CN110610346A - 智能办公自动化系统工作流实例时间预测分析 - Google Patents

Abstract

本发明公开一种智能办公自动化系统工作流实例时间预测分析方法，所述智能办公自动化系统工作流实例时间预测分析主要包含基于BPM(Business Process Management，业务流程管理)工作流引擎的办公系统环境的搭建、工作流实例时间预测特征的提取、基于SVR(支持向量回归)的工作流实例时间预测、动态工作流路径的推荐和基于贝叶斯网的超时风险分析和评估。基于数据驱动的支持向量回归可以通过对已知工作流数据的学习，找到数据内在的相互依赖关系，从而获得对未知数据的预测和判断能力；动态工作流路径推荐系统根据动态变化的业务流程信息使用动态调整权重的策略规划出一条最优流程路径，结合风险评估进一步提高用户的工作效率。

Description

智能办公自动化系统工作流实例时间预测分析

技术领域

本发明涉及智能办公自动化系统工作流实例时间预测分析技术，主要涉及工作流实例时间预测特征的提取、基于支持向量回归的工作流实例时间预测、动态工作流路径的推荐和基于贝叶斯网的超时风险分析和评估。

背景技术

近年来随着大数据及人工智能概念的升温，越来越多的企业开始重视蕴藏在数据中的商业价值，并且随着数据挖掘技术的日益成熟，机器学习在政府、金融、通信、医疗、零售等多个行业中的应用越来越广泛和深入，基于特定业务目标问题及历史数据构建数据分析模型，实施模型存储、模型验证、模型部署应用及模型性能监控等模型管理行为，已成为企业数据挖掘过程中的重要环节。为应对不断变化的市场环境以及不断变化的客户需求，如何建立高效、可重复、可快速迭代，且灵活度高的模型管理流程，是企业提升其数据分析能力并将其能力和资源转化为价值的关键课题之一，具有很强的研究及实践意义。本专利基于此方向探索了数据分析模型管理与工作流集成的应用模式。

现在的工作流系统多有一些时效性要求，流程中的模型、实例、任务、资源等分别有其约束条件。工作流产生的流程日志能反映实例及任务的历史执行，对流程日志进行分析与挖掘，结合实时执行信息进行分析，可以优化流程，提高执行效率。虽然现有的系统改变了原有的公文处理模式，但是并没有改变公文的处理流程，也就是说，没有将先进的管理方法增加进来。纵观目前比较常用的产品，它们所能够提供的功能基本都是围绕公文的处理，其附加的功能无论从深度还是广度来说都远远不能令我们满意。其根本原因就是这些系统只是单纯地处理公文，没有对己处理公文加以利用，也就是说，没有做到知识的积累，无法根据这些己有的信息为企业需要做出决策分析服务。另外，伴随信息技术的迅速膨胀，企业所产生的公文激增，流程日志中数据量庞大，如何更高效地利用这些数据有效办公就成了各公司亟待解决的需求。因此，针对私有云环境下信息数据呈现海量、分散、动态变化的特点，需要进行私有云环境下基于数据驱动的业务流程时间预测分析关键技术研究。

发明内容

智能办公自动化系统工作流实例时间预测分析主要基于数据驱动的方法对工作流实例进行时间预测分析，实现的主要功能有：基于BPM(Business Process Management，业务流程管理)工作流引擎的办公系统环境的搭建、工作流实例时间预测特征的提取、基于SVR(支持向量回归)的工作流实例时间预测、动态工作流路径的推荐和基于贝叶斯网的超时风险分析和评估，如图1所示。

基于工作流的特点,本发明根据工作流时间分配中应考虑的因素,对公文和工作流日志中记录的数据进行提取和转换。在综合运用支持向量机等数据挖掘算法的基础上，对设计节点的预分配时间进行了预报,对数据管理系统中工作流各个任务节点进行了时间分配，使得在工作流设计阶段就可以周全地考虑流程中可能出现的因素，适当安排流程中各节点的完成时间，使公文的流转得到有效控制, 提高工作效率。另外，本发明针对类似督办督查公文等时效性要求高的公文的流程走向以及智能处理问题，提出了基于贝叶斯网络的工作流超时风险分析和评估。

