数据约束下的业务流程Petri网建模与优化方法

摘要

数据流和控制流主要承载着业务流程模型的重要信息，工程师为特定问题建立业务流程模型时正是利用两者及其关系实现对模型结构和模型执行过程的约束。由于实际需求和侧重点的不同选取，建模结果也不尽相同，甚至初步建立的模型不能涵盖丰富的应用场景。因此涉及改进、优化业务流程模型的研究课题一直热度不减。
　　一般地，利用由直观需求入手建立的初级模型为研究对象，借助Petri网相关理论提取信息，分析并发现问题，改进模型等系列动作在操作上能够实现:流程的顺利执行，开发直观上不易发现的新应用情景，帮助企业简化运营过程、开拓潜在服务内容、指导运营方向、突出发展重心。
　　伴随着数据时代的发展，以生产者为中心的模式正向着以消费者为中心的模式发展己成为趋势。企业要想抓住市场提供更好的服务必须紧跟庞大的消费群体，必须依托大量信息作为自身策略的指导与参考。换句话说，建立业务流程时需关注普通用户一般行为，也要考虑个别行为及特殊用户的需求。针对这一新的挑战，业务流程模型需要为数据信息提供适当的识别机制，也需要建模者利用大量数据深度开发模型得出适用更多情境的业务流程模型。本文的研究内容如下:
　　(1)提出优先权Petri网实现流程模型对动态数据的识别与处理。数据流模型Petri网对复杂数据的表达和模拟能力已有很大改进，但模型较少考虑数据信息的实时性。本文借助对时间Petri网的分析研究，利用Petri网的随机性，通过计算实时数据对模型马尔可夫链的影响来确定所需优先权结构。该建模方法不仅捕捉到实际信息中的建模依据而且实现了流程模型整个动态执行过程中对数据信息的识别与处理。
　　(2)提出数据决策模型Petri网用以简化数据流模型Petri网，实现模型对数据的集中处理更是便于监测。当变迁发生权由多维数据决定时，需要对数据识别多次来完善模型语义的表达并利用控制流结构确保模型语法的正确性。本文依托Petri网实现贷款业务流程模型的优化与分析，并用两种方式完成决策变迁映射集（∑部分）的决策功能。该类流程模型即保证了模型非决策部分免受影响，又简化了模型决策功能的表述，还扩展了模型的应用领域。
　　(3)提出基于模块行为轮廓的流程模型挖掘方法。挖掘作为业务流程管理的补充是以事件日志入手提取非直观信息以查找系统缺陷、攻克建模难题、协助优化初级流程模型。本文研究了事件日志中特殊的腰事件，并以此为切入点建立完备的模块行为轮廓关系。针对所有事件又设计特征集实现全部事件得到不重不漏的归类。如此一来，整个流程模型被拆为多个块，块之间满足非此即彼的模块行为轮廓关系，进一步用控制流结构表达挖掘的事件行为关系，最终实现了模型的分步建立。此挖掘方法将事件中特殊元素提出优先处理，克服了传统挖掘方法在分析日志行为特征上的局限性，提高了模型表达事件行为关系的覆盖面与准确性。
　　(4)提出不完整日志下的结构块流程模型挖掘方法。事件日志源于对系统运行过程的记录，或是系统中存在某些低频行为或是记录过程的操作失误都会影响到事件日志的完整性。将完整性有缺陷的日志直接用于建模或优化可能导致流程模型缺乏执行依据甚至出现语法错误。目前，相关的研究主要关注事件日志中存在的行为关系，对无法确定的行为关系多是依赖已有信息推测并确定其概率。行为关系越是难以确认越是说明提供的相关信息量少，计算基数较小群体的概率行为关系难以克服偶然因素的影响。本文为无法确定的行为关系提出其后备关系的设想，即通过已有日志信息确定模型局部行为关系的潜在演变方向，确保了后备关系顺从现有日志信息的指向。最后通过实例分析验证了不完整日志下的结构块流程模型挖掘算法的合理性、可行性。

目录

声明

摘要

插图清单

附表清单

引言

1 绪论

1．1 研究背景

1．2 研究现状

1．2．1 控制流和数据流

1．2．2 过程挖掘技术

1．2．3 模型优化与合规性检测

1．3 本文的内容安排

2 基本知识

2．1 Petri网的相关介绍

2．1．1 Petri网的基本概念

2．1．2 Petri网的相关性质

2．2 行为轮廓的相关介绍

2．2．1 行为轮廓的基本概念

2．2．2 行为轮廓的相关性质

3 基于Petri网模型的动态数据信息识别方法

3．1 概述

3．2 研究动机和研究背景

3．3 基本概念

3．4 基于优先权Petri网的指令识别分析

3．4．1 变迁的时延性与优先发生权

3．4．2 优先原则的实现

3．4．2 算法实现

3．5 实例分析

3．6 本章小结

4 基于Petri网的数据流决策模型优化方法

4．1 概述

4．2 基本概念

4．3 引例

4．4 Petri网决策变迁的智能化

4．4．1 基于贷款业务的数据信息智能化识别分析

4．4．2．基于数据属性挖掘的模型智能化决策变迁分析

4．5 实例分析

4．6 本章小结

5 基于模块行为轮廓的流程模型挖掘方法

5．1 概述

5．2 基本概念

5．3 引例

5．4 基于腰事件的流程模型挖掘方法

5．4．1 基于腰事件的模块分类

5．4．2 基于行为轮廓的模块关系

5．4．3 算法实现

5．5 实例分析

5．6 本章小结

6 不完整日志下的结构块流程模型挖掘方法

6．1 概述

6．2 基本概念

6．3 引例

6．4 基于结构块的不完整日志挖掘方法

6．4．1 不完整日志下的结构块

6．4．2 相关算法

6．4．3 现有模型潜在演变的表达

6．5 实例分析

6．6 本章小结

7 结论

7．1 本文的相关工作

7．2 未来工作动向

参考文献

致谢

作者简介及读研期间主要科研成果