港口集装箱装卸中的异常检测方法研究及其效果分析

沙特国王大学学报基于控制流模式和模糊回归的港口集装箱装卸Dewi Rahmawatia，b，Riyanarto Sarnoba信息技术与工业学院软件工程系，印度尼西亚泗水60231泗水Telkom技术学院b信息学系，Institut Teknologi Sepuluh Nopalgia，Jl. Teknik Kimia，Gedung Teknik Informatika，Kampus ITS Sukolilo，Surabaya 60111，爪哇帖木儿，印度尼西亚阿提奇莱因福奥文章历史记录：2018年6月5日收到2018年11月5日修订2018年12月13日接受在线预订2019年1月11日保留字：异常控制流模式模糊回归多元线性回归A B S T R A C T港口集装箱装卸中的偏差可以通过许多因素来检测。其中之一是流程模型中的异常。一些研究已经提出了异常检测方法。然而，这些方法不适应专家的口头判断。这些方法将具有低偏差的实例视为包含异常，而实际上并非所有具有低偏差的实例都包含异常。考虑到这一点，开发了一种方法，用于检测异常的港口集装箱装卸使用模糊回归，以适应口头专家判断的异常率（ROA）。首先，建立控制流然后，声明了5个异常属性，即跳跃序列、错误吞吐时间（最大值）、错误吞吐时间（最小值）、错误模式和错误决策。在实验中，发现异常率使用三 种 方 法 ， 即 模 糊 回 归 （ FR ） ， 支 持 向 量 回 归 （ SVR ） 与 径 向 基 函 数 （ RBF ） 核 ， 和 多 元 线 性 回 归（MLR）。结果表明，模糊回归比多元线性回归和支持向量回归更适合于异常实验验证表明，模糊回归与控制流模式相结合，能够减少误报和漏报。该方法的敏感性、特异性和准确性分别为96%、97%和99%。©2018作者制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍业务流程中的异常可以被解释为不按常规执行并且不符合标准操作程序（SOP）的流程或子流程（Amara等人， 2013年）。如果一个准确的异常检测系统和一个适当的早期预警系统的实施，可以防止几个问题，从欺诈到效率低下。最近，东婆罗洲萨马林达港集装箱装卸业发生一起敲诈勒索案据估计，这已造成约2万亿卢比的总损失，约占年收入的9%它发生在2010年至2016年（Rahmah）没有被发现。另一个例子是，如果及时发现工作时间偏离标准操作程序（SOP），公司可以改变沙特国王大学负责同行审查制作和主办：Elsevier电子邮件地址：dewi16@mhs.if.its.ac.id（D. Rahmawati）工作时间强度的模式，以尽量减少违规的可能性。一些研究已经提出了异常检测方法，但是，他们不适应口头专家判断的异常率（ROA）。这些方法将具有低偏差的实例视为异常，而实际上并非所有具有低偏差的实例都是异常。 低偏差可能是由于确定异常属性值时的模糊性和低出现频率造成的（Huda等人，2016;Huda等人， 2015年）。在这里，我们提出了一种检测异常的方法，该方法根据标准操作（SOP）程序的偏差，对异常率进行口头专家判断SOP偏差是可能导致异常的程序错误我们建议使用模糊回归和口头专家判断的异常率，正确地检测欺诈活动。我们假设异常属性的权重会影响异常率最后用异常率来判断偏差是表示高异常、中异常、低异常还是无异常。这项工作的主要科学贡献是通过改进以下指标来减少假阳性和假阴性：跳过序列、跳过决策、错误吞吐时间（最大）、错误吞吐时间（最小）和错误模式。https://doi.org/10.1016/j.jksuci.2018.12.0041319-1578/©2018作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com12D. 拉赫马瓦蒂河萨尔诺/沙特国王大学学报ð Þ ðÞ之前的一项研究（Correia，2012）提出了一个标准的业务流程，其中包含来自许多领域的43种业务流程模式变体，称为控制流模式。为了建立异常模式模型来检测异常，特别是错误模式，需要建立异常模式的规则。