Process Mining mit Fahrzeugdaten: Von Sensordaten zu Prozessmodellen

Rybinski, Fabian; Schiefer, Gunther Article — Published Version Process Mining mit Fahrzeugdaten: Von Sensordaten zu Prozessmodellen HMD Praxis der Wirtschaftsinformatik Provided in Cooperation with: Springer Nature Suggested Citation: Rybinski, Fabian; Schiefer, Gunther (2025) : Process Mining mit Fahrzeugdaten: Von Sensordaten zu Prozessmodellen, HMD Praxis der Wirtschaftsinformatik, ISSN 2198-2775, Springer Fachmedien Wiesbaden GmbH, Wiesbaden, Vol. 62, Iss. 4, pp. 897-920, https://doi.org/10.1365/s40702-025-01173-9 This Version is available at: https://hdl.handle.net/10419/330564 Standard-Nutzungsbedingungen: Die Dokumente auf EconStor dürfen zu eigenen wissenschaftlichen Zwecken und zum Privatgebrauch gespeichert und kopiert werden. Sie dürfen die Dokumente nicht für öffentliche oder kommerzielle Zwecke vervielfältigen, öffentlich ausstellen, öffentlich zugänglich machen, vertreiben oder anderweitig nutzen. Sofern die Verfasser die Dokumente unter Open-Content-Lizenzen (insbesondere CC-Lizenzen) zur Verfügung gestellt haben sollten, gelten abweichend von diesen Nutzungsbedingungen die in der dort genannten Lizenz gewährten Nutzungsrechte. Terms of use: Documents in EconStor may be saved and copied for your personal and scholarly purposes. You are not to copy documents for public or commercial purposes, to exhibit the documents publicly, to make them publicly available on the internet, or to distribute or otherwise use the documents in public. If the documents have been made available under an Open Content Licence (especially Creative Commons Licences), you may exercise further usage rights as specified in the indicated licence. https://creativecommons.org/licenses/by/4.0/deed.de SCHWERPUNKT https://doi.org/10.1365/s40702-025-01173-9 HMD Praxis der Wirtschaftsinformatik (2025) 62:897–920 Process Mining mit Fahrzeugdaten: Von Sensordaten zu Prozessmodellen Fabian Rybinski · Gunther Schiefer Eingegangen: 18. Januar 2025 / Angenommen: 27. März 2025 / Online publiziert: 24. April 2025 © The Author(s) 2025 Zusammenfassung Die Analyse von Fahrzeugdaten gewinnt in der Mobilitätsforschung und Fahrzeugentwicklung zunehmend an Bedeutung. Im Verbundprojekt SofDCar wurde eine innovative Perspektive auf diese Daten untersucht: Die Betrachtung von Fahrzeugfahrten als Prozesse und deren Generierung aus Sensordaten mittels Process Mining. Um Fahrten als Prozesse darstellen zu können, ist dabei eine Transformation von Sensordaten in Prozessereignisse notwendig. Diese Arbeit schließt diese Lücke durch die Entwicklung einer systematischen Pipeline zur Transformation von Fahrzeugdaten in Prozessmodelle. Die Pipeline umfasst dabei die Erfassung von fahrzeuginternen und externen Datenquellen, die Erkennung von Fahraktivitäten sowie die Generierung von Prozessmodellen durch Process-MiningMethoden. Die prototypische Implementierung demonstriert die Anwendbarkeit des Ansatzes anhand realer Fahrzeugdaten. Die Evaluation zeigt, dass einzelne Fahrten als Prozessinstanzen und gleichartige Fahrten als Prozesse mit Varianten modelliert werden können. Die gewonnenen Prozessmodelle ermöglichen neue Einblicke in Fahrmuster und deren Variabilität, die zur Verbesserung von Fahrerassistenzsystemen und des Fahrverhaltens beitragen können. Schlüsselwörter Process Mining · Fahrzeugdaten · Activity Recognition · Event Abstraction · Prozessanalyse Fabian Rybinski · Gunther Schiefer Institut AIFB, Karlsruher Institut für Technologie, Karlsruhe, Deutschland E-Mail: fabian.rybins[email protected] Gunther Schiefer E-Mail: gunther.[email protected] K 898 F. Rybinski, G. Schiefer Process Mining with Vehicle Data: From Sensor Data to Process Models Abstract The analysis of vehicle data is becoming increasingly important in mobility research and vehicle development. Within the collaborative project SofDCar, an innovative perspective on this data was investigated: the consideration of vehicle journeys as processes and their generation from sensor data using process mining. To represent journeys as processes, a transformation from continuous sensor data into discrete process events is necessary. This work bridges this gap by developing a systematic pipeline for transforming vehicle data into process models. The pipeline encompasses the collection of internal vehicle and external data sources, recognition of driving activities, and the generation of process models through process mining methods. The prototypical implementation demonstrates the applicability of the approach using real vehicle data. The evaluation shows that individual journeys can be modeled as process instances and similar journeys as processes with variants. The resulting process models provide new insights into driving patterns and their variability, which can contribute to improving driver assistance systems and driving behavior. Keywords Process mining · Vehicle data · Activity recognition · Event abstraction · Process analysis 1 Einleitung Die fortschreitende Digitalisierung der Mobilität führt zu einer stetig wachsenden Menge an Daten. Moderne Fahrzeuge erfassen durch zahlreiche Sensoren kontinuierlich Informationen über Fahrzeugzustände, Umgebungsbedingungen und Fahrerinteraktionen. Diese Daten bilden eine wertvolle Grundlage für die Analyse und Verbesserung von Fahrverhalten, Fahrzeugsteuerung und Assistenzsystemen (Beyel et al. 2023). Die systematische Auswertung dieser Daten stellt jedoch aufgrund ihrer Heterogenität, hohen Aufzeichnungsfrequenz und komplexen Zusammenhänge eine besondere Herausforderung dar (Janiesch et al. 2020). Process Mining