Advances in Internet-of-Things (IoT) technologies have prompted the integration of IoT devices with business processes (BPs) in many organizations across various sectors, such as manufacturing, healthcare and smart spaces. The proliferation of IoT devices leads to the generation of large amounts of IoT data providing a window on the physical context of BPs, which facilitates the discovery of new insights about BPs using process mining (PM) techniques. However, to achieve these benefits, IoT data need to be combined with traditional process (event) data, which is challenging due to the very different characteristics of IoT and process data, for instance in terms of granularity levels. Recently, several data models were proposed to integrate IoT data with process data, each focusing on different aspects of data integration based on different assumptions and requirements. This fragmentation hampers data exchange and collaboration in the field of PM, e.g., making it tedious for researchers to share data. In this paper, we present a core model synthesizing the most important features of existing data models. As the core model is based on common requirements, it greatly facilitates data sharing and collaboration in the field. A prototypical Python implementation is used to evaluate the model against various use cases and demonstrate that it satisfies these common requirements.


翻译:物联网(IoT)技术的进步促使许多组织在制造、医疗和智能空间等多个领域将物联网设备与业务流程(BPs)相结合。物联网设备的激增导致大量物联网数据的生成,这些数据为业务流程的物理环境提供了观察窗口,从而有助于通过过程挖掘(PM)技术发现关于业务流程的新见解。然而,要实现这些优势,物联网数据需要与传统过程(事件)数据相结合,这由于物联网数据与过程数据在粒度级别等方面存在显著不同的特性而具有挑战性。近年来,已有多种数据模型被提出以整合物联网数据与过程数据,每种模型基于不同的假设和需求,侧重于数据整合的不同方面。这种碎片化阻碍了过程挖掘领域的数据交换与协作,例如使研究人员共享数据变得繁琐。本文提出了一种核心模型,综合了现有数据模型的最重要特征。由于该核心模型基于共同需求,它极大地促进了该领域的数据共享与协作。通过一个原型Python实现,我们评估了该模型在多种用例中的表现,并证明其满足了这些共同需求。

0
下载
关闭预览

相关内容

物联网,英文名为Internet of Things,可以简单地理解为物物相连的互联网。物联网主要通过各种设备(比如RFID,传感器,二维码等)的接口将现实世界的物体连接到互联网上,或者使它们互相连接,以实现信息的传递和处理。互联网在现实的物理世界之外新建了一个虚拟世界,物联网将会把两个世界融为一体。
图增强生成(GraphRAG)
专知会员服务
33+阅读 · 1月4日
表格数据的语言建模:基础、技术与演变综述
专知会员服务
38+阅读 · 2024年8月23日
边缘图智能:互相赋能边缘网络与图智能
专知会员服务
24+阅读 · 2024年7月28日
大型语言模型供应链
专知会员服务
45+阅读 · 2024年4月29日
专知会员服务
64+阅读 · 2021年6月11日
时空数据挖掘:综述
专知
34+阅读 · 2022年6月30日
Pytorch多模态框架MMF
专知
50+阅读 · 2020年6月20日
深度学习时代的图模型,清华发文综述图网络
GAN生成式对抗网络
13+阅读 · 2018年12月23日
国家自然科学基金
46+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
16+阅读 · 2013年12月31日
A Survey of Large Language Models
Arxiv
495+阅读 · 2023年3月31日
Arxiv
25+阅读 · 2023年3月17日
VIP会员
相关VIP内容
图增强生成(GraphRAG)
专知会员服务
33+阅读 · 1月4日
表格数据的语言建模:基础、技术与演变综述
专知会员服务
38+阅读 · 2024年8月23日
边缘图智能:互相赋能边缘网络与图智能
专知会员服务
24+阅读 · 2024年7月28日
大型语言模型供应链
专知会员服务
45+阅读 · 2024年4月29日
专知会员服务
64+阅读 · 2021年6月11日
相关资讯
时空数据挖掘:综述
专知
34+阅读 · 2022年6月30日
Pytorch多模态框架MMF
专知
50+阅读 · 2020年6月20日
深度学习时代的图模型,清华发文综述图网络
GAN生成式对抗网络
13+阅读 · 2018年12月23日
相关基金
国家自然科学基金
46+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
6+阅读 · 2014年12月31日
国家自然科学基金
16+阅读 · 2013年12月31日
Top
微信扫码咨询专知VIP会员