前两节我们对托肯重演和基于对齐方法的拟合度评估指标进行了详细地介绍,作为最为经典的两种质量评估方法,下面我们来具体对比两者的不同。
1.相关回顾
基于Token重演的拟合度评估方法,该方法是由A. Rozinat,和W.M.P. van der Aalst在2008年提出的方法,,该方法的详细介绍请参考:【合规性检查-Fitness】基于Token重演的拟合度评估方法
对齐(Alignmet)的拟合度评估方法,该方法是由ADRIANSYAH A, MUNOZ-GAMA J在2012年提出的方法,该方法的详细介绍请参考:
【合规性检查方法-Fitness 2】基于Alignment的拟合度评估方法2
2.两者方法对比
基于Token重演和基于对齐的一致性检查之间存在以下差异:
(1)对齐提供了更详细但易于理解的诊断。跳过和插入的事件比丢失和剩余的托肯更容易解释;
(2)对齐可提供更精确的诊断。由于剩余的Token(早期偏差掩盖了后期偏差),基于Token 的重演可能会提供误导性诊断。因此,基于Token重演的方法拟合度值通常太低;
(3)对齐可通过成本函数进行配置。根据偏差的可能性及其严重程度,可以使用多个成本函数;
(4) 对齐可用于将每个案例映射到模型中的可行路径上。对于在模型上投影信息(例如瓶颈)来说是很重要。此外,映射可确保不合适的额外行为不会导致误导性诊断。基于Token重演还与观察到的和建模的行为相关,但不会在模型中创建相应的端到端执行序列。
(5)对齐与模型无关。可以使用任何具有形式语义和初始和最终状态的流程模型。基于Token重演假设有一个Petri网,因此可能需要进行转换(例如,从BPMN到Petri网);
(6) 基于Token重演提供确定性诊断,而轨迹可能存在多个最佳对齐。这可以通过确定地从可能的许多最佳路线中选择一条来解决。这不会影响整体适应度值,但会影响基于对齐的诊断。对于同一情况,可以返回多个最佳对齐,但这会使解释更加复杂。
参考文献:
Van Der Aalst W. Process mining: data science in action[M]. Heidelberg: Springer, 2016.
基于Token重演的方法和基于Alignment的方法是合规性检查方法中最为重要的两种算法,下一讲我们继续介绍基于足迹矩阵(Footprints)的拟合度评估方法。
如需进行相关的了解或者交流,欢迎私信或者加入QQ群: