流程挖掘中的绩效分析旨在通过使用流程模型作为过程的形式表示业务流程的绩效见解。这些见解是在具有正式语义的模型的背景下可靠地解释的。现有的绩效分析技术假设在业务过程中存在一个案例概念（例如，医疗保健过程中的患者）。但是，实际上，不同对象可能会交互（例如，O2C过程中的顺序，项目，交付和发票）。在这种情况下，传统技术可能会产生误导性甚至对等待时间等性能指标的见解。更重要的是，通过考虑对象之间的相互作用，我们可以定义以对象为中心的性能指标，例如同步时间，汇总时间和滞后时间。在这项工作中，我们提出了一种新颖的方法来进行绩效分析，以考虑多个病例概念，通过使用以对象为中心的培养皿作为业务流程的正式表示。提出的方法正确地计算了现有的性能指标，同时支持新引入的以对象为中心的性能指标的推导。我们已经将该方法作为Web应用程序实施，并根据现实生活贷款申请流程进行了案例研究。

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。

传统的过程挖掘技术将事件数据作为输入，其中每个事件与一个对象完全关联。对象表示过程的实例化。以对象为中心的事件数据包含与表达多个过程相互作用的多个对象关联的事件。由于传统的过程挖掘技术假设与一个对象相关的事件，因此这些技术不能应用于以对象为中心的事件数据。为了使用传统的过程挖掘技术，通过删除所有对象引用，以一种以对象为中心的事件数据来平坦。扁平过程是有损的，导致从扁平数据中提取的不准确的特征。此外，在变平时丢失了以对象事件数据的图形结构。在本文中，我们介绍了一个通用框架，用于从对象事件数据中提取和编码功能。我们在以对象为中心的事件数据上本地计算功能，从而导致准确的度量。此外，我们为这些功能提供了三个编码：基于表格，顺序和图形。尽管表格和顺序编码已在过程挖掘中大量使用，但基于图的编码是一种保留以对象事件数据结构的新技术。我们提供六种用例：为三个编码中的每个编码中的每一个提供可视化和预测用例。我们在预测用例中使用可解释的AI来显示以对象为中心的特征的实用性以及针对预测模型的基于顺序和基于图的编码的结构。

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。

流程的执行留下了信息系统中事件数据的痕迹。这些事件数据可以通过过程挖掘技术进行分析。对于传统的流程​​挖掘技术，必须将每个事件与一个对象（例如公司的客户）相关联。与一个对象相关的事件形成一个称为案例的事件序列。一个案例描述了通过流程进行的端到端运行。事件数据中包含的案例可用于发现过程模型，检测频繁的瓶颈或学习预测模型。但是，在现实生活中遇到的事件，例如ERP系统通常可以与多个对象关联。传统的顺序案例概念缺少这些以对象为中心的事件数据，因为这些数据显示了图形结构。一个人可能会通过使其变色将以对象为中心的事件数据迫使传统案例概念。但是，扁平化操纵数据并删除信息。因此，与传统事件日志的案例概念相似的概念对于启用以对象为中心的事件数据应用不同的过程挖掘任务是必要的。在本文中，我们介绍了以对象为中心的过程挖掘的案例概念：过程执行。这些是基于图形的案例概括，如传统过程采矿中所考虑的。此外，我们提供了提取过程执行的技术。基于这些执行，我们确定了使用图同构的属性相对于属性的等效过程行为。关于事件活动的等效过程执行是以对象为中心的变体，即传统过程挖掘中变体的概括。我们为以对象为中心的变体提供了可视化技术。贡献的可伸缩性和效率得到了广泛的评估。此外，我们提供了一个案例研究，显示了现实生活中最常见的以对象为中心的变体。

流程挖掘提供了各种算法来根据事件数据分析过程执行。过程发现是过程挖掘技术的最突出类别，旨在从事件日志中发现过程模型，但是，在使用现实生活数据时会导致意大利面模型。因此，已经在传统事件日志（即带有单个情况概念的事件日志）上提出了几种聚类技术，以降低过程模型的复杂性并发现案例的均匀子集。然而，在现实生活中，尤其是在企业对企业（B2B）过程的背景下，流程中涉及多个对象。最近，已经引入了以对象为中心的事件日志（OCEL）来捕获此类过程的信息，并在OCEL的顶部开发了几种过程发现技术。然而，提出的关于真实OCEL的发现技术的输出导致更具信息性但更复杂的模型。在本文中，我们提出了一种基于聚类的方法，用于群集在OCEL中类似对象，以简化所获得的过程模型。使用对实际B2B过程的案例研究，我们证明我们的方法降低了过程模型的复杂性，并生成了对象的相干子集，这些子集有助于最终用户获得对流程的见解。

