Rybinski, Fabian; Schie e , Gun he
A icle — Published Ve sion
P ocess Mining mi Fah zeugda en: Von Senso da en zu
P ozessmodellen
HMD P axis de Wi scha sin o ma ik
P o ided in Coope a ion wi h:
Sp inge Na u e
Sugges ed Ci a ion: Rybinski, Fabian; Schie e , Gun he (2025) : P ocess Mining mi Fah zeugda en:
Von Senso da en zu P ozessmodellen, HMD P axis de Wi scha sin o ma ik, ISSN 2198-2775,
Sp inge Fachmedien Wiesbaden GmbH, Wiesbaden, Vol. 62, Iss. 4, pp. 897-920,
h ps://doi.o g/10.1365/s40702-025-01173-9
This Ve sion is a ailable a :
h ps://hdl.handle.ne /10419/330564
S anda d-Nu zungsbedingungen:
Die Dokumen e au EconS o dü en zu eigenen wissenscha lichen
Zwecken und zum P i a geb auch gespeiche und kopie we den.
Sie dü en die Dokumen e nich ü ö en liche ode komme zielle
Zwecke e iel äl igen, ö en lich auss ellen, ö en lich zugänglich
machen, e eiben ode ande wei ig nu zen.
So e n die Ve asse die Dokumen e un e Open-Con en -Lizenzen
(insbesonde e CC-Lizenzen) zu Ve ügung ges ell haben soll en,
gel en abweichend on diesen Nu zungsbedingungen die in de do
genann en Lizenz gewäh en Nu zungs ech e.
Te ms o use:
Documen s in EconS o may be sa ed and copied o you pe sonal
and schola ly pu poses.
You a e no o copy documen s o public o comme cial pu poses, o
exhibi he documen s publicly, o make hem publicly a ailable on he
in e ne , o o dis ibu e o o he wise use he documen s in public.
I he documen s ha e been made a ailable unde an Open Con en
Licence (especially C ea i e Commons Licences), you may exe cise
u he usage igh s as speci ied in he indica ed licence.
h ps://c ea i ecommons.o g/licenses/by/4.0/deed.de
SCHWERPUNKT
h ps://doi.o g/10.1365/s40702-025-01173-9
HMD P axis de Wi scha sin o ma ik (2025) 62:897–920
P ocess Mining mi Fah zeugda en: Von Senso da en
zu P ozessmodellen
Fabian Rybinski · Gun he Schie e
Eingegangen: 18. Janua 2025 / Angenommen: 27. Mä z 2025 / Online publizie : 24. Ap il 2025
© The Au ho (s) 2025
Zusammen assung Die Analyse on Fah zeugda en gewinn in de Mobili ä s-
o schung und Fah zeugen wicklung zunehmend an Bedeu ung. Im Ve bundp ojek
So DCa wu de eine inno a i e Pe spek i e au diese Da en un e such : Die Be-
ach ung on Fah zeug ah en als P ozesse und de en Gene ie ung aus Senso da en
mi els P ocess Mining. Um Fah en als P ozesse da s ellen zu können, is dabei
eine T ans o ma ion on Senso da en in P ozesse eignisse no wendig. Diese A -
bei schließ diese Lücke du ch die En wicklung eine sys ema ischen Pipeline zu
T ans o ma ion on Fah zeugda en in P ozessmodelle. Die Pipeline um ass dabei
die E assung on ah zeugin e nen und ex e nen Da enquellen, die E kennung on
Fah ak i i ä en sowie die Gene ie ung on P ozessmodellen du ch P ocess-Mining-
Me hoden. Die p o o ypische Implemen ie ung demons ie die Anwendba kei des
Ansa zes anhand eale Fah zeugda en. Die E alua ion zeig , dass einzelne Fah en
als P ozessins anzen und gleicha ige Fah en als P ozesse mi Va ian en modellie
we den können. Die gewonnenen P ozessmodelle e möglichen neue Einblicke in
Fah mus e und de en Va iabili ä , die zu Ve besse ung on Fah e assis enzsys e-
men und des Fah e hal ens bei agen können.
Schlüsselwö e P ocess Mining · Fah zeugda en · Ac i i y Recogni ion · E en
Abs ac ion · P ozessanalyse
Fabian Rybinski · Gun he Schie e
Ins i u AIFB, Ka ls uhe Ins i u ü Technologie, Ka ls uhe, Deu schland
E-Mail: abian. ybins[email p o ec ed]
Gun he Schie e
E-Mail: gun he .[email p o ec ed]
K
898 F. Rybinski, G. Schie e
P ocess Mining wi h Vehicle Da a: F om Senso Da a o P ocess Models
Abs ac The analysis o ehicle da a is becoming inc easingly impo an in mo-
bili y esea ch and ehicle de elopmen . Wi hin he collabo a i e p ojec So DCa ,
an inno a i e pe spec i e on his da a was in es iga ed: he conside a ion o ehicle
jou neys as p ocesses and hei gene a ion om senso da a using p ocess mining.
To ep esen jou neys as p ocesses, a ans o ma ion om con inuous senso da a
in o disc e e p ocess e en s is necessa y. This wo k b idges his gap by de eloping
a sys ema ic pipeline o ans o ming ehicle da a in o p ocess models. The pipeline
encompasses he collec ion o in e nal ehicle and ex e nal da a sou ces, ecogni ion
o d i ing ac i i ies, and he gene a ion o p ocess models h ough p ocess mining
me hods. The p o o ypical implemen a ion demons a es he applicabili y o he ap-
p oach using eal ehicle da a. The e alua ion shows ha indi idual jou neys can
be modeled as p ocess ins ances and simila jou neys as p ocesses wi h a ian s.
The esul ing p ocess models p o ide new insigh s in o d i ing pa e ns and hei
a iabili y, which can con ibu e o imp o ing d i e assis ance sys ems and d i ing
beha io .
Keywo ds P ocess mining · Vehicle da a · Ac i i y ecogni ion · E en
abs ac ion · P ocess analysis
1 Einlei ung
Die o sch ei ende Digi alisie ung de Mobili ä üh zu eine s e ig wachsenden
Menge an Da en. Mode ne Fah zeuge e assen du ch zahl eiche Senso en kon inu-
ie lich In o ma ionen übe Fah zeugzus ände, Umgebungsbedingungen und Fah e -
in e ak ionen. Diese Da en bilden eine we olle G undlage ü die Analyse und
Ve besse ung on Fah e hal en, Fah zeugs eue ung und Assis enzsys emen (Beyel
e al. 2023). Die sys ema ische Auswe ung diese Da en s ell jedoch au g und ih e
He e ogeni ä , hohen Au zeichnungs equenz und komplexen Zusammenhänge eine
besonde e He aus o de ung da (Janiesch e al. 2020).
