CN117709690B - 一种司法案件任务调度方法及装置 - Google Patents
一种司法案件任务调度方法及装置 Download PDFInfo
- Publication number
- CN117709690B CN117709690B CN202410162382.1A CN202410162382A CN117709690B CN 117709690 B CN117709690 B CN 117709690B CN 202410162382 A CN202410162382 A CN 202410162382A CN 117709690 B CN117709690 B CN 117709690B
- Authority
- CN
- China
- Prior art keywords
- case
- data
- time sequence
- judicial
- time series
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000012545 processing Methods 0.000 claims abstract description 63
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 63
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 238000010586 diagram Methods 0.000 claims description 22
- 239000000370 acceptor Substances 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008520 organization Effects 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/18—Legal services
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Technology Law (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例涉及计算机技术领域，提供了一种司法案件任务调度方法及装置，所述方法包括：获取目标司法案件管理系统指定时段的历史司法案件数据，构成时间序列数据；将时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据；计算预测时间序列数据与参考数据之间的距离，根据距离和预设阈值得到司法案件任务处理评估结果；判断司法案件任务处理评估结果是否满足预设结果，若否，则按照预设的案件均衡分配方法，对案件进行重新分配。通过本说明书实施例，能够使司法机构合理安排资源、优化工作流程，从而提高办案效率。
Description
技术领域
本说明书实施例涉及计算机技术领域，尤其是一种司法案件任务调度方法及装置。
背景技术
随着经济的发展，司法系统面临着日益增长的案件数量和复杂性，为了提高司法效率、优化资源配置以及改进案件处理流程，对司法案件任务进行自动调度变得尤为关键。通过运用合理高效的技术手段，司法机构能够更好地理解案件流程、预测案件处理时间，并优化决策过程。
在司法系统中，案件、人员、时间等元素之间存在着错综复杂的关系，而传统的调度方法难以捕捉这些关系，且通常基于先验知识进行评估，存在逻辑不严谨、人为分析判断不准确、易忽视数据中的微小差别和特征等缺点，同时传统的调度方法需要消耗大量的人力物力资源，造成了人力成本的大量浪费和由于先验知识不足而导致的调度不合理等问题，容易对决策产生负面影响。此外，案件更新流程的多环节传递使得案件的处理周期延长，从而导致调度效率低的问题。因此，亟需一种司法案件任务调度方法能解决司法案件任务调度不合理和效率低的问题。
发明内容
针对现有技术的上述问题，本说明书实施例的目的在于，提供一种司法案件任务调度方法及装置，以解决现有技术中司法案件任务调度不合理和效率低的问题。
为了解决上述技术问题，本说明书实施例的具体技术方案如下：
一方面，本说明书实施例提供一种司法案件任务调度方法，所述方法包括：
获取目标司法案件管理系统指定时段的历史司法案件数据，构成时间序列数据，其中所述历史司法案件数据包括案件受理人员、案件编号、案件类型、案发地点、案件受理日期、案件处理状态以及案件处理时间线；
将所述时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据；
计算所述预测时间序列数据与参考数据之间的距离，根据所述距离和预设阈值得到司法案件任务处理评估结果；
判断所述司法案件任务处理评估结果是否满足预设结果，若否，则按照预设的案件均衡分配方法，对案件进行重新分配。
优选的，所述案件均衡分配方法包括：
获取所述目标司法案件管理系统中全部案件受理节点的案件数量；
根据所述案件数量将案件受理节点的状态划分为过载和闲置；
将状态为过载的案件受理节点对应的超出预设阈值的案件进行过滤，得到待分配案件队列；
从所述待分配案件队列中依次取出待分配案件，遍历所有状态为闲置的案件受理节点，优先将所述待分配案件分配给案件数量少的案件受理节点，直至所有待分配案件分配完毕。
优选的，所述将所述时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据之前，还包括：
