CN109754175A - 用于对行政审批事项的办结时限进行压缩预测的计算模型及其应用 - Google Patents

Abstract

本发明公开了一种对行政审批事项的办结时限进行压缩预测的方法，包括如下步骤：根据行政审批事项的历史审批记录，生成训练数据集；构建预测模型，基于训练数据集进行模型训练，确定压缩力度预测模型；根据确定的压缩力度预测模型计算行政审批事项的办结时限的压缩力度。本发明还公开了一种用于对行政审批事项的办结时限进行压缩预测的计算模型，根据本发明公开的方法和计算模型，可以快速获取推荐进行压缩的行政审批事项，以基于获取到的推荐压缩的行政审批事项的实际流程进行梳理，实现对各行政审批事项压缩时间进行讨证实现，从而达到压缩承诺时限的目的，相较现有的需要人工梳理才能获取到可压缩行政审批事项的方式，效率更高，结果更精准、客观。

Description

用于对行政审批事项的办结时限进行压缩预测的计算模型及 其应用

技术领域

本发明涉及行政进度处理技术领域，特别是一种对行政审批事项的办结时限进行压缩预测的方法及用于对行政审批事项的办结时限进行压缩预测的计算模型。

背景技术

目前，政府行政审批事项承诺办理时限主要参考相应事项的法定时限，并未对事项实际办理效率进行分析，部分事项的实际办理时间远远小于法定期限，导致政府行政处理进度效率不高。为了进一步提高办事效率，现有技术中，通常是通过人工梳理行政审批事项以总结行政审批的时限，进而讨论论证是否可以进行承诺时限的压缩，主要通过以下两种方式：

一是通过安排专人对几年来各行政审批事项的实际办件用时情况进行梳理，充分听取窗口相关人员意见、建议，并对各行政审批事项压缩时间进行讨证实现；

二是通过对审批环节进行深度梳理，对审批流程进行优化再造，精简审批所需材料，从而达到压缩承诺时限的目的。

但现有的方式均是通过人工梳理实现，由于行政审批事项较多，且人工梳理、讨论压缩时间的过程繁琐，持续时间较长，这样势必会造成大量的人力资源投入，且梳理结果也具有一定的主观性，参考价值不够高。

发明内容

针对此问题，发明人构思通过对历史审批数据进行统计分析，构建自动进行压缩预测计算的算法模型，实现对各事项的压缩情况的估算，以快速高效地解决行政审批的效能问题，或至少快速高效地提供高参考价值的推荐方案。

基于此目的，根据本发明的第一方面，提供了一种对行政审批事项的办结时限进行压缩预测的方法，包括如下步骤：

根据行政审批事项的历史审批记录，生成训练数据集；

构建预测模块，基于所述训练数据集进行模型训练，确定压缩力度预测模型；

根据确定的压缩力度预测模型计算行政审批事项的办结时限的压缩力度。

根据本发明的第二方面，提供了用于对行政审批事项的办结时限进行压缩预测的计算模型，计算模型通过以下方法训练生成：

获取行政审批事项的历史审批记录；

根据行政审批事项的历史审批记录，生成训练数据集；

构建预测模块，基于训练数据集进行模型训练，生成压缩力度预测模型；

其中，所述压缩力度预测模型即为用于对行政审批事项的办结时限进行压缩预测的计算模型。

根据本发明的第三方面，提供了应用上述对计算模型进行行政审批事项的办结时限的压缩预测的方法。

根据本发明提供的方法及模型，可以通过机器学习算法，分析审批办件历史数据，构建特征，训练生成用于对行政审批事项的办结时限进行压缩预测的计算模型。通过该模型可以快速得到一个政务服务中心全部事项的建议压缩时间(压缩力度)，根据该建议压缩时间，即可快速获取到推荐压缩的行政审批事项，以方便进一步对推荐压缩的行政审批事项进行实际情况分析，做出合理的安排，从而实现缩减审批过程的时间，大大的节约了人力资源，提高效率。

附图说明

图1为本发明一实施方式的用于对行政审批事项的办结时限进行压缩预测的计算模型的训练方法流程图；

图2为本发明又一实施方式的用于对行政审批事项的办结时限进行压缩预测的计算模型的训练方法流程图；

图3为本发明一实施方式的应用计算模型对行政审批事项的承诺办结时限进行压缩的方法流程图。

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，下面将结合本发明实施例中的附图，对本发明实施例中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。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。

