بهبود الگوریتمهای فرآیندکاوی با هدف کشف الگوهای پیچیده تر (چندنخی)

فرآیندکاوی پلی بین داده کاوی، هوش تجاری و مدیریت کسب وکار است که هدف اصلی آن کشف مدل فرآیند از سابقه ی رویدادهای ثبت شده در سیستم های اطلاعاتی می باشد. الگوهای کنترلی بسیاری جهت کنترل فرآیندهای کسب وکار مورد استفاده قرار می گیرند. یکی از الگوهای پیچیده که در این فرآیندها مورد استفاده قرار می گیرد چندنخی است. وجود چندنخی در یک فرآیند بدین معنی است که یک مورد (درخواست) در طول فرآیند توسط جداکننده ی چندنخی به چند بخش تفکیک شده و هریک مسیر فرآیند را جداگانه و مستقل طی نموده و در آخر توسط متصل کننده ی چندنخی به هم متصل شده و در قالب مورد اولیه ادامه فرآیند را طی می نمایند. الگوریتم های زیادی جهت کشف فرآیند از سابقه ی رویداد تاکنون ارائه شده اند که مهمترین آنها الگوریتم آلفا می باشد. این الگوریتم با استفاده از پیدا کردن رابطه دوتایی وظایف سعی در کشف مدل فرآیند دارد. یکی از چالش های این الگوریتم ترسیم رابطه های موازی در مدل استخراج شده نهایی می باشد. رابطه ی وظایف درون الگوی چندنخی نیز در الگوریتم آلفا بصورت رابطه موازی کشف می گردند که مدل استخراج شده قادر به نمایش درست الگوی چندنخی نیست. این پژوهش سعی دارد با تمرکز بر رابطه های موازی مشخص شده حاصل از الگوریتم آلفا و استفاده از واریانس فاصله تکرار وظایف روشی را برای کشف صحیح الگوی چندنخی در فرآیند در جهت افزایش خوانایی و درک بهتر مدل نهایی ارائه دهد.