als datengetriebener Analyseansatz hat sich in verschiedenen Anwendungsdomänen für die Analyse von Prozessen bewährt. Process Mining ermöglicht die Rekonstruktion von Prozessmodellen aus aufgezeichneten Ereignisdaten sowie die Analyse von Prozessen und Abweichungen (van der Aalst 2016). Die Anwendung von Process Mining auf Fahrzeugdaten eröffnet eine neue Perspektive auf Fahrprozesse. Statt einzelne Sensoroder Zustandswerte isoliert zu betrachten, können Fahrten als Prozesse mit Aktivitätssequenzen analysiert werden. Diese prozessorientierte Sichtweise ermöglicht ein besseres Verständnis von Fahrmustern und deren Variabilität. Die Anwendung von Process-Mining-Methoden auf Fahrzeugdaten erfordert jedoch die Überbrückung einer methodischen Lücke. Während Process Mining auf diskreten Ereignisdaten mit definierten Aktivitäten basiert, liegen Fahrzeugdaten vorwiegend als Sensormessungen vor. Zusätzlich stellt die hohe Granularität der Sensordaten eine Herausforderung für die Prozessmodellierung dar (Mannhardt et al. K Process Mining mit Fahrzeugdaten: Von Sensordaten zu Prozessmodellen 899 2018). Existierende Ansätze zur Integration von Process Mining und IoT-Systemen adressieren diese Problematik nur teilweise. Insbesondere fehlt es an systematischen Methoden zur Transformation von Fahrzeugdaten in analysierbare Prozessaktivitäten. Das Ziel dieser Arbeit ist die Entwicklung eines Ansatzes zur Analyse von Fahrzeugdaten mittels Process Mining. Der Fokus liegt dabei auf der systematischen Transformation von Sensordaten in Prozessaktivitäten. Hierzu müssen auch geeignete Prozessinstanzen im Kontext Fahrzeug definiert werden. Für die Anwendung von Process Mining auf Fahrzeugdaten wird eine Pipeline entwickelt, die Fahrzeugdaten erfasst, zu Event Logs kombiniert und in Prozessmodelle überführt. Die Arbeit leistet damit einen Beitrag zur datengetriebenen Analyse von Fahrprozessen und ermöglicht neue Einblicke in Fahrmuster und deren Variabilität. Der Ansatz baut dabei auf bestehenden Konzepten der Activity Recognition und Event Abstraction auf (Mannhardt et al. 2018;vanZelstetal.2021). Die weitere Arbeit gliedert sich wie folgt: Zunächst werden in Kap. 2 die theoretischen Grundlagen des Process Mining sowie die spezifischen Herausforderungen bei der Verarbeitung von Sensordaten erläutert. Anschließend erfolgt in Kap. 3 ein Überblick über verwandte Arbeiten im Kontext von Process Mining und IoT-Systemen. Darauf aufbauend wird in Kap. 4 das methodische Vorgehen zur Transformation von Fahrzeugdaten in Prozessmodelle beschrieben. Die prototypische Implementierung in Kap. 5 demonstriert die Anwendbarkeit des Ansatzes anhand realer Fahrzeugdaten. Abschließend werden in Kap. 6 die Ergebnisse diskutiert und Perspektiven für zukünftige Forschung aufgezeigt. 2 Theoretischer Hintergrund Für die Analyse von Fahrzeugdaten mittels Process Mining sind zwei zentrale theoretische Grundlagen relevant. Zunächst werden die Konzepte und Methoden des Process Mining vorgestellt, welche die Basis für die Prozessanalyse bilden. Anschließend wird auf die spezifischen Herausforderungen bei der Transformation von Sensordaten in Prozessereignisse eingegangen. 2.1 Process Mining Process Mining stell eine datengestützte Methode zur Analyse, Überwachung und Verbesserung von realen Geschäftsprozessen dar. Der Ansatz extrahiert Prozesswissen aus Event Logs, die während der Prozessausführung in Informationssystemen aufgezeichnet werden. Process Mining stellt dabei die Verbindung zwischen Datenwissenschaften (Data Science) und Prozesswissenschaften (Process Science) her (van der Aalst 2016). Insbesondere sind die Überschneidungen von vier Teilgebieten relevant: Maschinelles Lernen, Data Mining, Prozessmodellierung und Prozessanalyse. Die gewonnenen Erkenntnisse basieren auf dem beobachteten Verhalten, das in Event Logs bei der Ausführung von IT-gestützten Geschäftsprozessen aufgezeichnet wird. Dies ermöglicht ein faktenbasiertes Geschäftsprozessmanagement (van der Aalst 2012). K 900 F. Rybinski, G. Schiefer Für das Verständnis von Process Mining sind drei zentrale Begriffe wesentlich: Prozesstyp, Prozessinstanz und Prozessvariante. Ein Prozesstyp beschreibt eine spezifische Klasse von Prozessen mit gemeinsamen Charakteristika, wie beispielsweise ein Bestellprozess. Eine Prozessinstanz repräsentiert einen konkreten Durchlauf dieses Prozesstyps, also eine individuelle Bestellung. Prozessvarianten entstehen, wenn Prozessinstanzen desselben Prozesstyps unterschiedliche Aktivitätssequenzen aufweisen. Diese Variabilität kann durch verschiedene Faktoren bedingt sein, etwa durch unterschiedliche Kontextbedingungen oder Entscheidungen während der Prozessausführung. Auf den Anwendungsfall dieser Arbeit bezogen, wird ein Fahrprozess als eine zeitlich geordnete Sequenz von Fahraktivitäten definiert, die durch Sensordaten erfasst werden können. Eine Prozessinstanz entspricht einer einzelnen Fahrt, während sich ein Prozesstyp auf eine Klasse von ähnlichen Fahrten (z.B. täglicher Arbeitsweg) bezieht. Innerhalb eines Prozesstyps können verschiedene Varianten auftreten, abhängig von individuellen Fahrmustern oder äußeren Bedingungen. 