删除所述时间序列数据中的异常数据和重复数据，得到第一处理数据；
检测所述第一处理数据中是否存在缺失数据，若存在，则计算所述第一处理数据的众数，将所述众数替代缺失数据，得到第二处理数据；
对所述第二处理数据进行归一化处理，得到预处理后的数据。
优选的，所述将所述时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据，包括：
利用经验模态分解方法将所述时间序列数据进行分解，得到若干本征模态函数分量和残差分量；
基于所述本征模态函数分量、残差分量和时间序列数据构建基于司法案件数据的动态图，其中所述动态图表示为一个三元组，包括输入节点矩阵、节点间的相关性和节点间的邻接矩阵；
将所述动态图输入至预训练好的时间序列预测模型，得到预测时间序列数据。
优选的，所述利用经验模态分解方法将所述时间序列数据进行分解，得到若干本征模态函数分量和残差分量，包括：
获取输入时间序列数据的全部极值点，其中所述极值点包括极大值点和极小值点；
经过三次样条差值法将全部极大值点连成上包络曲线，将全部极小值点连成下包络曲线；
计算所述上包络曲线和下包络曲线的平均值，得到平均包络线；
将所述输入时间序列数据减所述平均包络线，得到第一中间信号；
判断所述第一中间信号是否满足预设的本征模态函数条件，若满足，则将所述第一中间信号记为所述输入时间序列数据的第一本征模态函数分量；
将第一本征模态函数分量从所述输入时间序列数据中分离，得到第二输入时间序列数据，重复上述步骤，直至剩余分量为单调函数或常量，分解停止，得到输入时间序列的若干本征模态函数分量和残差分量。
优选的，所述利用经验模态分解方法将所述时间序列数据进行分解，得到若干本征模态函数分量和残差分量，还包括：
若所述第一中间信号不满足预设的本征模态函数条件，则将所述第一中间信号作为输入时间序列数据；
执行获取输入时间序列数据的全部极值点的操作，直至所述第一中间信号满足预设的本征模态函数条件，得到所述输入时间序列数据的第一本征模态函数分量。
优选的，所述时间序列预测模型包括LSTM和Transformer模型，
其中所述LSTM作为所述Transformer模型的前置模块，用于提取输入时间序列数据的时序信息；
所述Transformer模型用于接收所述时序信息，通过多头自注意力机制对所述时序信息进行特征提取，得到特征信息；
将所述特征信息经过层归一化处理后，得到预测时间序列数据。
另一方面，本说明书实施例提供了一种司法案件任务调度装置，所述装置包括：
获取模块，用于获取目标司法案件管理系统指定时段的历史司法案件数据，构成时间序列数据，其中所述历史司法案件数据包括案件受理人员、案件编号、案件类型、案发地点、案件受理日期、案件处理状态以及案件处理时间线；
预测模块，用于将所述时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据；
评估模块，用于计算所述预测时间序列数据与参考数据之间的距离，根据所述距离和预设阈值得到司法案件任务处理评估结果；
分配模块，用于判断所述司法案件任务处理评估结果是否满足预设结果，若否，则按照预设的案件均衡分配方法，对案件进行重新分配。
又一方面，本说明书实施例还提供了一种计算机设备，包括存储器、处理器、以及存储在所述存储器上的计算机程序，所述计算机程序被所述处理器运行时，执行上述任意一项所述方法的指令。
又一方面，本说明书实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被计算机设备的处理器运行时，执行上述任意一项所述方法的指令。
本说明书的一些实施例提供的一个或者多个技术方案，至少具有如下的技术效果：
本说明书通过获取目标司法案件管理系统指定时段的历史司法案件数据，根据历史司法案件数据构建基于司法案件数据的动态图，将每个司法案件的受理情况、相关法官、律师等视为图中的节点，不同的关联关系视为图中的边，与传统的方法相比，通过将司法案件管理系统中案件、人员、时间等元素间的关系表示为图结构，可以更好地捕捉司法案件的复杂关联性和时序演变，为司法决策提供良好的数据支撑。将构建的动态图输入预训练好的时间序列预测模型，得到预测时间序列数据，基于预测时间序列数据对司法系统的案件分配进行评估，根据评估结果对案件分配进一步优化，有助于司法机构合理安排资源、优化工作流程，提高办案效率。
上述说明仅是本说明书的一些实施例技术方案的概述，为了能够更清楚了解本说明书的一些实施例的技术手段，而可依照说明书的内容予以实施，并且为让本说明书实施例的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本说明书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说明书的一些实施例，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。
图1示出了本说明书一些实施例中一种司法案件任务调度方法的流程示意图；
图2示出了本说明书一些实施例中对时间序列数据进行预处理的流程示意图；
图3示出了本说明书一些实施例中将时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据的流程示意图；
图4示出了本说明书一些实施例中利用经验模态分解方法将时间序列数据进行分解，得到若干本征模态函数分量和残差分量的流程示意图；
图5示出了本说明书一些实施例中对时间序列数据进行EMD分解的示意图；
