System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种大数据日志处理方法,尤其是涉及一种应用于钢铁电商平台的业务事件处理时间预测方法及设备。
技术介绍
1、对业务流程行为进行预测,是实现高效业务管理的一个关键点。一般由交易、物流、加工、财务等多个信息系统组成的大型钢铁电商交易服务平台中,会生成大量的日志数据,大数据日志一般蕴含事件及人员处理数据,有助于对业务行为进行监控。但业务流程执行的数据通常会被分散记录到不同的系统日志中,随而带来的是事件日志的分布广泛性、格式多样性和非标准化语义等特性,因此,难以对分散在不同信息系统的事件日志数据进行准确分析,给业务监控和业务预测的实现带来困难。
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术存在的不足而提供一种提高预测可靠性、更有效地对业务流程进行监控的应用于钢铁电商平台的业务事件处理时间预测方法及设备。
2、本专利技术的目的可以通过以下技术方案来实现:
3、一种应用于钢铁电商平台的业务事件处理时间预测方法,包括:实时汇集系统日志,计算待预测业务事件中已完成的各子流程时间,基于训练获得的处理时间预测模型预测获得该待预测业务事件中未发生的各子流程时间;
4、其中,所述处理时间预测模型进行训练时的训练数据通过以下步骤获得:
5、在系统运行过程中,通过流程挖掘获取各个事件按照业务处理的顺序及各自的处理时间,预处理形成规整的时间序列数据;
6、以所述规整的时间序列数据作为所述训练数据。
7、进一步地,所
8、进一步地,所述处理时间预测模型进行预测的过程包括:
9、获取待预测业务事件的序列类型;
10、基于所述序列类型选择对应的子模型,以预处理后的所述待预测业务事件中已完成的各子流程时间作为对应的子模型的输入,获取预测结果。
11、进一步地,所述平稳时间序列预测子模型包括arima模型。
12、进一步地,所述不平稳时间序列预测子模型包括lstm模型或transformer模型。
13、进一步地,所述预处理包括数据缺失补充处理和数据归一化处理。
14、进一步地,所述通过流程挖掘获取各个事件按照业务处理的顺序及各自的处理时间具体包括:
15、获取历史事件日志,每一事件日志中包含实例编号;
16、基于所述实例编号,将属于同一业务流程的事件日志与对应的业务流程建立匹配关系,实现事件日志数据的汇聚;
17、将汇聚后的事件日志数据导入到流程挖掘算法模型中,计算生成流程模型,同时通过日志间的时间戳计算出每个事件的处理时间;
18、对各个事件的每个子流程处理时间进行聚类,得到各个事件的每个子流程处理所需的时间区间范围,获取各个事件按照业务处理的顺序及各自的处理时间。
19、进一步地,通过机器学习的方法学习得到各个事件处理所需的所述时间区间范围。
20、进一步地,采集所述待预测业务事件的实际处理时间,在满足设定调整周期时,将所述实际处理时间加入所述训练数据中,对所述处理时间预测模型进行优化。
21、本专利技术还提供一种电子设备,包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如上所述应用于钢铁电商平台的业务事件处理时间预测方法的指令。
22、与现有技术相比,本专利技术具有以下有益效果:
23、1、本专利技术使用已发生的业务流程时间数据预测对即将的业务流程所需时间进行预测,使得管理者、业务人员及用户能有效的监控业务流程的运行状况并通过预测结果及时的评估业务流程的进展,可靠性高。
24、2、本专利技术在进行不同事件的预测时,针对不同事件的时间序列类型,采用不同的预测模型进行预测,有效提高预测准确性。
25、3、本专利技术动态对预测模型进行更新,有效提升模型长期使用的准确性。
26、4、本专利技术基于流程挖掘方案构建历史训练数据,能够分析分散在不同信息系统的事件日志数据,实现完善的流程分析,并对事件日志进行建模展示,能够准确观察、分析、改进已有的业务流程,为处理时间的预测提供可靠基础。
本文档来自技高网...【技术保护点】
1.一种应用于钢铁电商平台的业务事件处理时间预测方法,其特征在于,包括:实时汇集系统日志,计算待预测业务事件中已完成的各子流程时间,基于训练获得的处理时间预测模型预测获得该待预测业务事件中未发生的各子流程时间;
2.根据权利要求1所述的应用于钢铁电商平台的业务事件处理时间预测方法,其特征在于,所述处理时间预测模型包括至少一个平稳时间序列预测子模型和至少一个不平稳时间序列预测子模型。
3.根据权利要求2所述的应用于钢铁电商平台的业务事件处理时间预测方法,其特征在于,所述处理时间预测模型进行预测的过程包括:
4.根据权利要求2所述的应用于钢铁电商平台的业务事件处理时间预测方法,其特征在于,所述平稳时间序列预测子模型包括Arima模型。
5.根据权利要求2所述的应用于钢铁电商平台的业务事件处理时间预测方法,其特征在于,所述不平稳时间序列预测子模型包括LSTM模型或Transformer模型。
6.根据权利要求1或3所述的应用于钢铁电商平台的业务事件处理时间预测方法,其特征在于,所述预处理包括数据缺失补充处理和数据归一化处理。<
...【技术特征摘要】
1.一种应用于钢铁电商平台的业务事件处理时间预测方法,其特征在于,包括:实时汇集系统日志,计算待预测业务事件中已完成的各子流程时间,基于训练获得的处理时间预测模型预测获得该待预测业务事件中未发生的各子流程时间;
2.根据权利要求1所述的应用于钢铁电商平台的业务事件处理时间预测方法,其特征在于,所述处理时间预测模型包括至少一个平稳时间序列预测子模型和至少一个不平稳时间序列预测子模型。
3.根据权利要求2所述的应用于钢铁电商平台的业务事件处理时间预测方法,其特征在于,所述处理时间预测模型进行预测的过程包括:
4.根据权利要求2所述的应用于钢铁电商平台的业务事件处理时间预测方法,其特征在于,所述平稳时间序列预测子模型包括arima模型。
5.根据权利要求2所述的应用于钢铁电商平台的业务事件处理时间预测方法,其特征在于,所述不平稳时间序列预测子模型包括lstm模型或transformer模型。
6.根据权利要求1或3...
【专利技术属性】
技术研发人员:陆晓骏,仲跻炜,易力,顾永兴,张志国,
申请(专利权)人:欧冶云商股份有限公司,
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。