我们提出答案集编程（ASP），作为宣言过程挖掘区域（DPM）领域建模和解决问题的方法。我们在这里考虑三个经典问题，即日志生成，一致性检查和查询检查。这些问题都是从控制流和数据感知的角度解决的。该方法基于过程规范为（有限状态）自动机的表示。由于它们比事实上的DPM标准规范语言声明更严格地表达，因此可以处理比典型的DPM的规格，例如有限痕迹的线性时间逻辑中的公式。（在第36届AAAI人工智能会议会议记录中提供完整版）。

迄今为止，业务流程监测方法主要集中在监控单个过程模型的情况下监控进程的执行。但是，在某些情况下，有必要同时考虑多个过程规范。此外，这些规范可以是程序，声明性或两者的组合。例如，在医学结构域中，描述特定疾病治疗的临床指南不能考虑任何可以对特定患者共存的所有可能的共同因素，因此可能需要考虑额外的约束。在某些情况下，这些限制可能与临床指南不相容，因此要求违反指导方针或限制。在本文中，我们提出了一种监测混合过程规范的相互作用的解决方案，表示为（数据感知）Petri网和时间逻辑规则的组合。在流程执行期间，如果这些规范彼此冲突，则可以违反其中一些。监控系统配备了违规成本模型，系统可以以避免可能违规或最小化违规成本的方式推荐下一步行动。

现实生活过程的日志通常具有与记录的时间戳，数据值和/或事件有关的不确定性。我们考虑检查不确定日志与数据吸引参考过程的不确定日志的问题。具体来说，我们展示了如何通过SMT编码来解决它，从而将基于数据感知的SMT符合性检查的先前工作提升为更复杂的设置。我们的方法是模块化的，因为它同质可容纳不同类型的不确定性。此外，使用适当的成本功能，可以解决不同的符合性检查任务。我们通过概念验证实施来展示我们的方法的正确性，并见证了可行性。

业务流程偏差是指业务流程执行的子集的现象，以消极或积极的方式偏离{他们的预期或理想的结果。业务流程的偏差执行包括违反合规规则的人，或者欠冲前或超过绩效目标的执行。偏差挖掘涉及通过分析支持业务流程的系统存储的事件日志来揭示揭示异常执行的原因。在本文中，首先通过基于顺序和声明模式模式的特征和它们的组合来研究解释业务流程的偏差问题。然后，通过基于纯数据属性值和数据感知声明规则利用事件日志中的事件日志和迹线的数据属性来进一步提高说明。然后通过用于规则感应的直接和间接方法来提取表征消化的解释。使用来自多个域的实际日志，根据他们准确地区分过程的非偏差和异常执行能力以及决赛的可理解性的能力来评估一系列特征类型和不同形式的决策规则。返回给用户的结果。

Prescriptive Process Monitoring systems recommend, during the execution of a business process, interventions that, if followed, prevent a negative outcome of the process. Such interventions have to be reliable, that is, they have to guarantee the achievement of the desired outcome or performance, and they have to be flexible, that is, they have to avoid overturning the normal process execution or forcing the execution of a given activity. Most of the existing Prescriptive Process Monitoring solutions, however, while performing well in terms of recommendation reliability, provide the users with very specific (sequences of) activities that have to be executed without caring about the feasibility of these recommendations. In order to face this issue, we propose a new Outcome-Oriented Prescriptive Process Monitoring system recommending temporal relations between activities that have to be guaranteed during the process execution in order to achieve a desired outcome. This softens the mandatory execution of an activity at a given point in time, thus leaving more freedom to the user in deciding the interventions to put in place. Our approach defines these temporal relations with Linear Temporal Logic over finite traces patterns that are used as features to describe the historical process data recorded in an event log by the information systems supporting the execution of the process. Such encoded log is used to train a Machine Learning classifier to learn a mapping between the temporal patterns and the outcome of a process execution. The classifier is then queried at runtime to return as recommendations the most salient temporal patterns to be satisfied to maximize the likelihood of a certain outcome for an input ongoing process execution. The proposed system is assessed using a pool of 22 real-life event logs that have already been used as a benchmark in the Process Mining community.

在AI，业务流程管理和数据库理论中，在国家关系代表方面运行的动态系统的建模和验证越来越多。为了使这些系统适合验证，需要对每个关系状态中存储的信息量进行界限，否则对动作的前提和影响施加了限制。我们介绍了关系行动基础（RABS）的一般框架，该框架通过抬高这两个限制来概括现有模型：可以通过可以通过数据量化和普遍量化数据的行动来进化无限的关系状态，并且可以利用ArithMmetic的数值数据来量化。谓词。然后，我们通过（近似）基于SMT的向后搜索来研究RABS的参数化安全性，挑选出最终过程的基本元主体，并显示如何通过国家现有验证模块的现成组合来实现它 - ART MCMT模型检查器。我们证明了这种方法在数据感知业务流程的基准上的有效性。最后，我们展示了如何利用通用不变性以使此过程完全正确。

