基于过程挖掘的未来感知预测模型
发布时间：2020-08-15 09:45
【摘要】：将事件日志中蕴含的过程模型看成两紧邻活动的组合,提出两种新的过程模型。首先,利用日志信息中的活动紧邻关系构造邻接矩阵提取过程模型,该模型中每个活动仅发生一次;其次,为避免过程模型中出现回路或者环路而造成模型预测精度降低的情况发生,在构造的邻接矩阵中增加活动在事件日志中所处的顺序位次,构造含有活动位次信息的邻接矩阵,以此为基础上进一步提取过程模型,该模型中每个活动在同一个位次上仅发生一次;再次,通过矩阵中的信息可获得过程模型中每个上层节点到各个下层节点的路径与相应概率;接下来,根据事件日志中信息的类型和特征,利用过程模型对决策者所需要的信息(如活动名称、等待时间、发生概率)进行预测;最后,利用随机数据与实际数据同基于序列提取规则的过程模型预测结果进行比较,验证所提模型的实际有效性。
【图文】：
＜ＩＴ＝３２．５０＞Ｅｎｄ２．１．２过程模型提取根据邻接矩阵的构造过程算法细节可知，当邻接矩阵中所对应（ｉ，ｊ）位置数据不为空时，说明在事件日志中，活动ｉ与ｊ在某个或某几个案例中作为紧邻活动，那么在过程模型提取时，这两个活动之间有直接的联系，从而应用线连接起来，当在两个活动相连的线上增加矩阵中的相应信息（频率与时间间隔数值），可得到包含时间信息与频率信息的过程模型。针对表２中的随机数据（７个案例，２６个活动）对应的邻接矩阵Ⅱ，提取的过程模型如图１所示。图１预测过程模型（基于邻接矩阵Ⅱ提取）表２中含有的５个不同类型的活动在图１的模型中仅出现一次，此时在图１中活动Ｂ与Ｃ之间存在一个回路，根据图１中现有频率信息，无法计算出活动Ｂ与Ｃ之间回路发生的次数（无法确定活动Ｂ与Ｃ在事件日志案例中紧邻成对出现的次数）。据文献［２，２５］可知，过程模型的预测精度与模型中回路或者环路的数量呈负相关性，随着回路或者环路数量的增多，该过程模型的精度相应降低。为避免过程模型中产生回路或者环路，在邻接矩阵Ⅱ中的（ｉ，ｊ）处，增加活动ｉ在事件日志案例中所发生位置对应顺序数据信息，进一步构造含有活动顺序位次的邻接矩阵。２．２邻接矩阵进一步构造表２中，活动Ａ作为第１位次的活动出现了７次，即Ａ都是第一个发生的活动。由于每个案例中发生活动的数量与过程不同，每个活动顺序发生的位次不同，Ｄ在案例４和案例７中是第３个发生的活动，在其余５个案例中是第４个发生的活动，但所有案例中Ｄ都是最后一个
邻的只有活动Ｃ，利用活动Ｃ在第３位次发生的频率３与活动Ｂ在第２位次发生的频率３可以求得此时的条件概率，那么活动Ｃ发生的概率是１（Ｐ｛｛３｝←Ｃ／｛２｝←Ｂ｝＝３／３＝１，与此同时，活动Ｂ完成后距离活动Ｃ完成的时间是４．３３。针对表２中的随机数据事件日志信息，利用图２中的过程模型相比利用图１中的过程模型能得到更好地预测结果，原因在于邻接矩阵Ⅲ比邻接矩阵Ⅱ含有更多的信息（案例中每个活动的顺序位次信息），因此图２中过程模型更精确。因此，在实际应用中，可根据决策者对模型预测精度要求，在邻接矩阵中增加不同的信息。３随机数据预测结果比较利用随机数据，将本文提出的ＰＭＡＭ的预测结果与文献［１］中提出的ＰＭＳ的预测结果进行比较，来验证ＰＭＡＭ算法的可行性。３．１随机数据Ｉ针对表２中的事件日志，利用过程挖掘工具ＰＲＯＭ［２０］提取ＰＭＳ与ＰＭＡＭ（具体数据信息如图２中所示），这两种模型的预测结果比较如表６所示。表６ＰＭＡＭ与ＰＭＳ预测结果状态ＰＭＡＭ预测结果ＰＭＳ预测结果１ＳＴＡＲＴ｛０｝（ａｄｊａｃｅｎｃｙＡ）［ＦＲＥ＝７］＜ＩＴ＝０＞［｛｝］＜ＩＴ＝０＞２Ａ｛１｝（ａｄｊａｃｅｎｃｙＢ）［ＦＲＥ＝３］＜ＩＴ＝４．６７＞（ａｄｊａｃｅｎｃｙＣ）［ＦＲＥ＝２］＜ＩＴ＝４．５０＞（ａｄｊａｃｅｎｃｙＥ）［ＦＲＥ＝２］＜ＩＴ＝９．５０＞［｛０＝Ａ｝］＜Ｓｏｊｏｕｒｎｔｉｍｅ＝６．００＞３Ｂ｛２｝（ａｄｊａｃｅｎｃｙＣ）
【图文】：
＜ＩＴ＝３２．５０＞Ｅｎｄ２．１．２过程模型提取根据邻接矩阵的构造过程算法细节可知，当邻接矩阵中所对应（ｉ，ｊ）位置数据不为空时，说明在事件日志中，活动ｉ与ｊ在某个或某几个案例中作为紧邻活动，那么在过程模型提取时，这两个活动之间有直接的联系，从而应用线连接起来，当在两个活动相连的线上增加矩阵中的相应信息（频率与时间间隔数值），可得到包含时间信息与频率信息的过程模型。针对表２中的随机数据（７个案例，２６个活动）对应的邻接矩阵Ⅱ，提取的过程模型如图１所示。图１预测过程模型（基于邻接矩阵Ⅱ提取）表２中含有的５个不同类型的活动在图１的模型中仅出现一次，此时在图１中活动Ｂ与Ｃ之间存在一个回路，根据图１中现有频率信息，无法计算出活动Ｂ与Ｃ之间回路发生的次数（无法确定活动Ｂ与Ｃ在事件日志案例中紧邻成对出现的次数）。据文献［２，２５］可知，过程模型的预测精度与模型中回路或者环路的数量呈负相关性，随着回路或者环路数量的增多，该过程模型的精度相应降低。为避免过程模型中产生回路或者环路，在邻接矩阵Ⅱ中的（ｉ，ｊ）处，增加活动ｉ在事件日志案例中所发生位置对应顺序数据信息，进一步构造含有活动顺序位次的邻接矩阵。２．２邻接矩阵进一步构造表２中，活动Ａ作为第１位次的活动出现了７次，即Ａ都是第一个发生的活动。由于每个案例中发生活动的数量与过程不同，每个活动顺序发生的位次不同，Ｄ在案例４和案例７中是第３个发生的活动，在其余５个案例中是第４个发生的活动，但所有案例中Ｄ都是最后一个
邻的只有活动Ｃ，利用活动Ｃ在第３位次发生的频率３与活动Ｂ在第２位次发生的频率３可以求得此时的条件概率，那么活动Ｃ发生的概率是１（Ｐ｛｛３｝←Ｃ／｛２｝←Ｂ｝＝３／３＝１，与此同时，活动Ｂ完成后距离活动Ｃ完成的时间是４．３３。针对表２中的随机数据事件日志信息，利用图２中的过程模型相比利用图１中的过程模型能得到更好地预测结果，原因在于邻接矩阵Ⅲ比邻接矩阵Ⅱ含有更多的信息（案例中每个活动的顺序位次信息），因此图２中过程模型更精确。因此，在实际应用中，可根据决策者对模型预测精度要求，在邻接矩阵中增加不同的信息。３随机数据预测结果比较利用随机数据，将本文提出的ＰＭＡＭ的预测结果与文献［１］中提出的ＰＭＳ的预测结果进行比较，来验证ＰＭＡＭ算法的可行性。３．１随机数据Ｉ针对表２中的事件日志，利用过程挖掘工具ＰＲＯＭ［２０］提取ＰＭＳ与ＰＭＡＭ（具体数据信息如图２中所示），这两种模型的预测结果比较如表６所示。表６ＰＭＡＭ与ＰＭＳ预测结果状态ＰＭＡＭ预测结果ＰＭＳ预测结果１ＳＴＡＲＴ｛０｝（ａｄｊａｃｅｎｃｙＡ）［ＦＲＥ＝７］＜ＩＴ＝０＞［｛｝］＜ＩＴ＝０＞２Ａ｛１｝（ａｄｊａｃｅｎｃｙＢ）［ＦＲＥ＝３］＜ＩＴ＝４．６７＞（ａｄｊａｃｅｎｃｙＣ）［ＦＲＥ＝２］＜ＩＴ＝４．５０＞（ａｄｊａｃｅｎｃｙＥ）［ＦＲＥ＝２］＜ＩＴ＝９．５０＞［｛０＝Ａ｝］＜Ｓｏｊｏｕｒｎｔｉｍｅ＝６．００＞３Ｂ｛２｝（ａｄｊａｃｅｎｃｙＣ）
【共引文献】
相关期刊论文 前10条
1 宋炜;刘强;;基于模拟退火算法的过程挖掘研究[J];电子学报;2009年S1期
2 瞿华;;基于结构化工作流网的隐含任务挖掘方法[J];中国管理信息化;2012年07期
3 王sマ
本文编号：2793945
本文链接：https://www.wllwen.com/guanlilunwen/glzh/2793945.html
