CN112116330A - 一种工作流错误队列自动化处理方法和装置 - Google Patents
一种工作流错误队列自动化处理方法和装置 Download PDFInfo
- Publication number
- CN112116330A CN112116330A CN202011040222.8A CN202011040222A CN112116330A CN 112116330 A CN112116330 A CN 112116330A CN 202011040222 A CN202011040222 A CN 202011040222A CN 112116330 A CN112116330 A CN 112116330A
- Authority
- CN
- China
- Prior art keywords
- workflow
- error
- processing
- error queue
- strategy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Software Systems (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Technology Law (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种工作流错误队列自动化处理方法和装置,该方法包括:根据历史工作流错误队列处理数据,确定训练数据;建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型;根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式;监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理。本发明通过引入机器学习的方法通过对前期大量人工处理的历史工作流错误队列处理数据进行训练学习,结合专家决策配置形成不同错误队列的不同场景下的工作流错误队列处理策略和模式,能够实现工作流错误队列的自动化处理。
Description
技术领域
本发明涉及计算机数据处理技术领域,尤其涉及一种工作流错误队列自动化处理方法和装置。
背景技术
本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
金融市场业务产品的工作流系统节点繁多,流程长,审核环节多,耗费大量的人力。特别是其中工作流错误队列的种类繁多,原因复杂,需要业务人员、维护人员协作介入处理,处理时间长且效率低。
目前工作流错误队列的处理方法主要是(1)依赖于人工进行处理,(2)经过积累会形成业务需求来对部分错误队列场景的逻辑固化通过程序实现处理。但是,人工处理效率低;通过需求实现为系统功能响应时间长。
因此,如何提供一种新的方案,其能够解决上述技术问题是本领域亟待解决的技术难题。
发明内容
本发明实施例提供一种工作流错误队列自动化处理方法,通过引入机器学习的方法实现了工作流错误队列自动化处理,该方法包括:
根据历史工作流错误队列处理数据,确定训练数据;
建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型;
根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式;
监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理。
本发明实施例还提供一种工作流错误队列自动化处理装置,包括:
数据提取准备模块,用于根据历史工作流错误队列处理数据,确定训练数据;
机器学习处理模块,用于建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型;
专家决策批准模块,用于根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式;
策略模式应用模块,用于监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理。
本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种工作流错误队列自动化处理方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述一种工作流错误队列自动化处理方法的计算机程序。
本发明实施例提供的一种工作流错误队列自动化处理方法和装置,首先根据历史工作流错误队列处理数据,确定训练数据;然后建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型;接着根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式;最后监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理。本发明实施例通过引入机器学习的方法通过对前期大量人工处理的历史工作流错误队列处理数据进行训练学习,结合专家决策配置形成不同错误队列的不同场景下的工作流错误队列处理策略和模式,能够实现工作流错误队列的自动化处理,解放了大量的人力,工作流错误队列处理精确响应灵敏。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的一些实施例,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。在附图中:
图1为本发明实施例一种工作流错误队列自动化处理方法示意图。
图2为本发明实施例一种工作流错误队列自动化处理方法的确定训练数据过程示意图。
图3为本发明实施例一种工作流错误队列自动化处理方法的流程图。
图4为运行本发明实施的一种工作流错误队列自动化处理方法的计算机装置示意图。
图5为本发明实施例一种工作流错误队列自动化处理装置示意图。
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明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
图1为本发明实施例一种工作流错误队列自动化处理方法示意图,如图1所示,本发明实施例提供一种工作流错误队列自动化处理方法,通过引入机器学习的方法实现了工作流错误队列自动化处理,该方法包括:
步骤101:根据历史工作流错误队列处理数据,确定训练数据;
步骤102:建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型;
