CN106909744A - 流程模型可信度动态评估方法和系统 - Google Patents

Abstract

本发明提供了流程模型可信度动态评估方法和系统，包括对流程模型进行仿真测试，得到指标数据；将指标数据导入到层次结构模型中，并判断指标数据是否完整；如果指标数据完整，则利用客观量化标定方法计算流程模型的第一估计值；利用专家定性打分方法计算流程模型的第二估计值；对第一估计值和第二估计值进行加权求和，得到第三估计值；利用指标数据和第三估计值对任意流程模型进行评估。本发明支持仿真模型快速自动评估，可信度计算层次清晰，可信度值估计客观性强，适用范围广。

Description

流程模型可信度动态评估方法和系统

技术领域

本发明涉及信息技术领域，尤其是涉及流程模型可信度动态评估方法和系统。

背景技术

流程是指定的活动顺序，它主要基于定向图表示了一个流程的规范，图是有节点和转换组成，图中的每个节点都有其特定的类型，节点类型定义了运行时间的行为。流程定义有且只有一个开始状态。流程模型主要用于仿真想定，是底层仿真模型的运行基础，仿真过程推演的核心。流程模型系统仿真技术作为信息时代一种必不可少的手段在各种复杂系统的研制工作中起到了重要的作用，影响着人们的生活，它已经成为了最为必要的技术方法和研究手段之一。对于一个仿真系统而言，它最基本的要求是建立一个可以满足应用目标要求的可信仿真系统，而系统可信度是仿真试验和结果是否能代表真实系统的性能重要的因素，可信度是系统进行仿真的关键，缺乏足够可信度的仿真是毫无意义的。因此，对流程模型系统的建模与仿真进行可行性研究与可信度评估工作显得尤为重要。

当前面对仿真模型可信度评估的计算主要围绕的方法主要在理论层面上，但针对流程模型来计算其可信度的相关研究不多。而流程模型的可信度评估又是系统模型可信度的关键，也是系统是否可以正常运转的重要标志。如何能够快速准确的计算出流程模型的可信度，是目前信息技术领域中一个亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供流程模型可信度动态评估方法和系统，支持仿真模型快速自动评估，可信度计算层次清晰，可信度值估计客观性强，适用范围广。

第一方面，本发明实施例提供了流程模型可信度动态评估方法包括：

对流程模型进行仿真测试，得到指标数据；

将所述指标数据导入到层次结构模型中，并判断所述指标数据是否完整；

如果所述指标数据完整，则利用客观量化标定方法计算所述流程模型的第一估计值；

利用专家定性打分方法计算所述流程模型的第二估计值；

对所述第一估计值和所述第二估计值进行加权求和，得到第三估计值；

利用所述指标数据和所述第三估计值对任意流程模型进行评估。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述指标数据包括系统指标数据和补充指标数据，所述系统指标数据包括活动节点数量、逻辑节点数量、仿真平均执行时间、平均实际执行时间方差、超时活动数、实物子模型个数、虚拟子模型个数、人员面向自模型平均交互量、参数类型配置完整度、实物子模型平均失效率和虚拟子模型平均失效率；所述补充指标数据包括外部激励个数、预计执行时间、预计执行时间方差、依赖人员数量、人员面向自模型平均交互时间、外部激励控制节点数、参数类型的吻合度和样本数量。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述层次结构模型包括八大指标，所述利用客观量化标定方法计算所述流程模型的第一估计值包括：

根据所述指标数据计算所述八大指标的特征量化值；

对所述特征量化值对应的权值进行赋值；

根据所述特征量化值和所述权值计算所述第一估计值。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述特征量化值包括第一特征值、第二特征值、第三特征值、第四特征值、第五特征值、第六特征值、第七特征值和第八特征值，所述根据所述指标数据计算特征量化值和所述特征量化值对应的权值包括：

