دوره 19، شماره 1 - ( 3-1401 )                   جلد 19 شماره 1 صفحات 86-75 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

javadzadeh F, yaghoubi M, karbasi S. Concept drift detection in event logs using statistical information of variants. JSDP. 2022; 19 (1) :75-86
URL: http://jsdp.rcisp.ac.ir/article-1-1051-fa.html
جوادزاده فرشته، یعقوبی مهدی، کرباسی سهیلا. شناسایی رانش مفهوم در نگاره رویداد با استفاده از اطلاعات آماری گونه‌ها. پردازش علائم و داده‌ها. 1401; 19 (1) :86-75

URL: http://jsdp.rcisp.ac.ir/article-1-1051-fa.html


دانشگاه گلستان
چکیده:   (374 مشاهده)
در سال‌های اخیر مدیریت فرآیندهای سازمانی (BPM)، به‌دلیل افزایش کارایی سازمان‌ها بسیار مورد توجه قرار گرفته است. استخراج و تحلیل اطلاعات فرآیندهای سازمانی بخش مهمی از این ساختار است؛ اما این فرآیندها در طول زمان پایدار نیستند و به مرور دچار تغییر می‌شوند که به این تغییرات، رانش مفهوم در فرآیند گفته می‌­شود. کشف رانش‌­های مفهوم یکی از چالش‌های موجود در حوزه مدیریت فرآیندهای سازمانی است. در این مقاله الگوریتمی برای شناسایی رانش‌های مفهوم در نگاره رویداد ارائه شده که براساس تحلیل توزیع گونه‌های دنباله در اجرای فرآیند است. در این روش با حرکت دو پنجره روی نگاره رویداد، دو بردار ویژگی از گونه‌های دنباله‌های دو پنجره حاصل و سپس با استفاده از آزمون‌های آماری گونه‌های دو پنجره با یکدیگر مقایسه و در‌نهایت رانش‌ها شناسایی می‌شوند. آزمایش‌های صورت‌گرفته روی پایگاه‌های داده مصنوعی، درستی روش و برتری آن را نسبت به روش‌های پیشین نشان می‌دهند.
شماره‌ی مقاله: 6
متن کامل [PDF 1176 kb]   (94 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش داده‌های رقمی
دریافت: 1398/5/4 | پذیرش: 1400/3/2 | انتشار: 1401/4/1 | انتشار الکترونیک: 1401/4/1

