软件X 22（2023）101373原始软件出版物Cortado：一个专用的流程挖掘工具，用于交互式流程发现Daniel Schuster， Daniel J. van Zelst，Wil M.P. van der Aalst弗劳恩霍夫应用信息技术研究所FIT，Sankt Augustin，Germany亚琛工业大学，德国ar t i cl e i nf o文章历史记录：接收日期：2023年2023年3月15日接受关键词：进程挖掘进程发现混合智能过程查询一致性检查数据可视化代码元数据a b st ra ct流程发现是流程挖掘中的一个重要学科，它处理数据驱动的对操作流程的洞察的生成。从捕获历史流程执行的事件数据中，流程发现算法学习描述所涉及的各种活动的执行的流程模型。这些发现的模型是许多流程挖掘技术使用的关键工件。大多数现有的流程发现方法可以被归类为传统的，它们的功能就像一个黑盒子的方法，往往学习模型的质量差的事件数据。Cortado是一个专用于交互式过程发现的软件工具，它允许用户从事件数据中逐步学习过程模型。Cortado利用从数据中提取的领域知识和见解，以交互方式逐步开发流程模型。我们描述了Cortado版权所有2023作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。当前代码版本v1.9.0用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-23-00057法律代码许可证GPL 3.0使用git的代码版本控制系统使用的软件代码语言、工具和服务后端：Python 3.10.x，前端：Node.js（使用Node 16.14.2成功测试）编译要求、操作环境&依赖性src/backend/requirements.txt列出需Python包Cortado如果可用，链接到开发人员文档/手册https://github.com/cortado-tool/cortado/blob/main/README.md问题支持电子邮件daniel. fit.fraunhofer.de软件元数据当前软件版本v1.9.0此版本可执行文件的永久链接https://github.com/cortado-tool/cortado/releases/tag/v1.9.0法律软件许可证GPL 3.0计算平台/操作系统Microsoft Windows 10/11，Linux（在Ubuntu 22.04.1 LTS上成功测试），macOS（仅AppleSilicon，在macOS 13.1上成功测试安装要求依赖关系构建是自包含的，即，它们没有依赖性。管理员权限可能必须运行Cortado。如果可用，请链接到用户手册-如果正式出版，请在参考列表中引用该出版物所选功能的帮助页面可直接在工具中获得问题支持电子邮件daniel. fit.fraunhofer.deFraunhoferInstitute for Applied Information Technology FIT，SanktAugustin，Germany.电子邮件地址：daniel. fit.fraunhofer.de（Daniel Schuster），sebastiaan.van. fit.fraunhofer.de（Ambrosa J. van Zelst），wvdaalst@pads.rwth-aachen.de（Wil M. P.van der Aalst）。https://doi.org/10.1016/j.softx.2023.1013731. 动机和意义在组织中，从生产到行政管理过程的执行过程，往往被信息系统详细记录所生成的数据（称为事件数据）包含关于各种事件的2352-7110/©2023作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softx作者：Daniel Schustervan Zelst和Wil M.P.van der Aalst软件X 22（2023）1013732图1.一、C o r t a d o 的架构概 述 ，包括一个 用Python编 写 的 后 端 和一个基于Web技术的前端。已执行的过程活动，例如时间和资源信息，以及它们是在哪个上下文中执行的。流程挖掘[1]分析这些事件数据以生成洞察力，例如发现的流程模型[2]，时间性能诊断[3]和一致性检查统计[4]。过程挖掘技术应用于广泛的行业，例如，在医疗保健[5，6]，制造业[7]，教育[8]，审计[9]和供应链管理[10]。所有这些流程挖掘应用程序最终的共同点是以数据驱动的方式支持流程改进。流程发现[11]是流程挖掘的一个重要子学科，它处理从事件数据中学习流程模型。存在许多发现算法;我们参考[2，11，12]的概述。大多数算法都是完全自动化的，用户在执行过程中无法影响它们，即，在进程发现阶段，除了参数设置之外。为此，出现了交互式进程发现方法，以利用用户知识以及事件数据。