图6示出了本说明书一些实施例中案件均衡分配方法的流程示意图；
图7示出了本说明书一些实施例中一种司法案件任务调度装置的结构示意图；
图8示出了本说明书一些实施例中提供的计算机设备结构示意图。
附图符号说明：
701、获取模块；
702、预测模块；
703、评估模块；
704、分配模块；
802、计算机设备；
804、处理器；
806、存储器；
808、驱动机构；
810、输入/输出模块；
812、输入设备；
814、输出设备；
816、呈现设备；
818、图形用户接口；
820、网络接口；
822、通信链路；
824、通信总线
具体实施方式
下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
在司法系统中，案件、人员、时间等元素之间存在着错综复杂的关系，而传统的调度方法难以捕捉这些关系，且通常基于先验知识进行评估，存在逻辑不严谨、人为分析判断不准确、易忽视数据中的微小差别和特征等缺点，同时传统的调度方法需要消耗大量的人力物力资源，造成了人力成本的大量浪费和由于先验知识不足而导致的调度不合理等问题，容易对决策产生负面影响。此外，案件更新流程的多环节传递使得案件的处理周期延长，从而导致调度效率低的问题。因此，亟需一种司法案件任务调度方法能解决司法案件任务调度不合理和效率低的问题。
为了解决上述问题，本说明书实施例提供了一种司法案件任务调度方法。图1是本说明书实施例提供的一种司法案件任务调度方法的流程示意图，本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
需要说明的是，本说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本说明书的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参照图1所示，本说明书实施例提供了一种司法案件任务调度方法，所述方法包括：
S101：获取目标司法案件管理系统指定时段的历史司法案件数据，构成时间序列数据，其中所述历史司法案件数据包括案件受理人员、案件编号、案件类型、案发地点、案件受理日期、案件处理状态以及案件处理时间线；
S102：将所述时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据；
S103：计算所述预测时间序列数据与参考数据之间的距离，根据所述距离和预设阈值得到司法案件任务处理评估结果；
S104：判断所述司法案件任务处理评估结果是否满足预设结果，若否，则按照预设的案件均衡分配方法，对案件进行重新分配。
本说明书通过获取目标司法案件管理系统指定时段的历史司法案件数据，根据历史司法案件数据构建基于司法案件数据的动态图，将每个司法案件的受理情况、相关法官、律师等视为图中的节点，不同的关联关系视为图中的边，与传统的方法相比，通过将司法案件管理系统中案件、人员、时间等元素间的关系表示为图结构，可以更好地捕捉司法案件的复杂关联性和时序演变，为司法决策提供良好的数据支撑。将构建的动态图输入预训练好的时间序列预测模型，得到预测时间序列数据，基于预测时间序列数据对司法系统的案件分配进行评估，根据评估结果对案件分配进一步优化，有助于司法机构合理安排资源、优化工作流程，提高办案效率。
在司法案件管理系统中，案件、人员、时间等元素之间存在着错综复杂的联系，同时由于司法案件数据涉及到时间序列信息，如案件的办理周期随时间变化，传统的方法难以捕捉数据间的信息，图结构作为一种数据结构，由节点和边组成，能够直观表示数据间的关联关系，而通过图神经网络可以通过学习图结构中的节点和边的表示，从中提取出对案件办理时间等问题有意义的特征。此外，图神经网络可以利用时序数据进行训练，从而更准确地预测未来的案件处理时间，为司法系统提供更精确、可靠的数据分析结果。每个案件的历史司法案件数据可从目标司法案件管理系统中直接导出，包括案件的基本信息，如案件受理人员、案件编号、案件类型、案发地点、案件受理日期、案件处理状态、当日流转量、案件登记时间、登记执行人员工作负荷、受理执行人员工作负荷以及案件处理时间线等。将获取到的历史司法案件数据构成时间序列数据，通常情况下，由于不可避免的因素，导出的数据可能包含了大量的缺失值、噪声数据，也可能因为人工录入错误导致有异常数据存在，因此需要对时间序列数据进行预处理，从而确保获得数据的准确性和完整性，为后续的预测提供可靠的数据支撑。
一些实施例中，参照图2，对时间序列数据进行预处理，包括：
S201：删除所述时间序列数据中的异常数据和重复数据，得到第一处理数据；
S202：检测所述第一处理数据中是否存在缺失数据，若存在，则计算所述第一处理数据的众数，将所述众数替代缺失数据，得到第二处理数据；
S203：对所述第二处理数据进行归一化处理，得到预处理后的数据。
数据的预处理主要包括数据清洗、数据归一化处理等，数据清洗的主要思想是通过填补缺失值、光滑噪声数据，平滑或删除异常数据，并解决数据的不一致性来清理数据。其中填补缺失值的方法有很多种，在本说明书一些实施例中，通过求解数据的众数来替代缺失值，也可根据数据的特性进行插值填充。为了确保不同数据具有相同的尺度，需要对数据进行归一化处理。
一些实施例中，参照图3，将时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据，包括：
S301：利用经验模态分解方法将所述时间序列数据进行分解，得到若干本征模态函数分量和残差分量；
