过程挖掘的思想是通过从当今系统中可用的事件日志中提取知识来发现、监控和改进真实流程,建立了实际流程及其数据与流程模型之间的联系。一致性检查和模型优化都是重要的流程挖掘技术。其中一致性检查通过将事件日志中记录的流程实例的行为与流程模型进行比较来监控差异,衡量流程执行与其规范性或描述性行为之间的偏差,确保发现的模型或系统给定的模型与实际的业务流程相符合。模型优化致力于利用某些事件日志中记录的实际流程信息来扩展或优化现有流程模型,由于可能不希望大幅度修改流程模型以适应不常见的高度异常行为,因此可以选择仅优化经常观察到的偏差行为部分,即基于一致性检测中检测到的偏差尽可能少的更改原始模型的同时,使模型更真实。本文主要基于近似一致性检测流程模型与实际业务流程是否存在偏差,进而在发现偏差时利用挖掘隐变迁或配置Petri网模型的方式优化流程模型。针对需建模的实际业务流程,基于Petri网和行为轮廓相关知识建立流程模型,并于观测到实际业务流程发生变化时及时利用行为关系优化模型;针对已有流程模型的情况,通过采集流程活动,基于近似一致性检查采集的实际流程与流程模型的符合度,并利用近似一致性松弛区分噪音与有效低频迹,进而利用过滤噪音后的日志迹优化流程模型。综上所述,主要内容有以下几部分:（1）首先,针对某公司IT服务发布线下流程转线上的情况,通过行为轮廓关系建立Petri网模型。首先将线下流程中采集到的活动序列汇总为事件日志序列,通过分析日志中活动间的行为轮廓关系基于Petri网生成上系统的初始流程模型;检测到实际业务流程发生变化时,通过分析变化的线上事件日志与原始线下事件日志得到行为轮廓关系的差异,并基于行为关系确定变化的模型块,进而利用变化的模型块中活动的直接依赖关系优化初始模型,并通过分别计算线上的新事件日志与原始模型和优化模型对齐值说明优化模型与实际流程的一致性程度更高。（2）其次,研究基于近似一致性结果的隐变迁挖掘问题,提出了过滤噪音的预处理方法及基于隐变迁优化模型的方法。其中,使用编辑距离函数计算日志序列与初始模型行为子集的总体近似适合度及上下界;同时,通过放宽适合度的区间定义,仅去除最可能是噪音的日志,而留下符合正常流程的低频日志。提出了日志中活动间的捆绑的定义,为找到有效低频序列中每个活动的直接输入和输出捆绑活动集,进而挖掘出模型中合理的隐变迁作支撑。通过实例演示验证该方法的可行性。（3）最后,针对组织或系统给定的具有部分相同行为的相似流程的组合流程图直接转换的Petri网模型,提出了基于近似一致性检查结果利用配置优化模型的方法。通过模拟方法放宽适合度区间用于过滤噪音;使用过滤噪音后的日志基于配置的方法优化模型,与传统配置不同,该方法在原有配置概念上进行了修改,取消直接阻塞的可能,转为在触发配置规则时暂时关闭。基于行为关系挖掘配置点和对应的配置触发规则,得到带配置规则的配置的模型,并基于疫情期间新入院患者办理入院流程实例对方法进行了说明。图[13]表[21]参[103]