本发明的优点在于：

1.所述工作流实例时间预测分析系统采用基于BPM工作流引擎的OA(OfficeAutomation，办公自动化)系统，相比传统工作流引擎，该系统信息整合性强，单据之间的流转数据实时传递，并可整合各类IT系统和资源，为其他应用提供统一的流程服务，是融合多种信息服务的业务流程审批管理平台。另外，流程高度的可配置性能够大大减少开发量，快速、低成本管理简单或复杂的各类业务流程表单，同时，人工流程和自动流程的统一管理能够适应流程快速变化的需要。

2.基于数据驱动的支持向量回归可以通过对已知工作流数据进行学习，找到数据内在的相互依赖关系，从而获得对未知数据的预测和判断能力。首先，SVR 为专门针对有限样本情况的学习机器，实现的是结构风险最小化，在对给定的数据逼近的精度与逼近函数的复杂性之间寻求折衷，可获得最好的推广能力；其次，SVR解决的是一个凸二次规划问题，从理论上说，得到的将是全局最优解，解决了在神经网络方法中无法避免的局部极值问题；最后，SVR 将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性决策函数来实现原空间中的非线性决策函数，巧妙地解决了维数问题，并保证了有较好的推广能力，而且算法复杂度与样本维数无关。

3.动态工作流路径推荐系统根据动态变化的业务流程信息规划出一条最优流程走向，通过历史数据和当前的工作流时间序列，预测后一段时间的流程时间变化，根据预测出来的流程时间结合最短路径算法规划一条时间花费最少的流程走向。针对数据集训练一次得到的权重保持不变的问题，本发明采用动态调整权重的线性回归很好地解决了该问题，同时，使用动态调整权重的策略更能适应当前的预测环境。

4.基于贝叶斯网络的工作流超时风险分析和评估的优势在于其反映的是整个数据库中数据间的概率关系模型，缺少某一数据变量仍然可以建立精确的模型；贝叶斯网络具有因果和概率性语义，可以用来学习数据中的因果关系，并根据因果关系进行学习；贝叶斯网络能够充分利用领域知识和样本的信息，将先验信息与样本知识有机结合起来，促进了先验知识和数据的集成，从而有效实现工作流超时风险分析和评估。

附图说明

图1为基于BPM工作流引擎的工作流实例时间预测分析系统功能框架

图2为BPM工作流引擎框架

图3为业务流程消息流示例图

图4为原空间映射到特征空间

图5为支持向量回归边际损失函数

图6为超时异常原因分类

图7为超时风险评估的贝叶斯网络

具体实施方案

下面结合附图对本发明提供的智能办公自动化系统工作流实例时间预测分析进行详细说明：

1.基于BPM工作流引擎的OA办公系统

BPM是基于业务流程本身的管理，全面支持流程设计、执行、管理、关联、优化的各个方面全自动化协同运作。为了将服务流程和人工流程全部集成到BPMN(BPM Network)中，需要一种复杂的架构设计，如图2所示，整合了BPEL4People的BPM引擎是整个系统真正核心，领域专家可以使用 BPMN2设计测试部署流程到其中，其管理控制台能进行流程运行的各种管理，BPM引擎不但负责向人工任务系统发送任务，还负责向各个REST(Representational State Transfer)端点服务交互通讯。其中BPM消息流作用于BPMN协作图，协作图显示了两个或多个没有集中控制的流程如何以同步方式相互交互。消息流是表达两个单独控制的流程如何相互通信和协作的方式，一个池中的活动或事件可以向另一个池发起消息，消息流被描绘为虚线，其中空圆圈表示消息的来源，空箭头表示消息终止，消息流示例如图3 所示。每个流程都包含在自己的池Pool中，并且池通常标有参与者名称。面向业务管理的流程可以驱动各种资源和服务，实现多种查询和统计分析。该办公系统将信息交流、知识、通知公告等统一在流程门户上，提高流程执行过程中的组织和团队协作，过程和结果都可分析追溯。

