P ^3 -Folder: Optimal Model Simplification for Improving Accuracy in Process Performance Prediction
P ^3 -Folder: Optimal Model Simplification for Improving Accuracy in Process Performance Prediction
复制标题
P ^3 -文件夹：用于提高过程性能预测准确性的最佳模型简化
DOI：
10.1007/978-3-319-45348-4_24
复制
发表时间：
2016
期刊：
影响因子：
--
通讯作者：
Avishai Mandelbaum
中科院分区：
文献类型：
--
作者：
Arik Senderovich;Alexander Shleyfman;Matthias Weidlich;Avigdor Gal;Avishai Mandelbaum
操作过程模型，如广义随机Petri网（GSPN）是有用的，当回答业务流程的性能查询（例如，“多长时间会为一个案件完成？”）。最近，已经开发了用于过程挖掘的方法，以基于记录的过程执行的日志来发现和丰富操作模型，这使得基于证据的过程分析成为可能。为了避免由于不频繁的执行路径而导致的偏差，发现算法努力在关于原始日志的过拟合和欠拟合之间取得平衡。然而，最先进的发现算法仅针对控制流维度来解决这种平衡，忽略了在性能注释方面可能的过拟合。因此，在这项工作中，我们提供了一种技术，性能驱动的模型简化的GSPN，使用结构简化规则。每一条规则都会导致相对于原始模型的性能估计出现错误。然而，我们表明这种误差是有界的，并且简化规则引起的模型参数的减少增加了过程性能预测的准确性。我们进一步展示了如何找到一个最佳的序列，应用简化规则，以获得一个最小的模型在给定的误差预算的性能估计。我们评估的方法与现实世界的情况下，在医疗保健领域，模型简化确实产生显着改善的时间预测精度。
Operational process models such as generalised stochastic Petri nets (GSPNs) are useful when answering performance queries on business processes (e.g. ‘how long will it take for a case to finish?’). Recently, methods for process mining have been developed to discover and enrich operational models based on a log of recorded executions of processes, which enables evidence-based process analysis. To avoid a bias due to infrequent execution paths, discovery algorithms strive for a balance between over-fitting and under-fitting regarding the originating log. However, state-of-the-art discovery algorithms address this balance solely for the control-flow dimension, neglecting possible over-fitting in terms of performance annotations. In this work, we thus offer a technique for performance-driven model reduction of GSPNs, using structural simplification rules. Each rule induces an error in performance estimates with respect to the original model. However, we show that this error is bounded and that the reduction in model parameters incurred by the simplification rules increases the accuracy of process performance prediction. We further show how to find an optimal sequence of applying simplification rules to obtain a minimal model under a given error budget for the performance estimates. We evaluate the approach with a real-world case in the healthcare domain, showing that model simplification indeed yields significant improvements in time prediction accuracy.
登录
查看更多内容
DOI：
--
发表时间：
2001
期刊：
影响因子：
--
作者：
L. Zerguini
通讯作者：
L. Zerguini
影响因子：
6
作者：
S. Leemans;Dirk Fahland;Wil M.P. van der Aalst
通讯作者：
S. Leemans;Dirk Fahland;Wil M.P. van der Aalst
GSPN 聚合闭式计算的新进展
DOI：
--
发表时间：
2003
期刊：
IEEE International Conference on Formal Engineering Methods
影响因子：
--
作者：
J. Freiheit;J. Billington
通讯作者：
J. Billington
数据驱动的预定流程性能分析
DOI：
--
发表时间：
2015
期刊：
International Conference on Business Process Management
影响因子：
--
作者：
Arik Senderovich;Andreas Rogge;A. Gal;J. Mendling;A. Mandelbaum;S. Kadish;C. Bunnell
通讯作者：
C. Bunnell
通过延迟等效聚合对通信协议软件进行性能 Petri 网分析
DOI：
10.1109/pnpm.1991.238781
发表时间：
1991
期刊：
Proceedings of the Fourth International Workshop on Petri Nets and Performance Models PNPM91
影响因子：
--
作者：
C. Woodside;Yao Li
通讯作者：
Yao Li