排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
近年来,流程挖掘技术不再局限于对事件日志的线下分析以实现对流程模型的改进,而更加关注如何为业务流程的优化提供在线支持.其中业务流程剩余执行时间的预测监控是流程挖掘中的关键研究问题,它能为相关者提供及时的预测信息,进而采取有效措施以减少流程执行风险(例如超过时间限制).当前剩余时间预测的研究仅考虑单个流程实例的内部属性,而忽略了多个实例共同执行对剩余执行时间所产生的竞争影响.为此,本文考虑多实例间的资源竞争,并将其作为预测的主要输入属性之一.此外,本文还通过分析历史事件日志选择出一些对当前流程实例执行时间有重大影响的关键活动,并将其也作为预测的输入属性之一.同时,为提高预测模型的精度和在复杂应用场景中的适应性,本文利用堆叠技术将XGBoost模型和LightGBM模型进行融合,构建出双层混合预测模型来完成对业务流程剩余时间的预测.在四个真实数据集上的实验表明,考虑了实例间属性以及关键活动属性的混合预测模型在平均绝对误差上比LSTM和XGBoost方法分别降低了11.6％和15.8％. 相似文献
2.
针对目前大多数方法仅从单一视角检测业务流程执行异常而导致的异常检测不全面问题,本文提出了一种基于上下文感知的多角度业务流程在线异常检测方法,方法从多个视角出发对当前执行实例可能存在的三类异常情况进行在线检测,即行为异常、时间异常和属性异常.方法还借助重演技术从事件日志中充分捕获当前实例执行的行为上下文和数据上下文以更好地模拟其真实执行环境,并将结果与深度学习方法相结合,建立了实时异常检测模型,有效提高了异常检测的性能.在四个真实数据集上的实验结果表明,本文提出的方法在召回率上比支持向量机、K最近邻、决策树算法分别提高了18.5％、19.8％和8.4％,在F1分数上分别提高了15.9％、25.4％和8.4％.区别于以往检测方法仅对流程执行数据进行事后分析的特点,本方法提出的异常检测方法适用于实时在线检测,具有更好的时效性. 相似文献
1