因果发现飞行服务过程基于事件序列

文摘

民用航空行业的发展不断增加的要求机场地面支持服务的效率。在现有的地面支持的研究中,尚未有一个流程模型,直接获得从地面支持日志研究服务节点之间的因果关系和航班延误。大多数地面支持的研究主要使用机器学习的方法来预测航班延误,和飞机支持模型基于是一个理想的模型。这项研究并没有对背后的因果机制进行深入研究地面支持链接,没有揭示出航班延误的真正原因。因此,预测有一定偏差的航班延误到机器学习,和有一定偏差之间的理想模型的基础上研究和实际的服务过程。因此,它的现实意义从保证日志获取流程模型并分析其因果关系。然而,现有的过程因素的发现方法只做某些研究假设建立了因果充足时,不考虑潜在变量的存在。因此,本文提出了一个框架来实现过程的因果因素的发现没有假设因果充分性。优化模糊采矿过程模型作为服务基准模型,和当地的因果关系发现算法发现因果因素。在这个框架下,本文提出了一种新的马尔科夫毯发现算法不承担因果充分性发现因果因素和使用基准数据集进行测试。 Finally, the actual flight service data are used for causal discovery among flight service nodes. The local causal discovery algorithm proposed in this paper has a certain competitive advantage in accuracy, F1, and other aspects of the existing causal discovery algorithm. It avoids the occurrence of its dimensional disaster. Through the in-depth analysis of the flight safety reason node discovered by this method, it is found that the unreasonable scheduling of flight support personnel is an important reason for frequent flight delays at the airport.

1。介绍

2019年民航产业发展统计公报》(1)表明,与2018年相比,2019年民航运输总营业额增加了7.2%。机场交通总营业额的增加需要机场航班服务效率的提高。飞行服务包括各种活动,比如打开舱门,清洁和加油。飞行服务过程是高度依赖,单个节点的延迟将影响后续操作的延迟,导致航班延迟推出。这些属性添加额外的复杂性,保证操作。例如,添加对起飞航班的航空燃料,我们需要知道类型的飞机的飞行,飞机的位置,飞机的起飞时间计划,和其他决策信息,为了确定时,,,又有多少航空燃料油船将完成飞行。它本身是一个复杂的过程。然而,自己的属性,比如安排航空燃料的燃料容量和完整性车辆,也会影响航空燃料添加是否可以正常完成。服务设备本身的属性使航空燃料添加更复杂的工作。针对高度依赖飞行服务过程的特点和复杂性上面所提到的,过程管理人员通常不知道哪个操作节点有问题在飞行服务操作,最终将影响飞行服务的总体性能,如航班延误,加油车的时间操作,等。因此,当一个机场正在推出航班延误,机场管理者很难找到直接导致延误的服务节点,采取有针对性的改进措施,解决这一问题的节点。

一些学者[2- - - - - -5)建立了飞行服务过程模型与关键路径等方法修复,有色佩特里网,为飞行服务流程和服务模型工具。基于这些模型,他们进行深入研究地面服务资源的调度。但上述研究是由一个手动绘制模型。这是一个理想模型,偏离实际的支持业务流程模型。偏差主要体现在手工绘制的理想模型。每个支持节点的节点重要性和拓扑排序只是基于专家知识。每个机场的经理是不同的,他们的特定的服务计划有自己的特点,人工绘制飞机服务模型并不完全适用于一个特定的机场的航班服务流程。同时,研究飞行发射延迟关注预测延迟的长度,而基于统计相关性的预测方法强调了影响因素之间的相关性和结果而不是因果关系,所以不可能分析链接最终导致航班推迟发射,而且,由于难以察觉的变量的存在,在预测结果有一定的偏差。

目前,飞行操作支持机场信息系统的支持。这些系统记录的历史出站飞行支持操作的事件序列。因此,为了分析飞行的性能支持,人为的偏差问题建立了过程模型是要避免的。本文使用过程挖掘挖掘出站飞行服务的实际过程模型的事件序列。过程挖掘是一个工具,将事件数据转换成商业见解。这桥之间的差距,传统的基于模型的过程分析(如模拟和其他业务流程管理技术)和以数据为中心的分析技术(机器学习和数据挖掘等)6]。通过挖掘过程,我们得到一个实际的业务流程模型,并在此基础上,计算每个链接的性能指标来描述每个链接的操作状态。通过分析每个环节的性能指标之间的因果关系和航班延迟,我们可以确定哪些节点的操作情况影响到航班起飞和发射,减少航班延误,并提供有效的指导,提高机场运营效率。

在这现有飞行支持的研究中,没有一项研究关于航班延误的原因已经完成业务流程根据实际服务日志。提出了一个框架来实现自动发现的因果因素的存在潜在的因果变量基于过程挖掘(ACLP),飞行过程挖掘算法挖掘的服务过程模型,和放松的因果关系的充足的前提下,使用参考图最大的祖先马尔可夫毯子。算法(SMMB)生成一个当地的祖先地图飞行服务启动延迟和使用方向节点之间提取过程模型作为补充当地祖先图调整边缘的方向,实现自动发现因果的飞行服务业务性能。我们建议的框架结合了流程挖掘方法和因果关系发现方法的存在下难以察觉的变量。当飞行服务的业务流程是未知的,飞行服务过程模型建立符合实际情况的基础上,与流程挖掘的事件序列。针对的问题难以察觉的变量在实际场景中,SMMB提出的新算法是用于确定业务流程绩效指标之间的因果关系,因果因素从事件数据的提取和解释实现业务流程的性能。SMMB算法提出了基于参考当地的有向无环图(DAG)的发现算法,也就是说,参考当地学习(SLL)算法,它是根据最大祖先的特征图(MAG)马尔科夫毯(MB)。这是一个架构方法。邻居集和配偶的一组目标变量是由评分的方法。然后,根据相关的定义和推理提出的区域设置7),确定邻近区域设置,并搜索完整的MB。通过评分法的优点搜索目标的社区和配偶集合变量,SMMB算法有更好的性能F测量评价指标比基于镁MB算法。它提供了新思想为飞行服务的自动发现因果过程下潜在的变量。本文的组织结构如下:部分2论述了背景,部分3和4分别介绍了拟议的框架和实验结果,根据实验结果给出一些建议。部分5得出结论,使未来的工作前景。

在本文中,一个新的框架是用来发现自动业务流程性能问题的根源。与业务流程性能的自动化的因果发现一些研究者提出的基于格兰杰因果检验,本文方法的贡献如下:(1)这是第一次,自动飞行因果关系发现方法支持杂志算法相结合,提出了过程挖掘算法。MAG算法被用来替代之前的过程中使用的格兰杰因果检验发现因果因果关系发现方法来避免潜在的干扰。双向的边缘标记为节点对潜在变量。(2)SMMB当地因果关系发现算法实现搜索航班延误和更高的精度和避免维度的诅咒。

2。相关工作

2.1。流程模型发现

是否定义和规定或隐含的和暂时的,业务流程驱动和支持大部分的功能和服务在当今世界的企业和管理机构。基于控制流过程的复杂性和过程的可重复性和可预测性的相关概念,研究Ciccio et al。8)业务流程分为以下三个宏观类型:结构化的过程,一种过程,和非结构化过程。结构化过程的特点是一个明确的、可预测的,并可重复序列的活动和它的输入和输出是预定义的,而半结构式和非结构化过程没有预定义的和可重复的活动序列。的半结构式过程概述可能的序列活动基于这种情况,确定所需的输入活动,改变一些活动的序列通过具体情况的特征。非结构化的活动过程中不同结合基于特定的实例。活动的顺序就变得完全case-dependent流程灵活性和不可预测性增加的水平。

过程挖掘的方法分析实际业务流程生成的基于事件日志系统。这个想法是为了发现、监视和提高实际业务流程从事件日志中提取知识。

定义1。(事件9])。一个事件的实例化业务流程中的一个活动,通常由一个元组表示 ,在哪里一个代表了活动名称属性对应于事件,caseID代表实例属性事件所在地,eventID代表事件的事件ID属性,代表事件的开始时间戳属性,代表事件的结束时间戳属性, 代表其他属性值, , , 代表每个属性的值范围。事件日志l为一个特定的流程模型由一系列事件的流程实例。流程实例中的所有事件的顺序是按时间顺序的轨迹。一个完整的轨迹对应于一个执行过程。执行流,所有历史痕迹构成事件日志l。
的发现过程模型一直是一个热点问题在采矿的过程。在缺乏先验知识的情况下,原来的流程模型,信息组织背景下,可以获得和执行属性执行日志。大多数过程发现算法通常使用一个算法来控制流的步骤(10),如α算法(11],启发式挖掘算法[12),多级过程挖掘算法(13,提出挖掘算法(14]。上面的算法应用于结构化的业务流程时有效。不过,当应用于半结构式或非结构化的过程,模型发现了上述算法实际上是“杂乱。”这些模型描述非结构化行为的每一个细节中发现日志太细。问题的原因在于这些过程挖掘算法是基于的假设。假设如下:假设1 (14):所有日志是可靠和值得信赖的假设2 (14]:存在一个精确的过程反映在日志上这些假设在结构化和控制环境中是完全合理的,但是他们不适用的是不那么结构化的环境。因此,基于上述假设将流程模型发现算法模拟整个过程完全精确,一丝不苟。结果往往是“意大利面条”,和流程经理不能从模型中获取有效的信息。
为了解决上述问题,基督教等。15)提出了一种基于模糊理论的过程挖掘算法。在处理非结构化的问题,模糊算法可以区分是否任务是很重要的,可以删除不必要的细节。更高级的观点是抽象,其重点是发现一个更高级的映射的行为日志而不是试图发现真正的流程模型。

2.2。因果关系发现算法

让 包含N观察到的变量,P是一个离散的联合概率分布V,G代表DAG。我们所说的三倍 一个贝叶斯网络(BN),如果 满足马尔可夫条件:每个变量是独立于任何子集的nondescendant变量条件的父母G。变量之间的因果关系可以由DAG BNG只包含定向边缘(⟶)。

定义2。(因果充分性7])。观察到的变量设置V据说是因果足够当且仅当两个或两个以上变量的常见原因吗V也在V。
因果充分性认为给定一组观察到的变量V,没有潜在的常见原因V变量的子集。

定义3。(诚实16])。在一个 ,G是忠实于概率分布P在V当且仅当每个独立存在于P是继承G和马尔可夫条件。P忠诚当且仅当吗G是忠实的P。
信实的假设建立了一个概率分布P之间的关系及其潜在的DAGG。我们可以使用一个有条件的独立测试代替d分离下找到所有BN的依赖性或独立这一假设。因果关系的前提下满足充分性,DAG MB的目标变量包括父母、孩子,配偶的目标变量T。如今,MB发现DAG算法相对完整。它可以分为架构方法和nontopological方法。nontopological方法贪婪地测试每个变量的定义和目标,利用马尔科夫毯,像抑扬格算法17]。架构的方法旨在逐步搜索目标节点的MB,如Min-Max马尔科夫毯(MMMB) [18),使用的拓扑特征MB。文章[19,20.]介绍相同的框架基于拓扑方法,开展广泛的实验研究,以验证其优越的性能在不同的应用程序。
没有假设因果关系的充分性,当底层数据生成有潜在的常见原因,提出杂志代表独立观测变量之间的关系。不需要标记结构中的潜在的常见原因。混合图节点和边的集合,边缘和边缘可能是单向(⟶)或双向边缘(⟷)。假设没有直接环(的存在 和 几乎在同一时间)和环(的存在 和 )在混合图,它被称为一个祖先图。的道路上τ祖先的图,如果路径τ包含 ,然后nonendpoint变量是祖先中的碰撞节点图。否则,是一个noncolliding节点τ。碰撞路径上的每个nonendpoint变量从目标节点T来Y杂志的碰撞节点。例如, 是一个碰撞路径, , , 是碰撞节点。