2.1.1 Event Logs als Grundlage Process Mining basiert auf der systematischen Analyse von Event Logs. Ein Event Log dokumentiert eine Sequenz von Ereignissen (Events), die in IT-Systemen bei der Ausführung von Geschäftsprozessen auftreten und digital gespeichert werden (van der Aalst et al. 2004). Diese Ereignisse können in verschiedenen Kontexten auftreten, beispielsweise in Maschinen, sozialen Netzwerken oder klassisch in Informationssystemen (z.B. ERP-System, CRM-System). Um die grundlegenden Anforderungen des Process Mining zu erfüllen, muss jedes Ereignis drei essentielle Attribute aufweisen: die ausgeführte Aktivität, den Zeitstempel der Ausführung und einen Identifier für die zugehörige Prozessinstanz (Case ID). Tab. 1zeigt einen beispielhaften Event Log für einen Bestellprozess mit zwei Prozessinstanzen. Die eingetragenen Ereignisse dokumentieren den Verlauf von zwei unterschiedlichen Bestellungen (Case ID 4711 und 4712). Während die erste Bestellung den regulären Prozessverlauf bis zur Versandvorbereitung durchläuft, wird die zweite Bestellung nach einer fehlgeschlagenen Zahlungsprüfung abgebrochen. Diese Struktur ermöglicht die Rekonstruktion der Prozessabläufe. Die Aktivitätszuordnung identifiziert die durchgeführten Prozessschritte, die Instanz-Zuordnung ermöglicht die Unterscheidung verschiedener Prozessdurchläufe und der Zeitstempel erlaubt die Ordnung Tab. 1 Beispielhafter Event Log eines Bestellprozesses, in Anlehnung an (van der Aalst et al. 2007) Case ID Aktivität Zeitstempel Ressource 4711 Bestellung erfassen 2024-01-15 09:15:23 System 4711 Zahlung prüfen 2024-01-15 09:16:10 John 4711 Lagerbestand prüfen 2024-01-15 09:18:45 System 4712 Bestellung erfassen 2024-01-15 09:20:15 System 4712 Zahlung prüfen 2024-01-15 09:21:30 Anna 4712 Zahlung ablehnen 2024-01-15 09:25:00 Anna 4711 Versand vorbereiten 2024-01-15 10:30:00 Sarah K Process Mining mit Fahrzeugdaten: Von Sensordaten zu Prozessmodellen 901 in der zeitlichen Abfolge. Zusätzlich können Ereignisse weitere Attribute wie die ausführende Ressource oder spezifische Kennzahlen enthalten (van der Aalst et al. 2007). Die Qualität und Vollständigkeit der Event Logs bestimmt maßgeblich die Aussagekraft der resultierenden Prozessanalysen. 2.1.2 Teilgebiete des Process Mining Process Mining untergliedert sich in drei zentrale Teilgebiete: Process Discovery, Conformance Checking und Process Enhancement (van der Aalst et al. 2012). Process Discovery Process Discovery ist das bekannteste Process-Mining-Teilgebiet (van der Aalst 2016). Es ermöglicht die automatisierte Generierung von Prozessmodellen aus Event Logs, ohne das ein vorheriges Modell (Apriori-Modell) benötigt wird (Verbeek et al. 2017). Das generierte Prozessmodell bildet dabei das im Event Log aufgezeichnete Verhalten ab. Process Discovery fokussiert hauptsächlich auf die Kontrollflussperspektive, also die Abbildung von Aktivitätsfolgen im Prozess. Es können jedoch auch weitere Perspektiven wie der Datenfluss in multiperspektivischen Prozessmodellen einbezogen werden (Leno et al. 2018). Ein einfaches Beispiel für einen Process-Discovery-Algorithmus ist der α-Algorithmus (van der Aalst et al. 2004). Dieser generiert aus einem Event Log ein Prozessmodell in der Form eines Petri-Netzes (S, T, F), wobei S die Menge der Stellen (Zustände), T die Menge der Transitionen (Aktivitäten) und F die Flussrelation (Abfolge) beschreibt. Der α-Algorithmus analysiert in den Prozessausführungen in Tab. 2die kausalen Beziehungen zwischen den Aktivitäten a, b, c und d. Dabei zeigt sich, dass die Aktivität aausschließlich am Prozessbeginn auftritt, während die Aktivitäten bund cin unterschiedlicher Reihenfolge ausgeführt werden können. Die Aktivität derscheint ausschließlich am Prozessende. Das resultierende Petri-Netz in Abb. 1repräsentiert diese Beziehungen durch entsprechende Stellen und Transitionen. Es drückt aus, dass nach Aktivität adie Aktivitäten bund cin beliebiger Reihenfolge ausgeführt werden können, bevor der Prozesse mit der Aktivität dabgeschlossen wird. Die Qualität eines generierten Prozessmodells kann anhand von vier Kriterien bewertet werden (van der Aalst 2011): Fitness: Das Modell soll das Verhalten im Event Log abbilden Präzision: Das Modell soll nur das Verhalten im Event Log abbilden Generalisierung: Das Modell soll das Verhalten im Event Log verallgemeinern Einfachheit: Das Modell soll so einfach wie möglich sein Diese Qualitätskriterien stehen dabei in Konkurrenz zueinander und müssen bei der Modellgenerierung ausbalanciert werden. Tab. 2 Beispielhafter Event Log E eines Prozesses Prozessinstanz Aktivitätsfolge 01 a,b,c,d 02 a,c,b,d 03 a,b,c,d K 902 F. Rybinski, G. Schiefer Abb. 1 Petri-Netz zu Event Log E Conformance Checking Conformance Checking ermöglicht den systematischen Vergleich zwischen aufgezeichneten und modelliertem Prozessverhalten. Der Vergleich erlaubt die Identifikation von Abweichungen zwischen der tatsächlichen Prozessausführung und einem Referenzmodell, z.B. Soll-Prozess (van der Aalst 2012). Das Referenzmodell kann dabei sowohl manuell erstellt als auch durch Process Discovery generiert worden sein (van der Aalst 2016). Bei der Durchführung von Conformance Checking wird jede aufgezeichnete Prozessinstanz mit dem Referenzmodell verglichen. Dieser Vergleich ermöglicht die Identifizierung und Quantifizierung von Abweichungen. Die Analyse kann dabei mehrere Arten von Abweichungen aufdecken. So können Aktivitäten im tatsächlichen Verhalten auftreten, die nicht im Modell erfasst sind. Gleichzeitig beschreibt das Modell möglicherweise Verhaltensmuster, die in der Realität nicht beobachtet werden. Darüber hinaus lassen sich Abweichungen in der Ausführungsreihenfolge der Aktivitäten identifizieren. Das folgende Beispiel verwendet das in Abb. 1dargestellte Petri-Netz als Referenzmodell. Tab. 3zeigt drei Prozessinstanzen mit verschiedenen Arten von Abweichungen. Die erste Prozessinstanz zeigt eine Abweichung durch die doppelte Ausführung der Aktivität c. Die zweite Prozessinstanz weicht vom Prozessmodell ab, da die erforderliche Aktivität cfehlt. In der dritten Prozessinstanz tritt mit