P ocess Mining als da enge iebene Analyseansa z ha sich in e schiedenen An-
wendungsdomänen ü die Analyse on P ozessen bewäh . P ocess Mining e mög-
lich die Rekons uk ion on P ozessmodellen aus au gezeichne en E eignisda en
sowie die Analyse on P ozessen und Abweichungen ( an de Aals 2016). Die
Anwendung on P ocess Mining au Fah zeugda en e ö ne eine neue Pe spek i e
au Fah p ozesse. S a einzelne Senso - ode Zus andswe e isolie zu be ach en,
können Fah en als P ozesse mi Ak i i ä ssequenzen analysie we den. Diese p o-
zesso ien ie e Sich weise e möglich ein besse es Ve s ändnis on Fah mus e n und
de en Va iabili ä .
Die Anwendung on P ocess-Mining-Me hoden au Fah zeugda en e o de je-
doch die Übe b ückung eine me hodischen Lücke. Wäh end P ocess Mining au
disk e en E eignisda en mi de inie en Ak i i ä en basie , liegen Fah zeugda en
o wiegend als Senso messungen o . Zusä zlich s ell die hohe G anula i ä de
Senso da en eine He aus o de ung ü die P ozessmodellie ung da (Mannha d e al.
K
P ocess Mining mi Fah zeugda en: Von Senso da en zu P ozessmodellen 899
2018). Exis ie ende Ansä ze zu In eg a ion on P ocess Mining und IoT-Sys emen
ad essie en diese P oblema ik nu eilweise. Insbesonde e ehl es an sys ema ischen
Me hoden zu T ans o ma ion on Fah zeugda en in analysie ba e P ozessak i i ä-
en.
Das Ziel diese A bei is die En wicklung eines Ansa zes zu Analyse on Fah -
zeugda en mi els P ocess Mining. De Fokus lieg dabei au de sys ema ischen
T ans o ma ion on Senso da en in P ozessak i i ä en. Hie zu müssen auch geeig-
ne e P ozessins anzen im Kon ex Fah zeug de inie we den. Fü die Anwendung
on P ocess Mining au Fah zeugda en wi d eine Pipeline en wickel , die Fah -
zeugda en e ass , zu E en Logs kombinie und in P ozessmodelle übe üh . Die
A bei leis e dami einen Bei ag zu da enge iebenen Analyse on Fah p ozessen
und e möglich neue Einblicke in Fah mus e und de en Va iabili ä . De Ansa z bau
dabei au bes ehenden Konzep en de Ac i i y Recogni ion und E en Abs ac ion
au (Mannha d e al. 2018; anZels e al.2021).
Die wei e e A bei gliede sich wie olg : Zunächs we den in Kap. 2 die heo e i-
schen G undlagen des P ocess Mining sowie die spezi ischen He aus o de ungen bei
de Ve a bei ung on Senso da en e läu e . Anschließend e olg in Kap. 3 ein Übe -
blick übe e wand e A bei en im Kon ex on P ocess Mining und IoT-Sys emen.
Da au au bauend wi d in Kap. 4 das me hodische Vo gehen zu T ans o ma ion on
Fah zeugda en in P ozessmodelle besch ieben. Die p o o ypische Implemen ie ung
in Kap. 5 demons ie die Anwendba kei des Ansa zes anhand eale Fah zeugda-
en. Abschließend we den in Kap. 6 die E gebnisse disku ie und Pe spek i en ü
zukün ige Fo schung au gezeig .
2 Theo e ische Hin e g und
Fü die Analyse on Fah zeugda en mi els P ocess Mining sind zwei zen ale heo-
e ische G undlagen ele an . Zunächs we den die Konzep e und Me hoden des
P ocess Mining o ges ell , welche die Basis ü die P ozessanalyse bilden. An-
schließend wi d au die spezi ischen He aus o de ungen bei de T ans o ma ion on
Senso da en in P ozesse eignisse eingegangen.
2.1 P ocess Mining
P ocess Mining s ell eine da enges ü z e Me hode zu Analyse, Übe wachung und
Ve besse ung on ealen Geschä sp ozessen da . De Ansa z ex ahie P ozesswis-
sen aus E en Logs, die wäh end de P ozessaus üh ung in In o ma ionssys emen
au gezeichne we den. P ocess Mining s ell dabei die Ve bindung zwischen Da-
enwissenscha en (Da a Science) und P ozesswissenscha en (P ocess Science) he
( an de Aals 2016).
Insbesonde e sind die Übe schneidungen on ie Teilgebie en ele an : Maschi-
nelles Le nen, Da a Mining, P ozessmodellie ung und P ozessanalyse. Die gewon-
nenen E kenn nisse basie en au dem beobach e en Ve hal en, das in E en Logs
bei de Aus üh ung on IT-ges ü z en Geschä sp ozessen au gezeichne wi d. Dies
e möglich ein ak enbasie es Geschä sp ozessmanagemen ( an de Aals 2012).
K
900 F. Rybinski, G. Schie e
Fü das Ve s ändnis on P ocess Mining sind d ei zen ale Beg i e wesen lich:
P ozess yp, P ozessins anz und P ozess a ian e. Ein P ozess yp besch eib eine spe-
zi ische Klasse on P ozessen mi gemeinsamen Cha ak e is ika, wie beispielswei-
se ein Bes ellp ozess. Eine P ozessins anz ep äsen ie einen konk e en Du chlau
dieses P ozess yps, also eine indi iduelle Bes ellung. P ozess a ian en en s ehen,
wenn P ozessins anzen desselben P ozess yps un e schiedliche Ak i i ä ssequenzen
au weisen. Diese Va iabili ä kann du ch e schiedene Fak o en beding sein, e -
wa du ch un e schiedliche Kon ex bedingungen ode En scheidungen wäh end de
P ozessaus üh ung.
Au den Anwendungs all diese A bei bezogen, wi d ein Fah p ozess als eine
zei lich geo dne e Sequenz on Fah ak i i ä en de inie , die du ch Senso da en e -
ass we den können. Eine P ozessins anz en sp ich eine einzelnen Fah , wäh end
sich ein P ozess yp au eine Klasse on ähnlichen Fah en (z.B. ägliche A bei s-
weg) bezieh . Inne halb eines P ozess yps können e schiedene Va ian en au e en,
abhängig on indi iduellen Fah mus e n ode äuße en Bedingungen.