过程发现是一种技术系列，有助于从其数据足迹中理解流程。然而，随着过程随着时间的变化而变化，它们的相应模型也应导致模型不足或过度陈酿的行为。我们提出了一种发现算法，该算法将声明过程从事件流中提取为动态条件响应（DCR）图。监视流以生成过程的时间表示，后来处理以生成声明模型。我们通过定量和定性评估验证了该技术。对于定量评估，我们采用了扩展的JACCARD相似性度量，以说明声明环境中的过程变化。对于定性评估，我们展示了该技术确定的变化如何对应于现有过程中的实际变化。可以在线获得测试的技术和数据。

我们概述了在其知识表示和声明问题解决的应用中的视角下的时间逻辑编程。这些程序是将通常规则与时间模态运算符组合的结果，如线性时间时间逻辑（LTL）。我们专注于最近的非单调形式主义的结果​​称为时间平衡逻辑（电话），该逻辑（电话）为LTL的全语法定义，但是基于平衡逻辑执行模型选择标准，答案集编程的众所周知的逻辑表征（ASP ）。我们获得了稳定模型语义的适当延伸，以进行任意时间公式的一般情况。我们记得电话和单调基础的基本定义，这里的时间逻辑 - 和那里（THT），并研究无限和有限迹线之间的差异。我们还提供其他有用的结果，例如将转换成其他形式主义，如量化的平衡逻辑或二阶LTL，以及用于基于自动机计算的时间稳定模型的一些技术。在第二部分中，我们专注于实际方面，定义称为较近ASP的时间逻辑程序的句法片段，并解释如何在求解器Telingo的构建中被利用。

一致性检查是一种过程挖掘技术，允许验证过程实例与给定模型的符合性。因此，该技术被预定在医学环境中用于将治疗案例与临床准则进行比较。但是，医学过程是高度可变，高度动态和复杂的。这使得难以在医疗领域中使用命令性一致性检查方法。研究表明，声明性方法可以更好地解决这些特征。但是，这些方法尚未获得实际接受。另一个挑战是对齐，通常不会从医学角度增加任何价值。因此，我们在案例研究中调查了HL7标准Arden语法对于宣言性，基于规则的符合度检查和使用手动建模的对齐方式的可用性。使用该方法，可以检查治疗案例的一致性，并为医疗指南的大部分地区创建有意义的对齐方式。

结构方程式模型（SEM）可能是用于建模因果关系的最常用的框架。然而，正如我们所示，天真地将该框架延伸到无限的多个变量，例如，要为模型动态系统而导入几个问题。我们介绍GSEMS（广义SEM），灵活的SEM直接指定干预结果，其中（1）微分方程的系统可以以自然和直观的方式表示，（2）某些自然情况，不能由SEM表示，可以轻松表示，（3）SEM中实际因果关系的定义基本上没有变化。

在过程挖掘中，发现技术使从事件日志自动构建业务流程模型成为可能。但是，结果通常无法达到模型复杂性及其拟合精度之间的平衡，因此需要进行手动模型调整。该论文提出了一种方法开采的方法，该方法基于模型复杂性和适应性的组合评估为模型优化提供半自动支持。为了在两种成分之间取得平衡，提出了一种模型简化方法，该方法基本上在所需的粒度下抽象了原始模型。此外，我们介绍了一个元态的概念，该元素的周期崩溃了，该循环可以潜在地简化模型并解释模型。我们旨在使用来自医疗保健领域不同应用程序的三个数据集证明技术解决方案的功能。它们是针对COVID-19大流行期间动脉高血压和医疗保健工作人员工作流动的患者的远程监测过程。案例研究还调查了各种复杂性度量和解决方案应用方式的使用，从而提供了有关改善过程模型中改善可解释性和复杂性/适应性平衡的更好实践的见解。

本文介绍了逻辑代理的运行时间自检的全面框架，通过时间公理进行动态检查。通过使用定义为此目的的代理导向的间隔时间逻辑来指定这些公理。我们为此新逻辑定义了语法，语义和语用，专门针对代理的应用程序定制。在由此产生的框架中，我们包括并扩展过去的工作。

最先进的过程发现方法从事件日志构建自由选择流程模型。因此，构造的模型不会考虑事件之间的间接依赖关系。每当输入行为不是自由选择时，这些方法都无法提供精确的模型。在本文中，我们提出了一种通过添加非自由选择构造通过基于地区的技术发现的非自由选择构造来增强自由选择工艺模型的新方法。这使我们能够从现有的过程发现方法的性能中受益以及采用基本合成技术的准确性。我们证明，当存在间接依赖关系时，所提出的方法在提高了事件日志时保留了适应性。该方法已经在合成和实际数据集中实施和测试。结果表明其在从事件日志中修复模型的有效性。

大多数古典规划者使用接地作为预处理步骤，基本上减少了命题逻辑的规划。然而，接地涉及使用具体对象组合实例化所有动作规则，并导致基于SAT / QBF的规划仪的大编码。当动作有许多参数时，这种严重成本成为主要的瓶颈，例如IPC 2018竞争中的有机合成问题。我们提供了一个紧凑的QBF编码，它是对数的对数，并通过使用对象组合的通用量化完全避免接地。我们表明我们可以解决一些有机综合问题，该问题不能通过任何SAT / QBF基于基于统一策略者处理的有机合成问题。