2.工作流实例时间预测特征的提取

工作流的各个流程节点时间分配也受许多因素的影响。一般地，主要有以下几个因素：

1)主观因素：它包括各流程节点角色的能力、业绩上的表现等因素，用K_jp表示。

2)客观因素：各流程节点角色的代办报文数量、出差情况等，用K_ji表示。

3)任务量因素：各个任务节点在流程中占有的任务比重，用K_jd表示。

设一个工作流程由n个任务节点组成，采取m个评判因素对工作流各个任务节点进行时间指标分配，为每个节点分配的时间指标是F_j。工作流平均时间指标分配为

其中，F_s为工作流系统平均时间指标；F_j为流程节点平均时间指标；K_ji为第 j个流程节点的第i个分配加权因子。

3.基于SVR(支持向量回归)的工作流实例时间预测

SVR是基于结构风险最小化原理的统计学习方法，几何原理是使用两个带有最大间隔的平行超平面，将两类样本尽可能地分开，和这两个平面等距离的中间平面被称为分隔平面。针对工作流时间预测为线性不可分情况，本发明将样本从低维非线性空间映射到高维的线性可分空间，即可将正负样本分开，如图4所示。在特征空间求最大分隔平面由于高维度而导致计算复杂度很高，SVR通过引入核函数，将在特征空间的复杂内积运算转换成核函数计算，从而避免维数问题且核函数的引入不会增加计算复杂度。通过设置一定的阈值，找到一个回归平面，让该阈值范围集合的所有数据到该平面距离最近，只有在ε边界外的点对最终成本有贡献，如图5所示。

4.动态工作流路径的推荐

动态工作流路径的推荐采用的策略是：首先使用上述SVR模型估算一条从当前节点到目标节点的最优路径，以后到了每个节点，如果发现即将进入的下一节点的权重发生了较大改变，则根据当前各流程节点权重重新计算一条从当前点到目标点的最优路径。

5.基于贝叶斯网的超时风险分析和评估

对于已产生超时预警的实例，需要分析其预警产生的原因，并采取一些相应措施防止情况继续恶化。有研究分析并归纳了与时间异常的类型及可能的原因，把这些可能导致时间异常的原因按事件停留时间、事件踪迹两个方面进行分类，可得到如图6所示的结果。这种分类具有普遍性，对于具体的实例还可根据历史日志集的情况再做细化。因此，对于当前实例对应的轨迹，可重点关注当前工作流实例的路径转移概率及停留时间属性，分析其后续出现超时异常的概率。结合历史日志中相应数据的均值，可得到类似如图7所示的贝叶斯网络。在贝叶斯网络中，每个节点node都通过P(node|parentNode) 来参数化。其中parentNode表示当前节点的父节点，即贝叶斯网络中，每个子节点的概率与其父节点相关。通过分析事件日志，可得到贝叶斯网络每个节点的联合分布概率，而对于特定的事件日志，类似图7的贝叶斯网络还可进一步细化。对于图7中每个节点的概率分布的计算及超时风险的评估可以通过下式进行计算：

其中，X₁,X₂,…,X_m为与当前节点有关的变量；parent(X_i)表示节点X_i的父节点。因此，对于当前实例对应的轨迹，计算当前实例的路径转移概率、停留时间、当前执行资源的负载等，并计算每个节点基于其父节点的联合概率分布。上述公式计算得到的可能出现超时的实例，可实时计算其当前超时风险概率。若超时概率大于阈值(例如50％)，则表示需关注该实例可能出现的超时异常。

Claims (4)