Aktivität eein im Modell nicht definiertes Verhalten auf. Eine grundlegende Technik für Conformance Checking ist das Token Replay (Carmona et al. 2022). Dabei wird die aufgezeichnete Abfolge von Aktivitäten im Prozessmodell abgespielt, indem Token durch das Modell geleitet werden. Die Ergebnisse des Conformance Checking können in verschiedener Form dargestellt werden. Quantitative Metriken wie Fitness und Präzision beschreiben den Grad der Übereinstimmung zwischen Modell und Event Log. Die Visualisierung der Abweichungen im Prozessmodell ermöglicht deren qualitative Analyse. Diese Informationen bilden eine wichtige Grundlage für die Prozessverbesserung und die Überprüfung von Compliance-Anforderungen. Tab. 3 Beispielhaftes Conformance Checking Case ID Aktivitätsfolge Art der Abweichung 04 a,c,c,b,d Doppelte Ausführung von Aktivität c 05 a,b,d Fehlende Aktivität c 06 a,c,b,e,d Nicht modellierte Aktivität e K Process Mining mit Fahrzeugdaten: Von Sensordaten zu Prozessmodellen 903 Process Enhancement Process Enhancement erweitert und verbessert als drittes Teilgebiet des Process Mining bestehende Prozessmodelle um zusätzliche Aspekte (van der Aalst 2016). Dabei werden zwei grundlegende Ansätze unterschieden. Der Repair-Ansatz fokussiert auf die Anpassung des Modells zur besseren Übereinstimmung mit der Realität. Der Extension-Ansatz ergänzt das bestehende Modell um zusätzliche Perspektiven wie zeitliche Aspekte für Performance-Analysen, organisatorische Aspekte für die Ressourcenplanung oder Entscheidungsregeln an Verzweigungspunkten. Process Enhancement schafft somit die Grundlage für eine detaillierte Analyse der Prozessleistung unter Berücksichtigung verschiedener Faktoren. 2.2 Von Sensordaten zu Event Logs Die Anwendung von Process Mining auf Sensordaten stelle eine besondere Herausforderung dar, die primär daraus resultieren, dass Sensordaten nicht den klassischen Anforderungen an Event Logs entsprechen (Janiesch et al. 2020). ProcessMining-Methoden basieren häufig auf der Annahme, dass Ereignisdaten auf derselben Detailstufe vorliegen und eine hohe Abstraktion aufweisen, was in einem verständlichen Prozessmodell resultiert (Van Eck et al. 2016). Durch die Anbindung verschiedener Systeme und Sensordaten sind diese Annahmen jedoch häufig nicht erfüllt. Während klassische Event Logs bereits diskrete, einem Prozess zuordenbare Ereignisse enthalten, müssen diese bei kontinuierlichen Sensordaten erst generiert werden (Janiesch et al. 2020). Um die Lücke zwischen kontinuierlichen Sensordaten und diskreten Prozessereignissen zu schließen, sind zwei Konzepte relevant: Activity Recognition (Mannhardt et al. 2018) und Event Abstraction (van Zelst et al. 2021). 2.2.1 Activity Recognition Activity Recognition ermöglicht die Erkennung von Aktivitäten aus Sensordaten und bildet damit eine zentrale Komponente bei der Transformation von Sensordaten zu Event Logs (Mannhardt et al. 2018). Im Fall der Einbindung von Sensoren ist zunächst eine Aggregation verschiedener Sensordaten notwendig, um die Lücke zwischen Sensordaten und verwertbaren Aktivitäten zu schließen (Van Eck et al. 2016). Activity Recognition ist ein Teilgebiet des maschinellen Lernens, das sich mit der Erkennung von Benutzeraktivitäten auf der Grundlage von Sensordaten beschäftigt. Die Activity Recognition gliedert sich in folgende Schritte: Segmentierung der kontinuierlichen Sensordaten in relevante Zeitfenster Merkmalsextraktion aus den Segmenten Klassifikation der Segmente in definierte Aktivitätsklassen Kombination der erkannten Aktivitäten zu prozessrelevanten Ereignissen Wie in Abb. 2dargestellt, erfolgt dieser Prozess durch die Transformation von Sensordaten zu Aktivitäten. Die Abbildung veranschaulicht die Schritte Segmentierung, Klassifikation und Kombination von Sensordaten. K 904 F. Rybinski, G. Schiefer Abb. 2 Segmentierung, Klassifikation und Kombination von Sensordaten (Van Eck et al. 2016) Eine zentrale Schwierigkeit bei der Activity Recognition stellt die Erkennung überlappender oder parallel stattfindender Aktivitäten dar. Im Kontext von Geschäftsprozessen können mehrere Aktivitäten gleichzeitig ausgeführt werden und damit verschiedene Events parallel auftreten (van Zelst et al. 2021). Die Sensorsignale müssen dabei nicht nur den richtigen Aktivitäten zugeordnet werden, sondern auch in ihrer zeitlichen und kausalen Abhängigkeit interpretiert werden. Dies ist besonders relevant bei cyber-physischen Systemen wie zum Beispiel einem softwaredefinierten Fahrzeug, bei dem gleichzeitig Lenkbewegungen, Geschwindigkeitsänderungen und Navigationsentscheidungen erfasst werden. 2.2.2 Event Abstraction Event Abstraction bezeichnet die systematische Umwandlung von feingranularen Ereignisdaten auf eine Prozessebene, die für die Analyse eines Prozesses geeignetist(vanZelstetal.2021). Bei komplexen Systemen werden große Mengen an Prozessdaten generiert, die zunächst nur in unstrukturierter Form vorliegen. Hinzukommen kann, dass bei der Kombination verschiedener Systeme Ereignisdaten in unterschiedlichen Detailstufen vorliegen können. Ohne Vorverarbeitung ist es oftmals schwierig, die Prozesse zu analysieren und zu verstehen, da vielfach sogenannte Spaghettimodelle entstehen (Jagadeesh Chandra Bose und van der Aalst 2009). Abb. 3zeigt den Weg der Informationsumwandlung von der Beobachtung in der physischen Welt zu (komplexen) Prozessinstanzen und hierbei insbesondere die Einordnung der Event Abstraction in dieser Umwandlung. 