以对象为中心的过程挖掘是一种新的范式，通过考虑几个案例概念，可以根据订单，项目，软件包和路由案例概念来分析订单处理过程，对基础数据进行更现实的假设。包括许多案例概念可能会导致非常复杂的模型。为了应对这种复杂性，本文介绍了一种新方法，以基于马尔可夫直接遵循的Multigraph的类似案例概念，这是许多工业和学术过程挖掘工具支持的众所周知的直接遵循图的扩展版本。该图用于计算一个相似性矩阵，用于根据阈值发现相似情况概念的簇。还定义了阈值调整算法来识别可以根据不同级别的相似性发现的不同簇的集合。因此，集群发现不仅依赖于分析师的假设。该方法是作为Python库的一部分实现并发布的，称为ProcessMining，并通过购买以付款（P2P）以对象为中心的事件日志文件进行评估。通过基于群集来平移日志，可以通过直接发现跟随数字来评估一些发现的群集。还通过计算基于足迹一致性检查的电感矿工来计算每个情况概念发现的过程模型的行为之间的相似性，可以评估已识别簇之间的相似性。

业务流程的自动化和数字化导致信息系统中捕获的大量数据，这可以帮助企业更好地理解其流程，改善工作流或提供运营支持。通过对正在进行的过程进行预测，可以识别瓶颈并重新分配资源，以及在过程实例的状态（案例）中获得的见解。传统上，数据是以带有单个识别案例概念的事件日志的形式从系统中提取的，例如用于现金订单（O2C）流程的订单ID。但是，实际过程通常具有多种对象类型，例如订单，项目和软件包，因此强制使用单个案例概念的格式不会反映数据中的基本关系。引入了以对象为中心的事件日志（OCEL）格式，以正确捕获此信息。最先进的预测方法仅根据传统事件日志量身定制。该论点表明，可以使用OCEL中包含的丰富数据来增强一种利用生成对抗网络（GAN），长期记忆（LSTM）体系结构（SEQ2SEQ）的预测方法。 OCEL中的对象可以具有可用于预测下一个事件和时间戳的属性，例如对于对象类型包的优先类属性，指示速度较慢或更快地处理。在预测剩余事件的序列相似性和时间戳的平均绝对误差（MAE）的指标中，本文中的方法匹配或超过了先前的研究，具体取决于所选对象属性是否是模型的有用特征。此外，本文提供了一个Web界面，以预测用户输入中的下一个活动序列。

最近引入了Petri网络的形式主义倡导适当的代表和案件物体的重要性以及他们的共同进化的重要性。在这项工作中，我们建立在一个这样的形式主义之上，并为此介绍了对其的声音概念。我们证明，对于案例对象之间具有非确定性同步的网络，声音问题是可解除的。

业务流程模拟（BPS）是估计变更对业务流程对其绩效指标的影响的常见方法。例如，BPS允许我们估算如果我们自动化其活动之一的过程的周期时间。 BPS的起点是用仿真参数（BPS模型）注释的业务过程模型。几项研究提出了通过过程挖掘自动从事件日志发现BPS模型的方法。但是，该空间中的当前技术发现了BPS模型，该模型仅捕获由资源争夺或资源不可用而引起的等待时间。通常，业务流程中等待时间的相当一部分是由无关紧要的延误引起的，例如资源等待客户返回电话。本文提出了一种发现从输入数据中发现无关的延迟的方法，并将计时器事件注入BPS模型以捕获发现的延迟。涉及合成和现实生活日志的经验评估表明，该方法会产生BPS模型，以更好地反映该过程的时间动力学，相对于未捕获无关紧要的延迟的BPS模型。

