CN109460391A - 一种基于流程切的过程模型挖掘新方法 - Google Patents
一种基于流程切的过程模型挖掘新方法 Download PDFInfo
- Publication number
- CN109460391A CN109460391A CN201811024736.7A CN201811024736A CN109460391A CN 109460391 A CN109460391 A CN 109460391A CN 201811024736 A CN201811024736 A CN 201811024736A CN 109460391 A CN109460391 A CN 109460391A
- Authority
- CN
- China
- Prior art keywords
- model
- log
- sequence
- event log
- low frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于流程切的业务过程挖掘新方法,涉及挖掘检测合理的低频序列日志和基于流程切的优化过程模型挖掘。首先根据事件日志活动间的行为轮廓关系,分析直接流程切图和间接流程切图,与设定的流程切弧值进行比较,过滤事件日志中的不合理序列日志。然后对过滤后的事件日志构建初始过程模型。计算初始模型的适合度εLP(M0)值,与给定的阈值进行比较,若不满足阈值要求,则添加低频序列下的配置变迁,调整过程模型,直至所有的低频序列活动变迁全部重放完毕,从而得到优化过程模型。本发明所提出的方法,有效的解决了事件日志中存在的异常序列日志,通过去除流程模型中不合理的序列日志以及不合理的结构,有效的简化了构建模型的复杂度并提高模型的精确度。
Description
技术领域
本发明属于电子商务信息技术领域,涉及流程模型中一种新的过程模型挖掘方法,包括从事件日志中发现有效低频序列日志和基于流程切挖掘优化的过程模型方法。
背景技术
过程挖掘的目的是为了改进业务流程。在以往挖掘过程中,主要是对频繁行为模式进行挖掘,并对频繁行为事件日志进行监视。目的是从事件日志中提取相关信息,研究相关实例所要发生的流程关系。随着业务流程的发展,从事件日志中发现不频繁行为也越来越重要,因为它可以揭示流程中不常见的错误,能够发现行为异常或者行为偏差,促使人们能够对流程进行及时的改正,降低模型的复杂性。低频模式挖掘对业务流程管理也至关重要,能够使流程模型变得更加完善,更加符合企业管理者需求,有利于提高流程管理的生产效率。
本发明以行为轮廓为基础,基于流程切的方法从事件日志中挖掘有效的低频序列日志。首先根据给定的事件日志序列,将高频序列日志优先筛选出来,将其作为输入,根据行为轮廓理论,构建出行为轮廓矩阵关系表,根据行为轮廓关系表可以构建初始Petri模型。然后利用流程切对日志进行分割处理,包括严格序分割,排他序分割、交叉序分割、循环序分割。从这些分割的模块中将不合理的一些低频序列模块直接进行删除,将未删除的低频日志进行保留,构建低频序列子模块,添加到源模型中,对源模型进行补充优化。最后通过计算,比较源模型与新模型的一致性以及行为适当性,说明所挖掘的低频序列为有效的低频序列,从而达到对模型进行优化和完善的目的,使模型变得更加完整。
发明内容
本发明要解决的技术问题是:提出了一种基于事件日志下流程切过程模型挖掘算法的方法。该算法将事件日志中活动序列利用合理性阈值进行部分过滤,再利用流程切进一步对事件日志中不合理的活动进行切割过滤。最后将初始模型与过滤后的模型进行对比分析,得到最终的优化模型。
为解决以上技术问题,本发明采用了如下技术方案:
分析所有待执行的事件日志,将相同事件日志的活动序列进行合并操作,利用流程切对事件日志中的活动进行切割处理,去除不合理的事件日志活动。根据设定的弧值频率ξr以及流程切弧值r,对事件日志中的活动进一步进行过滤,从而得到合理的事件日志序列。
根据得到的事件日志活动序列,分析各日志活动间的行为轮廓关系,建立行为轮廓关系表,得到初始Petri网流程模型M0。
在得到的初始模型的基础上,将事件日志的活动关系用流程切关系图表示,并于初始模型的序列关系进行对比分析。若活动序列相一致,则保留,否则模型中不完备的事件日志活动序列。计算模型的合适度,通过添加配置变迁,调整流程模型。
根据调整后的流程模型,将低频序列日志重放到流程模型中。计算事件日志与模型的行为适当性值,若满足设定的阈值要求,则保留该低频事件日志,否则,直接过滤,得到优化模型M1。分析模型M0和模型M1的行为轮廓关系,在行为不一致的地方添加配置变迁,并同时删除行为不一致的路径,以此调整过程模型。重复此操作,直到所有的低频序列日志全部重放结束,得到模型M1,M2...Mi,Mj...。根据一致性度量值计算公式,对得到的模型 M1,M2...Mi,Mj...分别进行计算,解出的最优解即是我们要得到的最优过程模型。
附图说明
图1是本发明的流程模型图。
图2是本发明的检测合理的低频序列日志步骤图。
图3是本发明的建立初始模型步骤图。
图4是本发明的得到最终的优化模型步骤图
具体实施方式
本发明提出从事件日志中检测出所有合理的低频序列日志。利用高频序列下的事件日志构建初始模型,并建立事件日志下的流程切关系模型图,与初始模型的序列关系进行比较,删除不合理的序列日志活动。将合理的低频序列日志重放到过程模型中,计算日志与模型的适当性以及合适度值。不断对模型进行调整优化,从而得到最终的优化过程模型图。
以下结合附图对本发明作进一步的说明。
图1是本本发明的一种实施流程模型图,包括挖掘合理的低频序列日志和初始模型的构建以及挖掘最终的优化过程模型。如图1所示,根据已知的执行事件日志,对事件日志序列进行分析,得到合理的事件日志序列。根据事件日志活动间的行为轮廓关系,构建行为轮廓关系表,建立初始模型。在初始模型的基础上,根据设定的阈值,对模型的适合度进行计算验证,过滤掉不合理的事件日志活动序列。通过添加低频序列下的配置变迁对初始模型进行调整,不断对模型进行优化,从而得到最终的优化过程模型。
图2是本发明检测合理的低频序列日志。对已知的事件日志进行预处理操作(对相同的事件日志进行合并),根据事件日志发生频率,将事件日志分成高频序列日志和低频系列日志。构建高频事件日志下的行为轮廓关系表,同时做出该事件日志下的流程切图和间接流关系的流程切图。令直接流关系的弧值设为ri,间接流关系的弧值设为rj。若rj>ri,该部分的日志序列保留,若ri≤rj,该部分直接过滤删除,以此过滤掉不合理的序列日志和不合理的环状结构。将过滤后的事件日志重新排列,对低频序列下的事件日志发生频率 freq(i),i=1,2,3...与设定的弧值频率ξr进行比较。若事件日志序列freq(j)≥ξr,则保留该日志,若freq(j)<ξr,则将该日志序列过滤掉。迭代此操作,得到最终的所有合理的低频序列日志。
图3是本发明的构建初始模型步骤图。对给定的事件日志进行分析,得到合理的事件日志序列,计算事件日志间的活动行为轮廓关系(这里给出主要的关系,即严格序关系,排它序关系,交叉序关系),建立行为轮廓关系表,根据行为轮廓表,构建初始模型。
图4是寻找最终的优化模型步骤图。事件日志进行流程切处理后,将事件日志的活动对关系用流程切关系图表示出来,判断初始模型序列关系与流程切图关系是否相匹配,若匹配则保留,否则,将不完备的事件日志轨迹删除。计算初始流程模型适合度εLP(M0)。若εLP(M0)≥tf,则模型合理,执行步骤4;若εLP(M0)<tf,增加配置信息,调整流程模型,直至流程模型满足εLP(M0)≥tf。同时计算日志与模型的行为适当性αB的值,若αB(M0)<0.9,则说明与模型的行为适当性偏低。将低频模式下的序列重放到流程中,来优化模型,得到优化后的模型M1。利用增量日志间的弱序关系,将模型M1与初始模型M0的行为轮廓关系进行对比,若行为一致,则令M0=M1,否则,在不一致的地方添加配置变迁,并且删除不一致的路径来调整模型,得到模型M1,M2...Mi,Mj...。再计算模型MBPL[Mj,M0]的行为轮廓一致性度量值,若MBPL[Mj,M0]≥MBPL[Mi,M0],则Mj作为新的模型,若MBPL[Mj,M0]<MBPL[Mi,M0],则将Mi作为新的模型。依次执行此操作步骤,直至找到最优的过程模型。
Claims (3)
1.基于流程切的业务流程挖掘新方法,包括从事件日志中挖掘出符合流程模型的低频序列和利用行为轮廓建立初始模型M0并利用流程切过滤掉不合理的事件日志,从而挖掘出最终的过程模型,其特征在于:根据已给的事件日志,利用弧值频率过滤掉不合理的序列日志,在初始模型的基础上,利用流程切的过程模型挖掘算法,将初始模型中不匹配的活动序列进行删除,通过添加配置变迁,调整模型的模型适合度和行为适当性,从而得到优化的过程模型。
2.根据权利要求1所述的挖掘出符合流程模型的低频序列日志的方法,其特征在于:基于已给的事件日志,设置合理性弧值r和弧值频率ξr,首先将序列日志转换成流程切表现模式,利用流程切中的合理性弧值r进行过滤,删除事件日志中不合理的弧。其次在利用日志发生频率freq(i)与弧值频率ξr进行比较。进一步对日志序列进行过滤,从而得到最终的符合流程模型的低频序列日志。
3.根据权利要求1所述的基于流程切挖掘过程模型的优化方法,其特征在于:所述的方法是依据行为轮廓建立初始模型,同时建立事件日志各活动间的流程切关系图,将初始模型序列关系与流程切图关系进行比较,将不完备的事件日志过滤。同时将低频序列日志重放到流程模型,计算验证流程模型的行为轮廓一致性值以及行为适当性值。符合要求的低频序列日志保留,不符合的直接过滤,直至找到最优的流程模型图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024736.7A CN109460391A (zh) | 2018-09-04 | 2018-09-04 | 一种基于流程切的过程模型挖掘新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811024736.7A CN109460391A (zh) | 2018-09-04 | 2018-09-04 | 一种基于流程切的过程模型挖掘新方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109460391A true CN109460391A (zh) | 2019-03-12 |
Family
ID=65606502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811024736.7A Pending CN109460391A (zh) | 2018-09-04 | 2018-09-04 | 一种基于流程切的过程模型挖掘新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460391A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11500756B2 (en) | 2020-09-06 | 2022-11-15 | UiPath, Inc. | Process tree discovery using a probabilistic inductive miner |