根据下式计算所述第一特征值：

其中，X₁为第一特征值，P_intergrity为参数类型配置完整度，P_fit为参数类型吻合度；

或者，

根据公式(2)计算第二特征值：

其中，X₂为第二特征值，T_p为预计执行时间，T_ave为多次仿真平均执行时间，B_overtime为超时活动数，B_total为活动节点数量；

或者，

根据公式(3)计算第三特征值：

其中，X₃为第三特征值，N_act为活动节点数量，N_logic为逻辑节点数量；

或者，

根据公式(4)计算第四特征值：

其中，X₄为第四特征值，d_p为预计执行时间方差，d_ave为多次仿真的平均实际执行时间方差；

或者，

根据公式(5)计算第五特征值：

其中，X₅为第五特征值，B_in为外部激励个数，B_control为外部激励控制节点数；

或者，

根据公式(6)计算第六特征值：

其中，X₆为第六特征值，Num为关联样本数量，即仿真流程执行次数；

或者，

根据公式(7)计算第七特征值：

其中，X₇为第七特征值，C_ave,i,i∈[1,N_personnel]为单位时间内人员i面向子模型平均交互量，Q_p,i,i∈[1,N_personnel]为依赖人员专业素质评价，N_personnel为模型的依赖人员数量；

或者，

根据公式(8)计算第八特征值：

其中，X₇为第八特征值，N_Equip为实物子模型个数、N_sim为虚拟子模型个数、P_Equip为实物子模型平均失效率、P_sim为虚拟子模型平均失效率。

结合第一方面的第二种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述根据所述特征量化值和所述权值计算所述第一估计值包括：

根据下式计算所述第一估计值：

其中，E为所述第一估计值，X_i,i∈[1,8]为第i特征值，ω_i,i∈[1,8]为所述第i特征值对应的权值。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述利用专家定性打分方法计算所述流程模型的第二估计值包括：

专家对所述八项指标的重要性关系和可信值进行逐项打分；

根据所述八项指标的重要性关系，利用层析分析法得到所述八项指标对应的权值；

对所述可信值和所述权值进行加权求和，得到第二估计值。

结合第一方面，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述利用所述指标数据和所述第三估计值对任意流程模型进行评估包括：

对所述指标数据和所述第三估计值进行存储；

通过样本分析和在线拟合算法计算所述任意流程模型的可信度。

第二方面，本发明实施例提供了流程模型可信度动态评估系统，包括：

获取单元，用于对流程模型进行仿真测试，得到指标数据；

判断单元，用于将所述指标数据导入到层次结构模型中，并判断所述指标数据是否完整；

第一计算单元，用于在所述指标数据完整的情况下，利用客观量化标定方法计算所述流程模型的第一估计值；

第二计算单元，用于利用专家定性打分方法计算所述流程模型的第二估计值；

第三计算单元，用于根据所述第一估计值和所述第二估计值进行加权求和计算第三估计值；

评估单元，用于利用所述指标数据和所述第三估计值对任意流程模型进行评估。

结合第二方面，本发明实施例提供了第二方面的第一种可能的实施方式，其中，所述第一计算单元包括：

根据所述指标数据计算八大指标的特征量化值；

对所述特征量化值对应的权值进行赋值；

根据所述特征量化值和所述权值计算所述第一估计值。

结合第二方面，本发明实施例提供了第二方面的第二种可能的实施方式，其中，所述评估单元包括：

对所述指标数据和所述第三估计值进行存储；

通过样本分析和在线拟合算法计算所述任意流程模型的可信度。

本发明提供了流程模型可信度动态评估方法和系统，首先，对流程模型进行仿真测试，得到指标数据，将指标数据导入到层次结构模型中，并判断指标数据是否完整，如果指标数据完整，则利用客观量化标定方法计算流程模型的第一估计值，然后，利用专家定性打分方法计算流程模型的第二估计值，最后，对第一估计值和第二估计值进行加权求和，得到第三估计值，本发明的重点在于，在利用指标数据和第三估计值对任意流程模型进行评估，即在样本收集基础上，采用极限学习机方法对样本进行增量分析和在线拟合，根据历史数据拟合计算当前仿真流程模型的可信度，以达到模型可信度快速评估目的。本发明支持仿真模型快速自动评估，可信度计算层次清晰，可信度值估计客观性强，适用范围广。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的流程模型可信度动态评估方法流程图；