在本研究中，我们建立异常模式，然后使用图模式匹配来检测错误模式。图同构（Cordella等人，2004; Nabti和Seba，2016）是一种可以添加到图形模式匹配的方法。它以业务流程模型的形式从全图模型中检测子图模型。该算法使用了多个图匹配规则，匹配节点的度以及节点和弧的数量在这里，我们建议建立控制流模式，以检测错误的模式，通过使用图同构。然而，所提出的图同构算法只能检测异常属性之一，即错误模式。为了检测其他4个异常属性，即需要跳过序列、错误吞吐量时间（min）、错误吞吐量时间（max）和错误判定、检测规则因此，本研究宣布规则检测4个异常属性。在所 提出的方 法中， 基于由跳 过序列、 错误的 吞吐量时 间（min）、错误的吞吐量时间（max）、错误的决策和错误的模式引起的SOP偏差来检测异常。异常的属性值是离散的，即，高异常、中异常和低异常。因此，模糊回归是用来调查的预测异常率（即高异常，中异常，低异常）的基础上的属性的重要性权重。我们假设属性的重要性权重可以提供属性异常的权重最后，可以使用属性异常的权重来确定异常是高、中还是低。将模糊回归的性能与多元线性回归和径向基函数（RBF）核的支持向量回归进行比较，以获得最准确的异常预测率本研究评估所提出的方法在异常检测的准确性这是基于两个方面，即。灵敏度和特异性（Buijs等， 2012年）。本文的其余部分结构如下：第2节介绍了文献综述，第3描述了所提出的用于构成控制流模式和定义异常属性值的方法，第4节报告了实验结果和分析，第5节给出了研究结论。2. 材料和方法港口集装箱装卸作业中的异常率以离散数据的形式回归分析更适合于产生连续输出，而不是本研究中几年前，已经引入了基于回归的分类作为处理分类问题的替代方法。一种有趣的方法是基于支持向量回归的分类，其精度高于多元线性和非线性回归。基于回归的分类 已 经 成 功 地应 用 于 面 部 识 别 （ Liu 等 人 ， 2013 ） 和 数 据 流（Osojnik等人， 2017年，在真实案例中。然而，虽然回归算法已被广泛应用，但在某些情况下可能会出现问题（Shapiro，2005）：输入和输出变量之间的不确定性（Atriola等人，七月（2009年）观察次数不足（Saia等人， 验证分布假设的困难（Mahapatra和Raviola，1804）发生率或发生程度的模糊性（Saia，2017）线性化引入的不准确性和失真（Akoglu等人， 2013年度）从上面的描述，统计回归是有问题的。因此，在这项研究中，开发了一种模糊回归方法评价了几种回归技术以确定回归模型。根据类别标签（高异常、中异常和低异常）对回归输出进行解码。比较了MLR、SVR、RBF核和模糊回归三种回归方法的异常预测准确率。回归方法的细节如下。2.1. 多元线性回归对两个或多个自变量和因变量或响应之间的关系进行建模的算法通过将线性方程应用于观察到的数据来操作。自变量x的每个值与因变量y的值相关（DeForest等人，2017年）。在目前的情况下，检测异常的港口集装箱装卸，属性异常的多元数据被用来预测ROA。在实验中，ROA值yi由五个预测因子x1;x2;：;x5预测为：由如Eq. （一）.是的一个b1x1mmB2x2美元b3x3mmb4x4 b5x51其中b1-b5为自变量;a为因变量;变量x1-x5解释异常属性，如表1所示。变量x1表示跳过序列，变量x2表示错误的判定，变量x3表示错误的模式，变量x4表示错误的吞吐量时间（min），变量x5表示错误的吞吐量时间（max），变量y1表示异常率。实验中使用的数据描述了4个月内总共65，000个实例。一位港口集装箱装卸专家将数据分为4类，即高异常、中异常、低异常和无异常。此外，专家指定了以下阈值：低于0.6表示无异常，介于0.6 0.7表示低异常，0.7和0.8之间表示中等异常，0.8和1之间表示高异常。通过这些阈值，我们发现680个实例包含异常，64，320个实例不包含异常。使用680个异常实例作为训练和测试数据：60%的异常实例用作训练数据，40%用作测试数据，如表3所示。平均每天有5例异常（表4）。用于建立多元线性回归模型的训练数据由5个属性值组成，其中x为异常率，y为异常率。