路径预测方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术的实施例提供了一种路径预测方法、装置、电子设备及存储介质，涉及数据处理领域。本申请提供的路径预测方法，获取当前执行实例的当前路径，计算当前路径对应的当前数据矩阵；获取当前执行实例对应的多个备选后续路径；计算各备选后续路径对应的备选数据矩阵；计算各备选数据矩阵与当前数据矩阵的相似结果，将相似结果最大的备选数据矩阵确定为目标矩阵；将目标矩阵对应的备选后续路径确定为目标路径。本申请实施例只需计算矩阵之间的相似结果，来进行业务流程中路径的预测，计算方法简单且无需大量事件日志数据对预测模型进行训练。训练。训练。

【技术实现步骤摘要】
路径预测方法、装置、电子设备及存储介质


[0001]本专利技术涉及数据处理
，具体而言，涉及一种路径预测方法、装置、电子设备及存储介质。

技术介绍

[0002]在生产应用中，随着需求的增加，业务流程也逐渐变得复杂多样，这也就造成了流程执行路径的多变。因此，对当前执行的业务流程的路径进行提前预测就变得越来越重要，也就是对正在执行的业务流程实例进行预测分析，进一步准确预测在未来一段时间内可能出现的执行状态。
[0003]目前的预测方法大多数基于深度学习技术，通过事件日志训练出流程预测模型，然后将当前已执行的路径作为输入，输出预测事件。但是深度学习技术本身依赖大量的训练样本，较大的增加了流程预测模型的建模时间；此外，若是流程发生变动，还需要重新获取训练样本对流程预测模型进行训练。因此，现有的基于深度学习的流程执行的路径预测方法局限性较大。

技术实现思路

[0004]为了解决上述技术问题，本申请实施例提供了一种路径预测方法、装置、电子设备及存储介质。
[0005]第一方面，本申请实施例提供了一种路径预测方法，所述方法包括：
[0006]获取当前执行实例的当前路径，计算所述当前路径对应的当前数据矩阵；
[0007]获取所述当前执行实例对应的多个备选后续路径；
[0008]计算各所述备选后续路径对应的备选数据矩阵；
[0009]计算各所述备选数据矩阵与所述当前数据矩阵的相似结果，将所述相似结果最大的所述备选数据矩阵确定为目标矩阵；
[0010]将所述目标矩阵对应的备选后续路径确定为目标路径。
[0011]在一实施方式中，所述计算所述当前路径对应的当前数据矩阵，包括：
[0012]获取所述当前路径经过的多个任务节点和各所述任务节点对应的多个数据对象；
[0013]根据所述任务节点生成所述当前数据矩阵的行，根据所述数据对象生成所述当前数据矩阵的列。
[0014]在一实施方式中，所述获取所述当前路径经过的多个任务节点和各所述任务节点对应的多个数据对象之前，包括：
[0015]获取所述当前路径对应的事件日志数据，所述事件日志数据包括任务节点信息和数据对象信息。
[0016]在一实施方式中，所述计算各所述备选后续路径对应的备选数据矩阵，包括：
[0017]获取所述备选后续路径经过的多个任务节点和各所述任务节点对应的多个数据对象；
[0018]根据所述任务节点生成所述备选数据矩阵的行，根据所述数据对象生成所述备选数据矩阵的列。
[0019]在一实施方式中，所述计算各所述备选数据矩阵与所述当前数据矩阵的相似结果，包括：
[0020]计算各所述备选数据矩阵与所述当前数据矩阵的相似度；
[0021]计算各所述备选数据矩阵与所述当前数据矩阵的相似度系数；
[0022]通过公式
[0023]s＝r
×
c
[0024]计算各所述备选数据矩阵对应的相似结果，其中，s为所述相似结果，c为所述相似度，r为所述相似度系数。
[0025]在一实施方式中，所述计算各所述备选数据矩阵与所述当前数据矩阵的相似度，包括：
[0026]通过公式
[0027][0028]计算各所述备选数据矩阵与所述当前数据矩阵的相似度，其中，A为所述当前数据矩阵，B为所述备选数据矩阵，a
i
为所述当前数据矩阵展开得到的向量中的第i个分量，b
i
为所述备选数据矩阵展开得到的向量中的第i个分量。
[0029]在一实施方式中，所述计算各所述备选数据矩阵与所述当前数据矩阵相似度系数，包括：
[0030]通过公式
[0031]r＝r3
‑
p*N
zero
*r2+q*r1
[0032]计算各所述备选数据矩阵与所述当前数据矩阵的相似度系数；
[0033]其中
[0034][0035][0036][0037]N
zero
为所述备选数据矩阵与所述当前数据矩阵相减得到的矩阵中0的个数,A
′
＝A
·
A
T
,B
′
＝B
·
B
T
，D＝A
·
B
T
，q为第一权重，p为第二权重，，q为第一权重，p为第二权重，J为D的列数。
[0038]第二方面，本申请实施例提供了一种路径预测装置，所述路径预测装置包括：
[0039]第一计算模块，用于获取当前执行实例的当前路径，计算所述当前路径对应的当前数据矩阵；
[0040]获取模块，用于获取所述当前执行实例对应的多个备选后续路径；
[0041]第二计算模块，用于计算各所述备选后续路径对应的备选数据矩阵；
[0042]第三计算模块，用于计算各所述备选数据矩阵与所述当前数据矩阵的相似结果，将所述相似结果最大的所述备选数据矩阵确定为目标矩阵；
[0043]确定模块，用于将所述目标矩阵对应的备选后续路径确定为目标路径。
[0044]第三方面，本申请实施例提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储计算机程序，所述计算机程序在所述处理器运行时执行第一方面提供的路径预测方法。
[0045]第四方面，本申请实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行第一方面提供的路径预测方法。
[0046]上述本申请提供的路径预测方法，获取当前执行实例的当前路径，计算当前路径对应的当前数据矩阵；获取当前执行实例对应的多个备选后续路径；计算各备选后续路径对应的备选数据矩阵；计算各备选数据矩阵与当前数据矩阵的相似结果，将相似结果最大的备选数据矩阵确定为目标矩阵；将目标矩阵对应的备选后续路径确定为目标路径。只通过计算矩阵之间的相似结果，来进行业务流程中路径的预测，计算方法简单且无需大量事件日志数据对模型进行训练。
附图说明
[0047]为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对本申请保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
[0048]图1示出了本申请实施例提供的路径预测方法的一流程示意图；
[0049]图2示出了本申请实施例提供的数据矩阵的一示意图；
[0050]图3示出了本申请实施例提供的多条流程路径的一示意图；
[0051]图4示出了本申请实施例提供的第一条流程路径的一示意图；
[0052]图5示出了本申请实施例提供的第二条流程路径的一示意图；
[0053]图6示出了本申请实施例提供的第三条流程路径的一示意图；
[0054]图7示出了本申请实施例提供的第四条流程路径的一示意图；
[0055]图8示出了本申请实本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路径预测方法，其特征在于，所述方法包括：获取当前执行实例的当前路径，计算所述当前路径对应的当前数据矩阵；获取所述当前执行实例对应的多个备选后续路径；计算各所述备选后续路径对应的备选数据矩阵；计算各所述备选数据矩阵与所述当前数据矩阵的相似结果，将所述相似结果最大的所述备选数据矩阵确定为目标矩阵；将所述目标矩阵对应的备选后续路径确定为目标路径。2.根据权利要求1所述的路径预测方法，其特征在于，所述计算所述当前路径对应的当前数据矩阵，包括：获取所述当前路径经过的多个任务节点和各所述任务节点对应的多个数据对象；根据所述任务节点生成所述当前数据矩阵的行，根据所述数据对象生成所述当前数据矩阵的列。3.根据权利要求2所述的路径预测方法，其特征在于，所述获取所述当前路径经过的多个任务节点和各所述任务节点对应的多个数据对象之前，包括：获取所述当前路径对应的事件日志数据，所述事件日志数据包括任务节点信息和数据对象信息。4.根据权利要求1所述的路径预测方法，其特征在于，所述计算各所述备选后续路径对应的备选数据矩阵，包括：获取所述备选后续路径经过的多个任务节点和各所述任务节点对应的多个数据对象；根据所述任务节点生成所述备选数据矩阵的行，根据所述数据对象生成所述备选数据矩阵的列。5.根据权利要求1所述的路径预测方法，其特征在于，所述计算各所述备选数据矩阵与所述当前数据矩阵的相似结果，包括：计算各所述备选数据矩阵与所述当前数据矩阵的相似度；计算各所述备选数据矩阵与所述当前数据矩阵的相似度系数；通过公式s＝r
×
c计算各所述备选数据矩阵对应的相似结果，其中，s为所述相似结果，c为所述相似度，r为所述相似度系数。6.根据权利要求5所述的路径预测方法，其特征在于，所述计算各所述备选数据矩阵与所述当前数据矩阵的相似度，包括：通过公式计算各所述备选数据矩阵与所述当前数据矩阵的相似度，其中，A为所述当前数据矩阵，B为所述备选数...

【专利技术属性】
技术研发人员：白克强，张敏，宋亮，陈振宇，蒋和松，
申请(专利权)人：清华四川能源互联网研究院，
类型：发明
国别省市：