本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

在本发明中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

下面结合附图对本发明作进一步详细的说明。

由于行政审批事项较多，且人工梳理讨论压缩时间的过程繁琐，持续时间较长，这样势必造成大量的人力资源投入，梳理结果也具有一定的主观性。因而，从解决现有技术中存在的一系列问题出发，本发明提供了一种技术构思，通过机器学习算法分析审批办件历史数据，对神经网络模型进行训练，得到一个能够用于预测压缩力度的计算模型，利用该计算模型就可以快速得到一个政务服务中心全部事项的建议压缩时间(压缩力度)。

图1示意性地显示了根据本发明的一种实施方式的用于对行政审批事项的办结时限进行压缩预测的计算模型的训练方法流程图，如图1所示，本实施例中包括如下步骤：

步骤S101：获取行政审批事项的历史审批记录。获取的方式可以是通过将用户提供的数据预先录入数据库，直接从数据库读取获得；或者可以是获取用户提供的数据文件，直接读取该文件获取。获取的历史审批记录包括有：办件流水号，受理时间，结束时间、事项编码、事项类型、法定时限、承诺时限等。

步骤S102：根据行政审批事项的历史审批记录，生成训练数据集。

具体实现为：根据选定要使用的预测模型和历史记录数据特征配置特征参数，基于配置的特征参数对历史审批记录进行分析，以得到用于对预测模型进行训练的数据样本集作为训练数据集。

示例性地，选取的预测模型为神经网络模型，基于该模型和历史审批记录，构建的特征参数为包括平均办件时间、平均办件时间占法定时限占比、当日办结占比、办件量、办件时间小于法定时限的办件占比、办件时间小于80％法定时限的办件占比、办件时间小于70％法定时限的办件占比、办件时间小于60％法定时限的办件占比、办件时间小于50％法定时限的办件占比、办件时间小于40％法定时限的办件占比、办件时间小于30％法定时限的办件占比、办件时间小于20％法定时限的办件占比、办件时间小于10％法定时限的办件占比、法定期限十四个特征项。

其中，配置的特征参数是基于审批事项的，即根据事项特点和选取的神经网络模型构建适用于该审批事项的特征参数并存储，示例性地，将各特征参数存储为如下表所示：

其中，事项编码用于标识对应的审批事项。

平均办件时间的获取根据历史审批记录中的该事项对应的开始办理时间、结束时间以及该事项对应的个数实现。示例性地，某一房产过户事项的平均办件时间获取方式如下：首先获取历史审批记录中所有房产过户事项的个数为300件，对这300件的办件时间分别进行计算，即用结束时间减去开始办理时间，再对获取的300件房产过户事项的办件时间进行求平均值计算，获取平均办件时间。

办件量为该事项在历史审批记录中的案件个数，即上述例子中的300件。

当日办结占比为该事项在当日就办结的办件量与总的办件量的占比，示例性地，从历史审批记录中获取受理时间与结束时间的差值，差值在一个工作日内的定义为当日办结的案件例如为200件，该事项在历史审批记录中的办件量为300件，则当日办结占比即为200/300＝66.7％。

法定期限为该事项在法律上规定的办结期限，示例性，针对某一事项，法律规定时限为5天办结，则根据历史审批记录进行分析时，就将该事项的法定时限5天设为法定期限。

其他特征参数的获取方式可以参照上述的原理，根据历史审批记录中的数据进行分析、处理获取。由此，就可以将历史审批记录转换为各特征参数对应的特征值，生成特征参数集。

在生成特征参数集后，为特征参数集中的各特征参数(每个特征参数包括有十四个特征项，即为一组特征项的集合)设置压缩力度预测值，该压缩力度预测值为经验值，即靠人工经验去做第一次的数值确定(通过事项已有的特征数据与一些实际情况，确定给这个事项压缩力度，比如80％)生成训练数据集如下表格所示：

步骤S103：基于训练数据集进行模型训练，确定压缩力度预测模型。

具体实现为：将特征参数设置成预测模型的输入参数，压缩力度设定为预测模型的输出参数，代入选定的预测模型进行模型训练，以确定预测模型的系数，其中，选用的预测模型优选为神经网络模型。

示例性地，以某地区政务服务中心入驻的402个事项的历史审批记录为样本，根据上述方法将该样本形成为包含有402项的特征参数的训练数据集，将训练数据集的样本数据代入神经网络模型中训练，具体为将特征参数值(每个特征参数包括十四个特征项均作为自变量)作为自变量，将压缩力度作为因变量，代入神经网络模型中，进行训练，以确定训练后的模型系数，将得到的训练后的神经网络模型作为计算模型。之后即可利用该计算模型，以各行政审批事项的特征参数作为输入参数，计算得到输出参数值即压缩力度值。