然后，使用Minitab工具，建立多元线性（2）、（3）和（4）：y H¼0：220分0：858 x1mm1： 03x3 0： 587x42y M¼0：229分0：196 x1mm一点零一分x30： 594x4 0：666x53y L¼0：545分0：405 x1mm0： 304x3-0： 115x4 0： 196x54其中y表示MLR模型的输出2.2. 支持向量回归支持向量回归机与支持向量机基于相同的原理，只是有一些小的区别。主要区别在于，它产生的是连续输出，而不是对应于实数的离散输出●●●●●D. 拉赫马瓦蒂河萨尔诺/沙特国王大学学报13-n-k-1011 2 2 3 3 44 55表1异常属性值和异常率。情况Skip序列错误决定错误模式错误的最小放置错误的最大异常率（x1）（x2）（x3）（x4）（x5）（yi）100.070.070.50.330.6520.2200.930.0300.51300.0300.50.640.9040.030.020.020.50.450.72.. .. ......你好。. . .. ......你好。.. .. ......你好。.. .65,00000000.030.003表2用于分类的异常率范围。工伤。根据（Uejima和Asai，1982），模型的一般形式如等式（1）所示。（六）、异常范围的类别标签率病例数高异常>0.8Y-1/4B-1/4B -xB-xB-xB-xB-xð6Þ其中Y-是模糊输出，x1—X5是非模糊输入向量，B-1—B5 是独立变量，B-0是因变量。表3用于训练和测试日志数据的案例数类别标签培训案例数（60%）检测病例数有能力。 隶属函数（MF）labc d e d e d e d e d e 1，使用梯形隶属函数在大多数情况下获得更好的结果，例a、 b、 c和d的选择标准用于异常（ROA）成员比率基于图1，laa是一种模式。模糊回归方法的基本思想是使模型的模糊性最小化。两高异常48 32开发模糊回归模型的常用方法是：介质异常168 112(1) 模型中变量之间的关系是低异常192 128无异常38，592 25，728表4用于回归分析。方程描述rP2¼模 糊 ; 以 及 （ 2 ） 变 量 本 身 是 模 糊 的 模 型 （ Sánchez 和 Gómez ，2004;Andrés-Sánchez，2016; Bell和Heng，1997; Pedregosa等人，2011年）。在这里，我们关注的是数据离散且变量之间的关系不确定的模型。在实验中，ROA值。Y-由高ROA组成.Y-H型，中等ROA。Y-M值和低ROA。Y-L预测，由五个前-RMSE值a：pi1a-pn在实际和dictorsx1;x 2;* **x5mm.为了建立模糊回归模型，预测值。较低的RMSE指示较少的预测误差。方程描述方法不同于多元线性回归。第一步是建立5个属性的隶属度，即跳过顺序、错误的重复放置时间（最小值）、错误的重复放置时间（最大值）、错误的2个PnR平方表示拟合na-p2在实际和决策、错误模式和异常率下一步是R2A：p1-Pi11我1/11Þ调整后的R2R-2a：pR2a：p-1-R2a;pk预测向量，即一个很好的配合是由高R2表示，反之亦然通常，R2的范围在0和1之间。调整后的R2是R2的变体，以减少由添加预测器。将异常分为低、中、高异常，各指标的模糊度。然后利用多元线性回归得到模糊低异常、模糊中异常和模糊高异常的训练方程。方程（7）、（8）和（9）是模糊低异常、模糊中异常和模糊高异常异常，分别。因此，FR模型可以公式化为：如Eq.（7），Eq.（8）Eq.（九）、回归问题中。在支持向量机中，由于难以预测具有无限可能性的连续信息，因此需要将Epperiment设置为容限。在回归分析中，主要思想始终是考虑容限使误差最小化（Estelles-Lopez等人，2017年）。在该实验中，RBF核函数可以表示为等式（1）。（5）其中2是平方欧几里德距离，r是自由参数：克什岛;x-2.3. 模糊回归jjx i-xjjj22R2ð5Þ在以前的研究中，如（Shapiro，2005），模糊回归（FR）用于预测风险因素与Fig. 