图2为本发明实施例提供的流程模型可信度动态评估方法的另一流程图；

图3为本发明实施例提供的飞行器着陆流程模型图例；

图4为本发明实施例提供的飞行器着陆流程层次结构模型；

图5为本发明实施例提供的非线性拟合算法流程。

图6为本发明实施例提供的流程模型可信度动态评估系统结构示意图。

图标：

10-获取单元；20-判断单元；30-第一计算单元；40-第二计算单元；50-第三计算单元；60-评估单元。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

目前，如何能够快速准确的计算出流程模型的可信度，是信息技术领域中一个亟待解决的问题，基于此，本发明实施例提供的流程模型可信度动态评估方法和系统，支持仿真模型快速自动评估，可信度计算层次清晰，可信度值估计客观性强，适用范围广。

为便于对本实施例进行理解，首先对本发明实施例所公开的流程模型可信度动态评估方法进行详细介绍，如图3所示，本发明实施例采用飞行器着陆流程模型为例进行方法介绍。

图1为本发明实施例提供的流程模型可信度动态评估方法流程图。

参照图1，流程模型可信度动态评估方法，包括：

步骤S101，对流程模型进行仿真测试，得到指标数据；

具体地，指标数据包括系统指标数据和补充指标数据，系统指标数据是系统通过仿真测试以后跑出的实际值，不可更改。补充指标数据为参照标准值，可以根据实际情况和具体要求来进行修改。

步骤S102，将指标数据导入到层次结构模型中；

具体地，设计流程模型的层次结构模型并导入流程模型指标数据步骤包括，首先采用相应的任务描述语言，对用户提交的流程模型的文件进行解析。设计流程模型的层次结构模型，层次结构模型的指标数据分为系统指标数据和补充指标数据。仿真流程模型的层次结构模型包括八大指标，如图4所示，这八大指标分别体现出模型的完整性、模型的准确性、模型输入、结果的鲁棒性、结果不确定性、历史数据评价、人员评估、模型可靠性这八方面。八大指标可以分别从模型的形式、内容、功能和服务质量要求、任务执行策略、执行过程等方面进行提取，满足相互独立。

步骤S103，判断指标数据是否完整，如果完整，则执行步骤S105，如果不完整，则执行步骤S104。

具体地，判断数据是否完整且符合评估要求的步骤，首先，要确认是否系统指标和补充指标都填写完整且正确，数据填写精度符合要求。如不完整，则直接设置与该不完整数据相关联的八大特征值的特征量化值为1，其对应的权值为0.125，然后将与完整数据相对应的权值和不完整数据相对应的权值进行等比例归约，使得二者之和恒为1，最后进行第一估计值的计算。该流程模型运行一次时，得到的仿真的指标数据如表1所示。

表1

需要说明的是，指标数据与可信度之间的非线性关系可由用户给出或通过数值拟合标定。我们即可由该流程模型的所有指标以及所有指标与流程模型可信度对应的非线性关系，计算出流程模型的第一估计值。公式主要根据CAS的评估标准分为八个部分，八个部分分别有其相应的权重值，该权重值由使用者给出。再根据每个指标对可信度值影响程度的线性及比例关系设计得出。

步骤S105，利用客观量化标定方法计算流程模型的第一估计值；

步骤S106，利用专家定性打分方法计算流程模型的第二估计值；

步骤S107，对第一估计值和第二估计值进行加权求和，得到第三估计值；

具体地，第三估计值为流程模型的最终可信度。指标数据与可信度之间的非线性关系可由用户给出或通过数值拟合标定。我们即可由该流程模型的所有指标以及所有指标与流程模型可信度对应的非线性关系，计算出流程模型的第一估计值。