为了确定性能问题的原因或预测过程行为，必须具有正确和完整的事件数据至关重要。这对于具有共享资源的分布式系统尤其重要，例如，例如，一个案例可以阻止对同一台机器竞争的另一个案例，从而导致性能的帧间依赖性。然而，由于各种原因，现实系统通常只记录所有事件的子集。要了解和分析共享资源的进程的行为和性能，我们的目标是重建必须发生的情况的事件时间戳的界限，但在系统中的其他情况下未推断出现引人注目。我们通过系统地在事件日志和流程模型中系统地引入多实体概念来制定和解决问题。我们介绍了一种基于多实体事件日志的部分级模型和用于多实体进程的相应组合模型。我们将PQR-Systems定义为具有共享资源和队列的特殊类多实体进程。然后，我们研究了从一个不完整的事件日志未观察的事件和它们的时间戳推断出与PQR系统一致的时间戳。通过根据PQR模型重建未观察的资源和队列来解决问题，并使用线性程序导出其时间戳的界限。虽然在机场的行李处理系统如行李处理系统中的材料处理系统说明了问题，但该方法可以应用于录制不完整的其他设置。这些想法已在PROM中实现，并使用合成和实际事件日志进行评估。

马尔可夫决策过程通常用于不确定性下的顺序决策。然而，对于许多方面，从受约束或安全规范到任务和奖励结构中的各种时间（非Markovian）依赖性，需要扩展。为此，近年来，兴趣已经发展成为强化学习和时间逻辑的组合，即灵活的行为学习方法的组合，具有稳健的验证和保证。在本文中，我们描述了最近引入的常规决策过程的实验调查，该过程支持非马洛维亚奖励功能以及过渡职能。特别是，我们为常规决策过程，与在线，增量学习有关的算法扩展，对无模型和基于模型的解决方案算法的实证评估，以及以常规但非马尔维亚，网格世界的应用程序的算法扩展。

对业务流程的预测监控是流程挖掘的子领域，旨在预测下一个事件的特征或下一个事件的序列。虽然已经提出了基于深度学习的多种方法，主要是经常发生的神经网络和卷积神经网络，但它们都不是真正利用过程模型中可用的结构信息。本文提出了一种基于图形卷积网络和经常性神经网络的方法，所述内部网络从过程模型中使用信息。真实事件日志的实验评估表明，我们的方法更加一致，更优于当前的最先进的方法。

在动态和远程环境中，对自主系统的高级自治和鲁棒性的需求促使开发人员提出了新的软件体系结构。一种常见的架构样式是将机器人系统的功能总结为基本动作（称为技能）的功能，在该动作上，在该动作中实施了技能管理层以结构，测试和控制功能层。但是，当前可用的验证工具仅在不复制系统实际执行的模型上提供特定于任务的验证或验证，这使得难以确保其对意外事件的鲁棒性。为此，已经开发出一种工具，即Skinet，以将系统的基于技能的架构转换为Petri网络，以建模技能和资源的状态机器行为。 Petri NET允许使用模型检查，例如线性时间逻辑（LTL）或计算树逻辑（CTL），以供用户分析和验证系统的模型。

复杂的事件识别（CER）系统在过去二十年中变得流行，因为它们能够“立即”检测在实时事件流上的模式。然而，缺乏预测模式可能发生在例如由Cer发动机实际检测到这种发生之前的模式。我们提出了一项正式的框架，试图解决复杂事件预测（CEF）的问题。我们的框架结合了两个形式主义：a）用于编码复杂事件模式的符号自动机; b）预测后缀树，可以提供自动机构的行为的简洁概率描述。我们比较我们提出的方法，以防止最先进的方法，并在准确性和效率方面展示其优势。特别地，预测后缀树是可变的马尔可夫模型，可以通过仅记住足够的信息的过去序列来捕获流中的长期依赖性。我们的实验结果表明了能够捕获这种长期依赖性的准确性的益处。这是通过增加我们模型的顺序来实现的，以满足需要执行给定顺序的所有可能的过去序列的所有可能的过去序列的详尽枚举的全阶马尔可夫模型。我们还广泛讨论CEF解决方案如何最佳地评估其预测的质量。

实际上，所有验证和综合技术都假定正式规格很容易获得，在功能上正确并完全匹配工程师对给定系统的理解。但是，在实践中，这种假设通常是不现实的：正式化系统要求非常困难，容易出错，并且需要大量的培训。为了减轻这一严重的障碍，我们提出了一种从根本上新颖的编写形式规范的方法，称为线性时间逻辑（LTL）的规范草图。关键的想法是，工程师可以提供部分LTL公式，称为LTL草图，在该公式中很难形式化。给定一组描述规范应该或不应允许的系统行为的示例，然后将所谓的草图算法的任务完成给定的草图，以使所得的LTL公式与示例一致。我们表明，决定是否可以完成草图属于复杂性NP，并呈现两个基于SAT的草图算法。我们还证明，素描是使用原型实现编写形式规格的实用方法。