在[13]中，提出了利用过程发现的领域知识的概述。本文介绍了过程挖掘工具Cortado，允许用户，例如，研究人员和过程分析师，发现一个过程模型，从事件数据中的增量，交互式的方式。用户可以随时与Cortado中实现的流程发现算法进行交互，例如，通过选择要添加到正在验证的模型旁边的流程行为或手动编辑模型。Cortado结合了各种进程挖掘算法，为交互式进程发现的总体目的服务。Cortado在[14]中首次引入，其中涵盖了Cortado的早期版本本文提供了Cortado及其随时间增加的各种功能的总体视图此外，我们阐述了Cortado我们在第2节中描述了Cortado第4节讨论了科尔塔多最后，第五部分对本文进行了总结。2. 软件描述Cortado是一个最终用户进程挖掘工具，作为一个独立的桌面应用程序提供，支持所有主要的操作系统。1Cortado的源代码可以在GitHub上找到。2我们在2.1节介绍了Cortado我们故意保持Cortado功能的概述2.1. 软件构架Cortado由基于Python的3后端和基于Web开发技术的前端组成。图1说明了主要架构。后端和前端通过Web服务和Web套接字进行通信。2.1.1. 后端Python库Cortado-core是Cortado后端的核心，参见。图1.一、该库实现了增量进程发现[15，16]，时间性能分析[17]，进程执行变体检测[18]，变体查询[19]和一致性检查[20]的算法和方法。由于Cortado核心库实现了增量过程发现的基本算法，因此它也可以嵌入到其他软件项目中，并被视为独立的贡献。Cortado-core使用各种其他Python库，例如PM4Py4提供了不同的过程挖掘功能和ANTLR [21]的变体查询功能。Cortado-core的后端本质上是前端的应用程序编程接口，即，它将Cortado-core的功能捆绑到为前端定制的Web服务为此，我们使用FastAPI框架5要捆绑1 可在https://cortado.fit.fraunhofer.de/上获得。2 https://github.com/cortado-tool/cortado3 https://www.python.org/4 https://pm4py.fit.fraunhofer.de/5 https://github.com/tiangolo/fastapi作者：Daniel Schustervan Zelst和Wil M.P.van der Aalst软件X 22（2023）1013733表1贷款申请流程中真实事件日志的摘录[22];每一行描述一个包含活动执行信息的事件。具有相同案例ID的事件构成流程执行。请注意，事件通常包含比此处显示的更多的信息病例ID活动时间戳. . .173688A_提交2011-09-30 22：38：44.546000+00：00. . .173688A_部分提交2011-09-30 22：38：44.880000+00：00. . .173688A_预先接受2011-09-30 22：39：37.906000+00：00. . .. . .. . .. . .. . .205101A_提交2012-01-30 18：41：02.165000+00：00. . .205101A_部分提交2012-01-30 18：41：02.300000+00：00. . .205101A_延迟2012-01-30 18：41：35.174000+00：00. . .. . .. . .. . .. . .后端，包括Cortado-core，到一个单一的可执行程序包，我们使用Python。62.1.2. 前端前端被构建为Web应用程序。因此，我们使用Web开发语言，如HTML，CSS，JavaScript和Type- Script。作为一个应用程序框架，我们使用Angular。7 为Cortado中的各种可视化，例如，流程模型编辑器或变体资源管理器， 我们使用 JavaScript li-javascript 3.js 。 8 此外， 我们使 用Electron9框架来创建跨平台桌面应用程序。2.2. 软件功能本节概述了Cortado这些被分为：事件数据处理，增量过程发现，一致性检查和时间性能分析（cf。图 2）的情况。2.2.1. 事件数据处理流程发现从捕获历史流程执行的事件数据开始;表1提供了一个示例even log。关于事件数据的介绍，我们参考[23]。由于现实生活中的事件日志通常存在数据质量问题[24，25]，因此在应用过程挖掘时，事件数据处理（包括预处理和过滤）至关重要[26]。存在各种技术来应对事件日志质量问题，例如[27此外，现实生活中的事件日志通常包含大量不同的流程执行，这使得流程分析师难以探索所提供的数据。因此，Cortado通过将各个流程执行分组为流程执行变量来汇总事件日志，这些变量在变量浏览器中可视化，允许用户可视化地浏览事件日志，参见。图中描绘的变体探测器。二、所述变型以所执行的过程活动之间的相同排序关系对各个过程执行进行分组。