إطار منهجي لتنقيب قواعد الارتباط وترتيبها في المراقبة التنبؤية للعمليات بالاعتماد على بادئات مسارات التنفيذ وضبط تسرّب البيانات
DOI:
https://doi.org/10.65405/6pxnwt83الكلمات المفتاحية:
المراقبة التنبؤية للعمليات؛ تنقيب قواعد الارتباط؛ FP-Growth؛ سجلات الأحداث؛ تسرّب معلومات المتغير المستهدف؛ التحقق الزمني؛ التحليلات القابلة للتفسير؛ BPI Challenge 2017.الملخص
تهدف المراقبة التنبؤية للعمليات إلى استخلاص معلومات من الحالات قيد التنفيذ بما يدعم اتخاذ القرار. وتتيح قواعد الارتباط تمثيل العلاقات بين الشروط والنتائج بصورة قابلة للتفسير. غير أن تنقيب سجلات الأحداث بأثر رجعي قد يؤدي إلى تسرّب معلومات عن المتغير المستهدف، كما أن كثرة القواعد المستخرجة قد تحجب العلاقات التي تحافظ على استقرارها بمرور الزمن. تقدّم هذه الدراسة إطارًا لضبط تسرّب البيانات عند تنقيب قواعد الارتباط وترتيبها، يبدأ باستخراج بادئات مسارات التنفيذ وبناء المتغيرات التنبؤية حصرًا من المعلومات المتاحة ضمن كل بادئة. ثم تُستخدم خوارزمية FP-Growth لتنقيب القواعد المقيّدة بالمتغيرات المستهدفة اعتمادًا على مجموعة تدريب محدّدة زمنيًا، وتُرتَّب القواعد الناتجة وفق مقياس استرشادي يُحتسب باستخدام بيانات التطوير وحدها.
أسفرت عملية التنقيب عن 67 مجموعة عناصر متكررة و19 قاعدة ارتباط مستوفية لضوابط عدم التسرّب. وحقّقت 17 قاعدة معامل رفع يتجاوز الواحد في مجموعة التحقق، وحافظت 16 منها على ذلك في مجموعة الاختبار التي لم تُستخدم في تطوير الإطار. وأظهرت القواعد المرتبطة بقبول الطلبات أقوى الارتباطات؛ إذ حقّقت قاعدة تجمع بين عدد متوسط من الأحداث في بادئة المسار وانخفاض تنوّع الأنشطة درجة ثقة بلغت 0.7047، ومعامل رفع 1.3094، ودعمًا 0.0289 في الاختبار. أما قواعد إلغاء الطلبات، فأظهرت ارتباطات أكثر اعتدالًا مع استقرار عام عبر المجموعات الزمنية؛ وبلغ دعم قاعدة الإلغاء الأوسع تغطيةً 0.2227، بمعامل رفع 1.1028. في المقابل، لم تتجاوز قواعد ارتفاع إعادة العمل معدل انتشار هذه النتيجة في مجموعة الاختبار، البالغ 2.19%، إلا بفارق محدود، مما يستدعي تفسيرها بوصفها ارتباطات ضعيفة.
تقدّم الدراسة إطارًا قابلًا لإعادة الإنتاج لتنقيب قواعد الارتباط وترتيبها مع ضبط تسرّب البيانات والتحقق من استقرارها الزمني. وتقتصر دلالات النتائج على الارتباطات المرصودة، ولا تمثّل دليلًا على دقة التصنيف أو على وجود علاقات سببية.
التنزيلات
المراجع
Agrawal, R., Imieliński, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. In Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data (pp. 207–216). ACM. https://doi.org/10.1145/170035.170072
Alsaeedi, H. A., & Alhegami, A. S. (2022). An incremental interesting maximal frequent itemset mining based on FP-Growth algorithm. Complexity, 2022, 1942517. https://doi.org/10.1155/2022/1942517
Fani Sani, M., Vazifehdoostirani, M., Park, G., Pegoraro, M., van Zelst, S. J., & van der Aalst, W. M. P. (2023). Performance-preserving event log sampling for predictive monitoring. Journal of Intelligent Information Systems, 61, 53–82. https://doi.org/10.1007/s10844-022-00775-9
Han, J., Pei, J., Yin, Y., & Mao, R. (2004). Mining frequent patterns without candidate generation: A frequent-pattern tree approach. Data Mining and Knowledge Discovery, 8(1), 53–87. https://doi.org/10.1023/B:DAMI.0000005258.31418.83
Khan, N., Tariq, Z., Ali, A., McClean, S., Taylor, P., & Nauck, D. (2022). Early prediction of complex business processes using association rule based mining. In K. C. Santosh, R. Hegadi, & U. Pal (Eds.), Recent trends in image processing and pattern recognition (pp. 183–194). Springer. https://doi.org/10.1007/978-3-031-07005-1_17
Lee, S., Comuzzi, M., & Kwon, N. (2022). Exploring the suitability of rule-based classification to provide interpretability in outcome-based process predictive monitoring. Algorithms, 15(6), 187. https://doi.org/10.3390/a15060187
Mehdiyev, N., Majlatow, M., & Fettke, P. (2023). Quantifying and explaining machine learning uncertainty in predictive process monitoring: An operations research perspective. arXiv. https://doi.org/10.48550/arXiv.2304.06412
Mehdiyev, N., Majlatow, M., & Fettke, P. (2025). Interpretable and explainable machine learning methods for predictive process monitoring: A systematic literature review. Artificial Intelligence Review, 58, 378. https://doi.org/10.1007/s10462-025-11399-0
Neu, D. A., Lahann, J., & Fettke, P. (2022). A systematic literature review on state-of-the-art deep learning methods for process prediction. Artificial Intelligence Review, 55, 801–827. https://doi.org/10.1007/s10462-021-09960-8
Petitjean, F., Li, T., Tatti, N., & Webb, G. I. (2016). SkOPUS: Mining top-k sequential patterns under leverage. Data Mining and Knowledge Discovery, 30, 1086–1111. https://doi.org/10.1007/s10618-016-0467-9
Rinderle-Ma, S., Winter, K., & Benzin, J.-V. (2023). Predictive compliance monitoring in process-aware information systems: State of the art, functionalities, research directions. arXiv. https://doi.org/10.48550/arXiv.2205.05446
Rizzi, W., Comuzzi, M., Di Francescomarino, C., Ghidini, C., Lee, S., Maggi, F. M., & Nolte, A. (2024). Explainable predictive process monitoring: A user evaluation. Process Science, 1, Article 3. https://doi.org/10.1007/s44311-024-00003-3
Stevens, A., & De Smedt, J. (2024). Explainability in process outcome prediction: Guidelines to obtain interpretable and faithful models. European Journal of Operational Research, 317(2), 317–329. https://doi.org/10.1016/j.ejor.2023.09.010Stevens, A., De Smedt, J., & Peeperkorn, J. (2022). Quantifying explainability in outcome-oriented predictive process monitoring. In Process Mining Workshops (LNBIP 433, pp. 194–206). Springer. https://doi.org/10.1007/978-3-030-98581-3_15
van Dongen, B. F. (2017). BPI Challenge 2017 [Data set]. 4TU.ResearchData. https://doi.org/10.4121/uuid:5f3067df-f10b-45da-b98b-86ae4c7a310b