3 Verwandte Arbeiten Die Anwendung von Process Mining auf Daten aus cyber-physischen Systemen und IoT-Geräten stellt ein wachsendes Forschungsgebiet dar. Eine besondere Herausforderung bei der Integration von cyber-physischen Systemen und Geschäftsprozessmanagement ist die Überbrückung der Kluft zwischen kontinuierlichen Sensordaten und diskreten Event Logs (Janiesch et al. 2020). Traditionelle Ansätze des Geschäftsprozessmanagements müssen entsprechend erweitert werden, um der dynamischen Natur von cyber-physischen Systemen gerecht zu werden. K Process Mining mit Fahrzeugdaten: Von Sensordaten zu Prozessmodellen 911 Abb. 8 Architektur der prototypischen Implementierung und NumPy2, die eine effiziente Manipulation und Analyse großer Datenmengen ermöglichen. Für die geografische Analyse der Fahrzeugdaten wird Geopy3eingesetzt. Die Process-Mining-Funktionalitäten werden durch PM4Py4bereitgestellt, das verschiedene Algorithmen zur Prozessanalyse und -visualisierung bereitstellt. Die 2https://numpy.org. 3https://geopy.readthedocs.io/en/stable/. 4https://processintelligence.solutions/pm4py. K 912 F. Rybinski, G. Schiefer interaktive Benutzungsoberfläche wird mittels Streamlit5realisiert und durch Folium6 um geografische Visualisierungsmöglichkeiten erweitert. Die Architektur gliedert sich, wie in Abb. 8dargestellt, in drei Komponenten: Datenhaltung, Verarbeitung und Frontend. Diese Struktur ermöglicht eine klare Trennung und eine flexible Erweiterbarkeit der Implementierung. 5.2 Datenhaltung und Datenaufbereitung Die Datenhaltung basiert auf einem zweistufigen Ansatz. Die ursprünglichen Fahrzeugsensordaten liegen im CSV-Format vor und enthalten verschiedene Messgrößen wie Geschwindigkeit, Beschleunigung und GPS-Koordinaten. Die generierten Event Logs werden im XES-Format gespeichert, wodurch eine effiziente Weiterverarbeitung durch die Process-Mining-Komponente gewährleistet wird. Zur Datenaufbereitung wurden die Rohdaten bereinigt, die Datenformate konvertiert und verschiedene Sensormessungen synchronisiert. Besondere Aufmerksamkeit erforderte die Behandlung von fehlenden oder fehlerhaften Messwerten sowie die einheitliche Formatierung von Zeitstempeln und geografischen Koordinaten. 5.3 Aktivitätserkennung Für die Aktivitätserkennung ist zum jetzigen Zeitpunkt ein regelbasierter Ansatz zur Transformation der Fahrzeugsensordaten in Fahraktivitäten implementiert. Die Klassifikation basiert auf definierten Schwellwerten für verschiedene Fahrzustände. Die Geschwindigkeitsklassifikation erfolgt beispielsweise anhand mehrerer Schwellwerte in Stillstand (0km/h), langsame Fahrten (bis 30km/h), zügige Fahrten (30–80km/h) und schnelle Fahrten (über 80km/h). Nach demselben Vorgehen werden auch Kurvenfahrten durch Lenkwinkel über 10 Grad oder Geschwindigkeitsüberschreitungen durch den Vergleich mit definierten Limits erkannt. Die Implementierung berücksichtigt auch die zeitliche Abfolge der Messwerte und ermöglicht die Erkennung von kombinierten Aktivitäten, beispielsweise Kurvenfahrten bei hoher Geschwindigkeit oder Beschleunigungsvorgänge zwischen verschiedenen Geschwindigkeitsbereichen. Dabei erfolgt die Aktivitätserkennung durch eine sequenzielle Verarbeitung der Sensordaten, wobei für jeden Messzeitpunkt die entsprechenden Schwellwerte überprüft werden. Dabei können mehrere Aktivitäten parallel erkannt und zu kombinierten Aktivitäten aggregiert werden. Ein besonderer Fokus liegt auf der Erkennung von Übergängen zwischen verschiedenen Aktivitäten. So werden beispielsweise Beschleunigungsvorgänge durch die Analyse der Geschwindigkeitsänderungen über mehrere Messzeitpunkte identifiziert. Die zeitliche Aggregation der erkannten Aktivitäten ermöglicht dabei die Bildung von zusammenhängenden Aktivitätssequenzen, die als Grundlage für die spätere Process-Mining-Analyse dienen. Die gewählten Schwellwerte können bei Bedarf an spezifische Anforderungen angepasst werden. Die regelbasierte Implementierung ermöglicht eine transparente 5https://streamlit.io. 6https://pypi.org/project/folium/. K Process Mining mit Fahrzeugdaten: Von Sensordaten zu Prozessmodellen 913 und nachvollziehbare Aktivitätserkennung, die durch die Definition weiterer Regeln flexibel erweitert werden kann. Zukünftig soll die regelbasierte Erkennung durch maschinelle Lernverfahren ergänzt werden, um auch komplexere Aktivitätsmuster zu erkennen. 5.4 Clustering von Fahrten Das Clustering basiert auf einem geografischen Ähnlichkeitsmaß zwischen Fahrten, das über reine GPS-Navigationsdaten hinausgeht. Während Navigationssysteme primär auf Routen fokussieren, zielt das hier eingesetzte Clustering auf die Identifikation ähnlicher Prozessinstanzen ab. Dabei wird die Haversine-Distanz verwendet, um die Entfernung zwischen Startund Endpunkten der Fahrten auf der Erdoberfläche zu berechnen (Gardiner 2011). Dies ermöglicht eine sinnvolle Kategorisierung in verschiedene Fahrtkontexte wie Pendlerfahrten, Stadtfahrten, Überlandfahrten oder regelmäßige Besorgungsfahrten. Der Clustering-Prozess erfolgt in mehreren Schritten. Zunächst werden für jede Fahrt die Startund Endkoordinaten extrahiert. Anschließend wird ein Ähnlichkeitsgraph konstruiert, bei dem Fahrten als Knoten repräsentiert werden. Eine Kante zwischen zwei Knoten wird eingefügt, wenn sowohl deren Startals auch Endpunkte innerhalb eines definierten Distanzschwellwerts (100m) liegen. Die eigentliche Clusterbildung erfolgt dann durch die Identifikation zusammenhängender Komponenten in diesem Graphen. Durch diesen Ansatz werden Fahrten mit ähnlichen Startund Zielpunkten demselben Cluster zugeordnet. Dies ermöglicht die Identifikation wiederkehrender Fahrten wie beispielsweise regelmäßige Pendelfahrten zum Arbeitsplatz. Die resultierenden Cluster bilden die Grundlage für die nachfolgende Process-Mining-Analyse, bei der