第五章错误资料处理.pdfVIP

第五章 ．錯誤資料處理 在這一章中 ，我們將考慮錯誤資料(noise)的問題 ，即演算法對錯誤資料的 處理 。演算法主要是由每一個流程例中 ，找出每一個活動緊臨的下一個活動， 來代表這個活動可能的下個活動(演算法中認為兩活動間可能有執行順序 ，寫為 none_pair) ，收集了所有流程例的資料後，便可以找出這個活動所有可能的下 個活動 。再利用兩活動時間有交集(演算法中寫為 overlap_pair或 contain_pair)，則不可能有執行順序關係的特性，自所有可能的下個活動中刪 去 ，以找出最後的有向圖。這樣的演算法是利用多個流程例資料而來 ，但大量 的資料中可能會有錯誤資料(noise) ，演算法也必須考慮這個問題。 因此 ，可以考慮對所記錄下來的活動執行關係(包括 none_pair、 overlap_pair或 contain_pair) ，計算其次數，然後在次數上加上一個門檻值 (threshold) 。如果記錄下來的活動執行關係次數太少 ，低於門檻值，則認為這 個關係可能是由錯誤資料而來 ，而將這些關係刪去，避免影響最後的結果。 但是門檻值應如何設定呢？讓我們考慮一下 ，如果門檻值設得太低，自然 無法過濾掉錯誤資料 ，但如果設得太高，則又可能將正確的活動執行關係去掉。 因此必須設定一適合的門檻值 ，才能過濾不正確的錯誤資料而不影響正確的活 動執行關係 。那麼 ，適合的門檻值如何設定呢? 在考慮門檻值設定的高低前 ，讓我們先參考圖3-7 。圖 3-7 是兩活動間所 有可能記錄的關係 。演算法執行時 ，兩活動依其執行時間先後、長短 ，可記錄 兩者之間有如圖 3-7(a)-(f)的關係(只有這六種關係) 。另外 ，對於門檻值的設 定 ，我們有一些基本假設： (1)錯誤資料少於正確資料 ：門檻值的設定，目的在過濾錯誤資料，而剩下 正確的資料 。所以錯誤資料數應比門檻值小 ，而門檻值應比正確資料數 小 ，才能藉由門檻值的設定達到過濾錯誤資料剩下正確資料的目的。如 果錯誤資料數多於正確資料 ，則不可能設定一個門檻值，可以過濾次數 多的錯誤資料卻可以留下次數少的正確資料。所以 ，考慮門檻值的設定 ， 首要假設是錯誤資料數少於正確資料數 。 (2)假設錯誤資料隨機(random)發生 ：錯誤資料的來源，可能是多記錄了活 動 、少記錄了活動或是記錄下來的活動時間不正確 ，而產生異樣的活動 53 執行關係 。因為門檻值的設定 ，目的在處理記錄下來、不正確的資料 ， 所以少記錄活動的錯誤 ，不可能由門檻值的設定來解決。因此 ，門檻值 的設定目的在解決多記錄 、錯誤記錄的活動執行 。這些記錄下來的錯誤 資料 ，假設其隨機發生，也就是圖3-7(a)-(f)皆有可能發生 ，且發生 機率相等 。 (3)若兩活動之間獨立 ，假設活動執行關係隨機(random)發生 ：如果有兩個 活動(設為活動 A 、活動 B) ，它們是平行、獨立的 ，則前述圖 3-7(a)-(f) 的執行關係都有可能發生。當然 ，如果有某些語意(semantic)資訊提供 ， 如活動 A 執行時間很久 ，則活動A 、B 執行時間之間的關係 ，可能像圖 3-7(b)-(e)的機會較大 ，而像圖3-7(a)、(f)的機會較小 。但在沒有這 些語意資訊的提供下 ，我們假設如果兩活動獨立，則這兩個活動執行時 間關係隨機發生 ，也就是出現如圖3-7 的六種關係的機率均相等(皆為 1/6) 。當然 ，如果使用者可以有某些語意資訊，也可以用更準確的機率 值來代替 。 在這三個假設之下 ，考慮本研究的演算法1 、2 。在演算法 2 的 step1中 ， 為每一種記錄下來的關係 ，加一個記數變數(counter) ，以記錄這種執行關係的 次數 。另外 ，因為兩個活動被記錄下來的執行時間，如果有交集的關係(包括 contain_pair和 overlap_pair) ，也就是如圖3-7(b)-(e)的四種關係 ，則會認 為這兩個活動彼此平行 、獨立 ，而刪去順序關係(如圖 3-7(a)、(f)的關係)