Cortado实现了一种新的变体定义[18]，该定义扩展了传统的基于序列的变体，以包括并可视化地表示活动的时间重叠，即，部分有序的事件数据。尽管变体对过程执行进行分组，但是变体的数量仍然是巨大的，并且它们的视觉探索可能是不存在的。因此，Cortado提供了一种明确设计用于查询变体的查询语言[19]。查询语言允许指定复杂的控制流模式。执行查询会产生满足指定模式的变量。重点对控制流模式的讨论源于发现过程模型的总体目标--大多数过程模型形式主义关注6 https://pyinstaller.org/7 https://angular.io/8 https://github.com/d3/d39 https://www.electronjs.org/主要是活动的控制流结构。因此，用户可以利用查询语言来探索和过滤事件日志。此外，尽管事件数据通常包含非常精确的时间戳（毫秒级），但仅在某些情况下，以这种精度水平分析过程才是因此，Cortado允许用户设置所提供事件日志的时间粒度。更改时间粒度会影响变量中活动的顺序。最后，Cortado允许用户手动提取并从现有变体中挖掘频繁的变体片段;此外，用户还可以自由地对变体/变体片段进行建模。所述变体和变体片段是增量过程发现方法的基本输入。简而言之，Cortado中的事件数据处理包括事件数据的探索、过滤、预处理、查询和可视化，参见。图 二、2.2.2. 增量式进程发现用户选择的变体/变体片段（为了简单起见，在下文中被称为变体）是用于识别的关键输入。进程发现阶段，参见。图二、通过选择变体的子集，用户控制被发现的过程模型的演变。首先，使用传统的过程发现算法[30]在选定的变体上发现初始过程模型或将其导入工具。当初始过程模型就位时，用户从变量浏览器中选择要合并到过程模型中的变量。然后将所选择的变量和流程模型插入到增量式流程发现方法[15]中，该方法更新流程模型，使得结果模型表示所有所选择的流程行为。然后，扩展的流程模型作为下一个增量迭代的输入。在增量过程发现期间，用户可以选择性地冻结过程模型的模型部分，该模型部分用作增量过程发现方法的输入[16]。当扩展/修改过程模型时，增量过程发现方法不会改变冻结的模型部分。因此，任何未来的模型将始终包含冻结的子模型零件。注意，上述迭代方法可以由用户执行多次，用户通过所选择的变量以及通过对模型的可能的手动改变来控制每次迭代中的过程发现的进度，如图11所示。 二、2.2.3. 一致性检查为了将发现的流程模型（包括增量发现方法中的中间流程模型）与提供的事件日志进行比较，Cortado具有一致性检查功能[4]。Cortado实现对齐[20，31]，即，现有技术的一致性检查技术提供了对所观察到的（即，事件数据）和建模的过程行为（即，过程模型）。因此，用户可以在增量过程发现期间的任何时间将过程模型与事件数据进行比较。这些诊断帮助用户做出关于进一步添加哪些变量的明智决策，并提供当前流程模型的概述，以覆盖事件日志中观察到的行为的程度。2.2.4. 时间性能分析Cortado具有时间性能分析功能[17]。例如，这些技术使得有可能识别缓慢的过程阶段或活动，即，过程中的瓶颈。除了这些技术的一般重要性，他们是有益的交互式过程识别，因为时间性能统 计 可 以 帮 助 用 户 决 定 哪 些 过 程 行 为 纳 入 过 程 模 型incrementally。例如，一个人对学习过程模型感兴趣作者：Daniel Schustervan Zelst和Wil M.P.van der Aalst软件X 22（2023）1013734图二. Cortado功能的简要概述它显示了进程执行的速度有多慢。这种过程模型，专注于过程行为的特定子集，可以进一步用于高级过程挖掘技术;例如，模拟特定的过程变化及其对过程性能的影响[32]。3. 说明性示例本节从用户的角度介绍Cortado图3描绘了其用户界面（UI）的屏幕截图，其示出了关于事件数据处理和增量过程发现的示例功能，参见图3。图二、Cortado的主UI如图所示。第3（a）段。UI的上部包含流程模型编辑器;在屏幕截图中，已经发现的流程模型被可视化为BPMN [33]模型。在UI的右下部分，将显示一个活动摘要表，其中列出了事件日志中的所有活动。该表显示有关频率、活动是开始活动还是结束活动以及用户增量发现的流程模型是否包含此活动的统计信息。在活动概述的左侧，变量浏览器是可见的。最初，仅呈现从事件日志检测到的变体。但是，用户可以使用变体编辑器手动将创建的变体添加到此集合，图3（b）款。此外，用户可以通过调用变体挖掘器来从变体中挖掘频繁模式，参见图1。 图第3段（d）分段。用户可以将挖掘的变体片段添加到变体列表 图3（c）显示作者：Daniel Schustervan Zelst和Wil M.P.van der Aalst软件X 22（2023）1013735(a) Cortado整体用户界面的屏幕截图。流程模型编辑器位于上半部分，当前显示的是一个BPMN流程模型。在左下角，变量浏览器位于，可视化来自真实事件日志的变量[22]。