基于对齐的BPMN 2.0模型符合性检测算法

汪玉泉; 闻立杰; 闫志强

doi:10.7544/issn1000-1239.2017.20160756

基于对齐的BPMN 2.0模型符合性检测算法

¹(清华大学软件学院北京 100084)
²(首都经济贸易大学信息学院北京 100070) (272269222@qq.com)

基金项目: 国家重点研发计划项目(2016YFB1001101)；国家自然科学基金项目(61472207，61325008，61402301)

详细信息

中图分类号: TP315
计量
- 文章访问数: 1267
- HTML全文浏览量: 5
- PDF下载量: 560
出版历程
- 发布日期: 2017-08-31

Alignment Based Conformance Checking Algorithm for BPMN 2.0 Model

¹(School of Software, Tsinghua University, Beijing 100084)
²(School of Information, Capital University of Economics and Business, Beijing 100070)

摘要

摘要: 符合性检测方法作为比较和关联事件日志与流程模型的技术，是三大核心流程挖掘技术之一，可用于量化符合性和诊断偏差.BPMN 2.0模型具有丰富的表达能力，能够表达多实例、子流程、边界事件、OR网关等多种复杂模式，但是目前还没有针对这些复杂模式的BPMN 2.0模型符合性检测算法.针对该问题，提出了基于对齐的BPMN 2.0模型符合性检测算法Acorn，该算法支持上述多种复杂模式.在深入分析BPMN 2.0模型中多种复杂模式的具体语义并分析其具体使能情况的基础上，Acorn算法引入对齐操作，利用A\+*搜索算法寻找到代价最小的匹配轨迹，同时引入虚拟代价和预估代价来对A\+*算法进行搜索空间的优化，最后根据最佳匹配轨迹来计算模型与日志的契合度.实验表明，Acorn算法能够正确有效地计算带有复杂模式的BPMN 2.0模型与日志之间的契合度，且虚拟代价和预估代价的引入，大大减少了搜索空间，有效提高了算法的运行速度.
- BPMN 2.0模型 /
- 复杂模式 /
- A\+*搜索 /
- 符合性检测 /
- 对齐
Abstract: Process mining is an emerging discipline providing comprehensive sets of tools to provide fact-based insights and to support process improvements. This new discipline builds on process model-driven approaches and data-centric analysis techniques such as machine learning and data mining. Conformance checking approaches, i.e., techniques to compare and relate event logs and process models, are one of the three core process mining techniques. It is shown that conformance can be quantified and that deviations can be diagnosed. BPMN 2.0 model has so powerful expression ability that it can express complex patterns like multi-instance, sub-process, OR gateway and boundary event. However, there is no existing conformance checking algorithm supporting such complex patterns. To solve this problem, this paper proposes an algorithm (Acorn) for conformance checking for BPMN 2.0 model, which supports aforesaid complex patterns. The algorithm uses A\+* algorithm to find the minimum cost alignment, which is used to calculate fitness between BPMN 2.0 model and the log. In addition, virtual cost and expected cost are introduced for optimization. Experimental evaluations show that Acorn can find the best alignment by exploiting the meanings of BPMN 2.0 elements correctly and efficiently, and the introduction of virtual cost and expectation cost indeed reduces the search space.
- BPMN 2.0 model /
- complex pattern /
- A\+* search /
- conformance checking /
- alignment

HTML全文

参考文献(0)

施引文献(51)

期刊类型引用(10)

1.	吴江，段一奇. 金融评论文本情感分析研究趋势与未来展望. 信息资源管理学报. 2025(01): 86-101 . 百度学术
2.	葛业波，刘文杰，顾雨晨. 融合情感分析和GAN-TrellisNet的股价预测方法. 计算机工程与应用. 2024(12): 314-324 . 百度学术
3.	高霞. 基于机器学习算法的金融市场趋势预测研究. 微型电脑应用. 2023(02): 30-32+40 . 百度学术
4.	李庆涛，林培光，王基厚，周佳倩，张燕，蹇木伟. 基于板块效应的深度学习股价走势预测方法. 南京师范大学学报(工程技术版). 2022(01): 30-38 . 百度学术
5.	刘月娟，王武. 基于多特征融合的股票走势预测研究. 云南民族大学学报(自然科学版). 2022(02): 227-234 . 百度学术
6.	马朋飞，史树斌，张小领. 移动式无线充电的无线传感器网络的数据收集分析. 数字技术与应用. 2022(08): 61-63 . 百度学术
7.	周佳倩，林培光，李庆涛，王基厚，刘利达. MDDE：一种基于投资组合的金融市场趋势分析方法. 南京大学学报(自然科学). 2022(05): 876-883 . 百度学术
8.	姚远，张朝阳. 基于HP-LSTM模型的股指价格预测方法. 计算机工程与应用. 2021(24): 296-304 . 百度学术
9.	王基厚，林培光，周佳倩，李庆涛，张燕，蹇木伟. 结合公司财务报表数据的股票指数预测方法. 计算机应用. 2021(12): 3632-3636 . 百度学术
10.	辛强伟，唐云凯. 多维度数据组合的人工智能系统性能优化分析. 数字技术与应用. 2020(10): 36-38 . 百度学术