用于对行政审批事项的办结时限进行压缩预测的计算模型及其应用制造技术

本发明专利技术公开了一种对行政审批事项的办结时限进行压缩预测的方法，包括如下步骤：根据行政审批事项的历史审批记录，生成训练数据集；构建预测模型，基于训练数据集进行模型训练，确定压缩力度预测模型；根据确定的压缩力度预测模型计算行政审批事项的办结时限的压缩力度。本发明专利技术还公开了一种用于对行政审批事项的办结时限进行压缩预测的计算模型，根据本发明专利技术公开的方法和计算模型，可以快速获取推荐进行压缩的行政审批事项，以基于获取到的推荐压缩的行政审批事项的实际流程进行梳理，实现对各行政审批事项压缩时间进行讨证实现，从而达到压缩承诺时限的目的，相较现有的需要人工梳理才能获取到可压缩行政审批事项的方式，效率更高，结果更精准、客观。

Computational Model for Compressing and Predicting the Deadline of Administrative Examination and Approval Matters and Its Application

【技术实现步骤摘要】
用于对行政审批事项的办结时限进行压缩预测的计算模型及其应用
本专利技术涉及行政进度处理
，特别是一种对行政审批事项的办结时限进行压缩预测的方法及用于对行政审批事项的办结时限进行压缩预测的计算模型。
技术介绍
目前，政府行政审批事项承诺办理时限主要参考相应事项的法定时限，并未对事项实际办理效率进行分析，部分事项的实际办理时间远远小于法定期限，导致政府行政处理进度效率不高。为了进一步提高办事效率，现有技术中，通常是通过人工梳理行政审批事项以总结行政审批的时限，进而讨论论证是否可以进行承诺时限的压缩，主要通过以下两种方式：一是通过安排专人对几年来各行政审批事项的实际办件用时情况进行梳理，充分听取窗口相关人员意见、建议，并对各行政审批事项压缩时间进行讨证实现；二是通过对审批环节进行深度梳理，对审批流程进行优化再造，精简审批所需材料，从而达到压缩承诺时限的目的。但现有的方式均是通过人工梳理实现，由于行政审批事项较多，且人工梳理、讨论压缩时间的过程繁琐，持续时间较长，这样势必会造成大量的人力资源投入，且梳理结果也具有一定的主观性，参考价值不够高。
技术实现思路
针对此问题，专利技术人构思通过对历史审批数据进行统计分析，构建自动进行压缩预测计算的算法模型，实现对各事项的压缩情况的估算，以快速高效地解决行政审批的效能问题，或至少快速高效地提供高参考价值的推荐方案。基于此目的，根据本专利技术的第一方面，提供了一种对行政审批事项的办结时限进行压缩预测的方法，包括如下步骤：根据行政审批事项的历史审批记录，生成训练数据集；构建预测模块，基于所述训练数据集进行模型训练，确定压缩力度预测模型；根据确定的压缩力度预测模型计算行政审批事项的办结时限的压缩力度。根据本专利技术的第二方面，提供了用于对行政审批事项的办结时限进行压缩预测的计算模型，计算模型通过以下方法训练生成：获取行政审批事项的历史审批记录；根据行政审批事项的历史审批记录，生成训练数据集；构建预测模块，基于训练数据集进行模型训练，生成压缩力度预测模型；其中，所述压缩力度预测模型即为用于对行政审批事项的办结时限进行压缩预测的计算模型。根据本专利技术的第三方面，提供了应用上述对计算模型进行行政审批事项的办结时限的压缩预测的方法。根据本专利技术提供的方法及模型，可以通过机器学习算法，分析审批办件历史数据，构建特征，训练生成用于对行政审批事项的办结时限进行压缩预测的计算模型。通过该模型可以快速得到一个政务服务中心全部事项的建议压缩时间(压缩力度)，根据该建议压缩时间，即可快速获取到推荐压缩的行政审批事项，以方便进一步对推荐压缩的行政审批事项进行实际情况分析，做出合理的安排，从而实现缩减审批过程的时间，大大的节约了人力资源，提高效率。附图说明图1为本专利技术一实施方式的用于对行政审批事项的办结时限进行压缩预测的计算模型的训练方法流程图；图2为本专利技术又一实施方式的用于对行政审批事项的办结时限进行压缩预测的计算模型的训练方法流程图；图3为本专利技术一实施方式的应用计算模型对行政审批事项的承诺办结时限进行压缩的方法流程图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。本专利技术可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本专利技术，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。在本专利技术中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。下面结合附图对本专利技术作进一步详细的说明。由于行政审批事项较多，且人工梳理讨论压缩时间的过程繁琐，持续时间较长，这样势必造成大量的人力资源投入，梳理结果也具有一定的主观性。因而，从解决现有技术中存在的一系列问题出发，本专利技术提供了一种技术构思，通过机器学习算法分析审批办件历史数据，对神经网络模型进行训练，得到一个能够用于预测压缩力度的计算模型，利用该计算模型就可以快速得到一个政务服务中心全部事项的建议压缩时间(压缩力度)。图1示意性地显示了根据本专利技术的一种实施方式的用于对行政审批事项的办结时限进行压缩预测的计算模型的训练方法流程图，如图1所示，本实施例中包括如下步骤：步骤S101：获取行政审批事项的历史审批记录。获取的方式可以是通过将用户提供的数据预先录入数据库，直接从数据库读取获得；或者可以是获取用户提供的数据文件，直接读取该文件获取。获取的历史审批记录包括有：办件流水号，受理时间，结束时间、事项编码、事项类型、法定时限、承诺时限等。步骤S102：根据行政审批事项的历史审批记录，生成训练数据集。具体实现为：根据选定要使用的预测模型和历史记录数据特征配置特征参数，基于配置的特征参数对历史审批记录进行分析，以得到用于对预测模型进行训练的数据样本集作为训练数据集。示例性地，选取的预测模型为神经网络模型，基于该模型和历史审批记录，构建的特征参数为包括平均办件时间、平均办件时间占法定时限占比、当日办结占比、办件量、办件时间小于法定时限的办件占比、办件时间小于80％法定时限的办件占比、办件时间小于70％法定时限的办件占比、办件时间小于60％法定时限的办件占比、办件时间小于50％法定时限的办件占比、办件时间小于40％法定时限的办件占比、办件时间小于30％法定时限的办件占比、办件时间小于20％法定时限的办件占比、办件时间小于10％法定时限的办件占比、法定期限十四个特征项。其中，配置的特征参数是基于审批事项的，即根据事项特点本文档来自技高网...