步骤103:根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式;
步骤104:监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理。
本发明实施例提供的一种工作流错误队列自动化处理方法,首先根据历史工作流错误队列处理数据,确定训练数据;然后建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型;接着根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式;最后监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理。本发明实施例通过引入机器学习的方法通过对前期大量人工处理的历史工作流错误队列处理数据进行训练学习,结合专家决策配置形成不同错误队列的不同场景下的工作流错误队列处理策略和模式,能够实现工作流错误队列的自动化处理,解放了大量的人力,工作流错误队列处理精确响应灵敏。
在本发明实施例中,金融市场业务产品,是指比如外汇、贵金属的即期、远期、掉期交易,债券交易,利率互换交易,期权,期货等衍生品交易。
工作流,也称之为workflow;金融市场业务产品分为前台业务流程、中台业务流程、后台业务流程三大环节,每个环节又分为多个分支,每个分支分为多个阶段和节点进行处理。以后台业务流程为例:有对外通讯的工作流、现金流工作流、会计工作流、结算工作流、合同工作流等多个分支。在工作流的每个阶段在发生各种例外情景产生错工作流时,错误工作流就会进入错误队列等候业务人员或维护人员进行手工处理。为解决手动处理效率低且通过需求实现为系统功能响应时间长的问题,本发明实施例提供了一种工作流错误队列自动化处理方法,具体实施时可以包括:
根据历史工作流错误队列处理数据,确定训练数据;建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型;根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式;监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理。
图2为本发明实施例一种工作流错误队列自动化处理方法的确定训练数据过程示意图,如图2所示,具体实施本发明实施例提供的一种工作流错误队列自动化处理方法时,在一个实施例中,前述的根据历史工作流错误队列处理数据,确定训练数据,包括:
步骤201:对历史工作流错误队列处理数据进行筛选分类,提取出工作流本身信息、错误信息和处理信息;
步骤202:对工作流本身信息、错误信息和处理信息进行分析,确定训练数据。
实施例中,由于在金融市场业务产品的处理过程中,积累了大量的历史工作流错误队列处理数据,这就为机器学习建立了数据基础;前述的根据历史工作流错误队列处理数据,确定训练数据,具体可以包括:首先,对历史工作流错误队列处理数据进行筛选分类,提取出工作流本身信息、错误信息和处理信息;然后,对工作流本身信息、错误信息和处理信息进行分析,确定训练数据;其中,对工作流本身信息进行分析,至少包括:对关联的实体、时间、合同、交易、报文及工作流正常流程等进行分析;对错误信息进行分析,至少包括:对系统服务异常信息、业务报文异常信息,工作流错误节点信息等进行分析;对处理信息进行分析,至少包括:对处理业务人员信息,时间、处理方法信息等进行分析。
具体实施本发明实施例提供的一种工作流错误队列自动化处理方法时,在一个实施例中,前述的建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型,包括:
建立机器学习模型;
将训练数据导入机器学习模型进行训练,提取工作流特征、错误特征和处理特征,分析工作流特征、错误特征和处理特征的内在关系,提取策略模式,确定工作流错误队列处理模型。
实施例中,在有训练数据作为基础后,建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型,具体可以包括:
首先建立机器学习模型;在本实施例中可以采用广义机器学习中的非监督学习方法建立机器学习模型。AI算法(广义机器学习)一般按照学习形式可划分为监督学习(Supervised Learning)、非监督学习(Unsupervised Learning)、半监督学习(Semi-supervised Learning)、深度学习(Deep Learning)、强化学习(ReinforcementLearning)、迁移学习(Transfer Learning)。本实施例中重点使用非监督学习方法。非监督学习是从无标记的训练数据来推断一个数据分布的机器学习任务。训练数据包括一系列训练实例,每个实例都是由一个输入对象(通常为矢量)组成。无监督学习算法分析上述训练数据,学习并产生一个训练数据的分布,其可以用于抽取训练实例特征、区分不同训练实例等任务。
然后,将训练数据导入机器学习模型进行训练,提取工作流特征、错误特征和处理特征,分析工作流特征、错误特征和处理特征的内在关系,提取策略模式,确定工作流错误队列处理模型。其中,工作流特征提取,主要包括:“海外/国内?”、“交易类型?”、“报文类型?”、“前台/中台/后台?”等特征提取。错误特征提取,主要包括:“系统服务异常?”、“业务内容异常?”、“通讯异常?”等特征提取。处理特征提取,主要包括:“重送源错误节点输入端/清理?”、“处理成功/失败?”等特征提取。策略模式提取,主要包括:根据前述的工作流特征、错误特征、处理特征的内在关系,提取策略模式。
具体实施本发明实施例提供的一种工作流错误队列自动化处理方法时,在一个实施例中,前述的根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式,包括:
对工作流错误队列处理模型设定专家决策配置,确定工作流错误队列处理策略和模式;其中,专家决策配置,至少包括:超时策略,重试策略,放弃策略,重送策略。
实施例中,通过设定专家决策配置,可以对工作流错误队列处理模型进行收敛,可以提高工作流错误队列处理策略和模式的精准度和准确率;主要步骤包括:对工作流错误队列处理模型设定专家决策配置,确定工作流错误队列处理策略和模式;其中,专家决策配置,至少包括:超时策略,重试策略,放弃策略,重送策略。
其中,超时策略,主要包括:“补充策略模式适用的时间范围(比如:错误发生后2小时)。”
重试策略,主要包括:“补充策略模式在处理同一条工作流时可以重试的次数。”
放弃策略,主要包括:“补充策略模式在放弃处理时的选择:清理或移动?”