结果表明，使用经过训练后得到的上述计算模型进行压缩力度计算，预测结果的平均相对误差为0.08575，说明训练后的神经网络模型预测效果佳。

根据本实施例提供的方法可以训练出有效的计算模型，用于对审批事项的处理时间进行合理的预测，可以大大的提高处理效率，并且准确率高。并且训练模型是基于实际的历史审批数据的，因而得到的计算模型的可用性高，通过计算模型获取的数据的参考价值高。

图2示意性地显示了根据本发明又一实施方式的用于对行政审批事项的办结时限进行压缩预测的计算模型的训练方法流程图，如图2所示，本实施例包括如下步骤：

步骤S201：获取行政审批事项的历史审批记录。其实现方式可以参照步骤S101。

步骤S202：根据行政审批事项的历史审批记录，生成样本集。其实现方式可以参照步骤S102生成训练数据集的方法。

步骤S203：基于样本集生成训练数据集和测试集。具体实现为：对样本数据集进行拆分，可以根据预设的拆分比例进行随机拆分，例如将拆分比例设置为7:3，之后根据拆分比例，将70％的样本数据集作为第一特征数据集，将30％的样本数据集作为第二特征数据集。第二特征数据集为测试数据集，用于对确定的压缩力度预测模型进行验证。

步骤S204：构建预测模型，基于训练数据集进行模型训练，确定压缩力度预测模型。该步骤的实现方式与步骤S103基本相同，不同之处在于在根据训练数据集确定了预测模型之后，还根据测试数据集进行压缩力度预测模型的验证，根据验证结果(通过测试数据集中设定的基于经验的压缩力度和通过测试数据集的特征参数作为输入代入预测模型计算出的压缩力度进行比较来确定验证结果的准确性)来确定是否将训练好的模型作为压缩力度预测模型。具体地，当验证结果满足精准度要求时，例如误差小于预设的阈值时，认为满足精准度要求，否则认为不满足，直接将训练好的模型作为压缩力度预测模型投入使用，当不满足精准度要求时，则需要调整训练得到的模型系数，可以是通过人工根据经验调整后再验证，也可以是通过再次获取样本数据集进行训练，直至验证结果满足精度要求为止。

示例性地，以某地区政务服务中心入驻的402个事项为样本(根据每个事项对应的历史审批记录和特征参数进行分析，得到402个事项的数据集，作为样本数据集)，随机拆分70％的样本作为第一特征数据数集(训练数据集)，并将剩下的30％的样本作为第二特征数据集(测试数据集)。将训练数据集的281个样本数据代入神经网络模型中训练，结果表明，预测平均相对误差为0.08575，训练后的神经网络模型预测效果佳。将测试数据集的121个样本数据代入训练好的神经网络模型中，测试数据集的预测平均相对误差为0.08491，说明建立的预测模型能够准确的预测压缩力度，模型效果佳。之后，就可以使用该预测模型预测全部事项的压缩力度，提供给相关部门进行评价。

根据本实施例的方法，可以基于历史数据训练出预测精准度较高的压缩力度预测数据模型，通过该压缩力度预测模型即可对所有事项的压缩力度进行预测，结果精准，贴合实际情况，大大的节约了人力资源，提高效率。

图3示意性地显示了根据本发明一实施方式的应用计算模型对行政审批事项的承诺办结时限进行压缩的方法流程图。如图3所示，本实施例中包括如下步骤：

步骤S301：根据确定的压缩力度预测模型计算行政审批事项的办结时限的压缩力度。在需要对某一行政审批事项进行压缩时限的评估时，就可以获取该事项的特征参数作为输入数据，代入确定的压缩力度预测模型进行计算，计算出的输出数据即为该事项的可压缩力度，其中，输出的压缩力度为百分比的形式，例如针对某事项进行计算后得出的压缩力度为50％。

步骤S302：根据审批事项的法定时限和压缩力度计算输出预测承诺办结时限。示例性地，计算出的压缩力度为50％，该审批事项对应的法定时限为5天，就可以通过将压缩力度与法定时限进行乘法运算，得出预测承诺办结时限为2.5天。

示例性地，若计算出的压缩力度为0.1％等比较小的数值，则代表该审批事项无压缩空间。

在其他实施例中，还可以基于计算出的压缩力度，在存在压缩空间时，例如压缩力度大于预设值10％时，生成推荐压缩信息输出，生成的推荐压缩信息可以实现为包括事项编码和可压缩力度。这样，更能直观方便地为行政人员提出意见，方便办事人员基于推荐意见，结合实际情况进行事项流程梳理和做出最终决定，提高工作效率。

