[发明专利]一种基于因果并发网的流程挖掘系统

说明书

本发明公开了一种基于因果并发网的流程挖掘系统，包括：直接相关模型挖掘引擎，直接相关模型挖掘引擎通过输入的任务流程日志挖掘节点和节点之间的相关关系，通过任务流程日志转化并建立直接相关模型；依赖性挖掘引擎，依赖性挖掘引擎基于直接相关模型，挖掘输入的任务流程日志中任意两个有直接相关关系的事件之间的依赖性关系，建立依赖性系数矩阵数据；窗口扫描引擎，窗口扫描引擎通过挖掘输入的任务流程日志，获取直接相关模型中的每个节点的前后事件序列。该基于因果并发网的流程挖掘系统，为后续包含更多信息的模型提供了模型框架基础，对于流程变体的识别更加详尽，考虑地更“长远”，保证了因果并发网模型的数据准确性以及可参考性。

技术领域

本发明涉及流程挖掘技术领域，具体为一种基于因果并发网的流程挖掘系统。

背景技术

目前，有些企业本身部门系统较复杂，经过较长时间的实际运营后，实际业务流程已经与一开始的规定流程大相径庭，因此管理者并不了解实际的业务流程。所以需要流程挖掘系统来从企业的实际业务流程数据中挖掘出真实的流程模型；

其中流程挖掘：英文名Process Mining，是一种通过IT系统中的任务日志，建立一个基于真实数据的流程模型，提高商业流程透明度的，为商业决断者提供帮助的技术；

现有的流程挖掘手段(例如Alpha Miner和Inductive Miner等)在考虑某节点前后序事件并发性时只能考虑其直接相连的事件的并发性，不能考虑到这些事件没有连续发生的情况下的并发性；

Alpha Miner是最早的流程挖掘算法之一，核心思想非常朴素，直接将multiset转化为Petri网落。步骤：1.Event log转化为Multiset；2.从Multiset中直接相连的事件中挖掘跟随、并发和无关三种关系；3.然后将这三种关系一一映射为Petri网中的事件和标池。

而Alpha Miner虽然算法思想直观容易理解，计算量小，但当一些并发事件不直接相连时无法挖掘出其中的并发关系，因此导致模型准确度不高，同一个流程不同时段的数据往往会得到不同的流程模型；

此外，Inductive Miner虽然挖掘出的流程树模型相比于Alpha Miner更具有通用性，但其为了完成修剪操作，实际应用中往往会加入许多隐形事件(τ)，给流程模型曾加了不必要的复杂性；

同时，现有的流程挖掘手段(例如Alpha Miner和Inductive Miner等)在考虑某节点前后序事件并发性时只能考虑其直接相连的事件的并发性，不能考虑到这些事件没有连续发生的情况下的并发性。以说明书附图7所举的流程为例，假设处理发票之后，核对合同条款和请求缺失数据是应当同时发生的，且没有固定的先后关系，那么流程中的另一个事件已检查并批准有可能发生在这两个事件之间，那么会就有可能出现以下几种流程变体{(核对合同条款,请求缺失数据,已检查并批准),(核对合同条款,已检查并批准,请求缺失数据),(请求缺失数据,已检查并批准,核对合同条款),(请求缺失数据,核对合同条款,已检查并批准),(已检查并批准,核对合同条款,请求缺失数据),(已检查并批准,请求缺失数据,核对合同条款)...}。在当前已有的流程挖掘算法中(如alpha miner和inductiveminer等)能够挖掘出(请求缺失数据,核对合同条款,已检查并批准),(已检查并批准,请求缺失数据,核对合同条款)}两种情况，但对于其他情况则无法识别。

因此，我们提出一种基于因果并发网的流程挖掘系统，以便于解决上述中提出的问题。

发明内容

本发明的目的在于提供一种基于因果并发网的流程挖掘系统，以解决上述背景技术提出的目前的流程挖掘系统对于流程变体的识别有缺漏的问题。

为实现上述目的，本发明提供如下技术方案：一种基于因果并发网的流程挖掘系统，包括：