2.1.1 E en Logs als G undlage
P ocess Mining basie au de sys ema ischen Analyse on E en Logs. Ein E en
Log dokumen ie eine Sequenz on E eignissen (E en s), die in IT-Sys emen bei
de Aus üh ung on Geschä sp ozessen au e en und digi al gespeiche we den
( an de Aals e al. 2004). Diese E eignisse können in e schiedenen Kon ex-
en au e en, beispielsweise in Maschinen, sozialen Ne zwe ken ode klassisch in
In o ma ionssys emen (z.B. ERP-Sys em, CRM-Sys em). Um die g undlegenden
An o de ungen des P ocess Mining zu e üllen, muss jedes E eignis d ei essen iel-
le A ibu e au weisen: die ausge üh e Ak i i ä , den Zei s empel de Aus üh ung
und einen Iden i ie ü die zugehö ige P ozessins anz (Case ID). Tab. 1zeig einen
beispielha en E en Log ü einen Bes ellp ozess mi zwei P ozessins anzen. Die
einge agenen E eignisse dokumen ie en den Ve lau on zwei un e schiedlichen
Bes ellungen (Case ID 4711 und 4712). Wäh end die e s e Bes ellung den egulä en
P ozess e lau bis zu Ve sand o be ei ung du chläu , wi d die zwei e Bes ellung
nach eine ehlgeschlagenen Zahlungsp ü ung abgeb ochen. Diese S uk u e mög-
lich die Rekons uk ion de P ozessabläu e. Die Ak i i ä szuo dnung iden i izie
die du chge üh en P ozesssch i e, die Ins anz-Zuo dnung e möglich die Un e -
scheidung e schiedene P ozessdu chläu e und de Zei s empel e laub die O dnung
Tab. 1 Beispielha e E en Log eines Bes ellp ozesses, in Anlehnung an ( an de Aals e al. 2007)
Case ID Ak i i ä Zei s empel Ressou ce
4711 Bes ellung e assen 2024-01-15 09:15:23 Sys em
4711 Zahlung p ü en 2024-01-15 09:16:10 John
4711 Lage bes and p ü en 2024-01-15 09:18:45 Sys em
4712 Bes ellung e assen 2024-01-15 09:20:15 Sys em
4712 Zahlung p ü en 2024-01-15 09:21:30 Anna
4712 Zahlung ablehnen 2024-01-15 09:25:00 Anna
4711 Ve sand o be ei en 2024-01-15 10:30:00 Sa ah
K
P ocess Mining mi Fah zeugda en: Von Senso da en zu P ozessmodellen 901
in de zei lichen Ab olge. Zusä zlich können E eignisse wei e e A ibu e wie die
aus üh ende Ressou ce ode spezi ische Kennzahlen en hal en ( an de Aals e al.
2007). Die Quali ä und Volls ändigkei de E en Logs bes imm maßgeblich die
Aussagek a de esul ie enden P ozessanalysen.
2.1.2 Teilgebie e des P ocess Mining
P ocess Mining un e gliede sich in d ei zen ale Teilgebie e: P ocess Disco e y,
Con o mance Checking und P ocess Enhancemen ( an de Aals e al. 2012).
P ocess Disco e y P ocess Disco e y is das bekann es e P ocess-Mining-Teilge-
bie ( an de Aals 2016). Es e möglich die au oma isie e Gene ie ung on P ozess-
modellen aus E en Logs, ohne das ein o he iges Modell (Ap io i-Modell) benö ig
wi d (Ve beek e al. 2017). Das gene ie e P ozessmodell bilde dabei das im E en
Log au gezeichne e Ve hal en ab. P ocess Disco e y okussie haup sächlich au
die Kon oll lusspe spek i e, also die Abbildung on Ak i i ä s olgen im P ozess.
Es können jedoch auch wei e e Pe spek i en wie de Da en luss in mul ipe spek i-
ischen P ozessmodellen einbezogen we den (Leno e al. 2018).
Ein ein aches Beispiel ü einen P ocess-Disco e y-Algo i hmus is de α-Al-
go i hmus ( an de Aals e al. 2004). Diese gene ie aus einem E en Log ein
P ozessmodell in de Fo m eines Pe i-Ne zes (S, T, F), wobei S die Menge de
S ellen (Zus ände), T die Menge de T ansi ionen (Ak i i ä en) und F die Fluss ela-
ion (Ab olge) besch eib .
De α-Algo i hmus analysie in den P ozessaus üh ungen in Tab. 2die kausalen
Beziehungen zwischen den Ak i i ä en a, b, c und d. Dabei zeig sich, dass die Ak i-
i ä aausschließlich am P ozessbeginn au i , wäh end die Ak i i ä en bund cin
un e schiedliche Reihen olge ausge üh we den können. Die Ak i i ä de schein
ausschließlich am P ozessende. Das esul ie ende Pe i-Ne z in Abb. 1 ep äsen ie
diese Beziehungen du ch en sp echende S ellen und T ansi ionen. Es d ück aus,
dass nach Ak i i ä adie Ak i i ä en bund cin beliebige Reihen olge ausge üh
we den können, be o de P ozesse mi de Ak i i ä dabgeschlossen wi d.
Die Quali ä eines gene ie en P ozessmodells kann anhand on ie K i e ien
bewe e we den ( an de Aals 2011):
Fi ness: Das Modell soll das Ve hal en im E en Log abbilden
P äzision: Das Modell soll nu das Ve hal en im E en Log abbilden
Gene alisie ung: Das Modell soll das Ve hal en im E en Log e allgemeine n
Ein achhei : Das Modell soll so ein ach wie möglich sein
Diese Quali ä sk i e ien s ehen dabei in Konku enz zueinande und müssen bei
de Modellgene ie ung ausbalancie we den.
Tab. 2 Beispielha e E en
Log E eines P ozesses P ozessins anz Ak i i ä s olge
01 a,b,c,d
02 a,c,b,d
03 a,b,c,d
K
902 F. Rybinski, G. Schie e
Abb. 1 Pe i-Ne z zu E en Log E
Con o mance Checking Con o mance Checking e möglich den sys ema ischen
Ve gleich zwischen au gezeichne en und modellie em P ozess e hal en. De Ve -
gleich e laub die Iden i ika ion on Abweichungen zwischen de a sächlichen P o-
zessaus üh ung und einem Re e enzmodell, z.B. Soll-P ozess ( an de Aals 2012).
Das Re e enzmodell kann dabei sowohl manuell e s ell als auch du ch P ocess
Disco e y gene ie wo den sein ( an de Aals 2016).
Bei de Du ch üh ung on Con o mance Checking wi d jede au gezeichne e P o-
zessins anz mi dem Re e enzmodell e glichen. Diese Ve gleich e möglich die
Iden i izie ung und Quan i izie ung on Abweichungen. Die Analyse kann dabei
meh e e A en on Abweichungen au decken. So können Ak i i ä en im a sächli-
chen Ve hal en au e en, die nich im Modell e ass sind. Gleichzei ig besch eib
das Modell mögliche weise Ve hal ensmus e , die in de Reali ä nich beobach e
we den. Da übe hinaus lassen sich Abweichungen in de Aus üh ungs eihen olge
de Ak i i ä en iden i izie en.
Das olgende Beispiel e wende das in Abb. 1da ges ell e Pe i-Ne z als Re-
e enzmodell. Tab. 3zeig d ei P ozessins anzen mi e schiedenen A en on Ab-
weichungen. Die e s e P ozessins anz zeig eine Abweichung du ch die doppel e
Aus üh ung de Ak i i ä c. Die zwei e P ozessins anz weich om P ozessmodell
ab, da die e o de liche Ak i i ä c ehl . In de d i en P ozessins anz i mi Ak-
i i ä eein im Modell nich de inie es Ve hal en au .