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。

偏差检测旨在检测偏差过程实例，例如医疗保健过程中的患者和制造过程中的产品。组织的业务流程在各种上下文情况下执行，例如，在医院的情况下，Covid-19的大流行，并且在汽车公司的情况下缺乏半导体芯片短缺。因此，上下文感知的偏差检测对于提供相关见解至关重要。但是，现有工作1）不提供系统合并各种环境的系统方式，2）在不使用大量现有偏差检测技术的情况下量身定制为特定方法，而3）没有区分正面和负面环境，以证明和反驳分别偏差。在这项工作中，我们提供了一个框架来弥合上述差距。我们已将提出的框架作为Web服务实施，可以扩展到各种上下文和偏差检测方法。我们通过使用255种不同的上下文场景进行实验来评估所提出的框架的有效性。

在执行现实生活过程中，计划或意外的变化是常见的。检测这些更改是优化运行此类过程的组织的性能的必要条件。最先进的大多数算法都集中在突然变化的检测上，抛开其他类型的变化。在本文中，我们将专注于自动检测渐进漂移，这是一种特殊的变化类型，其中两个模型的情况在一段时间内重叠。所提出的算法依赖于一致性检查指标来自动检测变化，还将这些变化的全自动分类为突然或逐渐分类。该方法已通过一个由120个日志组成的合成数据集进行了验证，该数据集具有不同的变化分布，在检测和分类准确性，延迟和变化区域在比较主要的最新算法方面取得更好的结果。

可靠的剩余时间预测正在进行的业务流程是一个高度相关的主题。一个例子是订单交付，这是一个关键的竞争因素，例如零售是因为它是客户满意度的主要驱动力。为了及时实现及时的交付，对交付过程剩余时间的准确预测至关重要。在过程挖掘领域内，已经提出了各种各样的剩余时间预测技术。在这项工作中，我们基于随机培养皿网的剩余时间预测，该预测通常分布在k-nearthiend邻居中。 k-nearest邻居算法是在存储过去的时间以完成先前活动的时间的简单矢量上执行的。通过仅采用一部分实例，获得了更具代表性和稳定的随机培养皿网，从而导致更准确的时间预测。我们讨论了该技术及其在Python中的基本实现，并使用不同的现实世界数据集来评估我们扩展的预测能力。这些实验在结合有关预测能力方面的两种技术方面都具有明显的优势。

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。

一致性检查技术使我们能够评估某些表现出的行为，以一系列受监视的事件表示，符合指定的过程模型。现代监测和活动识别技术，例如依靠传感器，物联网，统计和AI的技术，可以产生大量相关的事件数据。但是，与符合检查算法所需的确定性事件对数的假设相反，该数据通常以噪声和不确定性为特征。在本文中，我们将基于对齐的一致性检查扩展到概率事件日志下的功能。我们介绍了一个概率痕量模型和对齐成本函数，以及一个自定义阈值参数，该参数控制事件数据与过程模型的信任水平。与传统比对相比，在存在足够高的可能性的对齐事件的情况下，所得算法得出的适应性得分提高，因此假阳性偏差较少。我们从形式和直观的角度来解释算法及其动机，并与使用一组理论示例相比，证明了其功能与确定性对齐相比。

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。

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。

Process mining is a methodology for the derivation and analysis of process models based on the event log. When process mining is employed to analyze business processes, the process discovery step, the conformance checking step, and the enhancements step are repeated. If a user wants to analyze a process from multiple perspectives (such as activity perspectives, originator perspectives, and time perspectives), the above procedure, inconveniently, has to be repeated over and over again. Although past studies involving process mining have applied detailed stepwise methodologies, no attempt has been made to incorporate and optimize multi-perspective process mining procedures. This paper contributes to developing a solution approach to this problem. First, we propose an automatic discovery framework of a multi-perspective process model based on deep Q-Learning. Our Dual Experience Replay with Experience Distribution (DERED) approach can automatically perform process model discovery steps, conformance check steps, and enhancements steps. Second, we propose a new method that further optimizes the experience replay (ER) method, one of the key algorithms of deep Q-learning, to improve the learning performance of reinforcement learning agents. Finally, we validate our approach using six real-world event datasets collected in port logistics, steel manufacturing, finance, IT, and government administration. We show that our DERED approach can provide users with multi-perspective, high-quality process models that can be employed more conveniently for multi-perspective process mining.