1. 模糊系数RMSE！RMSE测量误差nR中等异常>0.7-0.8280低异常>0.6-0.7320无异常0-0.664,32014D. 拉赫马瓦蒂河萨尔诺/沙特国王大学学报：;Y-H¼0：5660x10：315x20：0692x30：0096x40：0398X5ð7ÞY-M¼0：727mmx1mmx20：0014x30：151x40：00106 X5ð8ÞY-L¼0：664mmx1mmx20：0737x30：050x40：035X5ð9ÞScikit-learn被用作回归分析（Rahmawati等人， 2017年）。此外，用于测量不同回归方法的性能三个度量根据三个阈值使用的标签确定具体产出。阈值由港口集装箱装卸专家确定。这些阈值（阈值1、2和3）的比较在图2中使用接收器操作特征（ROC）空间示出。ROC空间通过在各种阈值设置下绘制真阳性率（TPR）或灵敏度相对于假阳性这里，通过查看划分ROC空间的对角线（随机猜测）找到正确的阈值。对角线上方的点表示良好的分类结果（优于随机），而线下方的点表示不良结果（劣于随机）。使用以下阈值进行解码：>8个0：6≤x≤0：79>使用的ods：均方根误差（RMS E），R平方。R2β，classsY-m e d i u m m;0：7≤x≤0：8=ð10Þ和调整后的R平方（调整后的R）。表10显示了这些指标的详细信息。符号a、p、k、n分别表示实际向量、预测向量、预测因子的数量和总样本。在本研究中，实际向量表示观测到的异常率，预测向量表示回归分析的结果。在进行性能比较之前，需要将最优回归模型产生的连续输出转换为偏差输出>高;0： 8≤x≤ 1>其中低、中和高分别指示低、中和高异常，并且x是事件日志中的异常实例。 Y-是预测的ROA。2.4. 检测异常的准确性表5图二.阈值的ROC空间通过对模糊回归方法异常检测精度的测量，对本文提出的模糊回归方法进行了评价 该研究使用灵敏度、特异性和准确性作为度量（Liu等人， 2013年）。灵敏度测量正确识别了多少正异常实例，特异性测量正确识别了多少计算灵敏度、特异性和准确度的公式为Eq.（11），方程。（12），Eq.（十三）、混淆矩阵见表5。由方程式在等式（11）中，变量True Positive存储正确识别的正异常实例的数量，并且False Negative存储不正确识别的正异常实例的数量这里，我们没有考虑虚警性能。由方程式在公式（12）中，变量TrueNegative存储正确识别的负异常实例的数量灵敏度模糊回归计算的混淆矩阵。分类器混淆矩阵真-高（TH）真-中（TM）真-低（TL）真-否（TNa）模糊回归预测高TH FM FL FNapred-medFH TM FL FNa前低FH FM TL FNa前无FH FM FL TNa灵敏度特异性准确度THTH跳频TMTLTNaMLNaTHEEQUIPMENTOFTHEEQUIPMENTOFTHEEQUIPMENTTMTMFMThTLTNaHLNaTLTL中国T.T.T.T.T.N.H.M.T.N.H.TNaTNaFNa联系我们胡志明市表6构成异常模式的方法。基于YAWL Petri网的组合过程模型构建输入：转换结果为65，000个日志数据（2015年12月-2016年3月）具有异常模式的控制流模式输入：一组异常模式规则和流程模型输出：流程模型输出：异常模式D. 拉赫马瓦蒂河萨尔诺/沙特国王大学学报15¼和False Positive存储错误识别的负异常实例的数量3.1. 组成控制流模式为了构成异常模式，几个规则是亲-感觉活力True PositiveEurasia摆姿势本研究中使用的角色模型包括11真的假的no_anomaly_patterns（a，c）和anomaly_patterns（a，c）。异常模式的构成方法如表6所示。异常模式是根据所示的异常规则直接形成的特异性TrueNegativeTennis在表7中，包含序列模式和独占选择12^True NegativeTNFalsePositi veFP模式为例。基于图3，通过考虑no_anomaly_patterns和anomaly_patterns规则来形成模式。采用Yet Another Workflow Language准确性TruePositiveETP准确性TrueNegativeETP准确性TPTNFPFN3. 结果ð13Þ（YAWL）（Huda等人，2015; Rahmawati等人， 2017年）。在组成异常模式之后，控制流模式被转换成Java程序中的字符串规则，以用于通过在事件日志中找到错误模式来检测异常。用异常模式规则检测错误模式的方法如图所示。 四、在获得异常模式规则之后，所提出的方法包括两个步骤。第一步是用异常模式规则组成控制流模式（CFP）。第二步是定义异常的属性值。表7异常模式的规则。异常规则描述计算节点，这些节点被用作参数以使用图同构（图模式匹配）来检测错误模式异常。只有当图是同构的时，才能检测到错误的模式。当两个图中的节点度、弧数和节点数相同时，图同构的要求得到满足。如果满足这三个要求，但图仍然不是同构的，则需要另一个附加因子。提出了一种依赖矩阵来检测两个图的相似性，no_anomaly_patterns（a，c）anomaly_patterns（a，c）如果记录了A，则下一个记录的活动为C（无异常）如果记录C，则下一个记录的活动是A（异常）称为图形模式匹配。图中显示了在包含异常的实例中应用图同构与依赖矩阵的示例。 五、图三. 将异常模式与控制流模式组合。见图4。 利用异常模式规则检测错误模式的方法。16D. 拉赫马瓦蒂河萨尔诺/沙特国王大学学报图五. 依赖关系矩阵的模式错误。3.2. 定义异常异常的属性值是从Java程序中异常检测的输出值中获得的。用于检测港口集装箱处理日志中的异常的伪代码如表8所示。在Java程序自动完成检测之后，检测过程的输出包含每个异常属性的值。表9显示了5个异常属性值。表9异常模式规则。- ：（StandardDeviation）1-1 = 2：标准偏差-1 = 2.（标准偏差）.. .4. 讨论本研究的目的是寻找最佳的检测属性异常属性值的数量- -分数属性值0 0异常，特别是低异常。先前的方法将低异常的实例视为异常，但不是所有具有低异常的实例都被视为异常。错误放置时间（最大值）：（标准偏差）11 = 2：1 = 2。（标准偏差）.. .-x00表8错误2 2/2异常模式规则决定1属性异常伪代码10½0/20.500Skip序列1. for i = 0 to activity in one case_SOP错误模式3030/3012.如果activity_sop与activity_log.. .. ......你好。.. .3.&&非决策活动11/300.03属性异常伪代码0004.skip_activity ++5. 返回skip_activity/activity in log case最大吞吐时间1.对于i = 0，在一种情况下为活动SOP或最小2.如果time_cost_activity_log低于3.标准时间4.流量Min ++5.如果time_cost_activity_log高于6.流量Max ++7. 返回吞吐量Min/total_activity和8. 吞吐量最大/总活动错误模式1. for i = 0 to activity in one case_SOP2.如果activity_sop与activity_log3.patternSop[]-activity_sop4.patternLog[]-activity_log5. 如果patternSop与patternLog6.wrongPattern += total_wrong_index7. return wrongPattern/patternLog size错误的决定1. for i = 0 to activity in one case_SOP2.如果type_container是dry3.如果yard_block_log与SOP4.错误决策++5.如果yard_slot与SOP不同6.错误决策++7. 返回错误决定/2低异常是异常。为了解决这个问题，我们提出了一种正确检测异常实例的方法。我们假设，模糊回归是一个很好的算法检测异常，特别是低异常，因为它可以容纳口头专家判断的异常率。我们通过测量所提出的方法的异常检测的特异性、灵敏度和准确性来测试这一假设。所提出的方法已经在2015年12月至2016年3月的港口集装箱处理项目中实施和评估。港口集装箱处理专家指定了区分无异常、低异常、中等异常和高异常类别的阈值。在65,000份港口集装箱装卸数据日志中（2015年12月-2016年3月），系统发现680份数据日志异常，64,320份数据日志无异常（见表2）。 随后，60%的异常数据用作训练数据，40%用作测试数据，如表3所示。一张亲-属性异常属性值的数量评分属性值跳跃序列131/3113030/310.96.. .. ......你好。.. .错0放置时间（分钟）0/31- ：（标准定义）0D. 拉赫马瓦蒂河萨尔诺/沙特国王大学学报17表10回归分析的性能比较。基于RBF核的多元线性回归支持向量回归模糊回归高介质低整体高介质低整体高介质低整体RMSE27.2335.1445.3740.1729.4223.1740.3230.170.125.323.324.12R20.300.120.10.50.30.0130.60.0410.510.980.98调整R20.20.10.10.50.20.030.30.0410.460.980.98图6显示了用于检测错误重复时间（最小值/最大值）的gram，图6显示了跳过序列、错误决策和错误模式。7.第一次会议。使用MLR，支持向量回归机与RBF核和FR所提出的方法的性能进行了评估，以确定最佳的回归方法ROA预测。表10显示了MLR、具有RBF核的SVR和FR的视觉比较。 图 8表明，尽管存在一些误差，但MLR可以很好地预测ROA。实际ROA和预测ROA之间的曲线图显示，大多数预测遵循公平线（y = x），边际为0.30。然而，一些高异常的预测与实际ROA有很大差异。高RMSE确认实例属于高异常R2和调整后的R2值分别仅为0.3和0.2。他们指出，MLR模型只能正确预测不到一半的实际ROA方差。具有RBF核的SVR的性能如图9所示。它表现出比MLR更好的性能，特别是对于低异常和中异常预测。总体RMSE值为30%，表明其性能优于MLR，但准确性低于FR。FR，如图所示。 10，具有最好的性能对MLR和SVR与RBF核，如所示，具有最低的均方根误差和最大的方差部分，可以正确地模型预测值（R2= 0.98，校正R2= 0.98）。基于图如图10和表10所示，在解码输出后，使用模糊回归（FR）对异常率进行分类。表10显示了MLR、具有RBF核的SVR和FR在预测异常率方面的性能比较前缀提出的模糊回归方法表现出最好的性能对MLR和SVR与RBF核。该方法能够识别高异常、中异常、低异常和无异常，识别准确率达到99%。基于RBF核的SVR识别高异常、中异常、低异常和无异常的准确率为97%。采用RBF核的MLR和SVR难以检测低异常。这表现在它们在低异常预测中的敏感性、特异性和准确性较低。这些结果证实了普通分类器很难识别低异常。模糊回归对低异常类别的敏感性、特异性和准确性最高。灵敏度、特异性和准确度的测量结果见表11和图12。11,分别为12和13。图11给出了MLR、具有RBF核的SVR和FR的灵敏度值 图图12示出了MLR、具有RBF核的SVR和FR的特异性值的比较，并且图13示出了MLR、具有RBF核的SVR和FR的准确度值的比较。见图6。 检测错误的重复放置时间（最小值和最大值）的结果。18D. 拉赫马瓦蒂河萨尔诺/沙特国王大学学报见图7。检测跳过序列、错误模式和错误决策的结果。见图8。使用多元线性回归预测ROA的回归分析结果。5. 结论在这项研究中，开发了一种用于检测集装箱港口处理中的低异常的方法，该方法可以容纳专家对异常率的口头判断结果发现，模糊回归作为该方法的一部分，与具有径向基函数核的支持向量回归和多元线性回归相比，表现得更好。模糊回归对于低异常类别实现了最高的灵敏度、特异性和准确性。实验结果表明，FR方法的敏感性、特异性和准确性分别为96%、97%和97%，说明普通分类器难以识别低异常。图9.第九条。回归分析的结果，以预测ROA使用SVR与RBF核。见图10。使用模糊回归预测ROA的回归分析结果。D. 