当前位置: X-MOL 学术J. Ambient Intell. Smart Environ. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)
Generating time-based label refinements to discover more precise process models
Journal of Ambient Intelligence and Smart Environments ( IF 1.7 ) Pub Date : 2019-03-19 , DOI: 10.3233/ais-190519
Niek Tax 1 , Emin Alasgarov 2 , Natalia Sidorova 1 , Reinder Haakma 3 , Wil M.P. van der Aalst 1, 4
Affiliation  

Process mining is a research field focused on the analysis of event data with the aim of extracting insights related to dynamic behavior. Applying process mining techniques on data from smart home environments has the potential to provide valuable insights in (un)healthy habits and to contribute to ambient assisted living solutions. Finding the right event labels to enable the application of process mining techniques is however far from trivial, as simply using the triggering sensor as the label for sensor events results in uninformative models that allow for too much behavior (overgeneralizing). Refinements of sensor level event labels suggested by domain experts have been shown to enable discovery of more precise and insightful process models. However, there exists no automated approach to generate refinements of event labels in the context of process mining. In this paper we propose a framework for the automated generation of label refinements based on the time attribute of events, allowing us to distinguish behaviourally different instances of the same event type based on their time attribute. We show on a case study with real life smart home event data that using automatically generated refined labels in process discovery, we can find more specific, and therefore more insightful, process models. We observe that one label refinement could have an effect on the usefulness of other label refinements when used together. Therefore, we explore four strategies to generate useful combinations of multiple label refinements and evaluate those on three real life smart home event logs.

中文翻译:

生成基于时间的标签优化以发现更精确的过程模型

流程挖掘是一个专注于事件数据分析的研究领域,旨在提取与动态行为有关的见解。将过程挖掘技术应用于来自智能家居环境的数据有潜力为(不)健康习惯提供有价值的见解,并为环境辅助生活解决方案做出贡献。然而,找到正确的事件标签以应用过程挖掘技术并非易事,因为简单地将触发传感器用作传感器事件的标签会导致缺乏信息的模型,从而导致过多的行为(过度概括)。研究表明,领域专家建议对传感器级别的事件标签进行细化,以便发现更精确,更深入的过程模型。然而,在流程挖掘的环境中,没有自动的方法可以生成事件标签的细化内容。在本文中,我们提出了一个基于事件的时间属性自动生成标签细化的框架,从而使我们能够基于事件的时间属性来区分同一事件类型的行为不同的实例。我们在具有现实生活中的智能家居事件数据的案例研究中显示,在过程发现中使用自动生成的精炼标签,我们可以找到更具体,因此更有见地的过程模型。我们观察到,一种标签细化方法在一起使用时可能会对其他标签细化方法的实用性产生影响。因此,我们探索了四种策略来生成多个标签细化的有用组合,并在三个现实生活中的智能家居事件日志中进行评估。在本文中,我们提出了一个基于事件的时间属性自动生成标签细化的框架,从而使我们能够基于事件的时间属性来区分同一事件类型的行为不同的实例。我们在具有现实生活中的智能家居事件数据的案例研究中显示,在过程发现中使用自动生成的精炼标签,我们可以找到更具体,因此更有见地的过程模型。我们观察到,一种标签细化方法在一起使用时可能会对其他标签细化方法的实用性产生影响。因此,我们探索了四种策略来生成多个标签细化的有用组合,并在三个现实生活中的智能家居事件日志中进行评估。在本文中,我们提出了一个基于事件的时间属性自动生成标签细化的框架,从而使我们能够基于事件的时间属性来区分同一事件类型的行为不同的实例。我们在具有现实生活中的智能家居事件数据的案例研究中显示,在过程发现中使用自动生成的精炼标签,我们可以找到更具体,因此更有见地的过程模型。我们观察到,一种标签细化方法在一起使用时可能会对其他标签细化方法的实用性产生影响。因此,我们探索了四种策略来生成多个标签细化的有用组合,并在三个现实生活中的智能家居事件日志中进行评估。允许我们根据时间属性区分相同事件类型的行为上不同的实例。我们在具有现实生活中的智能家居事件数据的案例研究中显示,在过程发现中使用自动生成的精炼标签,我们可以找到更具体,因此更有见地的过程模型。我们观察到,一种标签细化方法在一起使用时可能会对其他标签细化方法的实用性产生影响。因此,我们探索了四种策略来生成多个标签细化的有用组合,并在三个现实生活中的智能家居事件日志中进行评估。允许我们根据时间属性区分相同事件类型的行为上不同的实例。我们在具有现实生活中的智能家居事件数据的案例研究中显示,在过程发现中使用自动生成的精炼标签,我们可以找到更具体,因此更有见地的过程模型。我们观察到,一种标签细化方法在一起使用时可能会对其他标签细化方法的实用性产生影响。因此,我们探索了四种策略来生成多个标签细化的有用组合,并在三个现实生活中的智能家居事件日志中进行评估。我们可以找到更具体的,因此更有见地的流程模型。我们观察到,一种标签细化方法在一起使用时可能会对其他标签细化方法的实用性产生影响。因此,我们探索了四种策略来生成多个标签细化的有用组合,并在三个现实生活中的智能家居事件日志中进行评估。我们可以找到更具体的,因此更有见地的流程模型。我们观察到,一种标签细化方法在一起使用时可能会对其他标签细化方法的实用性产生影响。因此,我们探索了四种策略来生成多个标签细化的有用组合,并在三个现实生活中的智能家居事件日志中进行评估。
更新日期:2019-03-19
down
wechat
bug