过程挖掘在数据挖掘和流程建模与分析之间架起了一座桥梁。过程挖掘是从实际业务流程系统的数据和资源中提取有效的信息,根据需要的信息基于不同算法挖掘过程模型;过程模型既能描述系统的活动,又能模拟活动之间的运行顺序,将过程模型的行为与事件日志中记录的行为进行比较,寻找它们的共性和异构性;当过程模型和事件日志在流程上不匹配时,进行过程模型修正,使过程模型更好地反映实际的业务系统,提高模型的性能,以确保信息系统与实际业务流程保持良好的一致性。对含有并发结构模型的一致性检测和模型修正在过程挖掘中是十分重要的,本文基于逻辑Petri网,针对循环并发结构、并发块结构、并发和顺序结构、不完全并发和选择结构,分别提出不同的模型修正方法。(1)针对循环并发结构,提出了一种基于标识库所集和并发变迁集的模型修正方法。通过添加标识库所集扩展最优校准,提出了计算普通或逻辑最优扩展校准的方法。通过判断连续日志动作的标识库所集、相应变迁前集和并发变迁集之间的关系定位偏差,并基于逻辑Petri网提出动态的模型修正算法。(2)针对并发块结构,提出了一种基于并发分支和并发活动映射集的模型修正方法。基于Petri网的过程树,给出了计算并发分支和并发活动映射集的方法。通过判断并发活动映射集中为日志动作的活动的前驱、后继和并发分支中的活动之间的关系定位偏差,并基于逻辑Petri网提出模型的修正算法。(3)针对并发和顺序结构,提出了一种基于模型-托肯元组和迹-库所序列的模型修正方法。强制事件日志的所有活动在模型中使能,给出了计算模型-托肯元组的方法。根据不同结构的不同偏差类型,结合迹-库所序列和模型-托肯元组获得不同的偏差位置,并基于逻辑Petri网提出不同的模型修正算法。(4)针对不完全并发和选择结构,提出了一种基于选择关系集和并发关系集的模型修正方法。基于Petri网的过程树,提出了计算选择关系集和并发关系集的算法,包括选择活动集、并发活动集、分支集等。根据最优校准中的日志动作和模型动作,结合选择关系集和并发关系集中的活动获得不同的偏差位置。根据不同偏差位置,基于逻辑Petri网提出不同的模型修正算法。本文以青岛某医院业务流程为背景实例,通过仿真实验,将本文提出的基于逻辑Petri网的四种不同修正方法与有关修正方法进行比较,例证了本文方法的正确性和有效性,而且修正的模型在保持高拟合度的同时,提高了模型的精确度和简洁度。