拉赫马瓦蒂河萨尔诺/沙特国王大学学报19百分之九十九百分之九十七百分之九十九百分之九十八百分之九十九百分之九十七百百百表11回归分析的混淆矩阵。分类器混淆矩阵灵敏度特异性准确度真高真医学真低真否多元线性回归pred-high 2530028百分之七十八百分之九十七百分之九十六pred-med 514515200百分之六十百分之九十七Pred-low 24095372百分之七十四百分之九十七pred-no 0251825,000百分之九十七百分之六十六基于RBF核的pred-high 2735110百分之八十四百分之九十七百分之九十七pred-med 312010100百分之五十百分之九十八Pred-low 27097372百分之七十五百分之九十七pred-no 0151025,128百分之九十八百分之六十一模糊回归前高3050030百分之九十三百分之九十九百分之九十九pred-med 2140510百分之五十八百分之九十九预测低05011510百分之八十九百分之九十九pred-no 00825,550百分之九十九百分之七十一见图11。 使用FR、SVR和MLR检测异常的灵敏度。百分之一百五十百分百百分之五十0%的百分比特异性基于RBF核的模糊回归（FR）支持向量回归高异常中异常低异常无异常图12个。使用FR、SVR和MLR检测异常的特异性百分百百分之九十八百分之九十六百分之九十四精度基于RBF核的模糊回归（FR）支持向量回归百百百精度20D. 拉赫马瓦蒂河萨尔诺/沙特国王大学学报图13岁使用FR、SVR和MLR检测异常的准确性99%，分别。区间二型模糊集隶属函数的优化确定有待进一步探索未来的工作还包括sigmoid和模糊2型隶属函数的效果，以增加检测低异常的特异性，特异性和准确性。确认作者要感谢Institut Teknologi Sepuluh Nopturan和研究，技术和高等教育部教育，印度尼西亚支持这项研究。作者还感谢审稿人为改进本文提出的支持性意见和建议。引用阿马拉岛Amar，A.B.，Jarboui，A.，2013.财务报表中的欺诈检测：法国公司案例研究。Int.J.Acad.Res.Account.Fin.管理。Sci.3（3），44-55。https://doi.org/10.6007/IJARAFMS/v3-i3/34网站。Rahmah，G.，Pungli Pelabuhan Samarinda，Polri：Komura Terima Rp 2 Triliun.D. 拉赫马瓦蒂河萨尔诺/沙特国王大学学报21Huda，S.，萨尔诺河Ahmad，T.，2016.使用行为模型提高基于流程的欺诈检测的准确性。Int.J. Software Eng. Appl. 10（5），175-188. https://doi.org/10.14257/ijseia.2016.10.5.16网站。Huda，S.，萨尔诺河Ahmad，T.，2015.基于流程的舞弊评级的模糊MADM方法。J. ICTRes.Appl.9（2），111-128。https://doi.org/10.5614/itbj.ict.res的网站。应用2015.9.2.1.Correia ， A.C. ， 2012 年 。 工 作 流 模 式 组 。 数 据 库 系 统 百 科 全 书1https://doi.org/10.1007/springerreference_63860科德拉湖Foggia，P.，桑索内角，Vento，M.，2004.匹配大型图的（子）图同构算法IEEETrans. 模 式 肛 门 。 马 赫 内 特 尔 26 （ 10 ） ， 1367-1372 。https://doi.org/10.1109/TPAMI.2004.75网站。Nabti，C.，Seba，H.，2016.海量图数据库中的子图同构搜索。在：物联网和大数据国际会议论文集，pp。204-213. https://doi.org/10.5220/0005875002040213网站。Buijs，J.C.，Dongen，B.F.V.，阿尔斯特，W.M.V.D.，2012年。