重送策略,主要包括:“补充策略模式重送选择工作流节点的策略:指定节点、错误源节点的输入端?”
具体实施本发明实施例提供的一种工作流错误队列自动化处理方法时,在一个实施例中,前述的监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理,包括:
监控工作流错误队列,在工作流错误队列产生新的错误工作流时,提取该错误工作流;
对该错误工作流进行特征提取,确定错误工作流特征;
将错误工作流特征与工作流错误队列处理策略进行匹配,匹配成功时,根据匹配算法计算执行策略模式,对错误工作流进行处理。
实施例中,在确定工作流错误队列处理策略和模式后,连接工作流错误队列,监控工作流错误队列,在工作流错误队列产生新的错误工作流时,提取该错误工作流;然后对该错误工作流进行特征提取,确定错误工作流特征;其中,对该错误工作流进行特征提取,主要包括:错误工作流的工作流特征提取,错误工作流的错误特征提取;最后,将错误工作流特征与工作流错误队列处理策略进行匹配,匹配成功时,根据匹配算法计算执行策略模式,对错误工作流进行处理。
具体实施本发明实施例提供的一种工作流错误队列自动化处理方法时,在一个实施例中,该方法还包括:
将错误工作流特征与工作流错误队列处理策略匹配失败时,标记该工作流错误为新增工作流错误;
将新增工作流错误导入工作流错误队列处理模型进行学习,对工作流错误队列处理模型进行更新。
由于金融市场业务产品的数量巨大,有可能发生在历史工作流错误队列处理数据不存在的错误场景,因此导致的工作流错误不能被工作流错误队列处理策略和模式正确处理,因此为解决上述问题,本发明实施例中,还包括:将错误工作流特征与工作流错误队列处理策略匹配失败时,标记该工作流错误为新增工作流错误;新增工作流错误此时需要介入人工处理,人工处理后将新增工作流错误导入工作流错误队列处理模型进行学习,对工作流错误队列处理模型进行更新。在出现新的错误场景时才介入人工处理,为机器学习提供新的训练实例,进而形成新的处理策略和模式,对工作流错误队列处理模型进行更新,构成了错误队列处理的闭环学习,响应灵敏。
图3为本发明实施例一种工作流错误队列自动化处理方法的流程图,如图3所示,本发明实施例一种工作流错误队列自动化处理方法的流程主要包括:
一、DP:数据提取准备:分析工作流错误队列数据准备机器学习的训练数据,主要包含工作流信息,源节点信息,人工处理信息。
00、判断是否有新增人工处理的工作流错误队列信息?
01、分析工作流本身信息:关联的实体、时间、合同、交易、报文及工作流正常流程等。
02、分析错误信息:系统服务异常信息、业务报文异常信息,工作流错误节点信息等。
03、分析处理信息:处理业务人员信息,时间、处理方法信息等。
二、MP:机器学习处理:通过学习提取数据特征、生成工作流错误队列处理的策略和模式,主要包括重送处理、放弃处理、清理去重。
00、有更新的机器学习数据,自动启动机器学习。
01、工作流特征提取:海外/国内?交易类型?报文类型?前台/中台/后台?等。
02、错误特征提取:系统服务异常?业务内容异常?通讯异常?等。
03、处理特征提取:重送源错误节点输入端/清理?处理成功/失败?等。
04、策略模式提取:根据前述分析的工作流特征、错误特征、处理特征的内在关系,提取策略模式。
05、更新策略模式:通过与已有策略模式进行比较,若是新的策略模式则更新。
三、ED:专家决策批准:专家介入决策过程批准机器学习生成的策略和模式,并增加其他特殊策略比如重试次数,超时区间等。
00、策略模式若有更新,由业务人员和运维人员组成的专家会介入分析决策。
01、超时策略:补充策略模式适用的时间范围(比如:错误发生后2小时)。
02、重试策略:补充策略模式在处理同一条工作流时可以重试的次数。
03、放弃策略:补充策略模式在放弃处理时的选择:清理或移动?
