qq_40420514的博客

本节用于介绍pm4py中的统计函数，包括统计轨迹变体、案例持续时间、案例到达时间等。

本节用于介绍pm4py中的可视化函数，包括可视化bpmn、petri、性能图谱、变迁系统等。

合规性检查，也叫一致性检查。pm4py合规性检查模块包含在pm4py中实现的equivalence算法，比如基于Token重演的，基于对齐的，基于足迹矩阵的拟合度和精确度指标的计算。

本节用于介绍pm4py中的转换函数，包括日志、事件流、数据块的转换、Petei网、流程树、BPMN的转换、可达图、面向对象日志等。

本节用于介绍pm4py中的挖掘函数，包括用alpha算法、alpha+、Heuristic miner、ILP Miner、Inductive Miner发现一个petri网等。

本节用于介绍pm4py中的输出函数，包括日志输出、模型输出、面向对象日志输出等。

本节用于介绍pm4py中的输入函数，包括日志输入、模型输入、面向对象日志输入等。

本节用于简单介绍pm4py的相关示例，给读者提供一个简单直观的认识。

第十三届业务流程管理大会CBPM宣传

流程挖掘技术概述与发展趋势

在本节中，我们将介绍两种更复杂的插件类型，即基于非静态方法的插件和重载插件。通过使用插件变体，可以定义复杂的插件来处理不同类型的参数。

PluginContext的理念是，它提供了所有必要的接口来进行通信：框架，其他插件，以及用户.在本节中，我们首先讨论所有上下文中可用的一般功能。然后，我们讨论上下文的具体实现，以及如何定义需要特定上下文的插件。

ProM是流程挖掘最重要的开源学术工具，在2000年左右由流程挖掘之父 Wil van der Aalst及其团队创建，目前已发展将近20多年，免费插件已达到2000多个。下面将介绍如何使用此工具来编写一个入门插件Hello World。

ProM的安装与使用教程

简单度(simplicity)遵循发现的模型不应过于复杂原则，仅从流程模型的结构出发，与事件日志无关。在流程挖掘中，这通常通过量化模型的复杂性(节点数、弧数、可理解性等)来实现。简单度主要依据了奥卡姆剃刀原则。奥卡姆剃刀原则：公元 14 世纪，来自奥卡姆的威廉(William of Ockham)对当时无休无止的关于“共相”“本质”之类的争吵感到厌倦，于是著书立说，宣传只承认确实存在的东西，认为那些空洞无物的普遍性要领都是无用的累赘，应当被无情地“剃除”。

相对于拟合度和精确度，泛化度的关注比较少，但是也有一些度量指标被提出，下面将概述这几种泛化度指标。

Wil van der Aalst于2012年提出了基于对齐（Alignment）的精确度计算方法，该方法中介绍了拟合度、精确度、泛化度和简单度四种质量维度的指标计算方法，下面我们将详细介绍精确度这一指标的计算方法。

2010年，Jorge Mu˜noz-Gama and Josep Carmona提出了一种新的精度度量方法，该方法基于当模型偏离日志时计算这些情况的简单思想。此外，还提出了一种基于日志的模型遍历方法，避免了检查其整体行为。

（高级）行为适当性度量【Advanced behavioral appropriateness】是一种基于足迹的度量，它比较关系的前后关系。它是相当粗粒度的，在计算上是必要的，因为它需要状态空间探索。在2006年由A. Rozinat提出，下面我们将详细介绍这一算法思想。.........

基于Token重演曾经是流程挖掘中合规性检查的标准方法。随着更先进的技术（例如，基于对齐的技术）的采用，基于Token重演被放弃了。Alessandro Berti 和Wil van der Aalst等人于2019年提出了一种更为先进的Token重演的拟合度评估方法，该方法更快且可扩展，下面我们将详细介绍这一算法。...

基于足迹矩阵的拟合度评估方法是一种便于理解的评估方法，下面我们将详细地介绍这一方法。

为推动BPM(Business Process Management, 业务过程管理)技术在中国的发展壮大和推广应用，搭建BPM领域国内外研究人员和产业界人士的交流平台，展示国内外BPM领域的最新研究成果，包括理论模型、技术方法、软件平台、应用案例等，本届China BPM大会将于2022年10月28日——10月30日在江苏南京召开。......

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。

我们希望将观察到的行为映射到建模的行为上，以提供更好的诊断，并将不匹配的案例与模型联系起来。例如，要计算两个活动之间的平均等待时间，我们不能忽略所有不完全匹配的活动。如果这样做，结果可能会有偏差。因此，引入对齐（Alignmet）是为了克服这些限制。...

上节我们介绍了基于完全解析的拟合度计算评估方法，基于完全解析的拟合度计算评估方法存在轨迹层面的解析只能简单地判断轨迹是否符合模型，事件层面的解析相较于轨迹层面的能更大程度地判断轨迹的符合程度，但是前序事件对后续事件的判断有很大的影响等问题，为此提出了基于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，该方法是基于Petri网的引发规则进行的。......

回顾上节内容，我们简单地介绍了四种质量维度，对拟合度和准确度的计算给出了定义，但是由于模型中存在的循环情况，使得定义计算对于现实大多数情况都不适用。因此，在2006年Weijters A提出了启发式的挖掘算法，并给出了一个拟合度的简单度量方法--基于完全解析的拟合度度量方法，下面我们将详细地介绍这一方法...