Eine g undlegende Technik ü Con o mance Checking is das Token Replay (Ca -
mona e al. 2022). Dabei wi d die au gezeichne e Ab olge on Ak i i ä en im P o-
zessmodell abgespiel , indem Token du ch das Modell gelei e we den. Die E geb-
nisse des Con o mance Checking können in e schiedene Fo m da ges ell we den.
Quan i a i e Me iken wie Fi ness und P äzision besch eiben den G ad de Übe ein-
s immung zwischen Modell und E en Log. Die Visualisie ung de Abweichungen
im P ozessmodell e möglich de en quali a i e Analyse. Diese In o ma ionen bil-
den eine wich ige G undlage ü die P ozess e besse ung und die Übe p ü ung on
Compliance-An o de ungen.
Tab. 3 Beispielha es Con o -
mance Checking Case ID Ak i i ä s olge A de Abweichung
04 a,c,c,b,d Doppel e Aus üh ung on Ak i i-
ä c
05 a,b,d Fehlende Ak i i ä c
06 a,c,b,e,d Nich modellie e Ak i i ä e
K
P ocess Mining mi Fah zeugda en: Von Senso da en zu P ozessmodellen 903
P ocess Enhancemen P ocess Enhancemen e wei e und e besse als d i es
Teilgebie des P ocess Mining bes ehende P ozessmodelle um zusä zliche Aspek-
e ( an de Aals 2016). Dabei we den zwei g undlegende Ansä ze un e schieden.
De Repai -Ansa z okussie au die Anpassung des Modells zu besse en Übe -
eins immung mi de Reali ä . De Ex ension-Ansa z e gänz das bes ehende Mo-
dell um zusä zliche Pe spek i en wie zei liche Aspek e ü Pe o mance-Analysen,
o ganisa o ische Aspek e ü die Ressou cenplanung ode En scheidungs egeln an
Ve zweigungspunk en. P ocess Enhancemen scha somi die G undlage ü eine
de aillie e Analyse de P ozessleis ung un e Be ücksich igung e schiedene Fak-
o en.
2.2 Von Senso da en zu E en Logs
Die Anwendung on P ocess Mining au Senso da en s elle eine besonde e He -
aus o de ung da , die p imä da aus esul ie en, dass Senso da en nich den klassi-
schen An o de ungen an E en Logs en sp echen (Janiesch e al. 2020). P ocess-
Mining-Me hoden basie en häu ig au de Annahme, dass E eignisda en au de -
selben De ails u e o liegen und eine hohe Abs ak ion au weisen, was in einem
e s ändlichen P ozessmodell esul ie (Van Eck e al. 2016). Du ch die Anbindung
e schiedene Sys eme und Senso da en sind diese Annahmen jedoch häu ig nich
e üll . Wäh end klassische E en Logs be ei s disk e e, einem P ozess zuo denba e
E eignisse en hal en, müssen diese bei kon inuie lichen Senso da en e s gene ie
we den (Janiesch e al. 2020). Um die Lücke zwischen kon inuie lichen Senso da en
und disk e en P ozesse eignissen zu schließen, sind zwei Konzep e ele an : Ac i-
i y Recogni ion (Mannha d e al. 2018) und E en Abs ac ion ( an Zels e al.
2021).
2.2.1 Ac i i y Recogni ion
Ac i i y Recogni ion e möglich die E kennung on Ak i i ä en aus Senso da en
und bilde dami eine zen ale Komponen e bei de T ans o ma ion on Senso da en
zu E en Logs (Mannha d e al. 2018). Im Fall de Einbindung on Senso en is
zunächs eine Agg ega ion e schiedene Senso da en no wendig, um die Lücke
zwischen Senso da en und e we ba en Ak i i ä en zu schließen (Van Eck e al.
2016). Ac i i y Recogni ion is ein Teilgebie des maschinellen Le nens, das sich
mi de E kennung on Benu ze ak i i ä en au de G undlage on Senso da en
beschä ig .
Die Ac i i y Recogni ion gliede sich in olgende Sch i e:
Segmen ie ung de kon inuie lichen Senso da en in ele an e Zei ens e
Me kmalsex ak ion aus den Segmen en
Klassi ika ion de Segmen e in de inie e Ak i i ä sklassen
Kombina ion de e kann en Ak i i ä en zu p ozess ele an en E eignissen
Wie in Abb. 2da ges ell , e olg diese P ozess du ch die T ans o ma ion on
Senso da en zu Ak i i ä en. Die Abbildung e anschaulich die Sch i e Segmen ie-
ung, Klassi ika ion und Kombina ion on Senso da en.
K
904 F. Rybinski, G. Schie e
Abb. 2 Segmen ie ung, Klassi ika ion und Kombina ion on Senso da en (Van Eck e al. 2016)
Eine zen ale Schwie igkei bei de Ac i i y Recogni ion s ell die E kennung
übe lappende ode pa allel s a indende Ak i i ä en da . Im Kon ex on Ge-
schä sp ozessen können meh e e Ak i i ä en gleichzei ig ausge üh we den und
dami e schiedene E en s pa allel au e en ( an Zels e al. 2021). Die Senso si-
gnale müssen dabei nich nu den ich igen Ak i i ä en zugeo dne we den, sonde n
auch in ih e zei lichen und kausalen Abhängigkei in e p e ie we den. Dies is be-
sonde s ele an bei cybe -physischen Sys emen wie zum Beispiel einem so wa e-
de inie en Fah zeug, bei dem gleichzei ig Lenkbewegungen, Geschwindigkei sän-
de ungen und Na iga ionsen scheidungen e ass we den.
2.2.2 E en Abs ac ion
E en Abs ac ion bezeichne die sys ema ische Umwandlung on eing anula en
E eignisda en au eine P ozessebene, die ü die Analyse eines P ozesses geeig-
ne is ( anZels e al.2021). Bei komplexen Sys emen we den g oße Mengen an
P ozessda en gene ie , die zunächs nu in uns uk u ie e Fo m o liegen. Hinzu-
kommen kann, dass bei de Kombina ion e schiedene Sys eme E eignisda en in
un e schiedlichen De ails u en o liegen können. Ohne Vo e a bei ung is es o -
mals schwie ig, die P ozesse zu analysie en und zu e s ehen, da iel ach sogenann e
Spaghe imodelle en s ehen (Jagadeesh Chand a Bose und an de Aals 2009).
Abb. 3zeig den Weg de In o ma ionsumwandlung on de Beobach ung in
de physischen Wel zu (komplexen) P ozessins anzen und hie bei insbesonde e die
Eino dnung de E en Abs ac ion in diese Umwandlung.
3 Ve wand e A bei en
Die Anwendung on P ocess Mining au Da en aus cybe -physischen Sys emen und
IoT-Ge ä en s ell ein wachsendes Fo schungsgebie da . Eine besonde e He aus-
o de ung bei de In eg a ion on cybe -physischen Sys emen und Geschä sp o-
zessmanagemen is die Übe b ückung de Klu zwischen kon inuie lichen Sen-
so da en und disk e en E en Logs (Janiesch e al. 2020). T adi ionelle Ansä ze
des Geschä sp ozessmanagemen s müssen en sp echend e wei e we den, um de
dynamischen Na u on cybe -physischen Sys emen ge ech zu we den.
