选择嵌套并发的过程模型修正方法技术

本发明专利技术公开了一种选择嵌套并发的过程模型修正方法，所述修正方法为了确定就诊过程中偏差的位置，发现实际就诊流程与医院公布业务流程可以改进的地方，提出了最简校准的概念，加入可达库所集来帮助确定就诊过程中偏差的位置。修正得到的就诊模型能够正确反映现实行为，解决了在选择结构中分支跳转的问题，由于加入了逻辑关系，相较普通Petri网能更为简洁的表达活动之间的关系。基于逻辑Petri网修正的就诊模型大大降低了模型的复杂性，从而简洁度更高。由于没有自环跟不可见变迁，修正后模型的精确度也更高。

Process model updating method for selecting nested concurrency

The invention discloses a process model correction method for selecting nested concurrency. In order to determine the location of deviation in the process of consultation and find out the areas where actual consultation process and hospital publication business process can be improved, the concept of simplest calibration is proposed, and accessible databases are added to help determine the location of deviation in the process of consultation. The revised model can correctly reflect the actual behavior and solve the problem of branch jump in the selection structure. Compared with ordinary Petri nets, it can express the relationship between activities more concisely by adding logical relations. The revised model based on logical Petri net greatly reduces the complexity of the model and thus is more concise. Since there is no self-loop and invisible transition, the accuracy of the modified model is higher.

【技术实现步骤摘要】
选择嵌套并发的过程模型修正方法
本专利技术涉及一种选择嵌套并发的过程模型修正方法。
技术介绍
过程挖掘的目的是要在过程模型和从现代信息系统产生的事件日志建立有效的关联。过程挖掘主要包括三个方面的应用：过程发现、一致性检测、过程改进。发现技术使用不包括任何先验信息的事件日志生成模型。一致性检测是将一个已知的过程模型将与它产生的事件日志相比较，检查记录在日志中的实际情况是否和模型相吻合。过程改进是利用现实行为产生的事件日志来扩展或改进一个已存在的过程。判定一个过程挖掘结果的质量需要从以下4个维度来描述：拟合度、简洁度、精确度和泛化度。拟合度是指模型允许事件日志所反映的行为发生的能力。如果模型可以从头到尾重演日志中的所有轨迹，那么这个模型的拟合度是非常好的。简洁度是指模型能够解释日志中的行为并且是最简单的模型。精确度是指得到的模型与事件日志的相关程度。泛化度是指模型不局限在日志中所见的例子行为。一个泛化度好的模型不应是只允许样例日志发生的特殊模型，不进行泛化的模型是过拟合的。Fahland等提出一种模型修复方法，利用校准发现模型和日志的偏差收集出不拟合的子日志，并借助InductiveMiner挖掘算法对子日志进行挖掘，将挖掘出的子过程作为一个整体添加到原模型的合适的位置。该修复方法修复后的模型有极高的拟合度，即事件日志中的大部分迹均能在修复后的模型中重演。然而，由于将子过程作为一个整体添加进模型中，会造成变迁的重复，使模型变的冗余、复杂，导致修复后的模型简洁度、精确度不高。Goldratt方法和Knapsack方法根据不同的约束条件添加单个活动自环或不可见变迁的方式进行修正。从直观来看，这三种方法修复后的模型并不能正确表达业务流程，而且自环和不可见变迁的加入使得修复后模型精确度和简洁度不高，因此本专利技术提出了逻辑最简校准来发现偏差位置，试图在保持原模型基本结构的基础上，对模型进行修正。现有的医院业务流程中存在诸多弊端，比如由于国家医保目录不同年份是有区别的，在药房配药过程中，会有些药物新纳入了国家医保，患者之前是不能报销的，而现在患者是可以报销的。这些流程的发生，说明在模型中存在从选择分支的一条分支跳转到另一条分支的情况。还有由于流程不够优化，现有的流程模型不是时间最优的，造成患者在某些活动上的拥堵情况，而同时有些本应进行的活动处于空闲状态，造成了医疗资源的极大浪费，患者的就医体验不好。由此可见，现有的医院业务流程需要进一步改进。
技术实现思路
本专利技术的目的在于提出一种选择嵌套并发的过程模型修正方法，以缩短患者在就诊时的等待时间，让整个就诊过程更加有效率，提高患者的就医体验。本专利技术为了实现上述目的，采用如下技术方案：选择嵌套并发的过程模型修正方法，包括如下步骤：定义Petri网四元组PN＝(P,T；F,M)称为一个Petri网，当且仅当：①N＝(P,T；F)为一个网；其中，P是有限库所集，用来表示就诊模型里的各种状态，T是有限变迁集，用来表示就诊流程里活动的名称，是有限弧集；②称为网PN的一个标识，表示所有标识Petri网构成的集合；③PN具有下面的变迁发生规则：a.对t∈T，若即p中含有托肯，则称t在标识M下使能，记作M[t>，表示此活动具备了发生的条件；b.若M[t>，则在M下，t能够发生，从M引发t得到一个新的标识M′，记作M[t>M′，表示从就诊流程中的一个活动转换到了另一个活动；且对都有：其中，·t表示变迁t的前集，t·表示变迁t的后集；定义校准设是一个活动的集合，A表示一个就诊流程的活动，表示就诊流程活动的集合；σ∈A*是A上的一条迹，PN＝(P,T；F,M)是A上的一个Petri网；二元组(a,t)∈A>>×T>>\{(>>,>>)}是一个移动，表示就诊流程中进行的轨迹；校准γ∈(A>>×T>>)*是迹σ与模型PN之间的移动序列(a,t)*，且满足：(1)π1(γ)↓A＝σ，即就诊流程的移动序列产生该就诊活动的轨迹；(2)即模型的移动序列产生一个完整的就诊流程序列；其中，>>表示无移动，A>>＝A∪{>>}；π1(γ)↓A代表校准中第一行元素，是患者在实际就诊过程中所经过的活动；π2(γ)↓T代表校准中第二行元素，是医院就诊流程中经过的活动；>>代表在流程中的活动没有发生；mi表示就诊模型移动序列的输入；mf表示就诊模型移动序列的输出；i表示输入前状态，f表示输出后状态；对于校准中的二元组(a,t)∈γ，定义如下：a)若a∈A且t＝>>,则为日志动作，代表在真实就诊过程中有些就诊活动发生了，而未按照医院流程图发生，表示现有的医院流程图并未随着患者的需求改变而改变，现有的医院流程图没有满足患者的真实要求；b)若a＝＞＞且t∈T,则为模型动作，代表在真实就诊过程中有些就诊活动没有发生，是按照医院流程图发生的；c)若a∈A且t∈T,则为同步动作，代表医院流程图与真实就诊过程相符合；d)否则为非法动作；定义过程树设是给定的操作符集，τ是隐式变迁，则有：①a∈A∪{τ}是一个过程树；②设PT1，…，PTn是过程树，则也是过程树，n>0；定义最优校准迹σ和过程模型PN之间的校准γ∈Γσ,PN是一个最优校准，当且仅当其中，lc(a,t)为可能性代价函数，代表医院流程图与真实就诊过程发生偏差的程度；Γσ，PN表示迹σ和模型PN之间所有校准的集合；γ′表示最优校准以外的其他校准；∑(a，t)∈γlc((a,t))表示最优校准的可能性代价函数最小的集合；∑(a，t)∈γ′lc((a,t))表示非最优校准的可能性代价函数最小的集合；定义选择识别对和识别对集设PN＝(P,T；F,M)，PT是PN的过程树；选择识别对crp是一个二元组(pleft,pright)，pleft＝·(LLN(K))，pright＝(RLN(K))·，且满足：且K＝×；其中，K表示叶子节点；LLN(K)表示就诊模型里选择结构的最左叶子节点；RLN(K)表示就诊模型里选择结构的最右叶子节点；pleft表示最左叶子节点的前集，pright表示最右叶子节点的后集，×表示乘积符号；选择识别对集CRPS为包含所有识别对的集合，有：定义逻辑Petri网一个逻辑Petri网定义为一个六元组LPN＝(P,T；F,I,O,M)，当且仅当：(1)P是一个有限库所集；(2)T＝TD∪TI∪TO是一个有限变迁集，若t∈TI∩TO,则a.TD表示Petri网中的变迁集；b.TI表示逻辑输入变迁集，对t的输入库所受逻辑表达式fI(t)的限制；c.TO表示逻辑输出变迁集，对t的输出库所受逻辑表达式fO(t)的限制；(3)F＝(P×T)(T×P)是一个有限弧集；(4)I是由逻辑输入变迁到逻辑输入函数的映射，对于(5)O是由逻辑输出变迁到逻辑输出函数的映射，对于O(t)＝fO(t)；(6)M:P→Z0是Petri网的表示函数，Z0＝{0,1,2，…}；定义最简校准设(a,t,h)∈(A∪{>>})×(T∪{>>})×(H)是一个动作；最简校准β＝(a1,t1,h1)…(a|β|,t|β|,h|本文档来自技高网...

【技术保护点】
1.选择嵌套并发的过程模型修正方法，其特征在于，包括如下步骤：定义Petri网四元组PN＝(P,T；F,M)称为一个Petri网，当且仅当：①N＝(P,T；F)为一个网；其中，P是有限库所集，用来表示就诊模型里的各种状态，T是有限变迁集，用来表示就诊流程里活动的名称，

【技术特征摘要】
1.选择嵌套并发的过程模型修正方法，其特征在于，包括如下步骤：定义Petri网四元组PN＝(P,T；F,M)称为一个Petri网，当且仅当：①N＝(P,T；F)为一个网；其中，P是有限库所集，用来表示就诊模型里的各种状态，T是有限变迁集，用来表示就诊流程里活动的名称，是有限弧集；②M：称为网PN的一个标识，表示所有标识Petri网构成的集合；③PN具有下面的变迁发生规则：a.对t∈T，若M(p)≥1,即p中含有托肯，则称t在标识M下使能，记作M[t>，表示此活动具备了发生的条件；b.若M[t>，则在M下，t能够发生，从M引发t得到一个新的标识M′，记作M[t>M′，表示从就诊流程中的一个活动转换到了另一个活动；且对都有：其中，·t表示变迁t的前集，t·表示变迁t的后集；定义校准设是一个活动的集合，A表示一个就诊流程的活动，表示就诊流程活动的集合；σ∈A*是A上的一条迹，PN＝(P,T；F,M)是A上的一个Petri网；二元组(a,t)∈A>>×T>>\{(>>,>>)}是一个移动，表示就诊流程中进行的轨迹；校准γ∈(A>>×T>>)*是迹σ与模型PN之间的移动序列(a,t)*，且满足：(1)π1(γ)↓A＝σ，即就诊流程的移动序列产生该就诊活动的轨迹；(2)即模型的移动序列产生一个完整的就诊流程序列；其中，>>表示无移动，A>>＝A∪{>>}；π1(γ)↓A代表校准中第一行元素，是患者在实际就诊过程中所经过的活动；π2(γ)↓T代表校准中第二行元素，是医院就诊流程中经过的活动；>>代表在流程中的活动没有发生；mi表示就诊模型移动序列的输入；mf表示就诊模型移动序列的输出；i表示输入前状态，f表示输出后状态；对于校准中的二元组(a,t)∈γ，定义如下：a)若a∈A且t＝>>,则为日志动作，代表在真实就诊过程中有些就诊活动发生了，而未按照医院流程图发生，表示现有的医院流程图并未随着患者的需求改变而改变，现有的医院流程图没有满足患者的真实要求；b)若a＝＞＞且t∈T,则为模型动作，代表在真实就诊过程中有些就诊活动没有发生，是按照医院流程图发生的；c)若a∈A且t∈T,则为同步动作，代表医院流程图与真实就诊过程相符合；d)否则为非法动作；定义过程树设是给定的操作符集，τ是隐式变迁，则有：①a∈A∪{τ}是一个过程树；②设PT1，…，PTn是过程树，则也是过程树，n>0；定义最优校准迹σ和过程模型PN之间的校准γ∈Γσ,PN是一个最优校准，当且仅当∑(a,t)∈γlc((a,t))≤∑(a,t)∈γ′lc((a,t))；其中，lc(a,t)为可能性代价函数，代表医院流程图与真实就诊过程发生偏差的程度；Γσ,PN表示迹σ和模型PN之间所有校准的集合；γ′表示最优校准以外的其他校准；∑(a,t)∈γlc((a,t))表示最优校准的可能性代价函数最小的集合；∑(a,t)∈γ′lc((a,t))表示非最优校准的可能性代价函数最小的集合；定义选择识别对和识别对集设PN＝(P,T；F,M)，PT是PN的过程树；选择识别对crp是一个二元组(pleft,pright)，pleft＝·(LLN(K))，pright＝(RLN(K))·，且满足：且K＝×；其中，K表示叶子节点；LLN(K)表示就诊模型里选择结构的最左叶子节点；RLN(K)表示就诊模型里选择结构的最右叶子节点；pleft表示最左叶子节点的前集，pright表示最右叶子节点的后集，×表示乘积符号；选择识别对集CRPS为包含所有识别对的集合，有：定义逻辑Petri网一个逻辑Petri网定义为一个六元组LPN＝(P,T；F,I,O,M)，当且仅当：(1)P是一个有限库所集；(2)T＝TD∪TI∪TO是一个有限变迁集，若t∈TI∩TO,则a.TD表示Petri网中的变迁集；b.TI表示逻辑输入变迁集，对t的输入库所受逻辑表达式fI(t)的限制；c.TO...

【专利技术属性】
技术研发人员：杜玉越，郑文泰，王路，栾文静，张福新，亓亮，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东,37