.png){kind=icon}
返回
Probabilistic Process Discovery with Stochastic Process Trees
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-06818-7_3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为了获得能够体现业务过程动态随机特性的随机模型，通常采用以下步骤。给定一个事件日志，通过过程发现算法获取一个过程树，即旨在尽可能准确地重现日志语言的过程树。然后，将该过程树转换为生成与过程树相同序列集合的Petri网。为了捕捉事件日志中的序列频率，为Petri网的变迁分配权重，从而得到一个具有随机语言的随机Petri网，其中每个序列都与一个概率相关联。本文表明，该过程具有不利特性。首先，分配给Petri网变迁的权重在结果随机语言中扮演的角色不明确。我们将证明，一个权重可能对Petri网生成的序列概率产生多重且模糊的影响。其次，不同数量变迁的多个不同Petri网可以对应同一过程树。这意味着决定随机语言参数（权重数量）的参数数量未明确定义。为避免这些模糊性，本文提出直接为过程树添加随机性。结果是提出了一种新形式化方法，称为随机过程树，其中参数数量及其在关联随机语言中的作用清晰且明确定义。
Keyword:
Stochastic process mining
Stochastic Petri nets
Stochastic process trees
期刊
P
IF:
0
论文数:
23
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容