typische Prozessmuster innerhalb der Cluster untersucht werden. Das Clustering definiert dabei die Prozessinstanzen für das Process Mining. Während einzelnen Aktivitäten, wie Überholvorgänge, spezifische Aktivitäten innerhalb einer Fahrt darstellen, wird für das Clustering die gesamte Fahrt als Prozessinstanz betrachtet. Jede Fahrt innerhalb eines Clusters stellt eine Prozessinstanz des gleichen Prozesstyps dar, wodurch die Analyse von Prozessvarianten innerhalb ähnlicher Fahrten ermöglicht wird. Ein Beispiel für einen Prozesstyp eines Clusters ist der tägliche Arbeitsweg. Die Hauptvariante stellt dabei die gewöhnliche Route dar, die durch die meisten Prozessinstanzen abgedeckt wird. Zusätzliche Prozessvarianten können beispielsweise durch Alternativrouten bei Staumeldungen oder einen Umweg zum Supermarkt erzeugt werden. Die Implementierung ist durch die Anpassung des Distanzschwellwertes flexibel konfigurierbar. Ein niedrigerer Wert führt zu einem Clustering mit hoher geografischer Präzision, während ein höherer Wert zu größeren Clustern führt, die aber möglicherweise unterschiedliche Prozesstypen zusammenfassen. 5.5 Process Mining und Analyse Die Process-Mining-Komponente nutzt die PM4Py-Bibliothek zur Analyse der erkannten Fahraktivitäten. Die Implementierung unterstützt drei verschiedene ProcessK 914 F. Rybinski, G. Schiefer Discovery-Algorithmen, die je nach Analyseziel eingesetzt werden können. Der Inductive Miner erzeugt Prozessmodelle mit hoher Fitness, die nach Definition sound (verhaltensmäßig richtig) sind (Leemans et al. 2013). Der Heuristics Miner erkennt häufige Aktivitätsfolgen und ist robust gegenüber selten auftretenden Abweichungen im Fahrverhalten (Weijters et al. 2006). Der Directly-Follows-Graph (DFG) Miner erstellt eine vereinfachte Darstellung der Prozesse, indem er direkte Folgebeziehungen zwischen Aktivitäten und deren Häufigkeiten visualisiert (van der Aalst 2019). Diese ermöglicht einen schnellen Überblick und eignet sich besonders für die explorative Analyse von Fahrmustern. Die Analyse erfolgt separat für jedes identifizierte Cluster, wodurch spezifische Muster für verschiedene Prozesstypen erkannt werden können. Innerhalb eines Clusters können verschiedene Prozessvarianten identifiziert und deren Häufigkeit bestimmt werden. 5.6 Visualisierung Die Implementierung der Benutzeroberfläche erfolgt mit Streamlit, wodurch eine interaktive Exploration der Analyseergebnisse ermöglicht wird. Die Visualisierung gliedert sich in mehrere Bereiche. Die geografische Darstellung der Fahrten wird mittels Folium realisiert und ermöglicht die Anzeige der Routen auf einer interaktiven Karte. Einzelne Fahrten werden dabei farblich hervorgehoben und können nach verschiedenen Kriterien gefiltert werden. Die generierten Prozessmodelle werden durch den PM4Py Visualizer dargestellt. Die Visualisierung ermöglicht die Exploration der Prozessmodelle auf verschiedenen Abstraktionsebenen. Die implementierte Filterung nach Clustern und Zeiträumen unterstützt die gezielte Analyse spezifischer Fahrsituationen. Statistische Auswertungen geben Aufschluss über die Häufigkeit bestimmter Aktivitäten. Die Benutzeroberfläche ermöglicht damit eine umfassende Exploration der Fahrprozesse aus verschiedenen analytischen Perspektiven. 5.7 Test des Demonstrators Die prototypische Implementierung wurde mit einem Datensatz einer Versicherungsgesellschaft getestet. Der Datensatz umfasst 695 Fahrten einer versicherten Person im Raum Wolfratshausen, die durch ein Fahrzeug in den Jahren 2022 und 2023 aufgezeichnet wurden. Die Daten stammen von insgesamt 233 verschiedenen Tagen und umfassen 443.338 Datenpunkte. Die einzelnen Fahrten wurden durch eine zeitbasierte Segmentierung identifiziert, wobei Standzeiten von mehr als fünf Minuten als Fahrtgrenze interpretiert wurden. Für jeden Messpunkt wurden verschiedene Parameter erfasst, darunter: Zeitliche Informationen Positionsdaten Fahrzeugdynamik (Geschwindigkeit, Beschleunigung, Bremswerte) Straßenattribute (Tempolimit, Anzahl Fahrspuren, Steigung) Kontextinformationen (Unfallgefahr, Durchschnittsgeschwindigkeit) K Process Mining mit Fahrzeugdaten: Von Sensordaten zu Prozessmodellen 915 Abb. 9 Generierung der Aktivitäten Basierend auf den segmentierten Fahrdaten wurden durch den regelbasierten Ansatz die Fahraktivitäten generiert. Der Ansatz erkennt dabei grundlegende Aktivitäten wie Geradeausfahrten und Abbiegevorgänge sowie besondere Ereignisse wie Geschwindigkeitsüberschreitungen. Wie in Abb. 9dargestellt, basiert die Aktivitätserkennung auf den aufgezeichneten Sensordaten und berücksichtigt Werte für Geschwindigkeit, Beschleunigung und Lenkbewegungen sowie Tempolimits. Nach der Aktivitätsgenerierung wurden die Fahrten geografisch in Cluster aufgeteilt. Insgesamt konnten so 34 verschiedene Cluster identifiziert werden. Für die Process-Mining-Analyse wurde das größte Cluster 5 ausgewählt, das insgesamt 45 verschiedene Fahrten enthält, die den gleichen Startund Endpunkt aufweisen. Die Fahrten sind in Abb. 10 geplottet, wobei sich einzelne Fahrten aufgrund der gleichen Route farblich überlagern. Basierend auf diesem Cluster wurde anschließend Process Mining ausgeführt. Der zugehörige Event Log zeichnet sich durch die Kennzahlen in Tab. 4aus. Die Kennzahlen in den Zeilen 3–5 beziehen sich auf den gesamten Event Log. K 916 F. Rybinski, G. Schiefer Abb. 10 Plot der Fahrten aus Cluster 5 Die Anzahl der Prozessvarianten entspricht dabei der Anzahl Prozessinstanzen. Dies zeigt, dass trotz der geografischen Ähnlichkeit der Fahrten jede Fahrt eine einzigartige Sequenz von Aktivitäten aufweist. Zur Darstellung der Prozesse wurden