S302：基于所述本征模态函数分量、残差分量和时间序列数据构建基于司法案件数据的动态图，其中所述动态图表示为一个三元组，包括输入节点矩阵、节点间的相关性和节点间的邻接矩阵；
S303：将所述动态图输入至预训练好的时间序列预测模型，得到预测时间序列数据。
由于案件与人员间复杂的关联关系，直接从复杂的时间序列数据中提取有用信息较为困难，经验模态分解EMD作为一种信号分解与分析的方法，能将复杂信号数据分解为若干本征模态函数分量与残差分量，通过EMD分解后的时间序列数据能直观看到时间序列数据的周期变化和趋势变化，分解出来的各个本征模态函数分量包含了原时间序列数据的不同时间尺度的局部特征信息。一些实施例中，参照图4，利用经验模态分解方法将时间序列数据进行分解，得到若干本征模态函数分量和残差分量，包括：
S401：获取输入时间序列数据的全部极值点，其中所述极值点包括极大值点和极小值点；
S402：经过三次样条差值法将全部极大值点连成上包络曲线，将全部极小值点连成下包络曲线；
S403：计算所述上包络曲线和下包络曲线的平均值，得到平均包络线；
S404：将所述输入时间序列数据减所述平均包络线，得到第一中间信号；
S405：判断所述第一中间信号是否满足预设的本征模态函数条件；
S406：若是，则将所述第一中间信号记为所述输入时间序列数据的第一本征模态函数分量，将所述第一本征模态函数分量从所述输入时间序列数据中分离，得到第二输入时间序列数据，重复上述步骤，直至剩余分量为单调函数或常量，分解停止，得到输入时间序列的若干本征模态函数分量和残差分量；
S407：若否，则将所述第一中间信号作为输入时间序列数据，执行获取输入时间序列数据的全部极值点的操作，直至所述第一中间信号满足预设的本征模态函数条件，得到所述输入时间序列数据的第一本征模态函数分量。
任何时间序列数据都是由若干本征模函数分量组成，而一个本征模函数必须满足以下两个条件：1）函数在整个时间范围内，局部极值点和过零点的数目必须相等或最多相差一个；2）在任意时刻点，局部最大值的上包络线和局部最小值的下包络线均值必须为零。
对于给定的时间序列数据x(t)，利用如下公式对x(t)进行EMD分解：
其中，f i (t)为第i个本征模态函数分量，表示时间序列数据随时间的周期变化，R(t)为残差分量，，/>为非平稳相函数，其导数代表瞬时频率，A i (t)表示瞬时振幅，从本征模态函数分量的表达式可看出，本征模态分量为一个周期函数，表示时间序列的周期变化情况。图5为对时间序列数据进行EMD分解的示意图，如图5所示，x1和x5分别表示图结构中的两个节点，利用EMD分别对x1和x5进行分解后，分别得到两个节点对应的本征模态函数分量和趋势分量，即残差分量，根据这两个分量可以构建两个节点间的关系，e 1,5为x1和x5的边特征。
由于从时间序列数据里较难挖掘数据间的相关性，所以需要基于时间序列数据来构建图结构，将每个案件的受理情况、相应的法官、律师视为图结构中的节点，不同的关联关系视为图结构的边，由于案件处理过程是随时间流转的，因此各节点间是动态变化的，由此构建的图结构即为动态图。动态图可表示为一个三元组，包括输入节点矩阵、节点间的相关性和节点间的邻接矩阵。
以历史司法案件数据长度L x =24预测的司法案件数据长度为L y =6的当日流转量、案件登记时间、登记执行人员工作负荷、案件受理日期、受理执行人员工作负荷为例的五维数据进行说明。
将t时刻的输入时间序列数据表示为：，待预测的时间序列数据表示为：/>，t时刻的动态图G t 可定义为三元组：。
其中X t 为t时刻的输入节点矩阵，大小为5×L x ；表示时间序列x i 和x j 之间第k个本征模态函数分量的相关性，其中e i,j,k 计算公式为：
其中，表示时间序列x i 的第k个本征模态函数分量的转置，f j,k 表示时间序列x j 的第k个本征模态函数分量，/>表示时间序列x i 的第k个本征模态函数分量的二范数，表示时间序列x j 的第k个本征模态函数分量的二范数。
为节点的邻接矩阵，其定义为：
其中表示时间序列数据残差分量间的相关性，通过将两个时间序列数据间残差分量的相关性与给定阈值进行比较，来判断两节点间是否存在连接关系。若/>，表明两节点间存在连接关系，否则两节点间无连接关系。利用以下公式计算/>：
其中，表示时间序列x i 的残差分量的转置，R j 表示时间序列x j 的残差分量，表示时间序列x i 的残差分量的二范数，/>表示时间序列x j 的残差分量的二范数。
综上所述，由此可构建基于司法案件数据的动态图，通过动态图，能够更清晰直观的从中获取节点间的相关性，便于时间序列预测模型提取特征。本说明书一些实施例中，时间序列预测模型包括LSTM和Transformer模型，LSTM模型作为循环神经网络的一种变体，通过引入门控机制，有效解决了传统循环神经网联在处理长时间序列时容易出现梯度消失和梯度爆炸等问题。然而LSTM的顺序计算机制容易导致计算过程中信息丢失，尽管LSTM的门机制结构一定程度上缓解了长期依赖的问题，但是对于特别长期的依赖现象，LSTM依旧无能为力。而Transformer模型通过引入多头自注意力机制后会更容易捕获序列中长距离的相互依赖的特征。这是由于LSTM需要依次按序列计算，对于远距离的相互依赖的特征，要经过若干时间步步骤的信息累积才能将两者联系起来，而距离越远，有效捕获的可能性越小。而多头自注意力机制在计算过程中会直接将序列中任意两个变量的联系通过一个计算步骤直接联系起来，所以长距离依赖特征之间的距离被极大缩短，更有利于提取序列中的特征。因此，通过结合LSTM和Transformer模型，能充分利用LSTM和Transformer模块所提供的补充历史信息和基于注意力的信息表示，提高模型的特征提取能力，从而提高了模型预测性能。在LSTM与Transformer结合的模型中，LSTM作为Transformer模型的前置模块，用于提取输入时间序列数据的时序信息，Transformer模型用于接收所述时序信息，通过多头自注意力机制对所述时序信息进行特征提取，得到特征信息，将特征信息经过层归一化处理后，得到预测时间序列数据。