需要说明的是本发明实施例提供的技术方案是基于事项整体考虑，计算可压缩的总时间并没有考虑某一事项各个审批流程的耗时，因此在利用本发明实施例的方法进行可压缩时间的预测时，需要首先根据上述方法计算出压缩力度或预测承诺时限，然后将计算结果发送给相关办事部门进行确认其具体流程的压缩情况，即在具体应用时，需要根据各事项的具体审批流程进行灵活适用。

根据本实施例的方法可以实现减轻在实际办件情况时梳理的工作量，使用模型结果时，可首先排除那些通过模型计算出的不能被压缩的事项，只针对可压缩事项进行流程梳理。同样使工作变的更高效，且这个压缩结果也能保证事项不会超时办结。

作为一种具体优选实现例，可以将上述的应用计算模型对行政审批事项的承诺办结时限进行压缩的方法实现为一个自动化处理软件系统，该系统可以实现为包括：

存储模块，用于存储训练好的计算模型和历史审批记录，其中历史审批记录可以根据实际情况进行实时更新；

压缩力度计算模块，用于根据确定的压缩力度预测模型和历史审批记录，计算行政审批事项的办结时限的压缩力度输出；

压缩意见输出模块，用于根据压缩力度计算模块输出的压缩力度进行分析，生成压缩意见报告输出。

其中，压缩力度计算模块可以支持批量计算，对存在历史审批记录的所有事项进行统计计算，输出计算结果列表。压缩意见输出模块进行的分析，可以是基于法定时限和压缩力度，获取承诺办结时限，也可以是基于压缩力度进行可压缩空间分析，生成的压缩意见报告可以是包括事项编码、事项名称和压缩力度(也可以是推荐的承诺办结时限或推荐的压缩意见)。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.对行政审批事项的办结时限进行压缩预测的方法，其特征在于，其包括如下步骤：

根据行政审批事项的历史审批记录，生成训练数据集；

构建预测模块，基于所述训练数据集进行模型训练，确定压缩力度预测模型；

根据确定的压缩力度预测模型计算行政审批事项的办结时限的压缩力度。

2.根据权利要求1所述的方法，其特征在于，所述根据行政审批事项的历史审批记录，生成训练数据集包括

配置特征参数；

根据特征参数对历史审批记录进行数据处理，生成特征参数集；

为特征参数集中的各特征参数设置压缩力度预测值，生成训练数据集。

3.根据权利要求2所述的方法，其特征在于，在生成训练数据集之后，还包括

对训练数据集进行拆分，形成第一特征数据集和第二特征数据集；

其中，所述基于所述训练数据集进行模型训练，确定压缩力度预测模型包括

通过第一特征数据集对预测模型进行模型训练，得到训练后的预测模型；

通过所述第二特征数据集对训练后的预测模型进行验证，根据验证结果确定压缩力度预测模型。

4.根据权利要求2或3所述的方法，其特征在于，构建的预测模型为神经网络模型，其中，所述特征参数设置成所述预测模型的输入参数，所述压缩力度设定为所述预测模型的输出参数。

5.根据权利要求4所述的方法，其特征在于，所述特征参数包括十四个特征项。

6.根据权利要求1至5任一项所述的方法，其特征在于，在计算出压缩力度后还包括：

根据审批事项的法定时限和压缩力度计算输出预测承诺办结时限。

7.用于对行政审批事项的办结时限进行压缩预测的计算模型，其特征在于，所述计算模型通过以下方法训练生成：

获取行政审批事项的历史审批记录；

根据行政审批事项的历史审批记录，生成训练数据集；

构建预测模型，基于所述训练数据集进行模型训练，生成压缩力度预测模型；

其中，所述压缩力度预测模型即为用于对行政审批事项的办结时限进行压缩预测的计算模型。

8.根据权利要求7所述的计算模型，其特征在于，所述根据行政审批事项的历史审批记录，生成训练数据集包括

配置特征参数；

根据特征参数对历史审批记录进行数据处理，生成特征参数集；

对特征参数集中的各特征参数设置压缩力度预测值，形成训练数据集。

9.根据权利要求8所述的计算模型，其特征在于，在训练生成压缩力度预测模型时，还包括：

根据行政审批事项的历史审批记录，生成测试数据集；

根据测试数据集对确定的压缩力度预测模型进行验证。

10.应用权利要求7至9任一项所述的计算模型对行政审批事项的承诺办结时限进行压缩的方法。