关于过程发现中的适应性，精确性，概括性和简单性的作用https://doi.org/10.1007/978-3-642-33606-5_19。Liu，G.，Yan，Y.，王，H.，2013.基于鲁棒模线性回归分类的遮挡人脸识别。2013年 第 7 届 国 际 图 像 与 图 形 会 议 论 文 集 ， ICIG 2013 ， pp 。 509-514 URL10.1109/ICIG.2013.108Osojnik，A.，帕诺夫，公共安全部，2017年。通过数据流上的多目标回归的多标签分类马赫学习. 106（6），pp. 745-770. https://doi.org/10.1007/s10994-016-5613-5.夏皮罗，A.F.，2005年 模糊回归模型科洛拉，五，Banerjee，A.，库马尔，V.，七月2009年异常检测。ACM计算监视器41（3），1-58。萨亚河Carta，S.，2017.基于频域模式挖掘的信用卡欺诈检测。第二届物联网、大数据和安全国际会议论文集。Mahapatra，S.，科洛拉，五，2018.从非平稳流数据学习流形，arXiv预印本arXiv：1804.08833。萨亚河2017.一种基于离散小波变换的欺诈检测方法。施普林格山阿克格鲁湖，Faloutsos角，2013.大型网络数据集中的异常、事件和欺诈检测。第六届ACM网络搜索与数据挖掘国际会议论文集。 ACM。DeForest，D.K.，白利糖度，K.V.，眼泪，L.M.，亚当斯，W.J.，2017.多元线性回归（MLR）模型用于预测淡水水生生物的慢性铝毒性和制定水质指南。Environ. 毒理学. 37，80-90。https://doi.org/10.1002/etc.3922网站。埃斯特莱斯-洛佩斯湖Ropodi，A.，Pavlidis，D.，Fotopoulou，J.，Gkousari，C.，Peyrodie，A.，Panagou，E.，Nychas，G.J.，Mohareb，F.，2017.机器学习回归模型的自动排名平台，用于使用多光谱成像和代谢分析进行肉类腐败预测。Food Res.Int. 99，206-215. 网址：http：//doi.org/10.1016/j.foodres.2017.05.013上岛，S.T.H.，Asai，K.，1982.线性回归分析与模糊模型。IEEETrans. 系统曼·赛伯恩12（6），903 URL 10.1109/TSMC.1982.4308925。桑切斯司法部检察官Gómez，A.T.，2004.运用模糊回归技术估计利率的模糊期限结构EUR. J. 操作员Res. 154，313https：//doi.org/10.1016/S0377-2217（02）00854-8.Andrés-Sánchez，J.D.，2016.模糊回归分析：精算观点。Stud. Future Soft Comput.343，175-201。https://doi.org/10.1007/978-3-319-39014-7_11.贝尔，下午，Heng，W.，1997.模糊线性回归模型用于累积性创伤疾病风险评估。Fuzzy Sets Syst. 92（3），317-340. https://doi.org/10.1016/s0165-0114（96）00178-9.佩德雷戈萨，F.，瓦罗科湾，格兰福特，A.，米歇尔，V.，Thirion，B.，格里塞尔，澳，布朗德尔，M.，普雷滕霍费尔，P.，韦斯河，巴西-地杜堡，V.，范德普拉斯，J.，帕索斯，A. ，库那波，D. ，布鲁赫，M.，佩罗，M.，Duchesnay，Edouard ，2011.Scikit- learn ：Python 中的机器学习J·马赫。学习. 12，2825-2830 。网址：//doi.org/10.1007/s13398-014-0173-7。Rahmawati，D.，萨尔诺河阿查角，Sunaryono，D.，2017年10月。利用隐马尔可夫模型算法对银行金融信贷业务流程的事件日志进行欺诈检测。2017第三届信息技术科学国际会议（ICSITech）https://doi.org/10.1109/icsitech.2017.8257082网站。