基于预测时间序列数据，与对应参考数据进行匹配比对，其中参考数据是根据案件预计流转节点得到的，通过计算预测时间序列数据与参考数据之间的距离，来对案件的处理流程进行评估。若预测时间序列数据与参考数据的距离大于设定的阈值，则表示当前案件系统的运转效率可能会受到阻碍，案件任务分配情况需要进一步完善，例如某案件的审理处理时间远高于阈值，或者人员审理案件数量过载或闲置，则表明案件人员分配存在问题，需要进一步的调整。
一些实施例中，参照图6，案件均衡分配方法包括：
S601：获取所述目标司法案件管理系统中全部案件受理节点的案件数量；
S602：根据所述案件数量将案件受理节点的状态划分为过载和闲置；
S603：将状态为过载的案件受理节点对应的超出预设阈值的案件进行过滤，得到待分配案件队列；
S604：从所述待分配案件队列中依次取出待分配案件，遍历所有状态为闲置的案件受理节点，优先将所述待分配案件分配给案件数量少的案件受理节点，直至所有待分配案件分配完毕。
司法案件管理系统中案件受理节点通常情况下指案件受理人员，从某一案件收案日起，根据该案件类型将该案件分配给相匹配的案件受理人员，当案件受理人员接收到该案件的委案请求时，该案件受理人员的案件数量相应更新。根据案件受理人员的案件数量，将案件数量超过基准工作量的案件受理人员的状态记为过载，将案件数量小于基准工作量的案件受理人员的状态记为闲置。从状态为过载的案件受理人员的案件中过滤出超出预设阈值的案件，根据案件的收案时间按照从早到晚的顺序将这些案件组成待分配案件队列。从待分配案件队列中取出第一待分配案件，遍历所有状态为闲置的案件受理人员，根据“量少先分配”的原则，将第一待分配案件分配给状态为闲置的案件受理人员中案件数量最少的案件受理人员，以此类推，直至将所有待分配案件都分配完毕，此时各案件受理人员的案件数量基本达到均衡。
需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据。且本申请实施例描述的技术方案中对数据的获取、存储、使用、处理等均符合相关规定。
基于上述所述的一种司法案件任务调度方法，本说明书实施例还对应提供一种司法案件任务调度装置。所述的装置可以包括使用了本说明书实施例所述方法的系统（包括分布式系统）、软件（应用）、模块、组件、服务器、客户端等并结合必要的实施硬件的装置。基于同一创新构思，本说明书实施例提供的一个或多个实施例中的装置如下面的实施例所述。由于装置解决问题的实现方案与方法相似，因此本说明书实施例具体的装置的实施可以参见前述方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
具体地，图7是本说明书实施例提供的一种司法案件任务调度装置一个实施例的模块结构示意图，参照图7所示，本说明书实施例提供的一种司法案件任务调度装置包括：
获取模块701，用于获取目标司法案件管理系统指定时段的历史司法案件数据，构成时间序列数据，其中所述历史司法案件数据包括案件受理人员、案件编号、案件类型、案发地点、案件受理日期、案件处理状态以及案件处理时间线；
预测模块702，用于将所述时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据；
评估模块703，用于计算所述预测时间序列数据与参考数据之间的距离，根据所述距离和预设阈值得到司法案件任务处理评估结果；
分配模块704，用于判断所述司法案件任务处理评估结果是否满足预设结果，若否，则按照预设的案件均衡分配方法，对案件进行重新分配。
通过本说明书实施例提供的装置所取得的有益效果和上述方法所取得的有益效果相一致，此处不再赘述。
参照图8所示，基于上述所述的一种司法案件任务调度方法，本说明书一实施例中还提供一种计算机设备802，其中上述方法运行在计算机设备802上。计算机设备802可以包括一个或多个处理器804，诸如一个或多个中央处理单元（CPU），每个处理单元可以实现一个或多个硬件线程。计算机设备802还可以包括任何存储器806，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器806可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备802的固定或可移除部件。在一种情况下，当处理器804执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备802可以执行相关联指令的任一操作。计算机设备802还包括用于与任何存储器交互的一个或多个驱动机构808，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备802还可以包括输入/输出模块810（I/O），其用于接收各种输入（经由输入设备812）和用于提供各种输出（经由输出设备814）。一个具体输出机构可以包括呈现设备816和相关联的图形用户接口（GUI）818。在其他实施例中，还可以不包括输入/输出模块810（I/O）、输入设备812以及输出设备814，仅作为网络中的一台计算机设备。计算机设备802还可以包括一个或多个网络接口820，其用于经由一个或多个通信链路822与其他设备交换数据。一个或多个通信总线824将上文所描述的部件耦合在一起。