04、重送策略:补充策略模式重送选择工作流节点的策略:指定节点、错误源节点的输入端?
四、PA:策略模式应用:应用工作流错误队列处理的策略和模式进行自动化的处理,主要包含实时监控错误队列,对新到工作流进行特征分析模式匹配,执行处理策略。
00、监控错误队列、在有新的错误工作流时自动应用策略模式进行处理。
01、工作流特征提取:同机器学习处理模块。
02、错误特征提取:同机器学习处理模块。
03、策略模式匹配:根据提取的相关特征和策略模式库进行匹配。
04、根据匹配算法的计算结果执行策略模式。
本发明实施例一种工作流错误队列自动化处理方法的主要开发过程包括:分析确定机器学习的数据来源,并对其信息进行提炼。特别是错误队列中工作流的基本信息(错误来源节点,错误信息,错误时间等)及处理信息(人工处理、重送源节点、旁路、清理等);开发机器学习的方法,通过对相关数据的学习提取数据特征生成错误处理的策略和模式;三、应用策略模式进行错误队列的自动化处理。
图4为运行本发明实施的一种工作流错误队列自动化处理方法的计算机装置示意图,如图4所示,本发明实施例还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种工作流错误队列自动化处理方法。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有执行实现上述一种工作流错误队列自动化处理方法的计算机程序。
本发明实施例中还提供了一种工作流错误队列自动化处理装置,如下面的实施例所述。由于该装置解决问题的原理与一种工作流错误队列自动化处理方法相似,因此该装置的实施可以参见一种工作流错误队列自动化处理方法的实施,重复之处不再赘述。
图5为本发明实施例一种工作流错误队列自动化处理装置示意图,如图5所示,本发明实施例还提供一种工作流错误队列自动化处理装置,具体实施时可以包括:
数据提取准备模块501,用于根据历史工作流错误队列处理数据,确定训练数据;
机器学习处理模块502,用于建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型;
专家决策批准模块503,用于根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式;
策略模式应用模块504,用于监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理。
具体实施本发明实施例提供的一种工作流错误队列自动化处理装置时,在一个实施例中,前述的数据提取准备模块,具体用于:
对历史工作流错误队列处理数据进行筛选分类,提取出工作流本身信息、错误信息和处理信息;
对工作流本身信息、错误信息和处理信息进行分析,确定训练数据。
具体实施本发明实施例提供的一种工作流错误队列自动化处理装置时,在一个实施例中,前述的机器学习处理模块,具体用于:
建立机器学习模型;
将训练数据导入机器学习模型进行训练,提取工作流特征、错误特征和处理特征,分析工作流特征、错误特征和处理特征的内在关系,提取策略模式,确定工作流错误队列处理模型。
具体实施本发明实施例提供的一种工作流错误队列自动化处理装置时,在一个实施例中,前述的专家决策批准模块,具体用于:
对工作流错误队列处理模型设定专家决策配置,确定工作流错误队列处理策略和模式;其中,专家决策配置,至少包括:超时策略,重试策略,放弃策略,重送策略。
具体实施本发明实施例提供的一种工作流错误队列自动化处理装置时,在一个实施例中,前述的策略模式应用模块,具体用于:
监控工作流错误队列,在工作流错误队列产生新的错误工作流时,提取该错误工作流;
对该错误工作流进行特征提取,确定错误工作流特征;
将错误工作流特征与工作流错误队列处理策略进行匹配,匹配成功时,根据匹配算法计算执行策略模式,对错误工作流进行处理。
具体实施本发明实施例提供的一种工作流错误队列自动化处理装置时,在一个实施例中,前述的策略模式应用模块,还用于:
将错误工作流特征与工作流错误队列处理策略匹配失败时,标记该工作流错误为新增工作流错误;
将新增工作流错误导入工作流错误队列处理模型进行学习,对工作流错误队列处理模型进行更新。
综上,本发明实施例提供的一种工作流错误队列自动化处理方法和装置,首先根据历史工作流错误队列处理数据,确定训练数据;然后建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型;接着根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式;最后监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理。本发明实施例通过引入机器学习的方法通过对前期大量人工处理的历史工作流错误队列处理数据进行训练学习,结合专家决策配置形成不同错误队列的不同场景下的工作流错误队列处理策略和模式,能够实现工作流错误队列的自动化处理,解放了大量的人力,工作流错误队列处理精确响应灵敏。在出现新的错误场景时才介入人工处理,为机器学习提供新的训练实例,进而形成新的处理策略和模式,对工作流错误队列处理模型进行更新,构成了错误队列处理的闭环学习,响应灵敏。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (14)
1.一种工作流错误队列自动化处理方法,其特征在于,包括:
根据历史工作流错误队列处理数据,确定训练数据;
建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型;
根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式;
监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理。