绿色的复选标记和红色的十字标记分别表示当前流程模型是否表示该变量。最后，在右下角部分，介绍了活动概述(b) 变体编辑器允许手动创建变量。在所示的屏幕截图中，变体前缀，即，变体片段被建模，由变体前面的三个点表示(c) 变量查询编辑器允许指定控制流模式.执行查询导致变体浏览器中满足约束的变体的更新列表。(d) 变量挖掘器，允许从变量中挖掘频繁模式，即，前缀/中缀/后缀模式。频繁模式显示在中间，类似于变体资源管理器。在左侧，用户可以配置频繁模式挖掘的设置。在右侧，筛选选项提供了浏览结果集的选项图三. 来自Cortado的屏幕截图显示了事件数据处理的选定功能以及增量进程发现，参见。 图二、作者：Daniel Schustervan Zelst和Wil M.P.van der Aalst软件X 22（2023）1013736(a) 变体浏览器的一致性视图-将一致性诊断投射到变体上;红色突出显示的活动表示这些活动不能在流程模型中重放(b) 流程模型编辑器的一致性视图-一致性诊断在模型上的投影;没有以绿色突出显示的活动表示它们不是针对事件日志中记录的特定流程执行而执行的(c) 变体浏览器的性能视图-投影时间性能统计，即，服务和等待时间，到变量浏览器(d) 流程模型编辑器的性能视图-将时间性能统计信息（在本例中为等待时间）投影到流程模型上图四、来自Cortado的屏幕截图显示了来自一致性检查和时间性能分析的选定功能。作者：Daniel Schustervan Zelst和Wil M.P.van der Aalst软件X 22（2023）1013737一个在Cortado中实现的查询语言的例子。查询语言便于探索、过滤和查找变体。为了增量地扩展过程模型，用户通过复选框图标在变量浏览器中选择变量，并通过按钮 图第3（a）段。图图4描绘了显示来自一致性检查和时间性能分析的功能的屏幕截图。通常，所述技术使用事件日志和（发现的）过程模型作为输入。一致性检查技术[4]比较建模的过程行为，即，过程模型，具有记录的过程行为，即，事件数据，以查找the two.Cortado通过将结果一致性检查诊断投影到变体可视化上来可视化结果一致性检查诊断，参见。图4（a），而且是关于过程模型。图图4（b）描述了一致性视图中的变量浏览器;颜色表示流程模型和观察到的流程执行变量之间的偏差，即，根据流程模型，此时不应发生的行为。最后图4（b）显示其中颜色分级指示偏差的过程模型，即，颜色越红，在所记录的过程行为中越经常跳过模型中的该活动，即，事件数据。4. 影响本节简要回顾Cortado对交互式进程发现和进程挖掘的影响。我们概述了在Cortado中实现的算法和方法的现有出版物Cortado是交互式过程发现技术和相关研究贡献的平台。各种新的算法和方法已经在Cortado中实现[15特别是对于交互式过程发现技术，具有以最终用户为中心的实现以与用户一起评估这些技术此外，交互式过程挖掘必须被认为是一种更全面的方法，只有当不同的技术结合在一起时才是完整和可行的，如第2.2节所示。通过这种方式，Cortado有助于将交互式过程发现作为一种全面和整体的方法来考虑和实施。由于Cortado是一个成熟的原型，真实世界的用例可以从该工具中受益并有益地使用它。 因此，在研究之外使用Cortado的可能性很大。通过将不同的方法和算法与Cortado中交互式过程发现的总体目标紧密耦合，有趣的新研究问题正在出现。例如，对使用交互式过程发现方法的见解仍然很少研究[34，35]。为此，Cortado目前在一项正在进行的用例研究中充当交互式流程发现工具;该研究旨在确定交互式流程发现在具体用例中虽然流程挖掘通常包含许多算法和技术，但流程分析师对于流程采矿技术的研究很少。最近的工作开始通过识别实践[36]和挑战[37，38]来探索过程分析师如何工作。为此，Cortado提供了独特的研究机会，以探索用户，即，流程分析师可以从流程挖掘项目中的交互式流程发现技术中受益。虽然Cortado专注于交互式流程发现，但它为用户提供了探索，分析和过滤事件数据的新方法。通过提供考虑到并发性的变体可视化，以及针对这些变体为用户分析事件数据提供了新的机会此外，支持xes文件格式[39]，这是事件日志的标准，确保了与其他流程挖掘工具的可操作性。例如，用户可以使用Cortado作为探索和过滤工具，导出预处理的数据并将其加载到其他流程挖掘工具中进行进一步分析。这同样适用于一致性检查/时间性能分析的功能。如果用户已经有了流程模型，他们可以将其导入Cortado并使用已实现的技术。此外，如图所示。1，Cortado因此，Cortado-core可以被认为是一个独立的贡献，可以作为一个库嵌入到其他流程挖掘软件项目中，并用于研究项目，例如，与其他发现算法进行比较。5. 结论Cortado将各种技术和算法结合到一个专用的流程挖掘工具中，用于交互式流程发现。我们介绍了Cortado由于Cortado是为最终用户设计的，主要是流程分析师和流程挖掘研究人员，因此我们从用户此外，我们还介绍了它的架构，分为前端和后端，其中包括一个名为Cortado-core的Python库;该库实现了所有相关的流程挖掘算法和方法。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作数据可用性数据将根据要求致谢我们感谢所有为Cortado的开发做出贡献的人J. Kolhof，Michael Martini，Minh Nghia Phan，and Lukas Schade.引用[1] van der Aalst WMP 。 流 程 挖 掘 ： 数 据 科 学 在 行 动 。 Springer; 2016 ，http://dx.doi.org/10.1007/978-3-662-49851-4.[2]2005年10月27日，中国科学院院士。从事件日志中自动发现流程模型：回顾和基 准 测 试 。 IEEE Trans Knowl Data Eng 2019;31 （ 4 ） ： 686-705.http://dx.doi.org/10.1109/TKDE.2018.2841877网站。[3]Park G，Song M.使用深度神经网络预测业务流程的性能。Decis Support Syst2020;129 ： 113191. http://dx.doi.org/10.1016/j.dss.2019.113191 的 网 站 上 发 布的。[4]张晓刚，王晓刚，王晓刚.确认Springer; 2018，http://dx.doi.org/10.1007/978-3-319-99414-7.[5][10] 杨 文 ， 王 晓 . 医 疗 保 健 中 的 流 程 挖 掘 ： 文 献 综 述 。 J Biomed Inform2016;61：224网址：//dx.doi.org/10.1016/j.jbi.2016.04.007网站。[6] Mans RS，van der Aalst WMP，Vanwersch RJB.医疗保健中的流程挖掘Cham：Springer; 2015，http://dx.doi.org/10.1007/978-3-319-16071-9.作者：Daniel Schustervan Zelst和Wil M.P.van der Aalst软件X 22（2023）1013738[7] Yang H，Park M，Cho M，Song M，Kim S.基于大数据和过程挖掘技术的制造过程分析系统架构。2014 IEEE International Conference on Big Data（大数据）IEEE;2014年，第1024-9页。http://dx.doi.org/10.1109/BigData.2014.7004336网站。[8] Bogarín A，Cerezo R，Romero C.教育过程挖掘研究综述。WIREs Data MinKnowl Discov 2018;8（1）. http://dx.doi.org/10.1002/widm的网站。1230[9] Jans M，Alles M，Vasarhelyi M.审计过程挖掘案例：增值来源和应用领域IntJAccountInformSyst2013;14（1）：1http://dx.doi.org/10.1016/j.accinf.2012.06.015网站。[10]刘宏，何刚，赵毅，钟南.供应链网络中支援知识发现之流程探勘系统之发展 。 国 际 生 产 经 济 学 杂 志 2009;122 （ 1 ） ： 176-87 。http://dx.doi.org/10.1016/j.ijpe.2009.05.014网站。[11]放大图片作者：J.先进的进程发现技术。In：van der Aalst WMP，CarmonaJ，editors.流程采矿手册。商业信息处理讲义，第448卷，Springer; 2022，第76-107页。http://dx.doi.org/10.1007/978-3-031-08848-3_3网站。[12]van Dongen BF，Alves de Medeiros AK，Wen L.进程挖掘：Petri网发现算法的概述和展望。 In：Jensen K，van der Aalst WMP，editors.Petri网与其他并发模型的学报2。计算机科学讲义，第5460卷，Springer; 2009年，第225-42页。http://dx.doi.org/10.1007/978-3-642-00899-3_13网站。[13] Schuster D，van Zelst SJ，van der Aalst WMP.在数据驱动过程发现中利用 领 域 知 识 第 137 章 . http://dx.doi.org/10.1016/j.compind.2022.103612 网站。[14]Schuster D，van Zelst SJ，van der Aalst WMP. Cortado-用于数据驱动流程发现和建模的交互式工具。In：Buchs D，Carmona J，editors. Petri网和并发性的应用和理论。 计算机科学讲义。12734，Springer; 2021，p.465比75 网址：//dx.doi.org/10.1007/978-3-030-76983-3_23网站。[15] Schuster D，van Zelst SJ，van der Aalst WMP.分层过程模型的增量式发现。In：Dalpiaz F，Zdravkovic J，Loucopoulos P，editors.信息科学的研究挑战。商业信息处理讲义，第385卷，Cham：Springer; 2020年，第417-33页。http://dx.doi.org/10.1007/978-3-030-50316-1_25网站。[16]Schuster D，van Zelst SJ，van der Aalst WMP.在增量过程发现期间冻结子模型。In：Ghose A，Horkoff J，Silva Souza VE，Parsons J，Evermann J，editors.概念建模。计算机科学讲义，第13011卷，Springer; 2021年，第14-24页。http://dx.doi.org/10.1007/978-3-030-89022-3_2.[17]Schuster D，Schade L，van Zelst SJ，van der Aalst WMP. Cortado中块结构过程模型的时间性能分析。 In：de Weerdt J，Polyvyanyy A，editors.智能信 息 系 统 。 商 业 信 息 处 理 讲 义 ， 第 452 卷 ， Springer; 2022 年 ， p. 110-9http://dx.doi.org/10.1007/978-3-031-07481-3_13网站。[18]Schuster D，Schade L，van Zelst SJ，van der Aalst WMP.可视化来自偏序事件数据的跟踪变量。In：Munoz-Gama J，Lu X，editors.采矿车间。商业信息处理讲义，第433卷，Springer;2022，第34-46页。http://dx.doi.org/10.1007/978-3-030-98581-3_3。[19]Schuster D，Martini M，van Zelst SJ，van der Aalst WMP.从偏序事件数据中基于控制流的流程执行查询。In：Troya J，Medjahed B，Piattini M，YaoL，Fernández P，Ruiz-Cortés A，editors.面向服务的计算。计算机科学讲义 ， 第 13740 卷 ， Cham ： Springer;2022 年 ， 第 19-35 页 。http://dx.doi.org/10.1007/978-3-031-20984-0_2.[20]Schuster D，Föcking N，van Zelst SJ，van der Aalst WMP.使用中缀和后缀对齐对跟踪片段进行连接检查。 In：Sellami M，Ceravolo P，Reijers HA，Gaaloul W，Panetto H，editors.库珀信息系统。计算机科学讲义，第13591卷，Springer; 2022年，第299-310页。http://dx.doi.org/10.1007/978-3-031-17834-4_18.[21]Parr TJ，Quong RW. ANTLR：一个谓词LL （k）解析器生成器。Softw-PractExp 1995;25（7）：789-810. http://dx.doi.org/10.1002/spe.4380250705网站。[22]范 东 恩 BF.2012 年 BPI 挑 战 赛 - 事 件 日 志 ， 埃 因 霍 温 理 工 大 学 ，https://doi.org/10.4121/uuid:3926db30-f712-4394- aebc-75976070 e91 f。[23] 作者：John W.流程事件数据的基础。In：van der Aalst WMP，CarmonaJ，editors. Process Mining Handbook. 商业信息处理讲义，第 448卷，Springer; 2022，第193-211页。http://dx.doi.org/10.1007/978-3-031-08848-3_6网站。[24]马丁·N过程挖掘中的数据质量。In：Fernando-Llatas C，editor.医疗保健中的交 互 式 流 程 挖 掘 。 Health informatics ， Springer; 2021 ， p. 53-79.http://dx.doi.org/10.1007/978-3-030-53993-1_5网站。[25] Bose RJC，Mans RS，van der Aalst WMP。想要改进流程挖掘结果？