[论文解读] On Generation of Time-based Label Refinements

Niek Tax, Emin Alasgarov+2 more|arXiv (Cornell University)|Sep 12, 2016

Business Process Modeling and Analysis参考文献 14被引用 5

一句话总结

本文提出了一种自动化框架，通过利用事件时间戳的圆形统计方法，在流程挖掘中实现基于时间的标签优化，从而从智能家居事件数据中发现行为上更具体、更具洞察力的流程模型。该方法通过利用时间模式对传感器级标签进行优化，提升模型精度，无需人工标注或领域特定启发式规则。

ABSTRACT

Process mining is a research field focused on the analysis of event data with the aim of extracting insights in processes. 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 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 shown to enable discovery of more precise and insightful process models. However, there exist no automated approach to generate refinements of event labels in the context of process mining. In this paper we propose a framework for automated generation of label refinements based on the time attribute of events. We show on a case study with real life smart home event data that behaviorally more specific, and therefore more insightful, process models can be found by using automatically generated refined labels in process discovery.

研究动机与目标

• 解决由于无信息量的传感器级事件标签导致的智能家居环境中流程模型过度泛化的问题。
• 开发一种自动化方法，基于事件时间戳生成语义可解释的标签优化，避免依赖人工领域专业知识。
• 提升从真实世界智能家居事件日志中发现的流程模型的行为具体性与洞察力。
• 实现无监督、数据驱动的标签优化，提升流程发现效果，且无需事先的活动级标注。

提出的方法

• 该框架使用圆形统计方法对事件的时间分布进行建模，将时间戳视为圆周上的点，以捕捉每日周期性模式。
• 应用聚类技术（如冯·米塞斯分布拟合）将具有相似时间模式的事件分组，形成不同的基于时间的标签优化。
• 通过将24小时周期划分为反映有意义行为模式的时间区间（如上午、下午或夜间活动）来生成优化后的标签。
• 该方法可迭代应用，支持多级优化——例如，将“盘子柜”拆分为早晨和晚上的子事件。
• 优化后的标签随后作为输入提供给流程发现算法，以生成更受约束且更易解释的Petri网模型。
• 该方法在真实智能家居事件日志上进行评估，比较使用与不使用标签优化生成的流程模型。

实验结果

研究问题

• RQ1 自动化基于时间的标签优化能否提升从智能家居事件日志中发现的流程模型的行为具体性？
• RQ2 圆形统计在捕捉传感器事件数据中有意义的时间模式以支持标签优化方面效果如何？
• RQ3 与原始传感器标签相比，自动生成的基于时间的标签优化在多大程度上减少了流程模型中的过度泛化？
• RQ4 该框架能否迭代应用以揭示嵌套的行为模式（如早晨与晚上的动作）？

主要发现

• 所提出的框架通过分析事件时间戳中的时间模式，成功生成了语义可解释的标签优化，且无需人工标注。
• 使用优化标签发现的流程模型表现出显著减少的行为过度泛化，例如，不再出现任意在厨房活动之前发生的卧室门事件等虚假转换。
• 案例研究揭示了有意义的行为模式，例如早晨卧室门事件先于一连串与厨房相关的活动，而这些模式在使用原始传感器标签的模型中被掩盖。
• 迭代优化实现了更深层次的洞察——例如，区分“盘子柜”事件的早晨与晚上子事件，并揭示其与微波炉使用的时间关系。
• 与仅依赖控制流上下文进行标签优化的现有方法相比，该框架表现更优，因为它引入了有意义的数据属性（时间），以确保语义一致性。