2.如权利要求1所述的方法,其特征在于,根据历史工作流错误队列处理数据,确定训练数据,包括:
对历史工作流错误队列处理数据进行筛选分类,提取出工作流本身信息、错误信息和处理信息;
对工作流本身信息、错误信息和处理信息进行分析,确定训练数据。
3.如权利要求1所述的方法,其特征在于,建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型,包括:
建立机器学习模型;
将训练数据导入机器学习模型进行训练,提取工作流特征、错误特征和处理特征,分析工作流特征、错误特征和处理特征的内在关系,提取策略模式,确定工作流错误队列处理模型。
4.如权利要求1所述的方法,其特征在于,根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式,包括:
对工作流错误队列处理模型设定专家决策配置,确定工作流错误队列处理策略和模式;其中,专家决策配置,至少包括:超时策略,重试策略,放弃策略,重送策略。
5.如权利要求1所述的方法,其特征在于,监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理,包括:
监控工作流错误队列,在工作流错误队列产生新的错误工作流时,提取该错误工作流;
对该错误工作流进行特征提取,确定错误工作流特征;
将错误工作流特征与工作流错误队列处理策略进行匹配,匹配成功时,根据匹配算法计算执行策略模式,对错误工作流进行处理。
6.如权利要求5所述的方法,其特征在于,还包括:
将错误工作流特征与工作流错误队列处理策略匹配失败时,标记该工作流错误为新增工作流错误;
将新增工作流错误导入工作流错误队列处理模型进行学习,对工作流错误队列处理模型进行更新。
7.一种工作流错误队列自动化处理装置,其特征在于,包括:
数据提取准备模块,用于根据历史工作流错误队列处理数据,确定训练数据;
机器学习处理模块,用于建立机器学习模型,利用训练数据对机器学习模型进行训练,确定工作流错误队列处理模型;
专家决策批准模块,用于根据工作流错误队列处理模型和专家决策配置,确定工作流错误队列处理策略和模式;
策略模式应用模块,用于监控工作流错误队列,在工作流错误队列产生新的错误工作流时,通过工作流错误队列处理策略和模式对错误工作流进行处理。
8.如权利要求7所述的装置,其特征在于,数据提取准备模块,具体用于:
对历史工作流错误队列处理数据进行筛选分类,提取出工作流本身信息、错误信息和处理信息;
对工作流本身信息、错误信息和处理信息进行分析,确定训练数据。
9.如权利要求7所述的装置,其特征在于,机器学习处理模块,具体用于:
建立机器学习模型;
将训练数据导入机器学习模型进行训练,提取工作流特征、错误特征和处理特征,分析工作流特征、错误特征和处理特征的内在关系,提取策略模式,确定工作流错误队列处理模型。
10.如权利要求7所述的装置,其特征在于,专家决策批准模块,具体用于:
对工作流错误队列处理模型设定专家决策配置,确定工作流错误队列处理策略和模式;其中,专家决策配置,至少包括:超时策略,重试策略,放弃策略,重送策略。
11.如权利要求7所述的装置,其特征在于,策略模式应用模块,具体用于:
监控工作流错误队列,在工作流错误队列产生新的错误工作流时,提取该错误工作流;
对该错误工作流进行特征提取,确定错误工作流特征;
将错误工作流特征与工作流错误队列处理策略进行匹配,匹配成功时,根据匹配算法计算执行策略模式,对错误工作流进行处理。
12.如权利要求11所述的装置,其特征在于,策略模式应用模块,还用于:
将错误工作流特征与工作流错误队列处理策略匹配失败时,标记该工作流错误为新增工作流错误;
将新增工作流错误导入工作流错误队列处理模型进行学习,对工作流错误队列处理模型进行更新。
13.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一项所述方法。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行实现权利要求1至6任一项所述方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011040222.8A CN112116330A (zh) | 2020-09-28 | 2020-09-28 | 一种工作流错误队列自动化处理方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011040222.8A CN112116330A (zh) | 2020-09-28 | 2020-09-28 | 一种工作流错误队列自动化处理方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112116330A true CN112116330A (zh) | 2020-12-22 |
Family
ID=73797271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011040222.8A Pending CN112116330A (zh) | 2020-09-28 | 2020-09-28 | 一种工作流错误队列自动化处理方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112116330A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018125337A2 (en) * | 2016-11-02 | 2018-07-05 | Intel Corporation | Automated generation of workflows |
