[发明专利]智能办公自动化系统工作流实例时间预测分析

权利要求书

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。