Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Temporal Network Representation of Event Logs for Improved Performance Modelling in Business Processes Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

TESSERACT: Time-Drifts in Event Streams Using Series of Evolving Rolling Averages of Completion Times

verfasst von : Florian Richter, Thomas Seidl

Erschienen in: Business Process Management

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Business processes are dynamic and change due to diverse factors. While existing approaches aim to detect drifts in the process structure, TESSERACT looks for temporal drifts in activity interim times. This orthogonal view on the process extends the traditional data cube of events - case id, activities and timestamps - by a fourth dimension and improves the operational support by a visualization of temporal drifts in real-time.
Insights about temporal deviations lead to an augmented awareness of imminent failures or improved service times. The detection of related structural concept drifts can be improved by early warning, as operation times of critical parts often increase before they catastrophically fail.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Analysis of Knowledge-Intensive Processes Focused on the Communication Perspective
Nächstes Kapitel Intra and Inter-case Features in Predictive Process Monitoring: A Tale of Two Dimensions
Literatur
1.
Aminikhanghahi, S., Cook, D.J.: A survey of methods for time series change point detection. Knowl. Inf. Syst. 51(2), 339–367 (2017)CrossRef
2.
Backus, P., Janakiram, M., Mowzoon, S., Runger, C., Bhargava, A.: Factory cycle-time prediction with a data-mining approach. IEEE Trans. Semicond. Manuf. 19(2), 252–258 (2006)CrossRef
3.
4.
Bose, R.P., van der Aalst, W.M.P., Zliobaite, I., Pechenizkiy, M.: Dealing with concept drifts in process mining. IEEE Trans. Neural Netw. Learn. Syst. 25(1), 154–171 (2014)CrossRef
5.
Bose, R.P.J.C., Aalst, W.M.P., Žliobaitė, I., Pechenizkiy, M.: Handling concept drift in process mining. In: Mouratidis, H., Rolland, C. (eds.) CAiSE 2011. LNCS, vol. 6741, pp. 391–405. Springer, Heidelberg (2011). doi:10.​1007/​978-3-642-21640-4_​30CrossRef
6.
7.
Burattin, A., Sperduti, A., van der Aalst, W.M.P.: Control-flow discovery from event streams. In: Congress on Evolutionary Computation (IEEE WCCI CEC) (2014)
8.
Cabanillas, C., Di Ciccio, C., Mendling, J., Baumgrass, A.: Predictive task monitoring for business processes. In: International Conference on Business Process Management, pp. 424–432. Springer (2014)
9.
Carmona, J., Gavaldà, R.: Online techniques for dealing with concept drift in process mining. In: Hollmén, J., Klawonn, F., Tucker, A. (eds.) IDA 2012. LNCS, vol. 7619, pp. 90–102. Springer, Heidelberg (2012). doi:10.​1007/​978-3-642-34156-4_​10CrossRef
10.
de Leoni, M., Mannhardt, F.: Road traffic fine management process (2015)
11.
Fan, B., Andersen, D.G., Kaminsky, M., Mitzenmacher, M.D.: Cuckoo filter: Practically better than bloom. In: Proceedings of the 10th ACM International on Conference on emerging Networking Experiments and Technologies, pp. 75–88. ACM (2014)
12.
Gal, A., Mandelbaum, A., Schnitzler, F., Senderovich, A., Weidlich, M.: On predicting traveling times in scheduled transportation. In: Proceedings of the 2nd International Conference on Mining Urban Data, Vol. 1392, pp. 88–89. CEUR-WS. org (2015)
13.
Hassani, M., Siccha, S., Richter, F., Seidl, T.: Efficient process discovery from event streams using sequential pattern mining. In: IEEE Symposium on Computational Intelligence and Data Mining (CIDM), pp. 1366–1373 (2015)
14.
Maaradji, A., Dumas, M., Rosa, M., Ostovar, A.: Fast and accurate business process drift detection. In: Motahari-Nezhad, H.R., Recker, J., Weidlich, M. (eds.) BPM 2015. LNCS, vol. 9253, pp. 406–422. Springer, Cham (2015). doi:10.​1007/​978-3-319-23063-4_​27CrossRef
15.
Kuma, M.V.M., Thomas, L., Annappa, B: Capturing the sudden concept drift in process mining. In: BPM Workshops, pp. 132–143 (2015)
16.
Polato, M., Sperduti, A., Burattin, A., de Leoni, M.: Data-aware remaining time prediction of business process instances. In: 2014 International Joint Conference on Neural Networks (IJCNN), pp. 816–823. IEEE (2014)
17.
Schlimmer, J.C., Granger, R.H.: Beyond incremental processing: Tracking concept drift. In: National Conference AI, pp. 502–507 (1986)
18.
Schubert, E., Weiler, M., Kriegel, H.-P.: Signitrend: scalable detection of emerging topics in textual streams by hashed significance thresholds. In: Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 871–880. ACM (2014)
19.
Senderovich, A., Weidlich, M., Gal, A., Mandelbaum, A.: Queue mining – Predicting delays in service processes. In: Jarke, M., Mylopoulos, J., Quix, C., Rolland, C., Manolopoulos, Y., Mouratidis, H., Horkoff, J. (eds.) CAiSE 2014. LNCS, vol. 8484, pp. 42–57. Springer, Cham (2014). doi:10.​1007/​978-3-319-07881-6_​4CrossRef
20.
van der Aalst, W.: Process Mining: Data science in action. Springer, Heidelberg (2016)
21.
Van der Aalst, W.M.P., Schonenberg, M.H., Song, M.: Time prediction based on process mining. Inf. Syst. 36(2), 450–475 (2011)CrossRef
22.
van Dongen, B.F.: Bpi challenge 2017 - offer log (2017)
Metadaten
Titel
TESSERACT: Time-Drifts in Event Streams Using Series of Evolving Rolling Averages of Completion Times
verfasst von
Florian Richter
Thomas Seidl
Copyright-Jahr
2017
Buch
Business Process Management

Print ISBN: 978-3-319-64999-3

Electronic ISBN: 978-3-319-65000-5

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-65000-5_17

Neuer Inhalt

    Bildnachweise