68、业务流程偏差挖掘与事件日志可视化

业务流程偏差挖掘与事件日志可视化

业务流程偏差挖掘方法

业务流程偏差挖掘是识别业务流程中异常行为的重要手段，主要有基于相似性/聚类的方法、混合解决方案等。

基于相似性/聚类的方法

这类方法基于正常轨迹会出现在密集邻域或足够大的聚类中的假设，而不是使用行为模型来区分正常和偏差轨迹。具体可分为基于相似性的方法和基于聚类的方法。
- 基于相似性的方法
- kNN 方法 ：一般基于 kNN（最近邻）的方法通过距离度量将每个对象与其邻居进行比较来检测异常值。在 Hsu 等人（2017）的研究中，距离度量是根据活动级持续时间和上下文信息定义的。具体操作步骤如下：
1. 以模糊方式表示上下文信息，并使用相关的隶属函数调整活动级持续时间。
2. 利用调整后持续时间的差异计算距离。
3. 最终使用 kNN 方案识别异常流程实例。
- 局部异常因子（LOF）方法 ：Kang 等人（2012）采用 LOF 方法来发现具有异常终止的流程实例，该方法还可应用于流程的未来执行。
- 基于轮廓的偏差检测方法 ：Li 和 van der Aalst（2017）提出了一种基于轮廓的偏差检测方法，具体步骤如下：
1. 根据动态修改的“规范”函数对主流案例集 CS 的初步版本进行采样，该函数偏向于“更正常”的案例。
2. 使用适当定义的“轮廓”函数计算每个日志案例与 CS 的相似度。
3. 将日志划分为正常案例集 CN 和偏差案例集 CD。
4. 调整规范