基于轨迹聚类种群的遗传过程混成挖掘算法

遗传过程挖掘算法以模型质量引导模型的发现,在挖掘模型的同时不断修正挖掘算法的执行,因此相比于其他挖掘算法,更容易生成高质量的过程模型。但由于其迭代发现的特性,对于大型日志,挖掘效率往往较低且生成模型质量不高。针对以上问题,提出一种基于轨迹聚类种群的遗传过程混成挖掘算法(GMTC)。该算法一方面通过轨迹聚类划分事件日志,简化挖掘环境,再使用归纳挖掘算法对事件日志进行预挖掘,为遗传挖掘算法准备高质初始种群;另一方面优化遗传算子,使用对齐日志得到的模型偏差信息指导突变操作,使得突变操作由随机变为有向,从而有效地提高种群的综合质量,使遗传挖掘算法加快收敛。基于过程日志生成器生成模拟日志、某市政府建筑许可申请过程的真实日志以及6个公开数据集的实验结果表明:基于轨迹聚类种群的遗传过程混成挖掘算法相较于其他挖掘算法不但在挖掘效率方面有较大提升,而且挖掘得到的模型质量也能够达到较高的水平。     

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.     

基于流程案例簇的任务关系挖掘算法

为了进行流程发现,提出一种基于流程案例簇的任务关系挖掘方法.该方法首先将基本案例按照特征向量分为多个案例簇,根据基本案例的任务轨迹对案例簇中任务间的依赖关系进行挖掘;然后给出了基于循环基元的循环结构建模和挖掘方法,最终可以从事件日志导出流程中完整的任务依赖关系以及存在的循环结构.所提方法能正确处理任务依赖关系随案例属性取值不同而变化的情况.只要日志完备,基于挖掘到的任务关系和循环结构就能得到一个与原流程行为等价的流程模型.     

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.     

基于Petri网的分层业务过程挖掘方法

已有的过程挖掘方法通常以事件日志为输入,挖掘得到扁平过程模型,然而这些方法并不能很好地支持任务之间嵌套关系的识别和分层过程模型的挖掘。由此,提出一种从带有任务生命周期信息的事件日志中识别任务之间嵌套关系,进而挖掘分层业务过程模型的方法,挖掘得到的模型用分层Petri网来描述。在分层过程模型的基础上,给出了模型质量度量方法。为了提高所提方法的通用性和对事件日志中的噪声和低频行为的处理,定义了基本任务关系的频次和频率,并引入噪声阈值来过滤低频关系。所提方法均已在开源过程挖掘平台ProM工具中实现。基于仿真日志数据和真实日志数据,定量比较了所提方法与已有过程挖掘方法挖掘模型的质量,进一步验证了本文方法针对分层业务过程模型挖掘的优势。     

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。     

基于工作流挖掘的质量管理过程改进研究

为满足质量管理体系持续改进的要求,提出了基于工作流过程挖掘的质量管理过程改进方案.该方案包括过程日志预处理、过程活动控制图重构和活动转移条件生成3步,其中过程活动控制图的重构是核心.设计了一种启发式算法,以时间段建模活动的执行过程,将两活动执行时间段关系划分为不相交、部分相交和包含3种,并在此基础上设计启发式规则,搜索过程日志中蕴含的活动前序关系,解决了包含复杂的策划-实施-检查-处置循环结构的质量管理过程控制图的重构问题.最后,以质量外审意见处理流程的改进为例,对算法进行了说明和分析.     

基于日志的流程相似度计算方法适用性分析

针对现有业务流程相似度计算方法的不足,从流程日志出发计算流程相似度,并根据以流程日志为输入的特点对现有方法进行了改进,提出两种改进方法。一种方法是通过日志重构流程模型,基于模型结构计算流程相似度,但是为体现流程日志中对流程结构某些执行路径或分支的倾向性,在流程模型上重演日志轨迹,利用A*算法寻找匹配日志轨迹的最佳重演方式,识别最佳重演方式下被执行的流关系,以对流关系加权生成加权BPMN模型计算流程相似度;另一种方法不需重构模型,基于任务序列计算流程相似度,为支持任务相似度计算,定义了任务间的距离,由此得到支持任务距离度量的轨迹距离,进一步利用轨迹多集计算流程相似度。通过在不同的真实数据集上的实验,分析了两种方法在相似度计算结果的异同之处,并总结了两种方法的适用范围。     

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。     

基于行为特征网的流程模型分解挖掘

为了使包含活动数目较多的事件日志有效挖掘流程模型,提出基于行为特征网的流程模型分解挖掘方法,基于活动日志确定各活动间的行为足迹关系,推得相应的行为矩阵;结合行为矩阵计算行为关系图,从而产生活动聚类;通过现存挖掘算法过滤子日志挖掘子网,并对子网添加接口库所形成子网行为特征网;在行为特征网的基础上,运用合成网的观点合成整网,以此挖掘流程模型。最后通过仿真分析验证了该分解挖掘方法的有效性。     

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。     

基于后继关系的行为块过程挖掘方法

鉴于已有的过程挖掘方法在发现循环结构和隐藏行为上具有一定的局限性,提出一种基于后继关系的行为块挖掘算法。依据日志建立后继关系矩阵,分析了矩阵中变迁间对应的值,从而可以发现所有最小行为块和隐藏的行为关系,包括循环行为块;利用组合原理对带有重复变迁的最小行为块进行组合,得到结构行为块;组合所有行为块得到初始模型,利用已发现的隐藏行为关系修正初始模型得到更加精确的过程模型。通过实例分析和ProM的仿真实验验证了所提方法的可行性。     

基于关系矩阵的工作流日志重复任务识别算法

针对传统工作流模型挖掘算法不考虑模型中重复任务的存在,导致挖掘出的模型精确度不高的问题,提出一种基于关系矩阵的重复任务识别方法。通过分析工作流执行日志得到所有事件的前驱后继关系,根据不同的模型结构进行事件重命名,再基于同类别重复事件之间的相似度对重复事件进行聚类得到最优识别结果。实验表明,该方法能正确有效地识别工作流日志中的重复任务,减少模型中的不可见任务,最终提高工作流模型挖掘方法的精确度和可理解性。     

一种基于滑窗的增量式过程挖掘算法

传统过程挖掘算法是针对静态模型和静态日志进行设计的,不能直接用于演化过程的发现.为此,提出了一种过程挖掘算法,应用滑窗机制实现增量式算法设计,利用日志事件关系模型,引入日志事件关系计数和阈值机制,实现对事件日志流的持续挖掘,因而能够发现模型演化的历史及模型当前实际执行情况.分析了算法性质及相关参数的影响,并进行了实验验证.     

基于Petri网可达图的业务对齐方法

为提高过程挖掘中计算最优对齐的效率,提出一种基于Petri网可达图的业务对齐方法。首先,根据给定事件日志,提取其包含的活动子集;然后,将子集中包含的活动映射到变迁,构建花型日志模型;进一步,计算花型日志模型与过程模型之间的乘积模型及其可达图;最后,给出算法在可达图中查找出事件日志中全部迹与过程模型之间基于给定代价函数的一个最优对齐和所有最优对齐。从理论上证明了该方法的适用性与有效性。通过仿真实验,验证了该方法的可行性与优越性。     

面向自然过程文本的案例信息抽取

针对描述具体流程案例信息的自然文本,提出一种案例自动抽取方法,实现了无结构过程文本向结构化事件日志转换,从而为后续的过程挖掘研究提供数据支持。首先对过程文本案例抽取任务进行了形式化描述,抽象出活动/属性实体识别、活动/属性关系识别、活动顺序关系识别3个核心任务,然后应用半监督统计学习技术分别设计了解决方法。选取中文菜谱文档为实例开展了大规模实验研究,对所提出的案例信息抽取方法的有效性进行了全面评估。实验结果表明,所提方法能够在少量人工标注数据的基础上有效利用同领域内大量未标注过程文本提升案例抽取效果,且无需人工设计复杂的规则,具有良好的领域适用性。     

面向复杂产品的可重构虚拟样机技术研究

针对复杂产品基于已有知识实现快速设计问题,对产品设计、分析仿真和协同优化过程中模型和知识的重用进行了深入分析,提出了支持新产品开发的可重构虚拟样机构建方法.通过对复杂产品虚拟样机技术分析,研究了可重构虚拟样机的构建过程和建模方法,建立了可重构虚拟样机的基本类图、活动图和映射关系图;在新产品设计过程中参数驱动可重构虚拟样机模型,实现新产品的快速设计和分析及优化.最后,以锤式破碎机主轴为例,实现了可重构虚拟样机的应用,证明了该技术对复杂产品的快速设计具有重要意义.     

基于过程挖掘与复杂网络集成的制造过程资源建模与关键加工节点识别

为了解决多任务复杂制造过程中的工作流变异导致的流程和资源的不确定性,进而导致制造资源模型出现实时变化,提出了基于过程挖掘与复杂网络集成的制造过程资源模型,得到了流程与资源信息集成的资源复杂网络模型与分析方法。首先,从制造过程中实时产生的事件日志出发,提出了一种基于统计α算法的过程挖掘算法,解决了制造过程工作流重构问题,可实时发掘实际制造过程中的工作流模型。接着,通过集成过程挖掘算法和复杂网络理论,构建了集流程信息与资源信息于一体的资源网络模型,提出了资源节点与流程节点的关联性分析方法,识别制造过程中的关键加工节点。最后,结合一个复杂的锥齿轮轴-轴承套组件装配过程实例,全面验证了所提出方法在制造过程工作流重构、资源网络模型建模、资源特性分析与关键加工节点的识别上的有效性。     

基于工作流网的成批处理工作流模型挖掘方法

针对现有过程挖掘技术在解决成批处理工作流模型挖掘问题上存在的不足,研究了相应的过程挖掘方法。利用系统事件日志中活动实例的输入输出、开始与结束时间等数据,通过引入成批处理特征等概念来发现成批处理区及隐含的事件记录,并结合现有过程挖掘方法来挖掘成批处理工作流模型。该方法充分利用现有过程挖掘方法的优越性能,解决了支持成批处理工作流系统中的模型自动构建问题。通过仿真实验验证了该方法的有效性。