如图2所示，利用指标数据和第三估计值对任意流程模型进行评估。

具体地，若对步骤S101至步骤S107重复执行，随着流程模型的指标数据及其可信度值的数据量进行不断的存储积累，当已知数据库的数据多于50条时，可以运用综合性方法已达到快速计算流程模型的可信度的目的，绕过之前步骤S101至步骤S107的计算过程，直接得到结果。该步骤采用一种更简便的增量样本分析和在线拟合的算法，找出已有流程模型指标与流程模型可信度的关系，以达到快速可信度评估的目的。常见的方法有：神经网络拟合算法、极限学习机算法、混合高斯算法、基于在线学习的模糊神经网络算法等等。极限学习机(Extreme learning machine,ELM)算法随机给定神经元权值中的输入权值和阈值，利用正则化原则来计算输出权值，使其可以无限的逼近一个连续系统。ELM算法尤其擅长解决高维非线性系统的问题。因此，我们可以通过ELM极限学习机算法可以找出已有流程模型指标与流程模型可信度的关系，以达到快速可信度评估的目的。

根据本发明的示例性实施例，指标数据包括系统指标数据和补充指标数据，系统指标数据包括活动节点数量、逻辑节点数量、仿真平均执行时间、平均实际执行时间方差、超时活动数、实物子模型个数、虚拟子模型个数、人员面向自模型平均交互量、参数类型配置完整度、实物子模型平均失效率和虚拟子模型平均失效率，需要说明的是，以上若干系统指标数据均不可修改；补充指标数据包括外部激励个数、预计执行时间、预计执行时间方差、依赖人员数量、人员面向自模型平均交互时间、外部激励控制节点数、参数类型的吻合度和样本数量，需要说明的是，以上若干补充指标数据均可修改。

根据本发明的示例性实施例，层次结构模型包括八大指标，利用客观量化标定方法计算流程模型的第一估计值包括：

根据指标数据计算八大指标的特征量化值；

具体地，八大指标的特征量化值的计算公式如式(1)至式(8)所示。

对特征量化值对应的权值进行赋值；

具体地，对特征量化值对应的权值的数值设定由用户自己完成，一般地，可设八个权值的大小均为0.125，如有其他设定方式，只需满足八大权值的和为1即可。

根据特征量化值和权值计算第一估计值。

具体地，第一估计值的计算公式如式(9)所示。

根据本发明的示例性实施例，特征量化值包括第一特征值、第二特征值、第三特征值、第四特征值、第五特征值、第六特征值、第七特征值和第八特征值，根据指标数据计算八大指标的特征量化值包括：

具体地，第一特征值为模型完整性的特征量化值，第二特征值为模型准确性的特征量化值、第三特征值为模型输入的特征量化值、第四特征值为结果鲁棒性的特征量化值、第五特征值为结果不确定性的特征量化值、第六特征值历史数据评价的特征量化值、第七特征值为人员评估的特征量化值、第八特征值为模型可靠性的特征量化值。这八大指标可以分别从模型的形式、内容、功能和服务质量要求、任务执行策略、执行过程等方面提取，各指标之间应相互独立。

根据公式(1)计算第一特征值：

其中，X₁为第一特征值，P_intergrity为参数类型配置完整度，P_fit为参数类型吻合度；

或者，

根据公式(2)计算第二特征值：

其中，X₂为第二特征值，T_p为预计执行时间，T_ave为多次仿真平均执行时间，B_overtime为超时活动数，B_total为活动节点数量；

或者，

根据公式(3)计算第三特征值：

其中，X₃为第三特征值，N_act为活动节点数量，N_logic为逻辑节点数量；

或者，

根据公式(4)计算第四特征值：

其中，X₄为第四特征值，d_p为预计执行时间方差，d_ave为多次仿真的平均实际执行时间方差；

或者，

根据公式(5)计算第五特征值：

其中，X₅为第五特征值，B_in为外部激励个数，B_control为外部激励控制节点数；

或者，

根据公式(6)计算第六特征值：

其中，X₆为第六特征值，Num为关联样本数量，即仿真流程执行次数；

或者，

根据公式(7)计算第七特征值：

其中，X₇为第七特征值，C_ave,i,i∈[1,N_personnel]为单位时间内人员i面向子模型平均交互量，Q_p,i,i∈[1,N_personnel]为依赖人员专业素质评价，N_personnel为模型的依赖人员数量；

或者，

根据公式(8)计算第八特征值：

其中，X₇为第八特征值，N_Equip为实物子模型个数、N_sim为虚拟子模型个数、P_Equip为实物子模型平均失效率、P_sim为虚拟子模型平均失效率。

根据本发明的示例性实施例，根据特征量化值和权值计算第一估计值包括根据公式(9)计算第一估计值：

其中，E为第一估计值，X_i,i∈[1,8]为第i特征值，ω_i,i∈[1,8]为第i特征值对应的权值。

具体地，基于本实施例根据以上公式可得到第一估计值为83.0996。

根据本发明的示例性实施例，利用专家定性打分方法计算流程模型的第二估计值包括：

专家对八项指标的重要性关系和可信值进行逐项打分；

具体地，根据CAS的评估标准，专家对八项指标的重要性关系进行打分，即是专家依据流程模型的所有指标对建模仿真结果可信度影响的重要程度进行一一对应的打分，如表2所示；专家对八项指标的可信值进行打分如表3所示。

表2

表3

根据八项指标的重要性关系，利用层析分析法得到八项指标对应的权值；

具体地，层次分析法(Analytic Hierarchy Process，AHP)是将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。按以上数据进行分析计算，可得到八大指标的特征向量为[0.1159,0.1125,0.1274,0.0998,0.1366,0.0818,0.1514,0.1746]，该向量即为八项指标对应的权值。

对可信值和权值进行加权求和，得到第二估计值。

具体地，将权值与可信值加权相加，即可得到流程模型的第二估计值82.87849。将运用专家定性打分方法和客观量化计算方法得到的流程模型可信度值进行一定比例的加权，得到流程模型系统的第三估计值。在本实施例中，由专家打分计算得出的第二估计值和客观量化标定计算的第一估计值值一样重要，所以对结果进行1：1的加权。最终得到流程模型系统的第三估计值值为(82.87849+83.0996)/2＝83.589045。

根据本发明的示例性实施例，利用指标数据和第三估计值对任意流程模型进行评估包括：

对指标数据和第三估计值进行存储；

通过样本分析和在线拟合算法计算任意流程模型的可信度。

具体地，当流程模型的指标数据及其可信度值的数据量大于50条时，可以运用综合性方法已达到快速计算流程模型的可信度的目的。采用更简便的增量样本分析和在线拟合的方法，找出已有流程模型指标与流程模型可信度的关系，以达到快速可信度评估的目的。常见的方法有：神经网络拟合算法、极限学习机算法、混合高斯算法、基于在线学习的模糊神经网络算法等等。本发明采用了极限学习机的算法组为实例，依据问题描述的要求，实现智能算法的创建，训练及仿真测试，大体可以分为以下几个步骤，如图5所示。极限学习机算法训练结果相关数据结果如表4所示。

表4

从中我们可以看出，当训练数据较多时，极限学习机算法表现出了良好的拟合效果且预测误差小。当训练数据较大时，测试数据的平均误差百分比都维持在1％左右，具有较强的预测能力。综上所述，极限学习机算法可以很好的简化专家评分工作，以快速得到系统的可信度，并达到较高的可信度。

本发明提供了流程模型可信度动态评估方法和系统，首先，对流程模型进行仿真测试，得到指标数据，将指标数据导入到层次结构模型中，并判断指标数据是否完整，如果指标数据完整，则利用客观量化标定方法计算流程模型的第一估计值，然后，利用专家定性打分方法计算流程模型的第二估计值，最后，对第一估计值和第二估计值进行加权求和，得到第三估计值，本发明的重点在于，在利用指标数据和第三估计值对任意流程模型进行评估，即在样本收集基础上，采用极限学习机方法对样本进行增量分析和在线拟合，根据历史数据拟合计算当前仿真流程模型的可信度，以达到模型可信度快速评估目的。本发明支持仿真模型快速自动评估，可信度计算层次清晰，可信度值估计客观性强，适用范围广。

