该研究论文提出了一种新的形式主义，结合了现有方法的关键建模特性，特别是以对象为中心的 Petri 网捕捉一对多的关系，以及具有标识符的 Petri 网根据对象的身份比较和同步。我们称之为 ' 具有标识符的以对象为中心的 Petri 网 '，并定义了此设置的对齐和符合性检查任务。我们提出了一种基于在满足性模理论中的编码的形式主义进行的一致性检查方法，并说明了如何有效地克服先前工作的缺点。为了评估其实用性，我们对文献中的数据进行了评估。

Dec, 2023

本文介绍了一种基于概率事件日志的对齐式符合性检查算法，使用传感器、物联网技术、统计学和人工智能等现代监测和活动识别技术来产生事件数据，并通过自定义阈值参数控制事件数据与过程模型的信任水平，展示该算法在理论例子中的功能，从而减少假阳性偏差。

Sep, 2022

本研究提出了一种新颖的滑动窗口方法，以解决大规模过程挖掘应用中的符合性检查问题，并在保持基于对齐方法的可解释性的同时，显著降低搜索空间。该方法利用捕获跟踪信息和过程模型的结构特性的全局信息，做出明智的对齐决策，从而提高了结果的整体准确性。实验评估结果显示该方法在大多数情况下能够稳定地找到最优对齐，并展示了其可扩展性。理论复杂性分析进一步表明与其他常见的符合性检查方法相比，该方法搜索空间的增长较小。这项研究为大规模过程挖掘应用的高效符合性检查提供了宝贵的贡献。

Jun, 2024

本文提出了一种基于随机过程观察的过程挖掘和确认方法，使用概率数据分类模型和算法来比较一个过程模型和事件日志，以发现最优匹配。

Mar, 2022

本研究使用基于规则的声明性检查方法，利用 Arden Syntax 标准检查医疗指南中的治疗案例，并使用手动对齐方法重构大部分医疗指南，以解决现有命令式检查方法难以解决的高变化、高动态和复杂的医疗过程问题。

Sep, 2022

该研究提出了一种利用可信度预测方法来增强运行时介入决策的新方法，实证结果表明，这种方法在资源受限条件下可以提高迎合预测值的介入策略的效益。

Dec, 2022

分析现有的合规性监测方法和预测性过程监测方法并提供一个更新的合规性监测功能框架，探讨了将 PMM 与 PCM 相结合实现下一个活动或剩余时间预测，并将预测结果映射到给定的合规性约束集的完整预测合规性监测系统。

May, 2022

本文介绍了一种分析事件日志的方法，以在商业流程执行期间预测性地监视业务目标。该方法可在 ProM 流程挖掘工具套件中实现，并验证了其在大型医院癌症患者治疗日志方面的有效性。

Dec, 2013

该教程主要关注以机器学习为基础的预测性监测，介绍了一种有效的方法来检测系统在当前状态下对给定要求的潜在违规情况，并提出使用深度学习和符合预测方法来解决计算效率和可靠性的挑战。

Dec, 2023

该论文基于德国 Aachen Uniklinik 医院的重症监护室的实际病例，通过过程挖掘技术开发了一种规范模型来代表 COVID-19 患者的临床治疗指南，并分析了来自医院信息系统的行为记录与该指南的一致性，该方法可以揭示出医疗过程中的主要偏差，为医生提供改进过程和确保服务质量和患者满意度的有用指示，并公开了该模型的 BPMN 文件。

Sep, 2022