定义4 (V-structure [7])。在一个祖先图,三 是一个无防御的三重如果和是相邻的,和是相邻的,但和不相邻。一个无防御的三倍 被称为v-structure如果对撞机的道路上吗 ,和三重满足 这样⫫和 。v-structure, , 的配偶节点吗 。

定义5。(m-connection和m-separation [21])。在祖先图G = (E,V),给定的一组节点 ,如果它满足以下几点:(1)noncolliding节点路径p不属于Z和(2)路径上的每个节点碰撞的祖先的一员,Z,所以p之间的路径一个和Bm-connection。如果没有m-connection路径有关Z之间的一个和B,然后一个和B是米分离。

定义6。(最大的祖先图22])。对于任意两个不相邻的变量在一个祖先图,如果有一组变量m-separating他们祖先图是最大的。
有相对较少的发现算法MAG MB。这篇文章(7)首次提出了基于局部因果关系发现算法(M3B算法)MB的玛格框架,不承担因果关系的充分性,而不是直接学习整个杂志和学习MB。该算法是一个架构MB算法。该算法首先发现附近设置(父母和孩子)的目标节点,并使用递归搜索算法递归地找到给定目标的区域设置完成MB。这篇文章[22)证明了基于误差传播的方法是敏感,而且没有评分法的算法MAG MB的发现。因此,提到SLL算法扩展的框架根据杂志的特点MB。首先,你的邻居和配偶集合构造目标变量的得分方法。然后,根据相关的定义和推理的区域设置提出了文献[23),邻近区域的确定目标节点,和MB终于完成。
本文优化模糊过程模型的基础上,获得实际的飞行保障过程模型。根据实际业务流程,计算节点的性能指标来衡量每个节点的操作状态,最后,SMMB当地因果关系挖掘算法用于查找的根源延迟飞行发射潜变量时存在。这种方法提供了新的研究思路发现因果因素过程挖掘的潜在变量。自动发现的因果业务性能的因素,一些学者做了深入的研究。例如,文献[24,25)提出了一个方法来自动发现过程性能瓶颈和基于事件数据的偏差,但它并没有探索因果关系。文献[26)提出了一种基于时间序列分析的方法检测业务流程特点和流程绩效指标之间的因果关系。然而,格兰杰因果检验方法没有考虑采用潜变量的存在;也就是说,它相信实际数据满足假设因果关系的充分性。因此,本文的贡献如下:(1)首次提出了实现自动发现的因果因素业务性能的前提下轻松的假设因果充分性。(2)提出了基于得分的地方杂志发现算法比M3B和RFCI算法更有优势。

3所示。提出了框架

本节提出了一个框架来实现飞行保障的自动发现因果关系的序列事件,如图1。该框架包括两个部分:(1)流程模型采矿和(2)建设当地的因果结构。第一部分是模糊的挖掘算法,主要包括两个阶段。第一阶段是初始化阶段,建立了初始流程模型通过飞行保障事件序列。第二阶段是简化阶段,主要包括三个部分,解决冲突,边缘过滤、聚类和抽象。一元,本文提出了解决方案N必要的冲突在初始模型和优化过程模型。第二部分是当地的因果结构。这种方法是基于SLL算法。它主要是用来搜索目标节点的相邻节点和配偶节点,结合杂志MB基于搜索邻近节点集和配偶集。该功能搜索区域的目标节点集,父集合的集合,等等,然后完成完整的马尔科夫毯的建设。

3.1。流程模型挖掘

如前所述,模糊挖掘算法分为两个阶段。第一阶段是初始化阶段,每个观测事件类型转换成一个活动节点。定向边缘添加到模型代表了订购活动之间的关系。第二个阶段是简化阶段,分为三个步骤:二元关系的冲突解决,边缘过滤、聚合和抽象。如图2初始化模型的可能的冲突关系包括二进制冲突,N必要的冲突,一元冲突。解决冲突的部分模糊挖掘算法只包含二进制的解决冲突问题,导致这一现象的N必要周期和自循环流程模型中获得的模糊过程挖掘算法。自循环飞行服务过程中是可能的。以飞机停车位置的变化为例。当飞机进入机场,由于飞机空间资源的短缺,飞机需要改变几次停车位置。事件序列,因此,在飞机停车位置的变化会出现连续多次,和模型获得的过程挖掘算法将一个自循环现象。这种现象的存在可能是一个纯粹的例外。没有二进制和N飞行服务的必要周期在实际操作过程中,随着时间的推移和在序列。针对这一现象的原因和解决二进制模糊挖掘算法、冲突的解决方案N必要冲突和一元冲突是派生来优化模糊挖掘的流程模型。

在模糊挖掘算法(27),生成二元冲突分为三种情况:二进制循环,例外,和并发性。如果相对重要性 和 两个相互矛盾的关系超过保留阈值,然后活动A和B形成一个二元周期。如果至少有一个冲突的关系是低于这个阈值,确定偏移量之间的相对重要性, 。如果偏移值超过阈值的比率,删除重要的关系越少。假设至少一个关系想保留重要的门槛,与偏移值小于阈值的比率。在这种情况下,A和B之间的关系是一个低和平衡关系,这意味着A和B是在同一时间执行,所以两个边缘同时被删除。相对重要性的公式如下: 在哪里流程模型的节点集, 是优先分配给每一对节点之间的关系 ,和 每一对节点之间的相对重要性吗一个和B。

基于二进制的解决冲突,解决方案的N必要的冲突。第一,二元关系的相对重要性并不适用N必要的冲突,因此需要扩大到的相对重要性N必要的关系。 在哪里流程模型的节点集,N是节点集的大小 , 是优先分配给每一对节点之间的关系 , 的相对重要性吗N有效链关系,是起点,结束节点。此外,和是等价的。

类似于二元冲突的情况N生成必要的冲突关系也可以分为以下三个类别:(1)N必要循环:N活动 形成一个循环,即后 按顺序执行,可以回到活动和重新开始。在这种情况下,这些活动之间的优先级关系是允许的在实际的过程中,因此需要被保留下来。(2)例外:这个过程是顺序执行的 ,但会有例外 在实际的执行过程。在这种情况下,删除异常边缘弱链结构。(3)并发性:有一个平行结构N活动 ,和日志记录可能的执行顺序。在这种情况下,有必要删除这矛盾的排序关系。例如,如果 和是平行的结构,也就是说, 和可以任何顺序出现,日志记录的可能出现吗 和 。在这种情况下,您需要删除 和 导致冲突。

从上面可以看出,飞行保障过程模型本质上没有的可能性N必要的周期,所以的原因N必要和并发冲突异常情况。解决方案如下。

确定每个链关系之间的偏移量和链式关系最大的相对重要性,见公式(3)。

在此基础上,确定链式结构最大的偏移值, ,并找到边缘最少的相对重要性在这个链结构和删除它,即 。

的计算 见公式(1)。如果偏移值的链结构是相似的,这意味着有一个不太重要的链之间的平行结构。本文将边缘之间的不同链结构和相应的边缘N必要的冲突关系。

与二元冲突和N必要冲突,没有并发一元冲突,但只有自循环或例外。这种情况可以解决通过创建一个虚拟节点,删除一元冲突,并引入到模糊边缘滤波的挖掘算法。如图3循环被释放后,虚拟节点的优先级关系和 可以获得。

3.2。当地的因果结构建设

框架的第二部分着重于构建镁MB的目标变量基于SLL算法充分放松假设下的因果关系。不同于DAG的MB, MB的杂志包括区域设置和相关的节点集区域设置除了父子和配偶集。该地区集定义如下:

定义7。(区Sset [23])。地区的一组目标变量T在一个杂志,表示说(T),是一组变量中 ,的路径来T只包含双向边缘。
在此基础上,本文23)提出了一种方法来确定一个变量属于目标变量区设置。假设 , , ,如果两个三元组 , 满足:⫫ , , ⫫ , ,然后 。
上述定理表明,sp的变量(T)是一个候选人的区组变量的变量(T)。由此,我们可以得出进一步的结论是否有双向目标变量之间的边缘T和变量V,如下所示。

推论1。如果三 满足⫫ , 和 包含变量这样三 满足⫫ , ,然后和目标变量T有双向的边缘,如果有吗 这样 在附近的目标变量T在v-structure ,然后 。

证明。假设三联体 满足⫫ , ,和变量存在于 所以三联体 满足⫫ 和 , 。如果 ,之间不存在双向的边缘T和 。只有导演边缘之间T和 ,或者他们是相互独立的。根据条件是三 满足⫫ 和 ,可以看出,有一个V-structure三重 ,和是碰撞节点, 。根据条件是三倍 满足⫫ 和 ,三倍 也是一个V-structure,碰撞节点是什么T, 。因此,条件不匹配假说,假说不成立。所以推论1建立了。
通过以上推导,该地区设置相邻目标变量T可以判断。MAG MB包括父母pa (T)T,孩子们ch (T)T配偶sp (T)T和区组说(T)T每个变量的,联盟的父母区组T,也就是说, ,指示为pa (dis (T)),联盟的地区设置每个孩子的T,也就是说, ,说(ch(表示为T)),联盟的每个变量的父母在dis (ch (T)), 。
相比MB发现算法,使用独立测试来找到目标变量T参考MB发现算法依赖于一定的评分标准学习最合适的网络结构为数据样本。它具有以下特点:

定义8。(本地评分一致性(28])。让D还有我组成的一组数据。d一些样本分布 。让G是任何BN结构和是相同的结构与g .但优势从一个节点T一个节点X。让是父母的X在G。评分标准年代局部一致,如果数据的大小吗D趋于无穷,适用以下两个属性:(1)如果 ,然后 (2)如果⫫,然后 直观地说,添加一个弧可以消除独立约束,不存在数据生成的分布,从而提高分数。添加一个弧无法消除这些限制和降低分数。因此,得分函数可以代替约束来构建一个因果结构在某种程度上。玛格结构学习,现有的DAG得分函数不能直接应用于镁。M³C (29日]和GSMAG [21)算法提出了一个得分函数适用于镁、基于残余迭代条件拟合获得给定的玛格参数的最大似然估计。然而,M3HC和GSMAG算法作出新的假设数据,不一般。从推论1,我们可以判断双向边缘的方法。的核心思想是判断配偶目标节点的节点T和配偶节点的相邻节点V_j的T在另一方的邻近节点。因此,本文提出一个架构方法,来找到目标节点的邻居和配偶集合使用SLL [30.)方法。在此基础上,使用推论1确定双向目标节点的边缘和邻近的节点。通过这种方式,邻近地区找到目标节点的节点。最后,获得完整的地区设置的目标变量通过搜索周边地区区域节点的节点。如下所示的算法(算法1和2)。
SMMB算法的第一步是寻找目标节点的父母和孩子集基于SLL算法,第四第五步骤叫的FINDSPOUSES SLL算法找到的配偶节点目标节点及其子节点。这个想法如下:FINDNEIGHBORS算法分为两个阶段。第一阶段搜索潜在的目标变量,并将节点的邻居节点除了目标节点一个接一个进入设置Z只有存在目标变量,调用子程序来学习吗Z。把学到的潜在的邻居节点Z更新Z完成搜索潜在的邻居。子程序可以使用动态编程算法或其他精确算法。在本文中,常用的精确算法,全球经济(31日算法,作为子程序,及其得分函数如下: 的得分形式形成的局部结构目标变量和它的父节点如下: 在哪里米代表样品的数量,代表样本的数量满足 , 在数据D,是网络中节点变量,表示父节点的变量的集合 。节点变量可以把一个离散值或连续值, , 代表子节点的状态值, , 代表父节点的状态值, ,网络节点变量X和数据D对应于一组Z和的算法。的变换Z和是迭代。改变全球的得分函数和变量的集合,可以通过更新搜索Z和 。在第二阶段,寻找潜在的邻居节点,执行对称修正潜在中去除假阳性节点的邻居节点来获取目标变量的真实的邻居节点。FINDSPOUSES FINDNEIGHBORS相似。它搜索目标变量的潜在伙伴设置通过调用子程序,然后找到真正的伴侣设置目标变量通过迫使对称约束。
第六步,SMMB算法调用算法FINDDIS搜索目标变量的邻近区域节点。根据推论1,一个节点是否属于目标节点的区域设置,首先找到配偶的这个节点集和配偶的目标节点集。算法FINDDIS首先搜索附近设置和配偶设定目标变量的步骤1 - 4,在步骤5 - 7遍历目标节点的邻居搜索其邻居节点的邻居节点,和步骤8 - 9找到属于的配偶节点的变量T在邻近的节点和确定碰撞节点nV-structure由这个步骤10 - 13找到的配偶节点碰撞节点和确定目标节点的邻居。如果是,那么节点n属于区域目标节点的节点。
从步骤10到16,基于搜索目标节点的父集、pa (T),孩子的目标节点集,ch (T)配偶的目标节点集,sp (T)和邻近地区集目标节点的dis (T) FINDDIS算法不断迭代搜索目标节点,T,和地区集的目标变量集,孩子说(ch (T))。步骤21页通过SLL算法寻找父母的结合区组中的每个变量的目标节点T pa (dis (T)),联盟内的每个变量的父母说(ch (T) pa (dis (ch (T))。
在第一阶段,FINDNEIGHBORS算法和FINDSPOUSES算法使用while循环迭代子程序来搜索潜在的父进程和子组和潜在伴侣的目标节点集。while循环执行n1次。while循环执行n - 1次,最多和被调用的充电器算法决定了每个周期所需的时间和空间。在节点集Z,全球经济算法运行时间 ,和计算空间 。因此,在最坏的情况下 ,的时间要求FINDNEIGHBORS算法和FINDSPOUSES算法在第一阶段 ,和空间要求 。FINDNEIGHBORS第二阶段的算法和FINDSPOUSES算法,算法的第一阶段将调用时,它会被称为n次了。的总时间FINDNEIGHBORS算法和FINDSPOUSES算法是最多的 。FINDDIS算法,FINDSPOUSES FINDNEIGHBORS需要调用,调用的数量次,FINDDIS算法的运行时间 。然而,在实践中,网络通常是相对稀疏,运行时间比最坏的运行时间大大降低。该算法SMMB循环时间和连续调用FINDDIS算法,FINDNEIGHBORS算法,FINDSPOUSES算法的循环。该算法SMMB最多运行 。

4所示。实验

为了评估质量的方法在这篇文章中,在部分4.1基准,本文使用贝叶斯网络测试数据集报警数据集来测试部分的方法3.2,并利用评价指标F测量评价方法提出了部分3.2证明它的优越性共同RFCI算法,M3B算法,算法结构。部分4.2使用飞行保障数据在2018年7月中国西宁机场和机场的实际飞行保障数据生成一个机场航班保障过程模型,计算各个环节的运行时间为每个链接的性能指标,并提取流程模型中的节点边缘的方向。SMMB算法被用来构造一个本地因果模型的性能指标和航班延误和调整的方向单向因果模型根据方向边缘提取的流程模型节点之间。最后,使用MMHC算法构造一个当地的航班延误作为基准模型和因果模型比较和分析由SMMB因果模型。当地的因果模型由MMHC构造算法也将根据节点之间边的方向调整的流程模型。

4.1。因果关系发现算法测试

实验测试数据来源是报警网络,其中包含37个节点和46个边缘。网络是一个稀疏的网络,这是一个默认的标准测量因果网络建设项目的水平,而且许多算法和各种程序验证这些数据,有一个标准网络结构比较和参考。为了测试以上算法的性能,本文使用报警数据随机生成的三组数据。第一组数据包括2500数据集的数据实例,第二组数据包括5000数据集的数据实例,第三组数据包括10000数据集的数据实例。然后,隐藏了一些常见的原因在生成的数据集,并将这些隐藏变量作为潜在的常见原因。具体步骤如下:(1)不隐藏任何变量作为潜在变量,本文矿山VTUB本地因果网络的变量。(2)隐藏变量INT作为潜变量,本文和矿山VTUB本地因果网络,其中INT是潜在变量SHNT的常见原因,prs VLNG变量和变量。(3)隐藏变量INT和PMB作为潜在变量,本文和矿山VTUB的本地因果网络。在这个网络,INT SHNT潜在的常见的原因变量,变量VLNG prs的变量,变量PMB是潜在变量行动党和变量SHNT的常见原因。

使用上述步骤生成的数据集比较算法SMMB RFCI, M3B,分别和结构算法。RFCI和M3B算法都是基于杂志发现算法。GFCI算法是一个全球性的混合搜索算法,它结合了FCI的参考启发式搜索算法的投篮算法算法。有三种类型的有条件的独立测试,测试为离散变量,Z测试连续变量线性与加性高斯误差的关系,并基于测试连续变量非线性和非高斯噪声。

这篇文章是一样的文献[7]。RFCI和M3B算法测试和测试设置为0.05的显著性水平。测试指标使用F测量。F测量:F测量结合了两种指标的预测精度和召回的定义是 精度:预测准确率指正确预测的百分比跨国公司预测MNI的总数。它是用来评估假阳性的数量的输出算法。 回忆:召回率是指正确预测的数量比跨国公司总数。它是用来评估的确切数量的输出算法。

延长测试样品的数量是不正确的。该指数的保证F测量结合了两种指标的准确率和召回率。的准确率、召回率和F1每个算法获得的价值,本文以每组5的数据集的平均值。SMMB算法之间的比较和RFCI M3B算法准确性,召回率,和F1值如表所示1。数据4- - - - - -6SMMB比较图,RFCI M3B,和结构算法的准确性,召回率和F1。如表所示1- - - - - -3、准确性、召回率,F1值随样本容量。

精度比较的图表,我们可以清楚地看到,SMMB算法和M3B算法在精度相对较近,大约在0.6和0.7之间,都是比RFCI算法。在召回率比较,RFCI算法远远高于SMMB算法和M3B算法,甚至高达1。可以看出RFCI算法包含多个冗余节点比因果网络发现的M3B和SMMB算法。与M3B算法相比,SMMB算法精度有一定程度的竞争,但SMMB算法有较高的召回率比M3B算法。因此,综合评价指标F1,F1的值SMMB算法优于M3B算法和RFCI算法。与GFCI混合启发式算法相比,SMMB算法精度有一定的优势,回忆,和F1,但是它的优势并不明显。的F1 SMMB算法只有0.1的价值高于GFC算法。

SMMB算法、RFCI算法和M3B算法算法构造基于因果网络拓扑,以及所有需要找到给定目标变量的第一个相邻的变量。RFCI算法,关键是要找到正确的图像骨架的数据集。SMMB算法和M3B算法,关键是要找到目标的邻近节点变量。RFCI算法使用pc稳定算法找到网络骨架,而M3B算法使用AdjV算法找到目标变量的相邻节点。SMMB算法使用参考SLL算法框架当寻找目标节点的父子组和配偶集。相比之下,基于约束的方法如AdjV算法和pc稳定算法,该算法搜索目标节点的邻居集。它有更多的优点。GFCI算法混合搜索算法,搜索目标节点的域设置是基于投篮精度较高的启发式算法。因此,SMMB算法比GFCI算法更具竞争力。优势不明显。与GFCI算法相比,SMMB算法的优越性更反映在SMMB算法是当地一个因果关系发现算法,以更短的时间内建立一个因果网络和避免发生维度的诅咒。因此,基于上述原因,我们使用SMMB算法发现飞行保障过程的因果关系。

4.2。因果关系的飞行服务的过程

舞会在本文中被用作一个工具用于采矿飞行服务流程,使用西宁机场的航班保证数据在2018年7月在中国的案例研究。有122839块这样的数据,记录情况下,类型、活动、资源、时间戳、西宁机场和其他信息从7月1日到7月31日。数据样本如表所示4。

舞会的模糊过程挖掘算法插件工具执行过程挖掘的航班上服务事件日志。保留阈值和比例阈值设置为0.27和0.35,分别获得飞行服务过程模型。就像前面提到的3.1过程模型是优化的N必要和一元冲突解决冲突。优化的模型如图7。节点的评价指标,本文计算了时间戳前面的节点和下一个节点的区别与前面的时间节点来评估每个节点的服务操作效率。链接结构的平行关系,链接结构的持续时间是竞争的基础,是选为整体的时间越长时间的平行结构。此外,出发的时间节点的前面站和节点自身的站作为评价指标。通过寻找航班启动延迟时间之间的因果关系和每个航班保证节点的评价指标,我们可以分析哪些节点的飞行保障导致最终的延迟。每个航班的获得评价指标节点导入SMMB算法,航班延误和目标节点。由此产生的因果网络的飞行保障如图8。图9显示航班延误后获得的局部因果模型导入每个节点的评价指标的飞行保障MMHC算法。这是提取完整的因果模型。图中每个节点的信的含义如表所示5。

从图可以看出9,REGE-AR_REALTAKEOFF CHECKINSTART_ALANDINTIME TRACTORBIND_TRACTORSTART, MANIFESTCONVEY -_CLOSECABINGATE, CLEANPERSONARR_CLEANSTART, REARCABINTRA-NSPORTCAREND_TRACTORBIND, DSHUTTLEARR_BOARDINGSTART, TAK-EOFFATTHEFRONTSTATION_PUSHPERSONARR, PASSENGERU-PPERSONA-RR_DSHUTTLEARR, DELIVERYPERSONARR_REGEAR被认为是航班延误的主要原因。然而,在图8CHECKINSTART_ALANDINTIME之间存在双向的边缘,REGEAR_REALTAKEOFF TRACT-ORBIND_TRACTORSTART, MANIFESTCONVEY_CLOSECABINGATE,航班延误,这意味着有难以察觉的潜在变量,影响双方的双向边缘连接。这也是利用杂志图来表示因果模型。杂志图可以表示存在潜在的变量通过双向的边缘,避免干扰的影响造成的潜在变量。因果网络图发现的MMHC算法没有考虑潜在变量的存在,导致误以为CHECKINSTART_ALANDINTIME, REGEAR_REALTAKEOF-F, TRACTORBIND_TRACTORSTART, MANIFESTCONVEY_CLOSECABIN-GATE的直接原因是航班延误。在自然界中不存在因果关系。因此,提高CHECKINSTART_ALANDINTIME的4个链接,REG-EAR_REALTAKEOFF, TRACTORBIND_TRACTORSTART, MANIFESTCON-VEY_CLOSECABINGATE机场航班保障不能有效提高机场航班延误。数据8和9所有相信CLEANPERSONARR_CLEANSTART、REARCABINTRANSPORTCAREND_TR-ACTORBIND DSHUTTLEARR_BOARDINGSTART, TAKEOFFATTHEFRON-TSTATION_PUSHPERSONARR, PASSENGERUPPERSONARR_DSHUTT-LEARR的直接原因是航班延误。因此,如果机场想改变航班延误的现状,它可以通过改善CLEANPERSONARR_CLEANSTART的5个链接的间隔时间,REARCABINTRANSPORTC-AREND_TRACTORBIND, DSHUTTLEARR_BOARDINGSTART, TAKEOFFAT-THEFRONTSTATION_PUSHPERSONARR, PASSENGERUPPERSONAR-RDSHUTTLEARR,优化效率的清扫人员和释放人员,和合理的计划拖拉机和航天飞机的行驶路线,提高机场的航班延误的状态。

从上面,我们可以看到,从飞行服务事件日志、飞行服务的实际过程模型,并基于此过程模型,飞行的因果研究服务流程进行由于飞行服务流程模型本文中使用。它是数据驱动的,符合实际情况。除了活跃节点中列出的流程模型,一些难以察觉的混杂因素也影响发射的航班,如天气,机场布局、操作过程的飞行服务,和其他因素。因此,我们放松假设充分因果关系的定义2上面所提到的,使用祖先图来表示节点之间的因果关系在飞行服务流程和反映潜变量的存在形式的双向边缘。与DAG因果表示相比,镁因果表示消除了“false”之间的关联部分的时间节点和航班延误造成的潜在变量的干扰。对于航班延误的直接原因认为因果网络中,我们使用现有的数据进行了深入分析。如表所示6,航班的数量由节点的运营商的原因是航班延误一段时间。我们可以看到,这些节点的调度系统的运营商非常不合理,和方差航班由每个员工的数量非常大,133.4737。将近一半的员工提供远低于航班的平均数量,造成人力资源的浪费,而另一半的员工必须分为高强度工作状态维护机场地面服务的操作。无法保证正常的工作效率,导致手术时间的延长,这也是高的根源在机场航班延误时间。我们使用的因果关系发现方法飞行服务过程基于事件序列挖掘原因节点,导致频繁在西宁机场航班延误方面在中国的航班服务和使用现有的飞行站数据进行深入的分析并找到每个节点的节点的原因。不合理的人员安排在机场航班延误引起的。使用ACLP方法在这篇文章中,机场可以快速定位机场航班延误的原因,并利用现有的数据从不同的角度分析原因,并探索更深层次的原因航班延误。但是,本文仍存在一些缺点。本文仅从定性的角度寻找航班延误和不涉及定量措施。因此,它是不可能进一步回答的具体影响导致航班延误的航班延误的节点。 When the airport side is taken to adjust the nodes for these reasons, we cannot know whether these measures have an improvement effect on flight delays and how much of an effect they have. This is also the next step to consider.

5。结论和未来的工作

本文使用一个新的框架来自动发现业务流程性能问题的根源。与业务流程性能的自动因果发现基于一些研究者提出的格兰杰因果检验,本文中的方法使用SMMB算法。格兰杰因果关系检验来解决而不是潜在的混杂效应的影响,潜在变量的节点对的双向边缘。然而,本文只发现业务性能指标之间的因果关系由航班延误和节点操作时间和不探索每个节点的具体的因果效应对航班延误的时间。,这个问题相当于估计因果影响的问题时则反是缺乏。在未来的工作中,我们将进一步探讨这个问题,估计因果每个节点对航班延误的影响,寻找产生更大影响的节点延误,有关这些节点和采取适当的措施来提高机场的业务性能。

数据可用性

机场地面支持数据库购买从国际机场协会(ACI)。访问,研究者必须接触这个组织和获取数据。警报数据库来自bnlearn包。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究受到了四川省科技计划和中国民用航空局第二研究所的资助下2020 yfg0050和2019号jdtd0001。

引用

1. 中国民用航空局,2019年统计公报民用航空工业的发展民用航空管理,北京,中国,2020。
2. 邢z z,魏,罗问:“飞行支持服务过程建模方法基于彩色时间Petri网,“系统工程与电子技术》杂志上,40卷,不。464年,第114 - 109页,2018年。视图:谷歌学术搜索
3. h .荆杞、y Wen-dong和t .小薇”模拟平台卡车资源分配的枢纽机场,围裙,“武汉科技大学学报,35卷,不。12日,第91 - 85页,2013年。视图:谷歌学术搜索
4. z邢和t . Yunxiao”支持服务时间估计的枢纽机场,航班”系统仿真学报卷,29号11日,第2864 - 2856页,2017年。视图:谷歌学术搜索
5. 即Kovynyov和r . Mikut”,数字技术在机场地面行动,”Netnomics:经济研究和电子网络,20卷,不。3、外墙面,2019页。视图:出版商的网站|谷歌学术搜索
6. j . Rudnitckaia过程挖掘。数据科学行动埃因霍温科技大学,信息技术学院,埃因霍温,荷兰,2015年。
7. p .冲刺,c .针对r·史肯因果关系,预测和搜索美国剑桥,麻省理工学院出版社,MA, 2版,2000。
8. c·d·Ciccio a Marrella, a . Russo“知识密集型的过程:特点、需求和分析当代方法,”期刊数据语义,38卷,不。3,29-57,2015页。视图:出版商的网站|谷歌学术搜索
9. j j。王,业务流程管理的研究在一些关键问题上基于事件日志、杭州一袭大学,杭州,中国,2015。
10. a . Corallo m . Lazoi, f . Striani”过程矿业和工业应用:一个系统的文献回顾,“知识和流程管理,27卷,不。3、225 - 233年,2020页。视图:出版商的网站|谷歌学术搜索
11. w·范德阿尔斯特、t . Weijters和l . Maruster”工作流挖掘:从事件日志发现过程模型,”IEEE工程知识和数据,16卷,不。9日,第1142 - 1128页,2004年。视图:出版商的网站|谷歌学术搜索
12. a·j·m·m·Weijters和j·t·s·里贝罗“灵活的启发式矿工(《男人帮》),”学报2011年IEEE研讨会上计算情报和数据挖掘(CIDM)IEEE,巴黎,法国,2011年4月。视图:谷歌学术搜索
13. s . Montani g . Leonardi s Quaglini A . Cavallini和g . Micieli“知识密集型的过程相似性计算方法,”专家系统与应用程序,42卷,不。9日,第4215 - 4207页,2015年。视图:出版商的网站|谷歌学术搜索
14. m .独家和j·卡蒙在“修改C-net发现算法,”28届ACM学报》研讨会上应用计算2013年3月,Coimbra,葡萄牙,。视图:出版商的网站|谷歌学术搜索
15. c·w·冈瑟•阿尔斯特(george w . bush),“模糊mining-adaptive过程简化基于多角度指标,”国际会议业务流程管理学报》,Bpm2007年9月,斯普林格出版社,布里斯班,澳大利亚,。视图:谷歌学术搜索
16. j .珠儿,”概率推理的智能系统:似是而非的推理网络,”人工智能,48卷,不。8,117 - 124年,1990页。视图:谷歌学术搜索
17. Tsamardinos, c . f . Aliferis, a . r . Statnikov”算法对大规模马尔科夫毯的发现,”喇叭裤研讨会论文集,卷2,页376 - 380,奥古斯汀,FL,美国,2003年5月。视图:谷歌学术搜索
18. 即Tsamardinos、c . f . Aliferis和美国亚历山大,“时间和样本有效发现马尔科夫毯和直接的因果关系,”第九届ACM SIGKDD学报》国际会议上知识发现和数据挖掘美国,华盛顿特区,2003年8月。视图:出版商的网站|谷歌学术搜索
19. c . f . Aliferis a . Statnikov Tsamardinos,摩尼,和x d . Koutsoukos”当地的因果和马尔科夫毯感应对因果关系的发现和特征选择分类第一部分:算法和实证评估,”机器学习研究杂志》上,11卷,不。7,171 - 234年,2010页。视图:谷歌学术搜索
20. c . f . Aliferis a . Statnikov Tsamardinos,摩尼,和x d . Koutsoukos”当地的因果和马尔科夫毯感应对因果关系的发现和特征选择分类:第二部分分析和扩展,“机器学习研究杂志》上11卷,第234 - 171页,2010年。视图:谷歌学术搜索
21. 美国Triantafillou和i Tsamardinos参考vs基于因果学习混杂因素的存在,”不确定性人工智能的会议(可用)泽西岛,页59 - 67年,新泽西,美国,2016年6月。视图:谷歌学术搜索
22. t·理查森和p .喷出,“祖先图马尔科夫模型,”统计年鉴,30卷,不。4、962 - 1030年,2002页。视图:出版商的网站|谷歌学术搜索
23. 李j . k . Yu l . Liu, h·陈,“矿业马尔科夫毯没有因果充分性,”IEEE神经网络和学习系统卷,29号12日,第6347 - 6333页,2018年。视图:出版商的网站|谷歌学术搜索
24. w·范德阿尔斯特,a . Adriansyah和b·凡·通根于“历史重演在流程模型一致性检查和性能分析,“线数据挖掘和知识发现,卷2,不。2、182 - 192年,2012页。视图:出版商的网站|谷歌学术搜索
25. l·s·冈萨雷斯·g·卢比奥,f·r·冈萨雷斯和m . p . Velthuis”测量在业务流程:系统回顾”,业务流程管理杂志,16卷,不。1,第7154 - 1463页,2010。视图:出版商的网站|谷歌学术搜索
26. b·f·a . Hompes a . Maaradji m·拉·罗萨·m·杜马斯j . c . a . m . Buijs和w·m·p·范德阿尔斯特”业务流程性能的变化,发现因果因素解释”先进信息系统工程卷,10253年,第192 - 177页,2017年。视图:出版商的网站|谷歌学术搜索
27. c·w·冈瑟和w·m·p·范德阿尔斯特“模糊mining-adaptive过程简化基于多角度指标,”业务流程管理学报》国际会议卷,4714年,页328 - 343,施普林格,柏林,海德堡,2007年9月。视图:出版商的网站|谷歌学术搜索
28. d . m . Chickering“识别与贪婪搜索最优结构,”机器学习研究杂志》上,3卷,第554 - 507页,2002年。视图:谷歌学术搜索
29. k . Tsirlis诉Lagani、美国Triantafillou Tsamardinos,”上得分最大祖先与不等式爬山算法,图”国际期刊的近似推理,卷102,不。7,74 - 85年,2018页。视图:出版商的网站|谷歌学术搜索
30. t . Niinimaki和p . Parviainen”,当地在贝叶斯网络结构的发现,”2012年,arXiv预印本arXiv: 1210.4888。视图:谷歌学术搜索
31. t . Silander和p . Myllymaki”,一个简单的方法寻找全局最优贝叶斯网络结构,”2012年,arXiv预印本arXiv: 1206.6875。视图:谷歌学术搜索

版权

版权©2021钱罗等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。