[发明专利]基于机器学习的流程优化方法、装置、终端及存储介质

权利要求书

1.一种基于机器学习的流程优化方法，其特征在于，该方法应用于在Java环境调用Python机器学习模型,具体包括：

建立预设模型与模型变量信息之间的第一关联关系及与模型场景信息之间的第二关联关系；

当接收到模拟试算请求指令时，根据所述第一关联关系和所述第二关联关系获取与所述模拟试算请求指令对应目标模型；

通过调用Groovy引擎获取入参配置规则，并根据所述入参配置规则得到所述目标模型的入参；

调用模型引擎对所述目标模型的入参进行加密处理；

调用所述模型引擎在Java中开启Process进程，并获取命令行参数中携带的与所述目标模型对应的Python环境路径与模型文件路径；

根据所述Python环境路径与所述模型文件路径通过所述Process进程调用Anaconda中的Python环境与模型文件；

调用所述模型引擎对所述目标模型的入参进行解密处理；

基于Anaconda中的Python环境与模型文件通过解密处理后的目标模型运算模拟试算请求数据并获取运算结果。

2.根据权利要求1所述的基于机器学习的流程优化方法，其特征在于，所述根据所述第一关联关系和所述第二关联关系获取与所述模拟试算请求指令对应目标模型包括：

获取与所述模拟试算请求指令对应的模拟试算请求数据；

确定与所述模拟试算请求数据对应的目标模型场景信息；

根据所述第二关联关系获取与所述目标模型场景信息对应的多个目标模型；

根据所述第一关联关系获取与所述多个目标模型中的每个目标模型对应的目标模型变量信息。

3.根据权利要求2所述的基于机器学习的流程优化方法，其特征在于，所述获取与所述模拟试算请求指令对应的模拟试算请求数据包括：

获取所述模拟试算请求指令中携带的数据定位标识；

遍历预设模拟数据库，获取与所述数据定位标识对应的模拟试算请求数据。

4.根据权利要求2所述的基于机器学习的流程优化方法，其特征在于，在所述根据所述第二关联关系获取与所述目标模型场景信息对应的多个目标模型之后，所述方法还包括：

启动多线程分别运行所述多个目标模型；

按照预设时间间隔获取多个不同的所述目标模型的输出结果；

获取每个目标模型所消耗的平均时间及所述输出结果的正确率；

将每个目标模型的所述平均时间与所述正确率输入至预设综合评价指标中，得到每个目标所述预设模型的综合评价结果；

比对所述每个目标模型的综合评价结果与预设结果阈值；

删除低于所述预设结果阈值的综合结果对应的目标模型，并保留高于所述预设结果阈值的综合结果对应的目标模型。

5.根据权利要求1所述的基于机器学习的流程优化方法，其特征在于，所述建立预设模型与模型变量信息之间的第一关联关系及与模型场景信息之间的第二关联关系包括：

分别获取预设模型、模型变量信息及模型场景信息对应的描述文本，作为第一描述文本、第二描述文本及第三描述文本；

从所述第一描述文本与所述第二描述文本中抽取出第一共性信息，从所述第一描述文本与所述第三描述文本中抽取出第二共性信息；

根据所述第一共性信息确定所述预设模型与所述模型变量信息的第一关联关系，根据所述第二共性信息确定所述预设模型与所述模型场景信息的第二关联关系。

6.根据权利要求1所述的基于机器学习的流程优化方法，其特征在于，所述Groovy引擎包括：

规则配置页面，用于接收用户针对不同模型场景设置的规则及配置数据并将接收到的规则及配置数据存储于Redis中；

规则发布单元，用于发布所述规则配置页面接收到的规则；

规则更新单元，用于读取所述Redis中的存储的配置数据并更新与所述配置数据对应的规则；

规则计算单元，用于当接收到模型入参计算请求时，根据所述Redis中更新后的规则进行计算并反馈计算结果。