[发明专利]基于逻辑Petri网的循环并发结构的过程模型修正方法

说明书

本发明提供了一种基于逻辑Petri网的循环并发结构的过程模型修正方法，首先，通过添加标识库所集，给出普通/逻辑最优扩展校准，之后，根据连续日志动作在最优扩展校准中是否完整出现，分为静态或动态模型修正。静态模型修正是直接根据连续日志动作的标识库所集与相应变迁前集之间的关系，进行偏差定位，并根据逻辑Petri网进行静态模型修正。动态模型修正相对复杂，根据过程树，提出并发变迁集，通过连续日志动作的标识库所集与相应变迁前集之间的关系，进行偏差定位，并根据逻辑Petri网进行动态模型修正。基于逻辑Petri网动态修正模型简洁度更高，可以更好的描述活动之间的逻辑关系，在保持高拟合度的同时，提高了精确度。

技术领域

本发明涉及循环并发结构的过程模型修正领域，具体涉及一种基于逻辑Petri网的循环并发结构的过程模型修正方法。

背景技术

过程挖掘是从事件日志中提取与过程相关的信息，去发现、监控和改进实际过程。现有的过程挖掘技术有过程发现、一致性检测和过程改进。过程发现是根据事件日志生成过程模型；一致性检测是将过程模型与其对应的事件日志进行对比，将事件日志在过程模型上重演从而检查其合规性；过程改进是利用实际过程产生的日志去扩展或改进已有过程模型。目前，已存在很多过程发现算法，α算法是利用活动的顺序关系发现过程模型，其前提是日志的次序关系必须是完备的。现有文献针对α算法进行了很多改进，其中一个文献解决了α算法不能有效挖掘不可见变迁，另外一个文献解决了非自由选择结构问题。启发式挖掘算法针对因果网描述的过程模型，考虑了事件和序列的频次。基于状态的区域发现算法通过寻找并发结构，发现对应的库所区域，使用变迁系统作为输入；基于语言的区域的过程发现寻找同样的库所，但使用“语言”作为输入。

评估过程模型质量时，主要考虑4个维度：拟合度、简洁度、精确度和泛化度。拟合度是指事件日志在过程模型上的重演能力，如果模型可以重演日志中所有迹，那么其拟合度是理想的，现实中理想情况微乎其微，不论是过程发现还是模型修正都在尽力提高模型拟合度，拟合度是评价模型质量最重要的指标；简洁度是指模型结构的简洁与否；精确度是模型不允许生成除给定事件日志记录之外的迹，只能重演事件日志中的迹；泛化度是预测未来迹的发生情况。

常见的一致性检测有托肯重演、足迹对比和校准等。通过一致性检测可以发现事件日志与过程模型之间存在的偏差，从而对过程模型进行扩展或修正，使模型更符合现实。通过对事件日志和过程模型进行校准，根据校准序列的日志动作、模型动作和同步动作可以精确定位偏差。Fahland模型修正方法在校准基础上，将存在偏差的不拟合子日志进行收集，并将可以描述不拟合子日志的自环插入原模型。Fahland修正方法，提高了模型拟合度，但是修正模型允许子过程可以多次重复出现，导致模型精度降低，复杂性提高。目前，已存在很多提高模型精确度的修正方法，针对某一特定结构，对模型进行高精确度修正。基于Petri网的修正方法，通过包含循环结构的事件日志，对模型进行修正，不能很好地修正活动之间的逻辑关系。而逻辑Petri网可以很好的解决这类问题。

逻辑Petri网是高级Petri网和抑制弧Petri网的抽象与扩展，其变迁的输入、输出受逻辑表达式限制。逻辑Petri网可以提高模型简洁度，描述活动之间的逻辑关系，并能很好地描述实时协同工作系统模型的网结构。

发明内容

本发明的目的是针对模型中的循环并发结构，提出一种基于逻辑Petri网的循环并发结构的过程模型修正方法。根据过程树，提出并发变迁集概念，通过连续日志动作的标识库所集与相应变迁前集之间的关系，进行偏差定位，根据逻辑Petri网，对模型进行动态修正。

本发明采用以下的技术方案：

一种基于逻辑Petri网的循环并发结构的过程模型修正方法，包括以下步骤：

定义校准