判定一个流程挖掘结果的质量并不容易，需要从不同的维度来描述，主要包括四个质量维度：拟合度(fitness）、简洁度（simplicity）、精确度（precision）和泛化度(generalization），下面我们先简单地介绍这四个质量维度，然后再逐渐展开描述。1.背景2 四个质量维度2.1 简单度（simplicity）简单度（simplicity）:简单性维度评估流程模型对人的理解有多简单。因此，该维度与观察到的行为没有直接关系，但可以单独考虑过程模型。由于使用不同的流程模型.

业务信息系统运行过程中会产生大量的事件数据记录，这些数据组成了事件日志，通过相应的流程发现算法可以将事件日志进行可视化处理，使得人们能够直观地对业务流程的运行有更加清晰明确地认识。将事件日志通过流程发现算法建模得到的形式化表示就是流程发现模型。目前在流程挖掘领域，最常见的流程模型形式包括有向图，Petri网，BPMN，Process Tree三种形式的模型。接下来我们将详细地介绍这几种流程模型。1.有向图(DFG)有向图也叫直接跟随关系图（Directly Follow Graph，DFG），是.

在我们相继推出了其中6种代表性的流程挖掘算法之后，我们将其简单地进行总结，并从整体上对流程挖掘算法进行概述，从而去了解流程发现的历史进程。接下来，我们将详细地介绍流程发现算法。1.背景介绍在《过程挖掘：业务过程的发现、合规和改进》一书中，曾介绍过程挖掘的目标是从事件数据中提取过程相关的信息，比如，通过观察企业系统中的事件数据，自动地发现过程模型。过程挖掘指的是从事件日志中提取有价值的过程相关信息，是对现有业务过程管理(BPM）方法的补充。BPM是一个学科，它结合了信息技术和管理科学的知识，并.

Split Miner是继Inductive Miner又一先进的过程挖掘算法，是在2018年由Adriano Augusto提出来的。接下来，我们将详细地介绍这一算法。1.背景介绍从事件日志中自动发现流程模型的问题在过去二十年中得到了深入的研究。尽管有丰富的应用领域，但最先进的模型发现算法比如Inductive Miner，当应用于真实的业务流程时，会避免两种反复出现的缺陷：（i）产生大量的类似意大利面一样的模型；（ii）产生的流程模型要么不适合事件日志（低拟合度），要么过于...

遗传挖掘算法有两个，第一个是在2007年由A. K. A. de Medeiros提出（Genetic Miner，我们称之为遗传挖掘算法1.0），是在Petri网上进行的，第二个是在2014年J. C. A. M. Buijs提出（我们称之为遗传挖掘算法2.0，Evolutionary Tree Miner），在Process Tree上提出的。接下来，我们将详细地介绍这两种算法，并说明这两种算法的不同之处。1.背景介绍已有的过程发现算法在挖掘包含非平凡结构（non-trivi...

Alpha算法是最早应用于过程挖掘的过程发现算法，在2002年被过程挖掘之父Wil van der Aalst提出，后续并被很多研究学者所完善，提出了一系列的扩展alpha算法，比如alpha+、Tsinghua-alpha、alpha++、alpha#、alpha$和alpha*。接下来，我们将详细地介绍这一系列算法。1.背景介绍在过去的十年（上世纪90年代）中，工作流管理的概念和技术已经应用于许多企业信息系统中。Staffware、IBM MQSeries、COSA等工作流管理系统为结构化业.

Heuristic Miner（启发式挖掘算法）是在2003年被A.J.M.M. Weijters 所提出来，并在2006年进行完善，是一种继α算法之后又一经典的过程发现算法，接下来，我们将详细地介绍这一算法。1.背景介绍现代的工作流管理系统是由显式的过程模型驱动的，也就是说，为了制定给定的工作流过程，需要一个完全指定的工作流设计。创建工作流设计是一个复杂的耗时的过程，通常，实际的工作流过程和管理层所感知的过程之间存在差异。因此，提出了一种可重新发现(rediscovering)工作流模型的技术.

Inductive Miner-Infrequency(带频次的归纳式挖掘）是在上一节Inductive Miner的基础上进行改进的算法，由sander改进并完善，接下来，我们将详细地介绍这个算法。1. 背景介绍关于infrequent的解释：在大多数现实生活中的事件日志中，一些轨迹很少被采用，或者轨迹的不同之处仅在于不经常发生的活动。如果模型中包含不常见的行为，可能会牺牲简单性(simplicity)，如果模型中排除不常见的行为，可能会牺牲适合性(fitness)。幸运的是，帕累托原则(.

Inductive Miner（归纳式挖掘）是目前已有的过程发现算法中最先进的一种算法，在2013年由sander提出，他是一种基于过程树的算法，并在上面衍生了各种变体算法，比如Inductive Miner-Infrequency, Inductive Miner-Lifecycle等，接下来，我们就详细地介绍这个基本的Inductive Miner算法。1.背景介绍已有过程发现算法比较 发现算法 代表性算法 可重新发现性 fitness soundness 其.