K
P ocess Mining mi Fah zeugda en: Von Senso da en zu P ozessmodellen 911
Abb. 8 A chi ek u de p o o ypischen Implemen ie ung
und NumPy2, die eine e izien e Manipula ion und Analyse g oße Da enmengen
e möglichen. Fü die geog a ische Analyse de Fah zeugda en wi d Geopy3einge-
se z . Die P ocess-Mining-Funk ionali ä en we den du ch PM4Py4be ei ges ell , das
e schiedene Algo i hmen zu P ozessanalyse und - isualisie ung be ei s ell . Die
2h ps://numpy.o g.
3h ps://geopy. ead hedocs.io/en/s able/.
4h ps://p ocessin elligence.solu ions/pm4py.
K
912 F. Rybinski, G. Schie e
in e ak i e Benu zungsobe läche wi d mi els S eamli 5 ealisie und du ch Folium6
um geog a ische Visualisie ungsmöglichkei en e wei e .
Die A chi ek u gliede sich, wie in Abb. 8da ges ell , in d ei Komponen en: Da-
enhal ung, Ve a bei ung und F on end. Diese S uk u e möglich eine kla e T en-
nung und eine lexible E wei e ba kei de Implemen ie ung.
5.2 Da enhal ung und Da enau be ei ung
Die Da enhal ung basie au einem zweis u igen Ansa z. Die u sp ünglichen Fah -
zeugsenso da en liegen im CSV-Fo ma o und en hal en e schiedene Messg ößen
wie Geschwindigkei , Beschleunigung und GPS-Koo dina en. Die gene ie en E en
Logs we den im XES-Fo ma gespeiche , wodu ch eine e izien e Wei e e a bei-
ung du ch die P ocess-Mining-Komponen e gewäh leis e wi d.
Zu Da enau be ei ung wu den die Rohda en be einig , die Da en o ma e kon e -
ie und e schiedene Senso messungen synch onisie . Besonde e Au me ksamkei
e o de e die Behandlung on ehlenden ode ehle ha en Messwe en sowie die
einhei liche Fo ma ie ung on Zei s empeln und geog a ischen Koo dina en.
5.3 Ak i i ä se kennung
Fü die Ak i i ä se kennung is zum je zigen Zei punk ein egelbasie e Ansa z
zu T ans o ma ion de Fah zeugsenso da en in Fah ak i i ä en implemen ie . Die
Klassi ika ion basie au de inie en Schwellwe en ü e schiedene Fah zus än-
de. Die Geschwindigkei sklassi ika ion e olg beispielsweise anhand meh e e
Schwellwe e in S ills and (0km/h), langsame Fah en (bis 30km/h), zügige Fah -
en (30–80km/h) und schnelle Fah en (übe 80km/h). Nach demselben Vo gehen
we den auch Ku en ah en du ch Lenkwinkel übe 10 G ad ode Geschwindig-
kei sübe sch ei ungen du ch den Ve gleich mi de inie en Limi s e kann .
Die Implemen ie ung be ücksich ig auch die zei liche Ab olge de Messwe e
und e möglich die E kennung on kombinie en Ak i i ä en, beispielsweise Ku -
en ah en bei hohe Geschwindigkei ode Beschleunigungs o gänge zwischen e -
schiedenen Geschwindigkei sbe eichen. Dabei e olg die Ak i i ä se kennung du ch
eine sequenzielle Ve a bei ung de Senso da en, wobei ü jeden Messzei punk die
en sp echenden Schwellwe e übe p ü we den. Dabei können meh e e Ak i i ä en
pa allel e kann und zu kombinie en Ak i i ä en agg egie we den.
Ein besonde e Fokus lieg au de E kennung on Übe gängen zwischen e -
schiedenen Ak i i ä en. So we den beispielsweise Beschleunigungs o gänge du ch
die Analyse de Geschwindigkei sände ungen übe meh e e Messzei punk e iden-
i izie . Die zei liche Agg ega ion de e kann en Ak i i ä en e möglich dabei die
Bildung on zusammenhängenden Ak i i ä ssequenzen, die als G undlage ü die
spä e e P ocess-Mining-Analyse dienen.
Die gewähl en Schwellwe e können bei Beda an spezi ische An o de ungen
angepass we den. Die egelbasie e Implemen ie ung e möglich eine anspa en e
5h ps://s eamli .io.
6h ps://pypi.o g/p ojec / olium/.
K
P ocess Mining mi Fah zeugda en: Von Senso da en zu P ozessmodellen 913
und nach ollziehba e Ak i i ä se kennung, die du ch die De ini ion wei e e Regeln
lexibel e wei e we den kann. Zukün ig soll die egelbasie e E kennung du ch
maschinelle Le n e ah en e gänz we den, um auch komplexe e Ak i i ä smus e
zu e kennen.
5.4 Clus e ing on Fah en
Das Clus e ing basie au einem geog a ischen Ähnlichkei smaß zwischen Fah en,
das übe eine GPS-Na iga ionsda en hinausgeh . Wäh end Na iga ionssys eme p i-
mä au Rou en okussie en, ziel das hie eingese z e Clus e ing au die Iden i ika i-
on ähnliche P ozessins anzen ab. Dabei wi d die Ha e sine-Dis anz e wende , um
die En e nung zwischen S a - und Endpunk en de Fah en au de E dobe läche
zu be echnen (Ga dine 2011). Dies e möglich eine sinn olle Ka ego isie ung in
e schiedene Fah kon ex e wie Pendle ah en, S ad ah en, Übe land ah en ode
egelmäßige Beso gungs ah en.
De Clus e ing-P ozess e olg in meh e en Sch i en. Zunächs we den ü jede
Fah die S a - und Endkoo dina en ex ahie . Anschließend wi d ein Ähnlichkei s-
g aph kons uie , bei dem Fah en als Kno en ep äsen ie we den. Eine Kan e
zwischen zwei Kno en wi d einge üg , wenn sowohl de en S a - als auch Endpunk-
e inne halb eines de inie en Dis anzschwellwe s (100m) liegen. Die eigen liche
Clus e bildung e olg dann du ch die Iden i ika ion zusammenhängende Kompo-
nen en in diesem G aphen.
Du ch diesen Ansa z we den Fah en mi ähnlichen S a - und Zielpunk en dem-
selben Clus e zugeo dne . Dies e möglich die Iden i ika ion wiede keh ende Fah -
en wie beispielsweise egelmäßige Pendel ah en zum A bei spla z. Die esul ie en-
den Clus e bilden die G undlage ü die nach olgende P ocess-Mining-Analyse, bei
de ypische P ozessmus e inne halb de Clus e un e such we den. Das Clus e ing
de inie dabei die P ozessins anzen ü das P ocess Mining. Wäh end einzelnen
Ak i i ä en, wie Übe hol o gänge, spezi ische Ak i i ä en inne halb eine Fah da -
s ellen, wi d ü das Clus e ing die gesam e Fah als P ozessins anz be ach e .