图6为本发明实施例提供的流程模型可信度动态评估系统结构示意图。

参照图6，流程模型可信度动态评估系统包括：

获取单元10，用于对流程模型进行仿真测试，得到指标数据；

判断单元20，用于将指标数据导入到层次结构模型中，并判断指标数据是否完整；

第一计算单元30，用于在指标数据完整的情况下，利用客观量化标定方法计算流程模型的第一估计值；

第二计算单元40，用于利用专家定性打分方法计算流程模型的第二估计值；

第三计算单元50，用于根据第一估计值和第二估计值进行加权求和计算第三估计值；

评估单元60，用于利用指标数据和第三估计值对任意流程模型进行评估。

根据本发明的示例性实施例，第一计算单元30包括：

根据指标数据计算八大指标的特征量化值；

对特征量化值对应的权值进行赋值；

根据特征量化值和所述权值计算所述第一估计值。

根据本发明的示例性实施例，评估单元60包括：

对所述指标数据和所述第三估计值进行存储；

通过样本分析和在线拟合算法计算所述任意流程模型的可信度。

本发明实施例提供的流程模型可信度动态评估系统，与上述实施例提供的流程模型可信度动态评估方法具有相同的技术特征，所以也能解决相同的技术问题，达到相同的技术效果。具体来说是针对仿真流程模型的构建过程与特征，结合客观量化标定、专家定性打分以及快速经验评估为一体的流程模型可信度动态评估方案。主要为了解决目前高复杂性及不确定性环境下仿真流程模型的评估与校准问题，进而保证以流程模型为核心的仿真想定和仿真过程的正确、合理运行。本发明包括一种面向仿真流程模型的可信度客观评价体系及该体系下的动态评估步骤。面向仿真流程模型的可信度量化标定与在线经验评估方法首先结合了定量方法(客观量化标定模型特征及量化可信度)和定性方法(专家定性逐项打分与分析)来计算模型的可信度，然后利用第一估计值和第二估计值加权平均作为模型第三估计值。由于仿真流程模型的结构相似性，不同模型量化标定数据及其可信度综合指导值可作为一系列样本数据。在样本收集基础上，其采用一种更为简便的增量样本分析和在线拟合的方法，根据历史数据拟合计算当前仿真流程模型的可信度，以达到模型可信度快速评估目的。本发明具有如下几点：支持仿真模型快速自动评估，可信度计算层次清晰，可信度值估计客观性强，适用范围广。

本发明实施例所提供的流程模型可信度动态评估方法和系统的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种流程模型可信度动态评估方法，其特征在于，包括：

对流程模型进行仿真测试，得到指标数据；

将所述指标数据导入到层次结构模型中，并判断所述指标数据是否完整；

如果所述指标数据完整，则利用客观量化标定方法计算所述流程模型的第一估计值；

利用专家定性打分方法计算所述流程模型的第二估计值；

对所述第一估计值和所述第二估计值进行加权求和，得到第三估计值；

利用所述指标数据和所述第三估计值对任意流程模型进行评估。

2.根据权利要求1所述的流程模型可信度动态评估方法，其特征在于，所述指标数据包括系统指标数据和补充指标数据，所述系统指标数据包括活动节点数量、逻辑节点数量、仿真平均执行时间、平均实际执行时间方差、超时活动数、实物子模型个数、虚拟子模型个数、人员面向自模型平均交互量、参数类型配置完整度、实物子模型平均失效率和虚拟子模型平均失效率；所述补充指标数据包括外部激励个数、预计执行时间、预计执行时间方差、依赖人员数量、人员面向自模型平均交互时间、外部激励控制节点数、参数类型的吻合度和样本数量。

3.根据权利要求2所述的流程模型可信度动态评估方法，其特征在于，所述层次结构模型包括八大指标，所述利用客观量化标定方法计算所述流程模型的第一估计值包括：

根据所述指标数据计算所述八大指标的特征量化值；

对所述特征量化值对应的权值进行赋值；

根据所述特征量化值和所述权值计算所述第一估计值。

4.根据权利要求3所述的流程模型可信度动态评估方法，其特征在于，所述特征量化值包括第一特征值、第二特征值、第三特征值、第四特征值、第五特征值、第六特征值、第七特征值和第八特征值，所述根据所述指标数据计算所述八大指标的特征量化值包括：

