【技术实现步骤摘要】
本专利技术涉及业务流程管理，具体涉及业务流程的节点预测方法。
技术介绍
1、在现代企业管理中，生产业务流程的高效运行至关重要。然而，在复杂的生产环境下，准确预测业务流程中的活动执行时间以及识别潜在的超时异常问题是一项具有挑战性的任务。
2、传统的时间预测方法通常基于固定规则或简单统计，无法应对业务流程中多层次、多关联特征的复杂性。
3、近年来，图神经网络(graphneural networks，gnns)的发展为处理复杂结构化数据提供了新的思路。而在生产业务流程中，执行日志记录了活动之间的先后关系，因此可被构建成图的形式。结合图卷积网络(graph convolutional networks，gcns)和多层异构图结构，能够更好地捕捉业务流程中的多层次特征。此外，引入注意力机制，使得模型能够自适应地关注不同节点的重要性，可以进一步提升预测的准确性。
4、对此，本专利技术提出基于多层图卷积网络的生产业务流程超时异常预测方法。该方法不仅考虑了生产业务流程转换后多层异构图的复杂结构，还融合了同构和异构图卷积网络以及注意力机制，以实现对生产业务流程中下一活动执行时间的准确预测，若下一活动执行时间超过规定时间，则发出超时警报。通过深入挖掘执行日志数据中的关联信息，该方法具有更好的性能和可解释性，为实际生产过程的优化和决策提供了有力支持。
技术实现思路
1、本专利技术提出基于多层图卷积网络的生产业务流程超时异常预测方法。该方法充分利用生产业务流程的事件日
2、基于多层图卷积网络的生产业务流程超时异常预测方法，包括以下步骤：
3、1)将生产业务流程的事件日志转换成多层异构图；
4、2)设计同构图卷积层，利用案例邻接矩阵a案例和活动邻接矩阵a活动对案例层和活动层进行信息传递，卷积操作如下：
5、
6、
7、其中，和是l层的案例节点表示和活动节点表示，和是指l层学习的权重参数，δ是relu激活函数。通过该卷积操作可以将案例层和活动层的信息通过邻接矩阵传递给l+1层，由此得到l+1层的案例节点和活动节点的表示和
8、3)设计异构图卷积层，引入注意力机制，首先计算案例节点i和活动节点j之间的注意力权重αij以及活动节点i和属性节点j之间的注意力权重βij：
9、
10、
11、其中，softmax是一个用于类别分类问题的激活函数，将一组数值映射为表示概率分布的数值范围(0,1)，leakyrelu是一种神经网络单元激活函数，是可学习的权重向量，||表示连接操作，表示第l层案例节点与第l-1层所有节点之间的权重，表示第l层活动节点与第l-1层所有节点之间的权重，表示第l层属性节点与第l-1层所有节点之间的权重，和是l层的案例节点表示、活动节点表示和属性节点表示。
12、然后基于注意力权重，将案例节点、活动节点和属性节点的信息进行聚合：
13、
14、
15、其中，是第l层上第i个案例的表示，是第l层上第j个活动的表示，是第l层上第i个活动的表示，是第l层上第j个属性的表示，αij是案例节点i和活动节点j之间的注意力权重的表示，βij是活动节点i和属性节点j之间的注意力权重的表示。由此得到l+1层的案例节点表示和活动节点表示
16、4)引入注意力机制，聚合同构卷积层和异构卷积层的信息。首先，计算每个节点的注意力权重：
17、
18、
19、其中，αi表示第l+1层中案例节点i的注意力权重，βi表示第l+1层中活动节点i的注意力权重，和分别表示第l+1层案例节点、活动节点、属性节点与第l层所有节点之间的权重，和分别表示l+1层上第i个案例节点、第i个活动节点和第i个属性节点的表示。
20、然后，将案例节点和活动节点的信息按照注意力权重进行加权聚合：
21、
22、其中，和分别表示第l+1层案例i和活动i的表示。最终，得到综合案例节点、活动节点和属性节点信息的节点表示
23、5)下一活动执行时间预测，使用回归模型进行下一活动的执行时间预测：
24、
25、其中，ti是节点i对应的执行时间预测值，wr是回归模型的权重矩阵，br是回归模型的偏置。若下一活动的执行时间预测值超过该活动的执行时间限制，则认为该活动将发生超时，系统触发警报，通知相关人员来进行进一步的处理，保证该活动可以在规定时间内按时完成。
26、进一步，步骤1)由以下步骤组成：
27、1.1)构建顶层，顶层节点代表整个事件日志数据，事件日志包括多个案例；
28、1.2)构建案例层，为事件日志中的每个案例创建一个节点，案例由事件日志中的不同事件序列构成；
29、1.3)构建活动层，事件日志中的每个事件被视为活动层的一个节点，活动节点之间的事件依赖关系构成了活动层的边，与案例节点构成边；
30、1.4)构建属性层，将事件的每个属性，例如时间戳、执行者、性能等，作为属性层的节点，与活动节点构成边，捕捉事件的属性特征；
31、1.5)在此基础上，将顶层、案例层、活动层和属性层连接起来，形成一个多层异构图，其中，案例层与活动层之间存在同构关系，活动层与属性层之间存在异构关系；
32、1.6)用one-hot编码对案例节点、活动节点、属性节点进行表示，分别得到案例节点表示活动节点表示和属性节点表示
33、1.7)创建案例节点邻接矩阵a案例、活动节点邻接矩阵a活动和属性节点邻接矩阵a属性；
34、1.8)创建案例节点到活动节点的邻接矩阵a案例-活动、活动节点到属性节点的邻接矩阵a活动-属性。
35、本专利技术的技术构思是：通过构建多层异构图结构，并引入多层图卷积网络和注意力机制，提出了一种创新性的生产业务流程超时异常预测方法。首先，将生产业务流程的事件日志转换成多层异构图，节点包括案例、活动和属性等，准确反映了生产业务流程中的关系。然后，利用图卷积网络在异构图上学习节点表示，结合注意力机制动态地捕捉节点之间的关联程度。此外，leaky relu激活函数的引入有效避免了神经元死亡问题。通过多层同构和异构图卷积层的堆叠，实现了对复杂关系的精准建模，提高了预测准确度。这一技术构思具备较强的适应性和泛化能力，为业务流程优化和决策制定提供了可靠的技术支持。
36、本专利技术的优点是：采用多层异构图结构和图卷积网络，具备强大的建模能力，能够准确、动态地预测生产业务流程本文档来自技高网...
【技术保护点】
1.基于多层图卷积网络的生产业务流程超时异常预测方法，包括如下步骤：
2.如权利要求1所述的基于多层图卷积网络的生产业务流程超时异常预测方法，其特征在于：所述步骤1)具体如下：
【技术特征摘要】
1.基于多层图卷积网络的生产业务流程超时异常预测方法，包括如下步骤：
2.如权利要...
【专利技术属性】
技术研发人员：王佳星，余益丰，卢成梁，曹斌，李甜甜，范菁，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。