1.智能办公自动化系统工作流实例时间预测分析技术，其特征在于：所述工作流实例时间预测分析主要包括基于业务流程管理(BPM)工作流引擎的办公系统环境的搭建、工作流实例时间预测特征的提取、基于支持向量回归的工作流实例时间预测、动态工作流路径的推荐和基于贝叶斯网的超时风险分析和评估。基于BPM工作流引擎的办公系统环境，实现了信息传递、数据同步、业务监控和企业业务流程的持续升级优化；基于数据驱动的支持向量回归可以通过对已知工作流数据的学习，找到数据内在的相互依赖关系，从而获得对未知数据的预测和判断能力；动态工作流路径推荐系统根据动态变化的业务流程信息规划出一条最优流程路径，使用动态调整权重的策略适应当前的预测环境；基于贝叶斯网络的工作流超时风险分析和评估充分利用领域知识和样本的信息，将先验信息与样本知识有机结合起来，促进了先验知识和数据的集成。

2.根据权利要求1所述的智能办公自动化系统工作流实例时间预测分析技术，其特征在于：所述的工作流实例时间预测特征的提取，包括流程节点影响因素和权重的选择计算。本发明采用主观因素、客观因素和任务量因素对工作流实例时间指标加权计算，最后把提取到的特征输入SVR(支持向量回归)模型进行时间预测。

3.根据权利要求1所述的智能办公自动化系统工作流实例时间预测分析技术，其特征在于：基于支持向量回归的工作流实例时间预测和动态工作流路径推荐，本发明中利用SVR方法来进行时间预测。其基于结构风险最小化原理的统计学习方法，几何原理是使用两个带有最大间隔的平行超平面，将两类样本尽可能地分开，和这两个平面等距离的中间平面被称为分隔平面。针对工作流时间预测为线性不可分情况，本发明将样本从低维非线性空间映射到高维的线性可分空间，即可将正负样本分开。在特征空间求最大分隔平面由于高维度而导致计算复杂度很高，SVR通过引入核函数，将在特征空间的复杂内积运算转换成核函数计算，从而避免维数问题且核函数的引入不会增加计算复杂度。通过设置一定的阈值，找到一个回归平面，让该阈值范围集合的所有数据到该平面距离最近，只有在ε边界外的点对最终成本有贡献。然后，使用上述SVR模型估算一条从当前节点到目标节点的最优路径，以后到了每个节点，如果发现即将进入的下一节点的权重发生了较大改变，则根据当前各流程节点权重重新计算一条从当前点到目标点的最优路径，从而实现动态工作流路径的推荐。

4.根据权利要求1所述的智能办公自动化系统工作流实例时间预测分析技术，其特征在于：基于贝叶斯网的超时风险分析和评估。对于已产生超时预警的实例，需要分析其预警产生的原因，并采取一些相应措施防止情况继续恶化。有研究分析并归纳了时间异常的类型及可能的原因，把这些可能导致时间异常的原因，按事件停留时间、事件踪迹两个方面进行分类。这种分类具有普遍性，对于具体的实例还可根据历史日志集的情况再做细化。因此，对于当前实例对应的轨迹，可重点关注当前工作流实例的路径转移概率及停留时间属性，分析其后续出现超时异常的概率。结合历史日志中相应数据的均值，可得到类似如图7所示的贝叶斯网络。在贝叶斯网络中，每个节点node都通过P(node|parentNode)来参数化。其中parentNode表示当前节点的父节点，即贝叶斯网络中，每个子节点的概率与其父节点相关。通过分析事件日志，可得到贝叶斯网络每个节点的联合分布概率。因此，对于当前实例对应的轨迹，计算当前实例的路径转移概率、停留时间、当前执行资源的负载等，并计算每个节点基于其父节点的联合概率。同时可以实时计算其当前超时风险概率，若超时概率大于阈值(例如50％)，则表示需关注该实例可能出现的超时异常。