业务流程挖掘算法与逻辑的深入剖析

# 业务流程挖掘算法与逻辑的深入剖析 ## 1. 不同发现算法的结果分析 ### 1.1 算法执行设置与结果展示 不同发现算法应用于调查日志的结果如表 1 所示。所有算法均使用默认设置执行，为提供可比较的结果，CCM 的参数固定为 tt = 0.001 和 p = 1.0。 | Log | Trace Fitness ftf（HM、IM、FM、CCM） | Precision fpr（HM、IM、FM、CCM） | Generalization fg（HM、IM、FM、CCM） | Simplicity fs（HM、IM、FM、CCM） | | --- | --- | --- | --- | --- | | L1 | 0.679、0.863、1.0、1.0 | 0.532、0.529、0.224、0.550 | 0.638、0.422、0.949、0.654 | 86、91、33、81 | | EX5 | 0.985、0.935、1.0、1.0 | 0.495、0.560、0.120、0.529 | 0.931、0.996、0.999、0.998 | 155、102、51、80 | | REP | 1.0、1.0、1.0、1.0 | 0.905、0.955、0.209、0.955 | 0.998、0.999、0.999、0.999 | 72、46、33、49 | | BE1 | 0.991、1.0、1.0、1.0 | 0.838、0.814、0.081、0.818 | 0.999、0.999、1.0、0.999 | 192、132、69、122 | | BE2 | 0.924、0.981、1.0、0.998 | 0.737、0.594、0.087、0.621 | 1.0、1.0、1.0、1.0 | 196、156、69、146 | | BE3 | 0.822、0.983、1.0、0.999 | 0.891、0.443、0.073、0.525 | 1.0、1.0、1.0、1.0 | 178、149、69、139 | | BE4 | 0.876、1.0、1.0、1.0 | 0.707、0.406、0.067、0.608 | 1.0、1.0、1.0、1.0 | 193、173、69、149 | | BE5 | 0.942、0.991、1.0、0.822 | 0.590、0.668、0.089、0.711 | 1.0、1.0、1.0、1.0 | 206、181、69、167 | | DF | 1.0、0.911、1.0、0.970 | 0.563、0.559、0.060、0.588 | 0.914、0.906、0.982、0.832 | 177、136、63、121 | | FLA | 0.974、1.0、1.0、1.0 | 0.920、0.695、0.227、0.727 | 0.925、0.825、0.988、0.818 | 98、62、39、65 | ### 1.2 CCM 算法性能分析 - **Trace Fitness**：与 HM 和 IM 相比，CCM 对考虑的日志通常具有较高的跟踪适应度（始终高于 0.95），除了 BE5 的跟踪适应度仅为 0.822。 - **Precision**：CCM 发现的模型的精度值大多介于 HM 和 IM 的相应值之间，但始终高于 0.5。如预期，FM 的精度始终最低。L1、BE5 和 DF 是积极的例外，CCM 在这些日志上的精度最高。 - **Generalization**：在泛化度量方面，CCM 的得分与 HM 和 IM 相比处于平均水平。对于日志 L1 有较高的结果，但对于 DF 和 FLA 结果较低。 - **Simplicity**：在简单性度量方面，CCM 大多发现由最少元素组成的模型（不包括 FM），远小于 HM 模型，略小于 IM 模型。总体而言，CCM 倾向于优先考虑跟踪适应度、泛化和简单性，以较低的精度为代价。 ### 1.3 不同算法性能对比流程 ```mermaid graph LR A[选择日志] --> B[执行不同算法（HM、IM、FM、CCM）] B --> C[记录各项指标（Trace Fitness、Precision、Generaliza ```