通信链路822可以以任何方式实现，例如，通过局域网、广域网（例如，因特网）、点对点连接等、或其任何组合。通信链路822可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于如图1至图4、图6所示的方法，本说明书实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
本说明书实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图4、图6的方法。
应理解，在本说明书的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本说明书实施例的实施过程构成任何限定。
还应理解，在本说明书实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本说明书中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本说明书中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本说明书的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本说明书所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本说明书实施例方案的目的。
另外，在本说明书各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，本说明书的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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）执行本说明书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-OnlyMemory）、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。
本说明书中应用了具体实施例对本说明书的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本说明书的方法及其核心思想；同时，对于本领域的一般技术人员，依据本说明书的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本说明书的限制。
Claims (8)
1.一种司法案件任务调度方法，其特征在于，所述方法包括：
获取目标司法案件管理系统指定时段的历史司法案件数据，构成时间序列数据，其中所述历史司法案件数据包括案件受理人员、案件编号、案件类型、案发地点、案件受理日期、案件处理状态以及案件处理时间线；
将所述时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据；
计算所述预测时间序列数据与参考数据之间的距离，根据所述距离和预设阈值得到司法案件任务处理评估结果；
判断所述司法案件任务处理评估结果是否满足预设结果，若否，则按照预设的案件均衡分配方法，对案件进行重新分配；
其中所述将所述时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据，包括：
利用经验模态分解方法将所述时间序列数据进行分解，得到若干本征模态函数分量和残差分量；
基于所述本征模态函数分量、残差分量和时间序列数据构建基于司法案件数据的动态图，其中所述动态图表示为一个三元组，包括输入节点矩阵、节点间的相关性和节点间的邻接矩阵；
将所述动态图输入至预训练好的时间序列预测模型，得到预测时间序列数据；
其中所述利用经验模态分解方法将所述时间序列数据进行分解，得到若干本征模态函数分量和残差分量，包括：
获取输入时间序列数据的全部极值点，其中所述极值点包括极大值点和极小值点；
经过三次样条差值法将全部极大值点连成上包络曲线，将全部极小值点连成下包络曲线；
计算所述上包络曲线和下包络曲线的平均值，得到平均包络线；
将所述输入时间序列数据减所述平均包络线，得到第一中间信号；
判断所述第一中间信号是否满足预设的本征模态函数条件，若满足，则将所述第一中间信号记为所述输入时间序列数据的第一本征模态函数分量；
将第一本征模态函数分量从所述输入时间序列数据中分离，得到第二输入时间序列数据，重复上述步骤，直至剩余分量为单调函数或常量，分解停止，得到输入时间序列的若干本征模态函数分量和残差分量。
2.根据权利要求1所述的方法，其特征在于，所述案件均衡分配方法包括：
获取所述目标司法案件管理系统中全部案件受理节点的案件数量；
根据所述案件数量将案件受理节点的状态划分为过载和闲置；
将状态为过载的案件受理节点对应的超出预设阈值的案件进行过滤，得到待分配案件队列；
从所述待分配案件队列中依次取出待分配案件，遍历所有状态为闲置的案件受理节点，优先将所述待分配案件分配给案件数量少的案件受理节点，直至所有待分配案件分配完毕。
3.根据权利要求1所述的方法，其特征在于，所述将所述时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据之前，还包括：