zwei verschiedene Process-Discovery-Algorithmen eingesetzt. Der Inductive Miner wird für die Generierung eines PetriNetzes eingesetzt. Dieses enthält einen expliziten Startund Endpunkt sowie klare Kontrollflussstrukturen (siehe Abb. 11). Dies ermöglicht die Identifikation von Schleifen und parallelen Abläufen. Der DFG Miner erzeugt mit dem DFG eine direktere Darstellung der Aktivitätsübergänge (siehe Abb. 12). In dieser Visualisierung werden die häufigsten Übergänge zwischen den Aktivitäten durch Pfeile dargestellt. Dies zeigt deutlich die Vielzahl der möglichen Übergänge. Tab. 4 Kennzahlen Cluster 5 Minimum Maximum Durchschnitt Fahrtdauer (Min) 11,4 26,2 14,6 Distanz (km) 8,3 13,1 9,9 Anzahl Ereignisse – – 36.343 Anzahl unterschiedliche Aktivitäten – – 14 Anzahl Prozessvarianten – – 47 K Process Mining mit Fahrzeugdaten: Von Sensordaten zu Prozessmodellen 917 Abb. 11 Ausschnitt des Petri-Netzes zu Cluster 5 Abb. 12 Ausschnitt des DFGs zu Cluster 5 6 Zusammenfassung und Ausblick Die vorliegende Arbeit präsentiert einen systematischen Ansatz zur Analyse von Fahrzeugdaten mittels Process Mining. Der entwickelte Ansatz ermöglicht die Transformation von Fahrzeugdaten in Prozessereignisse und somit die anschließende K 918 F. Rybinski, G. Schiefer Prozessanalyse. Die prototypische Implementierung demonstriert die grundsätzliche Machbarkeit des Ansatzes anhand realer Fahrzeugdaten. Die Ergebnisse zeigen, dass sich Fahrten als Prozesse darstellen und analysieren lassen. Das geografische Clustering ermöglicht die Identifikation ähnlicher Fahrten, die als Prozessinstanzen eines Prozesstyps interpretiert werden können. Die Process-Mining-Analyse offenbart dabei die Variabilität des Fahrverhaltens. Selbst bei geografisch ähnlichen Fahrten entstehen unterschiedliche Prozessvarianten durch variierende Aktivitätssequenzen. Während klassische Routenmanagementsysteme wie Google Maps primär auf die Berechnung effizienter Wege fokussiert sind, erlaubt der Process-Mining-Ansatz eine tiefergehende Analyse des tatsächlichen Fahrverhaltens. Dabei werden nicht nur Routenverläufe betrachtet, sondern auch die tatsächlich ausgeführten Fahraktivitäten und deren Variabilität analysiert. Dies ermöglicht neue Erkenntnisse zur Verbesserung von Fahrassistenzsystemen, Effizienzanalysen und Sicherheitsbewertungen, die über die bloße Routenbetrachtung hinausgehen. Die Arbeit unterliegt dabei verschiedenen Limitationen. Die aktuelle regelbasierte Aktivitätserkennung basiert auf definierten Schwellwerten, die nicht für alle Fahrsituationen die gewünschten Ergebnisse bringt. So führt beispielsweise ein fester Schwellwert für die Geschwindigkeitsklassifikation in unterschiedlichen Verkehrssituationen zu uneinheitlichen Ergebnissen. Die Erkennung komplexerer Fahraktivitäten sowie die Berücksichtigung von Kontextinformationen stellen weitere Herausforderungen dar. Während einfache Aktivitäten wie Beschleunigen zuverlässig erkannt werden, lassen sich komplexe Manöver durch den regelbasierten Ansatz nur unzureichend identifizieren. Das geografische Clustering betrachtet zwar Startund Endpunkte der Fahrten und ermöglicht so die Identifikation ähnlicher Fahrten, berücksichtigt jedoch nicht die spezifischen Eigenschaften der Streckenführung zwischen diesen Punkten. Dies kann dazu führen, dass Fahrten mit unterschiedlichen Anforderungen an den Fahrer im selben Cluster gruppiert werden. Eine weitere Limitation betrifft die Aussagekraft der generierten Prozessmodelle im aktuellen Stand. Die dargestellten Petri-Netze und DFGs demonstrieren zwar die Machbarkeit der Transformation. Die erkennbaren Muster beschränken sich jedoch noch weitgehend auf grundlegende Zusammenhänge. Mit einer Weiterentwicklung der Aktivitätsdefinitionen und Erkennungsmethoden ließe sich die Aussagekraft der Prozessmodelle deutlich steigern. Die identifizierten Limitationen eröffnen weitere Forschungsmöglichkeiten. Ein vielversprechender Ansatz liegt in der Erweiterung der Aktivitätserkennung durch maschinelle Lernverfahren, die auf historischen Daten lernen und dadurch eine verbesserte Erkennung ermöglichen könnten. Hierfür könnten sowohl überwachte als auch unüberwachte Lernverfahren untersucht werden. Die Integration zusätzlicher Kontextinformationen stellt eine weitere Forschungsmöglichkeit dar. Neben den bereits erfassten, vorwiegend fahrzeuginternen Daten sollen externe Faktoren wie Wetterbedingungen, Verkehrsaufkommen oder Straßenzustand einbezogen werden. Dies würde eine kontextsensitivere Analyse ermöglichen. Basierend auf den erweiterten Aktivitätserkennungen und Kontextinformationen ergeben sich damit auch neue Analyseperspektiven für das Process Mining. Die K Process Mining mit Fahrzeugdaten: Von Sensordaten zu Prozessmodellen 919 Einbindung von Parametern wie Energieverbrauch, Fahrtdauer oder Fahrerbelastung würde eine mehrdimensionale Bewertung von Prozessvarianten ermöglichen. Temporale Aspekte könnten durch die Analyse von Aktivitätssequenzen in unterschiedlichen Kontexten berücksichtigt werden. Diese erweiterten Perspektiven könnten zur Verbesserung von Fahrerassistenzsystemen, zur Optimierung des Energieverbrauchs und zur Erhöhung der Fahrsicherheit beitragen. Die Arbeit legt damit einen Grundstein für die prozessorientierte Analyse von Fahrzeugdaten. Der entwickelte Ansatz ermöglicht neue Einblicke in Fahrverhalten und Fahrmuster. Die identifizierten Forschungspotenziale im Bereich maschinellen Lernens, der Kontextintegration und der erweiterten Prozessanalyse zeigen vielversprechende Richtungen für die Weiterentwicklung des Ansatzes auf. Die Kombination von Process Mining und Fahrzeugdaten eröffnet damit neue Perspektiven für die datengetriebene Analyse und Verbesserung von Fahrprozessen. Funding Open Access funding enabled and organized by Projekt DEAL. Open Access Dieser Artikel wird unter der Creative Commons Namensnennung 4.0 International Lizenz veröffentlicht, welche die Nutzung, Vervielfältigung, Bearbeitung, Verbreitung und Wiedergabe in jeglichem Medium und Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle ordnungsgemäß nennen, einen Link zur Creative Commons Lizenz beifügen und angeben, ob Änderungen vorgenommen wurden. Die in diesem Artikel enthaltenen Bilder und sonstiges Drittmaterial unterliegen ebenfalls der genannten Creative Commons Lizenz, sofern sich aus der Abbildungslegende nichts anderes ergibt. Sofern das betreffende Material nicht unter der genannten Creative Commons Lizenz steht und die betreffende Handlung nicht nach gesetzlichen Vorschriften erlaubt ist, ist für die oben aufgeführten Weiterverwendungen des Materials die Einwilligung des jeweiligen Rechteinhabers einzuholen. Weitere Details zur Lizenz entnehmen Sie bitte der Lizenzinformation auf http://creativecommons.org/licenses/by/ 4.0/deed.de. Literatur van der Aalst W (2011) Discovery, conformance and enhancement of business processes. Media. https:// doi.org/10.1016/j.is.2006.05.003 van der Aalst W (2012) Process mining: overview and opportunities. ACM Trans Manage Inf Syst. https:// doi.org/10.1145/2229156.2229157 van der Aalst W (2016) Data science in action. In: Process mining: data science in action. Springer, Berlin, Heidelberg https://doi.org/10.1007/978-3-662-49851-4_1 van der Aalst W (2019) A practitioner’s guide to process mining: limitations of the directly-follows graph. Procedia Comput Sci. https://doi.org/10.1016/j.procs.2019.12.189 van der Aalst W, Weijters T, Maruster L (2004) Workflow mining: discovering process models from event logs. IEEE Trans Knowl Data Eng 16(9):1128–1142. https://doi.org/10.1109/TKDE.2004.47 van der Aalst W et al (2007) Business process mining: an industrial application. Inf Syst 32(5):713–732. https://doi.org/10.1016/j.is.2006.05.003 van der Aalst W et al (2012) Process mining manifesto. Business Process Management Workshops. Springer, Berlin, Heidelberg, S 169–194 https://doi.org/10.1007/978-3-642-28108-2_19 (F. Daniel, K. Barkaoui, and S. Dustdar (trans.)) Beyel HH et al (2023) Analyzing cyber-physical systems in cars: a case study. In: Proceedings of the 12th International Conference on Data Science, Technology and Applications (DATA 2023), S 195–204 https://doi.org/10.5220/0012136000003541 Carmona J, van Dongen B, Weidlich M (2022) Conformance checking: foundations, milestones and challenges. In: van der Aalst WMP, Carmona J (Hrsg) Process mining handbook. Springer, Cham, S 155–190 https://doi.org/10.1007/978-3-031-08848-3_5 Gardiner B (2011) Collision avoidance techniques for unmanned aerial vehicles technical report # CSSE 1101. https://api.semanticscholar.org/CorpusID:13485828 K 920 F. Rybinski, G. Schiefer Jagadeesh Chandra Bose RP, van der Aalst W (2009) Abstractions in process mining: a taxonomy of patterns. In: Dayal U et al (Hrsg) Business process management. Springer, Berlin, Heidelberg, S 159–175 https://doi.org/10.1007/978-3-642-03848-8_12 Janiesch C et al (2020) The Internet of things meets business process management: a manifesto. IEEE Syst Man Cybern Mag 6(4):34–44. https://doi.org/10.1109/MSMC.2020.3003135 Janssen D et al (2021) Process model discovery from sensor event data. In: Leemans S, Leopold H (Hrsg) Process mining workshops. Lecture Notes in Business Information Processing. Springer, Cham, S 69–81 https://doi.org/10.1007/978-3-030-72693-5_6 Leemans SJ, Fahland D, Van Der Aalst WM (2013) Discovering block-structured process models from event logs—a constructive approach. In: Application and Theory of Petri Nets and Concurrency: 34th International Conference PETRI NETS 2013, June 24–28, 2013 Springer, S 311–329 https:// doi.org/10.1007/978-3-642-38697-8_17 (Proceedings 34) Leno V et al (2018) ‘Multi-perspective process model discovery for robotic process automation. In: CEUR Workshop Proceedings, S 37–45 (http://ceur-ws.org/Vol-2114/.) Makke O, Gusikhin O (2021) Robust IoT based parking information system. In: Klein C et al (Hrsg) Smart cities, green technologies, and intelligent transport systems. Springer, Cham, S 204–227 https://doi. org/10.1007/978-3-030-89170-1_11 Mannhardt F et al (2018) ‘A taxonomy for combining activity recognition and process discovery in industrial environments. In: International conference on intelligent data engineering and automated learning. Springer, S 84–93 https://doi.org/10.1007/978-3-030-03496-2_10 Van Eck ML, Sidorova N, Van der Aalst W (2016) Enabling process mining on sensor data from smart products. In: 2016 IEEE tenth international conference on research challenges in information science (RCIS). IEEE, S 1–12 https://doi.org/10.1109/RCIS.2016.7549355 Verbeek HMW, van der Aalst WMP, Munoz-Gama J (2017) Divide and conquer: a tool framework for supporting decomposed discovery in process mining. Comput J 60(11):1649–1674. https://doi.org/ 10.1093/comjnl/bxx040 Weijters AJ, van Der Aalst WM, De Medeiros AA (2006) Process mining with the HeuristicsMiner algorithm. BETA publicatie : working papers, Bd. 166. Technische Universiteit Eindhoven van Zelst SJ et al (2021) Event abstraction in process mining: literature review and taxonomy. Granul Comput 6:719–736. https://doi.org/10.1007/s41066-020-00226-2 Hinweis des Verlags Der Verlag bleibt in Hinblick auf geografische Zuordnungen und Gebietsbezeichnungen in veröffentlichten Karten und Institutsadressen neutral. K