فهرست منابع
1. [1] W. Van Der Aalst, "Process mining: discovery, conformance and enhancement of business processes," Springer, vol. 2, pp.157-158, 2011. [DOI:10.1007/978-3-642-19345-3_6]
2. [2] W. M. P. Aalst, "Process Mining: Overview and Opportunities," ACM Trans. Manag. Inf. Syst., vol. 3, no. 2, pp. 1-17, 2012. [DOI:10.1145/2229156.2229157]
3. [3] W. Van Der Aalst, A. Adriansyah, A. K. A. De Medeiros, F. Arcieri, T. Baier, T. Blickle, J. C. Bose, P. Van Den Brand, R. Brandtjen, J. Buijs, and others, "Process mining manifesto," in International Conference on Business Process Management, 2011, pp. 169-194. [DOI:10.1007/978-3-642-28108-2_19]
4. [4] R. P. J. C. Bose, W. M. P. van der Aalst, I. Zliobaite, and M. Pechenizkiy, "Dealing with concept drifts in process mining.," IEEE Trans. neural networks Learn. Syst., vol. 25, no. 1, pp. 154-71, 2014. [DOI:10.1109/TNNLS.2013.2278313] [PMID]
5. [5] R. Klinkenberg and T. Joachims, "Detecting Concept Drift with Support Vector Machines.," in ICML, 2000, pp. 487-494.
6. [6] B. R. P. J. C. . b, V. D. A. W.M.P.a, Ž. I.a, and P. M.a, "Handling concept drift in process mining," in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2011, vol. 6741 LNCS, pp. 391-405.
7. [7] J. Martjushev, R. P. Jagadeesh Chandra Bose, and W. M. P. van der Aalst, "Change point detection and dealing with gradual and multi-order dynamics in process mining," in Lecture Notes in Business Information Processing, 2015, vol. 229, pp. 161-178. [DOI:10.1007/978-3-319-21915-8_11]
8. [8] A. Maaradji, M. Dumas, M. La Rosa, and A. Ostovar, "Fast and accurate business process drift detection," in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2015, vol. 9253, pp. 406-422. [DOI:10.1007/978-3-319-23063-4_27]
9. [9] T. Li, T. He, Z. Wang, Y. Zhang, and D. Chu, "Unraveling Process Evolution by Handling Concept Drifts in Process Mining," in Proceedings - 2017 IEEE 14th International Conference on Services Computing, SCC 2017, 2017, pp. 442-449. [DOI:10.1109/SCC.2017.63]
10. [10] A. Seeliger, T. Nolle, and M. Mühlhäuser, "Detecting Concept Drift in Processes using Graph Metrics on Process Graphs," in Proceedings of the 9th Conference on Subject-Oriented Business Process Management, 2017, pp. 1-10. [DOI:10.1145/3040565.3040566]
11. [11] P. Harremoës and G. Tusnády, "Information divergence is more $χ$ 2-distributed than the $χ$ 2-statistics," in 2012 IEEE International Symposium on Information Theory Proceedings, 2012, pp. 533-537.
12. [12] R. Nuzzo, "Scientific method: statistical errors," Nat. News, vol. 506, no. 7487, pp. 150, 2014. [DOI:10.1038/506150a] [PMID]
13. [13] M. Dumas, M. La Rosa, J. Mendling, H. A. Reijers, and others, Fundamentals of business process management, vol. 1. Springer, 2013. [DOI:10.1007/978-3-642-33143-5_1] [PMCID]
14. [14] B. Weber, M. Reichert, and S. Rinderle-Ma, "Change patterns and change support features--enhancing flexibility in process-aware information systems," Data Knowl. Eng., vol. 66, no. 3, pp. 438-466, 2008. [DOI:10.1016/j.datak.2008.05.001]
15. [15] S.-S. Ho, "A martingale framework for concept change detection in time-varying data streams," in Proceedings of the 22nd international conference on Machine learning, 2005, pp. 321-327.
16. [16] A. Ostovar, M. Abderrahmane, M. La Rosa, A. H. ter Hofstede, and B. F. van Dongen., "Detecting drift from event streams of unpredictable business processes," in International Conference on Conceptual Modeling, 2016, pp. 330-346. [DOI:10.1007/978-3-319-46397-1_26]
17. [17] R. Accorsi and T. Stocker, "Discovering workflow changes with time-based trace clustering," in International Symposium on Data-Driven Process Discovery and Analysis, 2011, pp. 154-168. [DOI:10.1007/978-3-642-34044-4_9]
18. [18] B. Hompes, J. C. A. M. Buijs, W. M. P. van der Aalst, P. Dixit, and H. Buurman, "Detecting Change in Processes Using Comparative Trace Clustering.," in SIMPDA, 2015, pp. 95-108.
19. [19] J. Carmona and R. Gavalda, "Online techniques for dealing with concept drift in process mining," in International Symposium on Intelligent Data Analysis, 2012, pp. 90-102. [DOI:10.1007/978-3-642-34156-4_10]
20. [20] F. Khojasteh, M. Kahani and B. Behkamal, "Concept drift detection in business process logs using deep learning" Signal and Data Processing, vol. 46, no. 4, pp. 33-48, 2021 [DOI:10.29252/jsdp.17.4.33]
21. [20] فاطمه خجسته، محسن کاهانی و بهشید بهکمال "شناسایی رانش مفهومی در نگاره‌های فرایند کسب‌وکار با استفاده از یادگیری عمیق." پردازش علائم و داده‌ها، شماره 4، نسخه 46، صفحه 33-48، 1399

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.