Jede Fah inne halb eines Clus e s s ell eine P ozessins anz des gleichen P ozess-
yps da , wodu ch die Analyse on P ozess a ian en inne halb ähnliche Fah en
e möglich wi d. Ein Beispiel ü einen P ozess yp eines Clus e s is de ägliche
A bei sweg. Die Haup a ian e s ell dabei die gewöhnliche Rou e da , die du ch
die meis en P ozessins anzen abgedeck wi d. Zusä zliche P ozess a ian en können
beispielsweise du ch Al e na i ou en bei S aumeldungen ode einen Umweg zum
Supe ma k e zeug we den.
Die Implemen ie ung is du ch die Anpassung des Dis anzschwellwe es lexibel
kon igu ie ba . Ein nied ige e We üh zu einem Clus e ing mi hohe geog a-
ische P äzision, wäh end ein höhe e We zu g öße en Clus e n üh , die abe
mögliche weise un e schiedliche P ozess ypen zusammen assen.
5.5 P ocess Mining und Analyse
Die P ocess-Mining-Komponen e nu z die PM4Py-Biblio hek zu Analyse de e -
kann en Fah ak i i ä en. Die Implemen ie ung un e s ü z d ei e schiedene P ocess-
K
914 F. Rybinski, G. Schie e
Disco e y-Algo i hmen, die je nach Analyseziel eingese z we den können. De In-
duc i e Mine e zeug P ozessmodelle mi hohe Fi ness, die nach De ini ion sound
( e hal ensmäßig ich ig) sind (Leemans e al. 2013). De Heu is ics Mine e kenn
häu ige Ak i i ä s olgen und is obus gegenübe sel en au e enden Abweichun-
gen im Fah e hal en (Weij e s e al. 2006). De Di ec ly-Follows-G aph (DFG)
Mine e s ell eine e ein ach e Da s ellung de P ozesse, indem e di ek e Folgebe-
ziehungen zwischen Ak i i ä en und de en Häu igkei en isualisie ( an de Aals
2019). Diese e möglich einen schnellen Übe blick und eigne sich besonde s ü
die explo a i e Analyse on Fah mus e n.
Die Analyse e olg sepa a ü jedes iden i izie e Clus e , wodu ch spezi ische
Mus e ü e schiedene P ozess ypen e kann we den können. Inne halb eines Clus-
e s können e schiedene P ozess a ian en iden i izie und de en Häu igkei be-
s imm we den.
5.6 Visualisie ung
Die Implemen ie ung de Benu ze obe läche e olg mi S eamli , wodu ch eine
in e ak i e Explo a ion de Analysee gebnisse e möglich wi d. Die Visualisie ung
gliede sich in meh e e Be eiche. Die geog a ische Da s ellung de Fah en wi d
mi els Folium ealisie und e möglich die Anzeige de Rou en au eine in e ak i-
en Ka e. Einzelne Fah en we den dabei a blich he o gehoben und können nach
e schiedenen K i e ien ge il e we den.
Die gene ie en P ozessmodelle we den du ch den PM4Py Visualize da ges ell .
Die Visualisie ung e möglich die Explo a ion de P ozessmodelle au e schiedenen
Abs ak ionsebenen. Die implemen ie e Fil e ung nach Clus e n und Zei äumen
un e s ü z die geziel e Analyse spezi ische Fah si ua ionen. S a is ische Auswe -
ungen geben Au schluss übe die Häu igkei bes imm e Ak i i ä en. Die Benu -
ze obe läche e möglich dami eine um assende Explo a ion de Fah p ozesse aus
e schiedenen analy ischen Pe spek i en.
5.7 Tes des Demons a o s
Die p o o ypische Implemen ie ung wu de mi einem Da ensa z eine Ve siche ungs-
gesellscha ge es e . De Da ensa z um ass 695 Fah en eine e siche en Pe son
im Raum Wol a shausen, die du ch ein Fah zeug in den Jah en 2022 und 2023
au gezeichne wu den. Die Da en s ammen on insgesam 233 e schiedenen Ta-
gen und um assen 443.338 Da enpunk e. Die einzelnen Fah en wu den du ch eine
zei basie e Segmen ie ung iden i izie , wobei S andzei en on meh als ün Minu-
en als Fah g enze in e p e ie wu den. Fü jeden Messpunk wu den e schiedene
Pa ame e e ass , da un e :
Zei liche In o ma ionen
Posi ionsda en
Fah zeugdynamik (Geschwindigkei , Beschleunigung, B emswe e)
S aßena ibu e (Tempolimi , Anzahl Fah spu en, S eigung)
Kon ex in o ma ionen (Un allge ah , Du chschni sgeschwindigkei )
K
P ocess Mining mi Fah zeugda en: Von Senso da en zu P ozessmodellen 915
Abb. 9 Gene ie ung de Ak i i ä en
Basie end au den segmen ie en Fah da en wu den du ch den egelbasie en An-
sa z die Fah ak i i ä en gene ie . De Ansa z e kenn dabei g undlegende Ak i i-
ä en wie Ge adeaus ah en und Abbiege o gänge sowie besonde e E eignisse wie
Geschwindigkei sübe sch ei ungen. Wie in Abb. 9da ges ell , basie die Ak i i-
ä se kennung au den au gezeichne en Senso da en und be ücksich ig We e ü
Geschwindigkei , Beschleunigung und Lenkbewegungen sowie Tempolimi s.
Nach de Ak i i ä sgene ie ung wu den die Fah en geog a isch in Clus e au ge-
eil . Insgesam konn en so 34 e schiedene Clus e iden i izie we den. Fü die
P ocess-Mining-Analyse wu de das g öß e Clus e 5 ausgewähl , das insgesam
45 e schiedene Fah en en häl , die den gleichen S a - und Endpunk au weisen.
Die Fah en sind in Abb. 10 geplo e , wobei sich einzelne Fah en au g und de
gleichen Rou e a blich übe lage n.
Basie end au diesem Clus e wu de anschließend P ocess Mining ausge üh .
De zugehö ige E en Log zeichne sich du ch die Kennzahlen in Tab. 4aus. Die
Kennzahlen in den Zeilen 3–5 beziehen sich au den gesam en E en Log.
K
916 F. Rybinski, G. Schie e
Abb. 10 Plo de Fah en aus
Clus e 5
Die Anzahl de P ozess a ian en en sp ich dabei de Anzahl P ozessins anzen.
Dies zeig , dass o z de geog a ischen Ähnlichkei de Fah en jede Fah eine
einziga ige Sequenz on Ak i i ä en au weis .
Zu Da s ellung de P ozesse wu den zwei e schiedene P ocess-Disco e y-Al-
go i hmen eingese z . De Induc i e Mine wi d ü die Gene ie ung eines Pe i-
Ne zes eingese z . Dieses en häl einen explizi en S a - und Endpunk sowie kla-
e Kon oll lusss uk u en (siehe Abb. 11). Dies e möglich die Iden i ika ion on
Schlei en und pa allelen Abläu en.
De DFG Mine e zeug mi dem DFG eine di ek e e Da s ellung de Ak i i ä s-
übe gänge (siehe Abb. 12). In diese Visualisie ung we den die häu igs en Übe gänge
zwischen den Ak i i ä en du ch P eile da ges ell . Dies zeig deu lich die Vielzahl
de möglichen Übe gänge.
Tab. 4 Kennzahlen Clus e 5
Minimum Maximum Du chschni
Fah daue (Min) 11,4 26,2 14,6
Dis anz (km) 8,3 13,1 9,9
Anzahl E eignisse – – 36.343
Anzahl un e schiedliche Ak i i ä en – – 14
Anzahl P ozess a ian en – – 47
K
P ocess Mining mi Fah zeugda en: Von Senso da en zu P ozessmodellen 917
Abb. 11 Ausschni des Pe i-Ne zes zu Clus e 5
Abb. 12 Ausschni des DFGs zu Clus e 5
6 Zusammen assung und Ausblick
Die o liegende A bei p äsen ie einen sys ema ischen Ansa z zu Analyse on
Fah zeugda en mi els P ocess Mining. De en wickel e Ansa z e möglich die T ans-
o ma ion on Fah zeugda en in P ozesse eignisse und somi die anschließende
K
918 F. Rybinski, G. Schie e
P ozessanalyse. Die p o o ypische Implemen ie ung demons ie die g undsä zli-
che Machba kei des Ansa zes anhand eale Fah zeugda en.
Die E gebnisse zeigen, dass sich Fah en als P ozesse da s ellen und analysie en
lassen. Das geog a ische Clus e ing e möglich die Iden i ika ion ähnliche Fah -
en, die als P ozessins anzen eines P ozess yps in e p e ie we den können. Die
P ocess-Mining-Analyse o enba dabei die Va iabili ä des Fah e hal ens. Selbs
bei geog a isch ähnlichen Fah en en s ehen un e schiedliche P ozess a ian en du ch
a iie ende Ak i i ä ssequenzen.
Wäh end klassische Rou enmanagemen sys eme wie Google Maps p imä au die
Be echnung e izien e Wege okussie sind, e laub de P ocess-Mining-Ansa z ei-
ne ie e gehende Analyse des a sächlichen Fah e hal ens. Dabei we den nich nu
Rou en e läu e be ach e , sonde n auch die a sächlich ausge üh en Fah ak i i ä en
und de en Va iabili ä analysie . Dies e möglich neue E kenn nisse zu Ve besse-
ung on Fah assis enzsys emen, E izienzanalysen und Siche hei sbewe ungen, die
übe die bloße Rou enbe ach ung hinausgehen.
Die A bei un e lieg dabei e schiedenen Limi a ionen. Die ak uelle egelbasie e
Ak i i ä se kennung basie au de inie en Schwellwe en, die nich ü alle Fah -
si ua ionen die gewünsch en E gebnisse b ing . So üh beispielsweise ein es e
Schwellwe ü die Geschwindigkei sklassi ika ion in un e schiedlichen Ve keh s-
si ua ionen zu uneinhei lichen E gebnissen. Die E kennung komplexe e Fah ak i-
i ä en sowie die Be ücksich igung on Kon ex in o ma ionen s ellen wei e e He-
aus o de ungen da . Wäh end ein ache Ak i i ä en wie Beschleunigen zu e lässig
e kann we den, lassen sich komplexe Manö e du ch den egelbasie en Ansa z
nu unzu eichend iden i izie en. Das geog a ische Clus e ing be ach e zwa S a -
und Endpunk e de Fah en und e möglich so die Iden i ika ion ähnliche Fah en,
be ücksich ig jedoch nich die spezi ischen Eigenscha en de S ecken üh ung zwi-
schen diesen Punk en. Dies kann dazu üh en, dass Fah en mi un e schiedlichen
An o de ungen an den Fah e im selben Clus e g uppie we den.
Eine wei e e Limi a ion be i die Aussagek a de gene ie en P ozessmodelle
im ak uellen S and. Die da ges ell en Pe i-Ne ze und DFGs demons ie en zwa die
Machba kei de T ans o ma ion. Die e kennba en Mus e besch änken sich jedoch
noch wei gehend au g undlegende Zusammenhänge. Mi eine Wei e en wicklung
de Ak i i ä sde ini ionen und E kennungsme hoden ließe sich die Aussagek a de
P ozessmodelle deu lich s eige n.
Die iden i izie en Limi a ionen e ö nen wei e e Fo schungsmöglichkei en. Ein
iel e sp echende Ansa z lieg in de E wei e ung de Ak i i ä se kennung du ch
maschinelle Le n e ah en, die au his o ischen Da en le nen und dadu ch eine e -
besse e E kennung e möglichen könn en. Hie ü könn en sowohl übe wach e als
auch unübe wach e Le n e ah en un e such we den.
Die In eg a ion zusä zliche Kon ex in o ma ionen s ell eine wei e e Fo schungs-
möglichkei da . Neben den be ei s e ass en, o wiegend ah zeugin e nen Da en
sollen ex e ne Fak o en wie We e bedingungen, Ve keh sau kommen ode S aßen-
zus and einbezogen we den. Dies wü de eine kon ex sensi i e e Analyse e mögli-
chen.
Basie end au den e wei e en Ak i i ä se kennungen und Kon ex in o ma ionen
e geben sich dami auch neue Analysepe spek i en ü das P ocess Mining. Die
K
P ocess Mining mi Fah zeugda en: Von Senso da en zu P ozessmodellen 919
Einbindung on Pa ame e n wie Ene gie e b auch, Fah daue ode Fah e belas ung
wü de eine meh dimensionale Bewe ung on P ozess a ian en e möglichen. Tem-
po ale Aspek e könn en du ch die Analyse on Ak i i ä ssequenzen in un e schied-
lichen Kon ex en be ücksich ig we den. Diese e wei e en Pe spek i en könn en zu
Ve besse ung on Fah e assis enzsys emen, zu Op imie ung des Ene gie e b auchs
und zu E höhung de Fah siche hei bei agen.
Die A bei leg dami einen G unds ein ü die p ozesso ien ie e Analyse on
Fah zeugda en. De en wickel e Ansa z e möglich neue Einblicke in Fah e hal en
und Fah mus e . Die iden i izie en Fo schungspo enziale im Be eich maschinellen
Le nens, de Kon ex in eg a ion und de e wei e en P ozessanalyse zeigen iel e -
sp echende Rich ungen ü die Wei e en wicklung des Ansa zes au . Die Kombina-
ion on P ocess Mining und Fah zeugda en e ö ne dami neue Pe spek i en ü
die da enge iebene Analyse und Ve besse ung on Fah p ozessen.
Funding Open Access unding enabled and o ganized by P ojek DEAL.