【技术保护点】
1.对行政审批事项的办结时限进行压缩预测的方法，其特征在于，其包括如下步骤：根据行政审批事项的历史审批记录，生成训练数据集；构建预测模块，基于所述训练数据集进行模型训练，确定压缩力度预测模型；根据确定的压缩力度预测模型计算行政审批事项的办结时限的压缩力度。

【技术特征摘要】
1.对行政审批事项的办结时限进行压缩预测的方法，其特征在于，其包括如下步骤：根据行政审批事项的历史审批记录，生成训练数据集；构建预测模块，基于所述训练数据集进行模型训练，确定压缩力度预测模型；根据确定的压缩力度预测模型计算行政审批事项的办结时限的压缩力度。2.根据权利要求1所述的方法，其特征在于，所述根据行政审批事项的历史审批记录，生成训练数据集包括配置特征参数；根据特征参数对历史审批记录进行数据处理，生成特征参数集；为特征参数集中的各特征参数设置压缩力度预测值，生成训练数据集。3.根据权利要求2所述的方法，其特征在于，在生成训练数据集之后，还包括对训练数据集进行拆分，形成第一特征数据集和第二特征数据集；其中，所述基于所述训练数据集进行模型训练，确定压缩力度预测模型包括通过第一特征数据集对预测模型进行模型训练，得到训练后的预测模型；通过所述第二特征数据集对训练后的预测模型进行验证，根据验证结果确定压缩力度预测模型。4.根据权利要求2或3所述的方法，其特征在于，构建的预测模型为神经网络模型，其中，所述特征参数设置成所述预测模型的输入参数，所述压缩力度设定为所述预测模型的输出参数。5.根据权利要求4所述的...

【专利技术属性】
技术研发人员：徐昕，王亚丽，马钦洪，覃明慧，赵世荣，
申请(专利权)人：广州明动软件股份有限公司，
类型：发明
国别省市：广东,44