Process mining per l'apprendimento di modelli dichiarativi di fenomeni causali complessi

La possibilità di avere a disposizione fedeli e numerose registrazioni degli eventi che caratterizzano workflow aziendali e scientifici o che caratterizzano la fruizione di un servizio da parte di ogni utente ha permesso di sviluppare tecniche come il process mining che permettono di scavare a fondo nei log per migliorare i modelli che descrivono tali processi scoprendone dinamiche presumibilmente sconosciute. L'idea di utilizzare tali tecniche per spiegare fenomeni che non possono essere immediatamente rappresentati come flussi di lavoro sembra non essere stata fin qui considerata. Esistono numerosi domini in cui è possibile individuare un susseguirsi di eventi piuttosto regolare tale da poter supporre valido il tentativo di estrarre modelli che descrivano formalmente tale flusso di eventi. Questo lavoro di tesi ha l'obiettivo di sperimentare, pertanto, applicazioni meno convenzionali delle tecniche process mining su domini che sembrano non essere adeguati al loro utilizzo. Il lavoro si concentra, nella fattispecie, sull'estrazione di un modello che descriva le relazioni di causa-effetto fra gli eventi climatici e il traffico automobilistico all'interno di una città a partire da semplici dataset di osservazioni. L'approccio seguito è quello dell'adeguamento dei dati all'utilizzo delle tecniche di process mining e della definizione di un concetto di workflow in un dominio dove questo sembra non esistere. Al termine dello studio si sono effettuate una serie di valutazioni a proposito dell'esperimento eseguito e si sono proposte delle direzioni future di lavoro in termini di miglioramento, generalizzazione ed uso dell'approccio seguito.