2013IEEE Symposium on Computational Intelligence and Data Mining. IEEE;2013年，第127- 134页。http://dx.doi.org/10.1109/CIDM.2013的网站。六五九七二二七[26]van Eck ML，Lu X，Leemans SJJ，van der Aalst WMP. PM2：一个流程挖掘项目方法。In：Zdravkovic J，Kirikova M，Johannesson P，editors.高级信息系统工程。计算机科学讲义，第9097卷，Springer; 2015年，第297-313页。http://dx.doi.org/10.1007/978-3-319-19069-3_19.[27]Suriadi S，Andrews R，ter Hofstede A，Wynn MT.流程挖掘的事件日志缺陷 模 式 ： 清 理 事 件 日 志 的 系 统 方 法 。 Inf Syst 2017;64 ： 132-50.http://dx.doi.org/10.1016/j.is.2016.07的网站。011。[28]Andrews R，Suriadi S，Ouyang C，Poppe E.面向事件日志查询的数据质量。In：Panetto H，Debruyne C，Proper HA，Ardagna CA，Roman D，Meersman R，editors.走向有意义的互联网系统。OTM 2018会议。计算机科学 讲 义 ， 第 11229 卷 ， Springer;2018 年 ， 第 116-34 页 。http://dx.doi.org/10.1007/978-3-030-02610-3_7网站。[29]Tax N，Sidorova N，van der Aalst WMP.通过过滤混乱的活动，从事件日志中 发 现 更 精 确 的 流 程 模 型 。 J Intell Inf Syst 2019;52 （ 1 ） ： 107-39.http://dx.doi.org/10.1007/s10844-018-0507-6网站。[30]Leemans SJJ，Fahland D，van der Aalst WMP.从事件日志中发现块结构的流程模型-一种建设性的方法。在：应用和理论的Petri网和并发性，卷。七九二七p. 311-29 网址：//dx.doi.org/10.1007/978-3-642-38697-8_17网站。[31] 阿德里安夏对齐观察到的和建模的行为（博士the- sis），TechnischeUniversiteit Eindhoven; 2014，http://dx.doi.org/10.6100/IR770080.[32]Mühruweiter L，van Beest NRTP.重新设计业务流程：基于模拟和流程挖掘技术的方法。KnowlInfSyst2009;21（3）：267-97.http://dx.doi.org/10.1007/s10115-009-0224-0网站。[33]Chinosi M ， Trombetta A. BPMN ： 标 准 介 绍 。 计 算 机 支 架 干 扰 2012;34（1）：124 http://dx.doi.org/10.1016/j.csi.2011.06的网站。002.[34]Benevento E，Aloini D，van der Aalst WMP.交互式流程发现如何解决实际业务 环境中的 数据质量 问题？ 来自医疗 保健案 例研究的 证据。J BiomedInform 2022;130：104083. 网址：//dx.doi.org/10.1016/j.jbi.2022.104083网站。[35]Benevento E，Diarrhea PM，Sani MF，Aloini D，van der Aalst WMP.评估医疗保健中交互式过程发现的有效性：案例研究。In：Di FrancescomarinoC，Dijkman R，Zdun U，editors.业务流程管理讲习班。商业信息处理讲义，第362卷，Springer; 2019年，第508-19页。http://dx.doi.org/10.1007/978-3-030-37453-2_41。[36]Zerbato F ， Soffer P ， Weber B. 探 索 性 流 程 挖 掘 实 践 的 初 步 见 解 。 In ：Polyvyanyy A，Wynn MT，van Looy A，Reichert M，editors.业务流程管理 论 坛 。 商 业 信 息 处 理 讲 义 ， 第 427 卷 ， Springer; 2021 ， 第 145-61 页 。http://dx.doi的网站。org/10.1007/978-3-030-85440-9_9。[37][10]杨文，王文，王文.分析师感知的流程挖掘挑战：一项访谈研究。In：Augusto A，Gill A，Bork D，Nurcan S，
我的内容管理
展开
