基于流程挖掘的非正常案例自动甄别模型

"这篇论文提出了一种名为DMNAI（Detection Model of Normal and Abnormal Instances）的模型，该模型利用流程挖掘技术来鉴别正常与非正常案例。它通过频繁模式发现提取案例特征，并通过特征选择确定关键特征集，最终采用神经网络分类器进行异常检测。这种方法减少了对人工设定标准的依赖，提高了甄别准确性和效率。实验结果显示，DMNAI在实际数据上的表现能够有效自动化地识别非正常案例。" 这篇研究论文深入探讨了如何利用数据挖掘技术，特别是流程挖掘，来构建一个区分正常与非正常案例的模型。传统的非正常案例甄别方法通常依赖于人为设定的标准或特征库，这种方法不仅前期工作量大，而且在后期甄别时可能因为特征不足导致准确率低下。为了解决这些问题，论文提出了一种创新的模型——DMNAI。 DMNAI模型的核心是流程挖掘，这是一种从事件日志中挖掘流程知识的方法。通过对流程数据的分析，模型能够发现频繁出现的模式，这些模式代表了流程中的常规行为。通过这种方式，模型可以提取出案例的关键特征，这些特征反映了流程的正常运行模式。 接下来，DMNAI应用特征选择策略来精简特征集合，保留那些最能区分正常与非正常案例的特征。这一步骤有助于减少模型的复杂性，同时提高预测准确性，避免过拟合问题。 最后，模型利用神经网络作为分类器。神经网络是一种强大的机器学习模型，能够处理复杂的非线性关系，适应各种数据类型，适合用于分类任务。在DMNAI中，神经网络根据选取的特征对案例进行分类，识别出潜在的非正常行为。 实验部分，论文使用现场实际数据验证了DMNAI模型的效果。实验结果证明，DMNAI模型在自动化甄别非正常案例方面表现出色，有效地减少了人工介入的需求，降低了甄别过程的主观性，提高了效率和准确性。 总结来说，这篇论文提出的DMNAI模型为业务流程监控提供了一种新的自动化解决方案，特别是在异常检测领域。通过流程挖掘和神经网络的结合，DMNAI能够有效地从大量流程数据中发现异常，对于提升业务流程的管理和优化具有重要的理论和实践价值。