US11521088B2 (en) | 2020-09-06 | 2022-12-06 | UiPath, Inc. | Process tree discovery using a probabilistic inductive miner |
CN115525693A (zh) * | 2022-09-20 | 2022-12-27 | 山东理工大学 | 面向增量事件日志的流程模型挖掘方法与系统 |
CN116225513A (zh) * | 2023-05-09 | 2023-06-06 | 安徽思高智能科技有限公司 | 一种基于概念漂移的rpa动态流程发现方法及系统 |
US11892934B2 (en) | 2020-09-06 | 2024-02-06 | UiPath, Inc. | Process tree discovery using a probabilistic inductive miner |
-
2018
- 2018-09-04 CN CN201811024736.7A patent/CN109460391A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11500756B2 (en) | 2020-09-06 | 2022-11-15 | UiPath, Inc. | Process tree discovery using a probabilistic inductive miner |
US11521088B2 (en) | 2020-09-06 | 2022-12-06 | UiPath, Inc. | Process tree discovery using a probabilistic inductive miner |
US11892934B2 (en) | 2020-09-06 | 2024-02-06 | UiPath, Inc. | Process tree discovery using a probabilistic inductive miner |
CN115525693A (zh) * | 2022-09-20 | 2022-12-27 | 山东理工大学 | 面向增量事件日志的流程模型挖掘方法与系统 |
CN115525693B (zh) * | 2022-09-20 | 2024-02-06 | 山东理工大学 | 面向增量事件日志的流程模型挖掘方法与系统 |
CN116225513A (zh) * | 2023-05-09 | 2023-06-06 | 安徽思高智能科技有限公司 | 一种基于概念漂移的rpa动态流程发现方法及系统 |
CN116225513B (zh) * | 2023-05-09 | 2023-07-04 | 安徽思高智能科技有限公司 | 一种基于概念漂移的rpa动态流程发现方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460391A (zh) | 一种基于流程切的过程模型挖掘新方法 | |
CN112152830A (zh) | 一种智能的故障根因分析方法及系统 | |
CN104794195A (zh) | 一种用于电信潜在换机用户发现的数据挖掘方法 | |
CN103559588A (zh) | 基于Petri网行为轮廓的日志挖掘方法 | |
CN104133866A (zh) | 一种面向智能电网的缺失数据填充方法 | |
CN104199961A (zh) | 一种基于数据挖掘的公共建筑能耗监管平台数据处理方法 | |
CN103220180A (zh) | 一种OpenStack云平台异常的处理方法 | |
CN110109431B (zh) | 一种压铸机oee信息智能获取系统 | |
CN103778051A (zh) | 基于l*算法的业务流程增量挖掘方法 | |
CN105989419A (zh) | 一种智能配电网工程项目投资纠偏与优化方法 | |
CN101980227A (zh) | 复合型土压平衡盾构刀盘cad系统 | |
CN109213810A (zh) | 一种盾构tbm掘进参数的数据挖掘方法 | |
CN106997334A (zh) | 一种基于时间加权的矿山压力数据处理系统及方法 | |
CN113128777A (zh) | 基于基建投资内生变量的露天煤矿开采计划优化方法 | |
CN113673059B (zh) | 基于随机森林和bp神经网络的盾构掘进参数预测方法 | |
CN109086385A (zh) | 一种基于Petri网的业务流程低频行为挖掘方法 | |
CN110674989A (zh) | 一种煤层气抽采量预测方法、系统、设备及可读存储介质 | |
CN102693289A (zh) | 高拱坝施工的仿真方法 | |
CN104500141A (zh) | 基于矿压监测动态特征的突出预警方法 | |
CN111913874B (zh) | 一种基于语法结构变更分析的软件缺陷溯源方法 | |
CN106127405A (zh) | 一种基于流程树切的业务流程隐变迁挖掘方法 | |
CN110119596B (zh) | 一种基于Revit的场地编辑系统 | |
CN116305622A (zh) | 一种基于互联网+盾构机刀盘模块配置设计方法 | |
CN103793748A (zh) | 含分布式电源的配电网多级可靠性提升方法 | |
CN105138445A (zh) | 基于概率行为关系挖掘业务流程中不可见任务的新方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190312 |
|
WD01 | Invention patent application deemed withdrawn after publication |