删除所述时间序列数据中的异常数据和重复数据，得到第一处理数据；
检测所述第一处理数据中是否存在缺失数据，若存在，则计算所述第一处理数据的众数，将所述众数替代缺失数据，得到第二处理数据；
对所述第二处理数据进行归一化处理，得到预处理后的数据。
4.根据权利要求1所述的方法，其特征在于，所述利用经验模态分解方法将所述时间序列数据进行分解，得到若干本征模态函数分量和残差分量，还包括：
若所述第一中间信号不满足预设的本征模态函数条件，则将所述第一中间信号作为输入时间序列数据；
执行获取输入时间序列数据的全部极值点的操作，直至所述第一中间信号满足预设的本征模态函数条件，得到所述输入时间序列数据的第一本征模态函数分量。
5.根据权利要求1所述的方法，其特征在于，所述时间序列预测模型包括LSTM和Transformer模型，
其中所述LSTM作为所述Transformer模型的前置模块，用于提取输入时间序列数据的时序信息；
所述Transformer模型用于接收所述时序信息，通过多头自注意力机制对所述时序信息进行特征提取，得到特征信息；
将所述特征信息经过层归一化处理后，得到预测时间序列数据。
6.一种司法案件任务调度装置，其特征在于，所述装置包括：
获取模块，用于获取目标司法案件管理系统指定时段的历史司法案件数据，构成时间序列数据，其中所述历史司法案件数据包括案件受理人员、案件编号、案件类型、案发地点、案件受理日期、案件处理状态以及案件处理时间线；
预测模块，用于将所述时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据；
评估模块，用于计算所述预测时间序列数据与参考数据之间的距离，根据所述距离和预设阈值得到司法案件任务处理评估结果；
分配模块，用于判断所述司法案件任务处理评估结果是否满足预设结果，若否，则按照预设的案件均衡分配方法，对案件进行重新分配；
其中所述将所述时间序列数据输入至预训练好的时间序列预测模型，得到预测时间序列数据，包括：
利用经验模态分解方法将所述时间序列数据进行分解，得到若干本征模态函数分量和残差分量；
基于所述本征模态函数分量、残差分量和时间序列数据构建基于司法案件数据的动态图，其中所述动态图表示为一个三元组，包括输入节点矩阵、节点间的相关性和节点间的邻接矩阵；
将所述动态图输入至预训练好的时间序列预测模型，得到预测时间序列数据；
其中所述利用经验模态分解方法将所述时间序列数据进行分解，得到若干本征模态函数分量和残差分量，包括：
获取输入时间序列数据的全部极值点，其中所述极值点包括极大值点和极小值点；
经过三次样条差值法将全部极大值点连成上包络曲线，将全部极小值点连成下包络曲线；
计算所述上包络曲线和下包络曲线的平均值，得到平均包络线；
将所述输入时间序列数据减所述平均包络线，得到第一中间信号；
判断所述第一中间信号是否满足预设的本征模态函数条件，若满足，则将所述第一中间信号记为所述输入时间序列数据的第一本征模态函数分量；
将第一本征模态函数分量从所述输入时间序列数据中分离，得到第二输入时间序列数据，重复上述步骤，直至剩余分量为单调函数或常量，分解停止，得到输入时间序列的若干本征模态函数分量和残差分量。
7.一种计算机设备，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如权利要求1至5任意一项所述的方法。
8.一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计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410162382.1A CN117709690B (zh) | 2024-02-05 | 2024-02-05 | 一种司法案件任务调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410162382.1A CN117709690B (zh) | 2024-02-05 | 2024-02-05 | 一种司法案件任务调度方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117709690A CN117709690A (zh) | 2024-03-15 |
| CN117709690B true CN117709690B (zh) | 2024-04-12 |
Family
ID=90162773
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410162382.1A Active CN117709690B (zh) | 2024-02-05 | 2024-02-05 | 一种司法案件任务调度方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117709690B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709566A (zh) * | 2020-06-09 | 2020-09-25 | 信雅达系统工程股份有限公司 | 一种银行网点业务预测及调度方法 |
| CN114186706A (zh) * | 2020-09-14 | 2022-03-15 | 上海交通大学 | 基于整数规划的法院案件均衡分配方法、系统及电子设备 |