Open Access Diese A ikel wi d un e de C ea i e Commons Namensnennung 4.0 In e na ional Li-
zenz e ö en lich , welche die Nu zung, Ve iel äl igung, Bea bei ung, Ve b ei ung und Wiede gabe in
jeglichem Medium und Fo ma e laub , so e n Sie den/die u sp ünglichen Au o (en) und die Quelle o d-
nungsgemäß nennen, einen Link zu C ea i e Commons Lizenz bei ügen und angeben, ob Ände ungen
o genommen wu den. Die in diesem A ikel en hal enen Bilde und sons iges D i ma e ial un e liegen
eben alls de genann en C ea i e Commons Lizenz, so e n sich aus de Abbildungslegende nich s ande-
es e gib . So e n das be e ende Ma e ial nich un e de genann en C ea i e Commons Lizenz s eh und
die be e ende Handlung nich nach gese zlichen Vo sch i en e laub is , is ü die oben au ge üh en
Wei e e wendungen des Ma e ials die Einwilligung des jeweiligen Rech einhabe s einzuholen. Wei e e
De ails zu Lizenz en nehmen Sie bi e de Lizenzin o ma ion au h p://c ea i ecommons.o g/licenses/by/
4.0/deed.de.
Li e a u
an de Aals W (2011) Disco e y, con o mance and enhancemen o business p ocesses. Media. h ps://
doi.o g/10.1016/j.is.2006.05.003
an de Aals W (2012) P ocess mining: o e iew and oppo uni ies. ACM T ans Manage In Sys . h ps://
doi.o g/10.1145/2229156.2229157
an de Aals W (2016) Da a science in ac ion. In: P ocess mining: da a science in ac ion. Sp inge , Be lin,
Heidelbe g h ps://doi.o g/10.1007/978-3-662-49851-4_1
an de Aals W (2019) A p ac i ione ’s guide o p ocess mining: limi a ions o he di ec ly- ollows g aph.
P ocedia Compu Sci. h ps://doi.o g/10.1016/j.p ocs.2019.12.189
an de Aals W, Weij e s T, Ma us e L (2004) Wo k low mining: disco e ing p ocess models om e en
logs. IEEE T ans Knowl Da a Eng 16(9):1128–1142. h ps://doi.o g/10.1109/TKDE.2004.47
an de Aals W e al (2007) Business p ocess mining: an indus ial applica ion. In Sys 32(5):713–732.
h ps://doi.o g/10.1016/j.is.2006.05.003
an de Aals W e al (2012) P ocess mining mani es o. Business P ocess Managemen Wo kshops.
Sp inge , Be lin, Heidelbe g, S 169–194 h ps://doi.o g/10.1007/978-3-642-28108-2_19 (F. Daniel,
K. Ba kaoui, and S. Dus da ( ans.))
Beyel HH e al (2023) Analyzing cybe -physical sys ems in ca s: a case s udy. In: P oceedings o
he 12 h In e na ional Con e ence on Da a Science, Technology and Applica ions (DATA 2023),
S 195–204 h ps://doi.o g/10.5220/0012136000003541
Ca mona J, an Dongen B, Weidlich M (2022) Con o mance checking: ounda ions, miles ones and
challenges. In: an de Aals WMP, Ca mona J (H sg) P ocess mining handbook. Sp inge , Cham,
S 155–190 h ps://doi.o g/10.1007/978-3-031-08848-3_5
Ga dine B (2011) Collision a oidance echniques o unmanned ae ial ehicles echnical epo # CSSE
1101. h ps://api.seman icschola .o g/Co pusID:13485828
K
920 F. Rybinski, G. Schie e
Jagadeesh Chand a Bose RP, an de Aals W (2009) Abs ac ions in p ocess mining: a axonomy o pa -
e ns. In: Dayal U e al (H sg) Business p ocess managemen . Sp inge , Be lin, Heidelbe g, S 159–175
h ps://doi.o g/10.1007/978-3-642-03848-8_12
Janiesch C e al (2020) The In e ne o hings mee s business p ocess managemen : a mani es o. IEEE Sys
Man Cybe n Mag 6(4):34–44. h ps://doi.o g/10.1109/MSMC.2020.3003135
Janssen D e al (2021) P ocess model disco e y om senso e en da a. In: Leemans S, Leopold H (H sg)
P ocess mining wo kshops. Lec u e No es in Business In o ma ion P ocessing. Sp inge , Cham,
S 69–81 h ps://doi.o g/10.1007/978-3-030-72693-5_6
Leemans SJ, Fahland D, Van De Aals WM (2013) Disco e ing block-s uc u ed p ocess models om
e en logs—a cons uc i e app oach. In: Applica ion and Theo y o Pe i Ne s and Concu ency:
34 h In e na ional Con e ence PETRI NETS 2013, June 24–28, 2013 Sp inge , S 311–329 h ps://
doi.o g/10.1007/978-3-642-38697-8_17 (P oceedings 34)
Leno V e al (2018) ‘Mul i-pe spec i e p ocess model disco e y o obo ic p ocess au oma ion. In: CEUR
Wo kshop P oceedings, S 37–45 (h p://ceu -ws.o g/Vol-2114/.)
Makke O, Gusikhin O (2021) Robus IoT based pa king in o ma ion sys em. In: Klein C e al (H sg) Sma
ci ies, g een echnologies, and in elligen anspo sys ems. Sp inge , Cham, S 204–227 h ps://doi.
o g/10.1007/978-3-030-89170-1_11
Mannha d F e al (2018) ‘A axonomy o combining ac i i y ecogni ion and p ocess disco e y in in-
dus ial en i onmen s. In: In e na ional con e ence on in elligen da a enginee ing and au oma ed
lea ning. Sp inge , S 84–93 h ps://doi.o g/10.1007/978-3-030-03496-2_10
Van Eck ML, Sido o a N, Van de Aals W (2016) Enabling p ocess mining on senso da a om sma
p oduc s. In: 2016 IEEE en h in e na ional con e ence on esea ch challenges in in o ma ion science
(RCIS). IEEE, S 1–12 h ps://doi.o g/10.1109/RCIS.2016.7549355
Ve beek HMW, an de Aals WMP, Munoz-Gama J (2017) Di ide and conque : a ool amewo k o
suppo ing decomposed disco e y in p ocess mining. Compu J 60(11):1649–1674. h ps://doi.o g/
10.1093/comjnl/bxx040
Weij e s AJ, an De Aals WM, De Medei os AA (2006) P ocess mining wi h he Heu is icsMine algo-
i hm. BETA publica ie : wo king pape s, Bd. 166. Technische Uni e si ei Eindho en
an Zels SJ e al (2021) E en abs ac ion in p ocess mining: li e a u e e iew and axonomy. G anul
Compu 6:719–736. h ps://doi.o g/10.1007/s41066-020-00226-2
Hinweis des Ve lags De Ve lag bleib in Hinblick au geog a ische Zuo dnungen und Gebie sbezeich-
nungen in e ö en lich en Ka en und Ins i u sad essen neu al.
K
