[发明专利]一种具有循环返回结构的过程模型构建和修复方法

说明书

本发明公开了一种具有循环返回结构的过程模型构建和修复方法，该方法为了定位过程中的偏差，给出了循环子迹、循环子日志和前序变迁集的概念，根据前序变迁与后集库所之间的关系，确定过程中的偏差位置。挖掘变迁的触发条件，得到逻辑变迁和逻辑输入输出函数，对模型进行修正。修正得到的模型能够正确反映现实行为，解决了在模型里修复含有循环子日志的问题，由于加入了逻辑关系，相较普通的Petri网能更为简洁的表达活动之间的关系。基于逻辑Petri网修正的模型大大降低了原模型的复杂性，从而拟合度和精确度更高。

技术领域

本发明涉及一种具有循环返回结构的过程模型构建和修复方法。

背景技术

在当今的大型信息系统中，随着业务流程的复杂和频繁变化，可靠的过程模型变得越来越重要。这样的模型可以记录业务流程。然而，模型偏离现实的现象经常出现，这在许多研究中都得到了证实。因此，研究人员提出了许多过程挖掘技术。流程模型有几种类型，例如Petri网或BPMN模型，这些模型是通过使用过程发现技术从事件日志中构建的。流程模型可以描述发生或假设发生的系统。它们的好坏取决于模型是否有适当的正式解释，即没有死锁、定义良好的行为语义和其他异常。相反，通过一致性检验技术，找出了过程模型与实际过程之间的差异。这里有两种类型的一致性检测技术。一个是日志一致性检测(使用事件日志与过程模型进行比较)，另一个是模型一致性检测(使用从系统派生的模型与过程模型进行比较)。首先，强调哪些迹偏离了过程模型，以及在基于这种日志一致性检查的过程模型中出现了哪些偏差。在此基础上，进一步了解了组织的真实行为。其次，基于这种模型一致性检测，突出了流程的不同快照之间的差异。因此，一个已知的过程模型可以被用来与基于一致性检测技术的模型生成的事件日志进行比较。还可以验证过程模型是否可以重演每个迹。

模型通常通过基于现有技术挖掘现有组织的业务流程来获得。但是随着业务的快速发展，业务流程很难满足组织和企业的需求。使用基于事件日志的模型修复算法获得一个过程模型。如今，学者们已经提出了很多的过程挖掘算法，α算法则是其中的一种，它可以被用于发现工作流网。根据这些一致性检查技术，可以检测模型的观察行为和建模行为之间的差异。根据这些技术，观察到的和建模的行为之间的一致性程度可以被确定。此外，它使用两个操作来量化基于似然成本函数的偏差，即，插入活动和跳过活动。正确的模型中不存在没有重复/不可见的变迁。因此，为了满足实际流程的要求，这里出现了很多不同的α算法的扩展。α#算法就是其中的一种，可以有效的删除不可见变迁。然而，现有的方法不能很好地修复过程模型。Dirk Fahland的想法是使用校准方法来获得偏差。根据现有的过程挖掘算法，收集子日志，挖掘子过程。原始模型需要添加一个自环结构去修复子日志。Knapsack方法的思想是使用较准方法去找出模型移动和日志移动之间的偏差。在现有方法的基础上挖掘子过程，根据这些偏差收集子日志。原始模型需要添加一个自环结构去修复子日志。另外，Knapsack方法中需要较准的代价。通过分别设置模型移动和日志移动的成本，多种不同的修复方案被比较。Knapsack方法可以通过计算模型移动和日志移动的最小总成本获得“最佳”模型修复方法，然而该方法修复后的模型不包含不可见变迁。此外，在两种方法的基础上，模型的精确度都会大大降低。因此，对于模型的修复，基于这些方法并不能取得很好的效果。