根据下式计算所述第一特征值：

其中，X₁为第一特征值，P_intergrity为参数类型配置完整度，P_fit为参数类型吻合度；

或者，

根据公式(2)计算第二特征值：

其中，X₂为第二特征值，T_p为预计执行时间，T_ave为多次仿真平均执行时间，B_overtime为超时活动数，B_total为活动节点数量；

或者，

根据公式(3)计算第三特征值：

其中，X₃为第三特征值，N_act为活动节点数量，N_logic为逻辑节点数量；

或者，

根据公式(4)计算第四特征值：

其中，X₄为第四特征值，d_p为预计执行时间方差，d_ave为多次仿真的平均实际执行时间方差；

或者，

根据公式(5)计算第五特征值：

其中，X₅为第五特征值，B_in为外部激励个数，B_control为外部激励控制节点数；

或者，

根据公式(6)计算第六特征值：

其中，X₆为第六特征值，Num为关联样本数量，即仿真流程执行次数；

或者，

根据公式(7)计算第七特征值：

其中，X₇为第七特征值，C_ave,i,i∈[1,N_personnel]为单位时间内人员i面向子模型平均交互量，Q_p,i,i∈[1,N_personnel]为依赖人员专业素质评价，N_personnel为模型的依赖人员数量；

或者，

根据公式(8)计算第八特征值：

其中，X₇为第八特征值，N_Equip为实物子模型个数、N_sim为虚拟子模型个数、P_Equip为实物子模型平均失效率、P_sim为虚拟子模型平均失效率。

5.根据权利要求3所述的流程模型可信度动态评估方法，其特征在于，所述根据所述特征量化值和所述权值计算所述第一估计值包括：

根据下式计算所述第一估计值：

$E=100\underset{i=1}{\overset{8}{\Σ}}{\mathrm{\ω}}_i{X}_i---\left(9\right)$

其中，E为所述第一估计值，X_i,i∈[1,8]为第i特征值，ω_i,i∈[1,8]为所述第i特征值对应的权值。

6.根据权利要求1所述的流程模型可信度动态评估方法，其特征在于，所述利用专家定性打分方法计算所述流程模型的第二估计值包括：

专家对所述八项指标的重要性关系和可信值进行逐项打分；

根据所述八项指标的重要性关系，利用层析分析法得到所述八项指标对应的权值；

对所述可信值和所述权值进行加权求和，得到第二估计值。

7.根据权利要求1所述的流程模型可信度动态评估方法，其特征在于，所述利用所述指标数据和所述第三估计值对任意流程模型进行评估包括：

对所述指标数据和所述第三估计值进行存储；

通过样本分析和在线拟合算法计算所述任意流程模型的可信度。

8.一种流程模型可信度动态评估系统，其特征在于，包括：

获取单元，用于对流程模型进行仿真测试，得到指标数据；

判断单元，用于将所述指标数据导入到层次结构模型中，并判断所述指标数据是否完整；

第一计算单元，用于在所述指标数据完整的情况下，利用客观量化标定方法计算所述流程模型的第一估计值；

第二计算单元，用于利用专家定性打分方法计算所述流程模型的第二估计值；

第三计算单元，用于根据所述第一估计值和所述第二估计值进行加权求和计算第三估计值；

评估单元，用于利用所述指标数据和所述第三估计值对任意流程模型进行评估。

9.根据权利要求8所述的流程模型可信度动态评估系统，其特征在于，所述第一计算单元包括：

根据所述指标数据计算八大指标的特征量化值；

对所述特征量化值对应的权值进行赋值；

根据所述特征量化值和所述权值计算所述第一估计值。

10.根据权利要求8所述的流程模型可信度动态评估系统，其特征在于，所述评估单元包括：

对所述指标数据和所述第三估计值进行存储；

通过样本分析和在线拟合算法计算所述任意流程模型的可信度。