利用过程模型对事件日志的高层次抽象能力,通过过程模型挖掘及仿真对原始事件日志进行增强,扩大事件日志规模并强化活动关系统计信息;然后设计了融合活动关系和执行时间信息的向量表示学习算法,从增强后的事件日志中学习活动向量表示。通过在一个公开的真实医院诊疗日志语料上开展的实验研究验证了所提方法相比于传统的词向量学习方法具有明显优势。     

基于Spark的并行分布式过程挖掘算法

针对传统的过程发现算法对大规模事件日志挖掘效率低的问题,提出一种利用Spark集群进行加速过程挖掘的方法。该方法主要针对基于日志活动关系的过程挖掘算法,对抽取活动关系阶段进行加速。通过并行分布式抽取活动关系,将事件日志转化为活动关系矩阵。然后利用关系矩阵,按算法原本的后续步骤,挖掘出过程模型。利用Spark实现分布式α-Mine算法和分布式Flexible Heuristic Miner算法,结果表明:所提方法在时间消耗上优于目前最好的算法,挖掘效率明显提升。     

基于可扩展活动关系的过程概念漂移检测

为了发现过程模型漂移的时间点,提出一种基于活动关系频繁度的日志分割方法。事件日志可以用活动关系抽象表示。通过关系抽取将事件日志转化为活动关系矩阵,然后分析每个活动关系的变化趋势并检测出候选变更点将所有候选变更点通过密度聚类的方式进行合并,得到模型漂移的时间点。在人工生成日志上的实验结果表明,算法具有良好的准确率、较小的误差和较低的时间消耗。     

基于执行者过程树的双维度遗传过程挖掘方法

事件日志记录数量众多的事件,不仅包含与活动控制流相关的内容,还记录有关活动执行者的信息,即组织维度信息.控制流发现算法从事件日志中自动构建控制流过程模型,组织维度发现算法则构建社交网络模型.如果能合并两种维度,在同一个模型中进行展示,则能够提供更完整的过程组织视图,有助于更准确地对过程以及组织进行分析.因此,提出一种基于执行者过程树的双维度遗传过程挖掘方法(BdSm).一方面,使用Induc-tive Miner预挖掘以优化遗传挖掘算法初始种群,达到生成高质量的控制流模型的目的;另一方面提出日志中活动之间距离的度量方法,能有效度量活动在组织层面的相似度,同时使用执行者信息扩充控制流过程模型,基于执行者过程树生成双维度的过程模型.通过模拟日志以及4个公开事件日志集对所提方法进行验证,结果表明,在控制流维度,所提方法能够生成较高综合质量的过程模型,同时借助组织维度信息,还能够发现典型的工作模式及组织结构.     

支持复杂结构的混成过程挖掘方法

为解决传统过程挖掘算法在处理蕴含复杂结构的海量日志时的低效低质问题,提出一种支持复杂结构的混成过程挖掘方法。该方法首先将事件日志转化为具有发生次数的直接后继图,以支持活动间基本关系的判定;通过过程树对已发现的两两活动间的基本关系进行抽象与合并,进而对日志进行更新,反复迭代直到整个日志中的所有具有基本关系的活动被全部发现。若待发现模型由基本块组成,则挖掘结果为基于块的过程模型;若待发现模型包含复杂结构,则通过混成使用基于区域的方法对复杂结构进行发现。最终利用活动重构操作对挖掘结果中已抽象为过程树的部分进行细化,从而获得最终结果。为了进一步提升挖掘效率,还提出并行化的发现与重构方法。大量基于真实数据的实验结果表明,该方法的挖掘效率和挖掘精确度达到了较好的水平。