模型修复是一种新的过程挖掘应用技术,它以事件日志和过程模型作为输入,通过对日志进行分析发现过程模型中出现的偏差,再对过程模型进行修复。修复后的模型应当与原始模式相似,即不改变原始模型的基本结构。本文以青岛某医院的医疗流程为背景,随着实际过程的发展,医疗流程中往往会出现新活动。原始模型已经不能准确的描述真实的过程,因此需要对原始模型进行修复。现有的模型修复方法着重于发现和修正偏差,对于修复模型的一致性却考虑较少。针对上述问题,本文的主要工作如下:引入Petri网可达标识,本文对校准进行了扩展,提出了扩展校准的概念,并给出了构造扩展校准的方法。对于一条迹和一个过程模型,校准可以发现日志动作和模型动作,这些动作说明日志和模型之间存在了偏差。然而,校准无法确定这些偏差在过程模型中出现的位置。扩展校准不仅能够发现偏差,还能确定偏差在Petri网中出现的位置。针对日志动作,提出了一种改进的日志动作修复方法。现有方法由于将子过程作为一个自环添加到原模型中,这一子过程允许多次重复出现,导致修复后模型的精确度不高。该方法收集了指定库所处的子日志,将子日志挖掘出的子过程插入到原始模型中,避免了自环的出现,提高了模型的精确度。针对Petri网的选择结构,提出了一种基于选择结构的模型修复方法。改进的日志动作修复方法具有普遍性,即对于各种结构,都能够改善现有方法在修复模型时精确度不高的问题。然而,对于Petri网的选择结构,该方法虽然没有了自环,但是修复后的模型仍然允许部分非事件日志中的迹出现。由于发生在选择结构中,借助与Petri网对应的过程树,通过查找过程树的非叶子结点,能够定位到Petri网的选择结构。然后,提出了选择分支偏差的概念,并给出相应的算法从扩展校准中寻找选择分支偏差。在同一选择结构处,收集到的选择分支偏差,构成了选择分支日志。借助选择分支日志实现了在选择结构中添加新的分支,完成了对模型的修复。最后,通过仿真实验验证和比较分析,验证了本文修复算法的有效性和正确性,修复后的模型一致性更好。