| CN114548592A (zh) * | 2022-03-01 | 2022-05-27 | 重庆邮电大学 | 一种基于cemd和lstm的非平稳时间序列数据预测方法 |
| WO2022105136A1 (zh) * | 2020-11-23 | 2022-05-27 | 平安普惠企业管理有限公司 | 案件分配方法、装置及介质 |
| CN116737394A (zh) * | 2023-08-14 | 2023-09-12 | 中海智（北京）科技有限公司 | 一种动态调整的安检集中判图任务分配方法 |
-
2024
- 2024-02-05 CN CN202410162382.1A patent/CN117709690B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111709566A (zh) * | 2020-06-09 | 2020-09-25 | 信雅达系统工程股份有限公司 | 一种银行网点业务预测及调度方法 |
| CN114186706A (zh) * | 2020-09-14 | 2022-03-15 | 上海交通大学 | 基于整数规划的法院案件均衡分配方法、系统及电子设备 |
| WO2022105136A1 (zh) * | 2020-11-23 | 2022-05-27 | 平安普惠企业管理有限公司 | 案件分配方法、装置及介质 |
| CN114548592A (zh) * | 2022-03-01 | 2022-05-27 | 重庆邮电大学 | 一种基于cemd和lstm的非平稳时间序列数据预测方法 |
| CN116737394A (zh) * | 2023-08-14 | 2023-09-12 | 中海智（北京）科技有限公司 | 一种动态调整的安检集中判图任务分配方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型;赵阳阳;夏亮;江欣国;;交通运输工程学报;20200815(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117709690A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110806954B (zh) | 评估云主机资源的方法、装置、设备及存储介质 | |
| CN109961248B (zh) | 运单投诉预测方法、装置、设备及其存储介质 | |
| CN106528280A (zh) | 一种任务分配方法和系统 | |
| CN106326002A (zh) | 资源调度方法、装置及设备 | |
| CN110764714B (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
| CN110209467A (zh) | 一种基于机器学习的弹性资源扩展方法和系统 | |
| CN111325310A (zh) | 一种数据预测方法、装置及存储介质 | |
| CN112598443A (zh) | 一种基于深度学习的线上渠道业务数据处理方法及系统 | |
| US7720553B2 (en) | Service metric portfolio management | |
| CN103455509B (zh) | 一种获取时间窗口模型参数的方法和系统 | |
| CN116883065A (zh) | 商户风险预测方法及装置 | |
| CN111913648B (zh) | 一种固态硬盘的数据处理方法及装置 | |
| US20220050814A1 (en) | Application performance data processing | |
| CN118113578A (zh) | 存储性能预测方法、装置、设备、可读存储介质及产品 | |
| CN113504996B (zh) | 一种负载均衡检测方法、装置、设备及存储介质 | |
| CN117709690B (zh) | 一种司法案件任务调度方法及装置 | |
| CN118096246A (zh) | 一种企业画像系统及方法 | |
| CN101364229A (zh) | 一种基于时间容量分析的数据仓库主机资源预测方法 | |
| CN113205128A (zh) | 基于无服务器计算的分布式深度学习性能保证方法 | |
| CN111242779B (zh) | 金融数据特征选择和预测方法、装置、设备及存储介质 | |
| Foroni et al. | Moira: A goal-oriented incremental machine learning approach to dynamic resource cost estimation in distributed stream processing systems | |
| CN116777297A (zh) | 基于idc设备监测数据的机房评价指标配置方法和系统 | |
| CN116962532A (zh) | 集群任务调度方法、装置、计算机设备及存储介质 | |
| Wang et al. | Adaptive placement of data analysis tasks for staging based in-situ processing | |
| CN109409700B (zh) | 一种配置数据确认方法、业务监测方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |