基于過程挖掘的未來感知預(yù)測模型
發(fā)布時間：2020-08-15 09:45
【摘要】：將事件日志中蘊含的過程模型看成兩緊鄰活動的組合,提出兩種新的過程模型。首先,利用日志信息中的活動緊鄰關(guān)系構(gòu)造鄰接矩陣提取過程模型,該模型中每個活動僅發(fā)生一次;其次,為避免過程模型中出現(xiàn)回路或者環(huán)路而造成模型預(yù)測精度降低的情況發(fā)生,在構(gòu)造的鄰接矩陣中增加活動在事件日志中所處的順序位次,構(gòu)造含有活動位次信息的鄰接矩陣,以此為基礎(chǔ)上進一步提取過程模型,該模型中每個活動在同一個位次上僅發(fā)生一次;再次,通過矩陣中的信息可獲得過程模型中每個上層節(jié)點到各個下層節(jié)點的路徑與相應(yīng)概率;接下來,根據(jù)事件日志中信息的類型和特征,利用過程模型對決策者所需要的信息(如活動名稱、等待時間、發(fā)生概率)進行預(yù)測;最后,利用隨機數(shù)據(jù)與實際數(shù)據(jù)同基于序列提取規(guī)則的過程模型預(yù)測結(jié)果進行比較,驗證所提模型的實際有效性。
【圖文】：
＜ＩＴ＝３２．５０＞Ｅｎｄ２．１．２過程模型提取根據(jù)鄰接矩陣的構(gòu)造過程算法細節(jié)可知，當鄰接矩陣中所對應(yīng)（ｉ，ｊ）位置數(shù)據(jù)不為空時，說明在事件日志中，活動ｉ與ｊ在某個或某幾個案例中作為緊鄰活動，那么在過程模型提取時，這兩個活動之間有直接的聯(lián)系，從而應(yīng)用線連接起來，當在兩個活動相連的線上增加矩陣中的相應(yīng)信息（頻率與時間間隔數(shù)值），可得到包含時間信息與頻率信息的過程模型。針對表２中的隨機數(shù)據(jù)（７個案例，２６個活動）對應(yīng)的鄰接矩陣Ⅱ，提取的過程模型如圖１所示。圖１預(yù)測過程模型（基于鄰接矩陣Ⅱ提�。┍恚仓泻械模祩�不同類型的活動在圖１的模型中僅出現(xiàn)一次，此時在圖１中活動Ｂ與Ｃ之間存在一個回路，根據(jù)圖１中現(xiàn)有頻率信息，無法計算出活動Ｂ與Ｃ之間回路發(fā)生的次數(shù)（無法確定活動Ｂ與Ｃ在事件日志案例中緊鄰成對出現(xiàn)的次數(shù)）。據(jù)文獻［２，２５］可知，過程模型的預(yù)測精度與模型中回路或者環(huán)路的數(shù)量呈負相關(guān)性，隨著回路或者環(huán)路數(shù)量的增多，該過程模型的精度相應(yīng)降低。為避免過程模型中產(chǎn)生回路或者環(huán)路，在鄰接矩陣Ⅱ中的（ｉ，ｊ）處，增加活動ｉ在事件日志案例中所發(fā)生位置對應(yīng)順序數(shù)據(jù)信息，進一步構(gòu)造含有活動順序位次的鄰接矩陣。２．２鄰接矩陣進一步構(gòu)造表２中，活動Ａ作為第１位次的活動出現(xiàn)了７次，即Ａ都是第一個發(fā)生的活動。由于每個案例中發(fā)生活動的數(shù)量與過程不同，每個活動順序發(fā)生的位次不同，Ｄ在案例４和案例７中是第３個發(fā)生的活動，在其余５個案例中是第４個發(fā)生的活動，但所有案例中Ｄ都是最后一個
鄰的只有活動Ｃ，利用活動Ｃ在第３位次發(fā)生的頻率３與活動Ｂ在第２位次發(fā)生的頻率３可以求得此時的條件概率，那么活動Ｃ發(fā)生的概率是１（Ｐ｛｛３｝←Ｃ／｛２｝←Ｂ｝＝３／３＝１，與此同時，活動Ｂ完成后距離活動Ｃ完成的時間是４．３３。針對表２中的隨機數(shù)據(jù)事件日志信息，利用圖２中的過程模型相比利用圖１中的過程模型能得到更好地預(yù)測結(jié)果，原因在于鄰接矩陣Ⅲ比鄰接矩陣Ⅱ含有更多的信息（案例中每個活動的順序位次信息），因此圖２中過程模型更精確。因此，在實際應(yīng)用中，可根據(jù)決策者對模型預(yù)測精度要求，在鄰接矩陣中增加不同的信息。３隨機數(shù)據(jù)預(yù)測結(jié)果比較利用隨機數(shù)據(jù)，將本文提出的ＰＭＡＭ的預(yù)測結(jié)果與文獻［１］中提出的ＰＭＳ的預(yù)測結(jié)果進行比較，來驗證ＰＭＡＭ算法的可行性。３．１隨機數(shù)據(jù)Ｉ針對表２中的事件日志，利用過程挖掘工具ＰＲＯＭ［２０］提�。校停优cＰＭＡＭ（具體數(shù)據(jù)信息如圖２中所示），這兩種模型的預(yù)測結(jié)果比較如表６所示。表６ＰＭＡＭ與ＰＭＳ預(yù)測結(jié)果狀態(tài)ＰＭＡＭ預(yù)測結(jié)果ＰＭＳ預(yù)測結(jié)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）
【圖文】：
＜ＩＴ＝３２．５０＞Ｅｎｄ２．１．２過程模型提取根據(jù)鄰接矩陣的構(gòu)造過程算法細節(jié)可知，當鄰接矩陣中所對應(yīng)（ｉ，ｊ）位置數(shù)據(jù)不為空時，說明在事件日志中，活動ｉ與ｊ在某個或某幾個案例中作為緊鄰活動，那么在過程模型提取時，這兩個活動之間有直接的聯(lián)系，從而應(yīng)用線連接起來，當在兩個活動相連的線上增加矩陣中的相應(yīng)信息（頻率與時間間隔數(shù)值），可得到包含時間信息與頻率信息的過程模型。針對表２中的隨機數(shù)據(jù)（７個案例，２６個活動）對應(yīng)的鄰接矩陣Ⅱ，提取的過程模型如圖１所示。圖１預(yù)測過程模型（基于鄰接矩陣Ⅱ提�。┍恚仓泻械模祩�不同類型的活動在圖１的模型中僅出現(xiàn)一次，此時在圖１中活動Ｂ與Ｃ之間存在一個回路，根據(jù)圖１中現(xiàn)有頻率信息，無法計算出活動Ｂ與Ｃ之間回路發(fā)生的次數(shù)（無法確定活動Ｂ與Ｃ在事件日志案例中緊鄰成對出現(xiàn)的次數(shù)）。據(jù)文獻［２，２５］可知，過程模型的預(yù)測精度與模型中回路或者環(huán)路的數(shù)量呈負相關(guān)性，隨著回路或者環(huán)路數(shù)量的增多，該過程模型的精度相應(yīng)降低。為避免過程模型中產(chǎn)生回路或者環(huán)路，在鄰接矩陣Ⅱ中的（ｉ，ｊ）處，增加活動ｉ在事件日志案例中所發(fā)生位置對應(yīng)順序數(shù)據(jù)信息，進一步構(gòu)造含有活動順序位次的鄰接矩陣。２．２鄰接矩陣進一步構(gòu)造表２中，活動Ａ作為第１位次的活動出現(xiàn)了７次，即Ａ都是第一個發(fā)生的活動。由于每個案例中發(fā)生活動的數(shù)量與過程不同，每個活動順序發(fā)生的位次不同，Ｄ在案例４和案例７中是第３個發(fā)生的活動，在其余５個案例中是第４個發(fā)生的活動，但所有案例中Ｄ都是最后一個
鄰的只有活動Ｃ，利用活動Ｃ在第３位次發(fā)生的頻率３與活動Ｂ在第２位次發(fā)生的頻率３可以求得此時的條件概率，那么活動Ｃ發(fā)生的概率是１（Ｐ｛｛３｝←Ｃ／｛２｝←Ｂ｝＝３／３＝１，與此同時，活動Ｂ完成后距離活動Ｃ完成的時間是４．３３。針對表２中的隨機數(shù)據(jù)事件日志信息，利用圖２中的過程模型相比利用圖１中的過程模型能得到更好地預(yù)測結(jié)果，原因在于鄰接矩陣Ⅲ比鄰接矩陣Ⅱ含有更多的信息（案例中每個活動的順序位次信息），因此圖２中過程模型更精確。因此，在實際應(yīng)用中，可根據(jù)決策者對模型預(yù)測精度要求，在鄰接矩陣中增加不同的信息。３隨機數(shù)據(jù)預(yù)測結(jié)果比較利用隨機數(shù)據(jù)，將本文提出的ＰＭＡＭ的預(yù)測結(jié)果與文獻［１］中提出的ＰＭＳ的預(yù)測結(jié)果進行比較，來驗證ＰＭＡＭ算法的可行性。３．１隨機數(shù)據(jù)Ｉ針對表２中的事件日志，利用過程挖掘工具ＰＲＯＭ［２０］提�。校停优cＰＭＡＭ（具體數(shù)據(jù)信息如圖２中所示），這兩種模型的預(yù)測結(jié)果比較如表６所示。表６ＰＭＡＭ與ＰＭＳ預(yù)測結(jié)果狀態(tài)ＰＭＡＭ預(yù)測結(jié)果ＰＭＳ預(yù)測結(jié)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）
【共引文獻】
相關(guān)期刊論文 前10條
1 宋煒;劉強;;基于模擬退火算法的過程挖掘研究[J];電子學報;2009年S1期
2 瞿華;;基于結(jié)構(gòu)化工作流網(wǎng)的隱含任務(wù)挖掘方法[J];中國管理信息化;2012年07期
3 王sマ
本文編號：2793945
本文鏈接：http://www.sikaile.net/guanlilunwen/glzh/2793945.html
