抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
キャリブレーションはイベントログの中のトレースとプロセスモデルの間の一貫性検査の重要な手段であり、偏差の出現位置を精確に定位できる。しかし,既存の較正方法は,1回のトレースとプロセスモデルの間の較正を計算でき,mとプロセスモデルの間のキャリブレーションを計算すれば,m回のこの方法を呼び出す必要があり,大量の繰返し作業を行う。この問題に照準を定め,Petriネットに基づくプロセスモデルとmトレースの間のバッチキャリブレーション法,AoPm(AlignmentsofProcessModelandmTraces)を提案した。A+またはA++アルゴリズムを使用して,マルチトラックとモデルの間の最適キャリブレーションを得た。完全なイベントログセットとプロセスモデルの一例として,領域ベースのプロセス発見アルゴリズム,イベントログにおけるすべてのトレースのログモデルのマイニング,およびプロセス発見のアルゴリズムを提示する。ログモデルとプロセスモデルのログ移動,モデル移動と同期移動を発見し,その積システムを得た。積Petriネットの可到達グラフを計算し,遷移システムを得た。最適化キャリブレーションのA+アルゴリズムとA++アルゴリズムを提示し、それぞれログ中のすべてのトレースとプロセスモデル間の最適なキャリブレーションとすべての最適なキャリブレーションを獲得できる。AoPm法の時間複雑性と空間複雑性を理論的に解析し,既存のキャリブレーション法と比較した。mとプロセスモデルの間の最適キャリブレーションを計算するとき,AoPm法の計算積,遷移システム数,および占有空間は,伝統的方法の1/mである。ログの任意のトレースとプロセスモデルの較正,最適キャリブレーション,およびすべての最適キャリブレーションの定理を,変換システムにおいて発見して,証明して,ログ同期ネットワークの概念を提案して,A+アルゴリズムとA++アルゴリズムの正当性を証明した。ProMプラットフォーム、人工ネット上のショッピングモデル及び生成ログセットに基づいて、AoPm方法に対してシミュレーション実験を行い、従来のキャリブレーション方法との比較分析を行った。実験結果は,AoPm法が,バッチトレースとプロセスモデルの較正において,従来のキャリブレーション法と比較して,実行時間と占有空間において,それぞれ指数と多項式レベルの低減を有することを示した。AoPm法は実際の複雑な問題のモデルとログに適用し、その適応性とロバスト性を説明した。AoPm法は,以前の1回の追跡とプロセスモデルの較正の制限を突破し,初めてバッチとモデルの間のキャリブレーションを実現し,イベントログの中のトレースとプロセスモデルの間の一貫性検査の効率を改善した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】