CN109615312A (zh) * | 2018-10-23 | 2019-04-12 | 平安科技(深圳)有限公司 | 业务执行中的异常排查方法、装置、电子设备和存储介质 |
CN109753408A (zh) * | 2018-12-11 | 2019-05-14 | 江阴逐日信息科技有限公司 | 一种基于机器学习的流程异常预测方法 |
CN111429155A (zh) * | 2020-03-25 | 2020-07-17 | 中国银行股份有限公司 | 银行卡争议处理方法及装置 |
-
2020
- 2020-09-28 CN CN202011040222.8A patent/CN112116330A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018125337A2 (en) * | 2016-11-02 | 2018-07-05 | Intel Corporation | Automated generation of workflows |
CN109791642A (zh) * | 2016-11-02 | 2019-05-21 | 英特尔公司 | 工作流的自动生成 |
CN109615312A (zh) * | 2018-10-23 | 2019-04-12 | 平安科技(深圳)有限公司 | 业务执行中的异常排查方法、装置、电子设备和存储介质 |
CN109753408A (zh) * | 2018-12-11 | 2019-05-14 | 江阴逐日信息科技有限公司 | 一种基于机器学习的流程异常预测方法 |
CN111429155A (zh) * | 2020-03-25 | 2020-07-17 | 中国银行股份有限公司 | 银行卡争议处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
张少华;向勇;沈浴竹;史美林;: "工作流生成中的一种流程模式知识优化方法", 计算机工程与应用, no. 21 * |
陈朝旭;蒋玉明;: "事务工作流模型中恢复策略的研究", 计算机应用与软件, no. 06 * |
魏懿;曹健;: "基于机器学习的流程异常预测方法", 计算机集成制造系统, no. 04 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7856616B2 (en) | Action-based in-process software defect prediction software defect prediction techniques based on software development activities | |
WO2021174966A1 (zh) | 训练风险识别模型的方法及装置 | |
CN110659173A (zh) | 一种运维系统及方法 | |
AU2019348202B2 (en) | System and method for robotic agent management | |
CN114153482B (zh) | 基于数字孪生DaaS平台的深度学习编程方法及系统 | |
CN114880312B (zh) | 一种可柔性设置的应用系统业务数据稽核方法 | |
CN111913824B (zh) | 确定数据链路故障原因的方法及相关设备 | |
KR20220073314A (ko) | 공정 모니터링 시스템 및 방법 | |
CN114462644A (zh) | 用于微服务运维的方法及系统 | |
Rosa et al. | Internal auditor transformation strategy in the industrial revolution 4.0 era: Literature review | |
CN113609393A (zh) | 一种基于数据服务和数据管理的数字化平台 | |
CN112116330A (zh) | 一种工作流错误队列自动化处理方法和装置 | |
CN117150042A (zh) | 基于知识图谱推荐应急预案的方法、装置、设备和介质 | |
CN115983991A (zh) | 一种流程调整方法、装置、设备及介质 | |
CN114092246A (zh) | 金融交易链路的问题定位方法及装置 | |
US20200211110A1 (en) | Systems and methods for visualizing a trade life cycle and detecting discrepancies | |
US11568362B2 (en) | Systems and methods for visualizing a trade life cycle and detecting discrepancies | |
CN114154981B (zh) | 一种实时结算和监管系统中区块链与大数据平台交互方法 | |
CN117350685B (zh) | 一种基于人工智能的校园自动化办公监管系统及方法 | |
CN112232960B (zh) | 交易应用系统监控方法及装置 | |
US20230385730A1 (en) | Segmenting processes into stand-alone services | |
CN105354659A (zh) | 目标项目的处理方法及装置 | |
CN117371943A (zh) | 一种基于数据驱动的ai中台模型管理方法及ai中台系统 | |
CN115858318A (zh) | 性能瓶颈感知的微服务弹性伸缩方法及系统 | |
CN111752842A (zh) | 银行批量程序故障处理方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |