بهبود الگوریتمهای فرآیندکاوی با هدف کشف الگوهای پیچیده‌تر (چندنخی)

فرآیندکاوی پلی بین داده‌کاوی، هوش تجاری و مدیریت کسب‌وکار است که هدف اصلی آن کشف مدل فرآیند از سابقه‌ی رویدادهای ثبت شده در سیستم‌‌‌های اطلاعاتی می‌باشد. الگوهای کنترلی بسیاری جهت کنترل فرآیندهای کسب‌وکار مورد استفاده قرار می‌گیرند. یکی از الگوهای پیچیده که در این فرآیندها مورد استفاده قرار می‌گیرد چندنخی است. وجود چندنخی در یک فرآیند بدین معنی است که یک مورد (درخواست) در طول فرآیند توسط جداکننده‌ی چندنخی به چند بخش تفکیک شده و هریک مسیر فرآیند را جداگانه و مستقل طی نموده و در آخر توسط متصل‌کننده‌ی چندنخی به هم متصل شده و در قالب مورد اولیه ادامه فرآیند را طی می‌نمایند. الگوریتم‌‌‌های زیادی جهت کشف فرآیند از سابقه‌ی رویداد تاکنون ارائه شده‌اند که مهمترین آنها الگوریتم آلفا می‌باشد. این الگوریتم با استفاده از پیدا کردن رابطه دوتایی وظایف سعی در کشف مدل فرآیند دارد. یکی از چالش‌های این الگوریتم ترسیم رابطه‌های موازی در مدل استخراج شده نهایی می‌باشد. رابطه ی وظایف درون الگوی چندنخی نیز در الگوریتم آلفا بصورت رابطه موازی کشف می‌گردند که مدل استخراج شده قادر به نمایش درست الگوی چندنخی نیست. این پژوهش سعی دارد با تمرکز بر رابطه‌های 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.