[发明专利]基于双向GRU神经网络的业务流程在线合规性预测方法及系统

权利要求书

1.一种基于双向GRU神经网络的业务流程在线合规性预测方法，其特征在于，包括以下步骤：

步骤(1)：获取业务流程管理系统中记录的历史流程执行的事件日志数据集，该事件日志数据集中的每一行对应一次业务流程执行中涉及的一个活动发生的详细事件记录，该事件日志数据集包括该事件e所在的流程实例ID属性、事件ID属性、事件e发生的时间戳属性、事件e对应流程中的活动名称属性、事件e发生所需的资源属性，然后在这些属性基础上，额外增加每个事件发生的持续时间属性、同时执行的流程实例个数属性；最后再将事件日志数据集中流程实例ID属性相同的所有事件根据其对应的时间戳属性进行排列，即一次流程执行产生的流程实例，得到该流程实例对应的一条流程轨迹σ＝e₁,e₂,…,e_|σ|，对于一个包含s条流程轨迹的事件日志数据集，得到流程轨迹数据集L＝{σ₁,σ₂,…,σ_s}；

步骤(2)：将步骤(1)中得到的流程轨迹数据集L中异常的、不完整的流程轨迹移除，然后根据给定的该事件日志对应的Petri网表示的参考流程模型M，使用事件级托肯重演方法将每一条流程轨迹在参考流程模型M中进行重演，同时统计重演过程中每个阶段产生的托肯数量总和p、消耗的托肯数量总和c、缺失的托肯数量总和m以及遗留的托肯数量总和r，最后根据计算公式得到每条流程轨迹σ与参考流程模型M的合规性度量值fitness(σ,M)，即对流程轨迹数据集L中的流程轨迹σ₁,σ₂,…,σ_s分别得到合规性度量值fitness(σ₁,M),fitness(σ₂,M),…,fitness(σ_s,M)；

步骤(3)：根据步骤(2)中得到的流程轨迹数据集L中每条流程轨迹及其对应的合规性度量值得到已标注合规性的流程轨迹数据集L′＝{σ₁,fitness(σ₁,M),σ₂,fitness(σ₂,M),…,σ_s,fitness(σ_s,M)}，简单记作L′＝{σ₁,y₁,σ₂,y₂,…,σ_s,y_s}，y₁表示fitness(σ₁,M)，y₂表示fitness(σ₂,M)，y_s表示fitness(σ_s,M)，然后用流程轨迹数据集L′训练双向GRU神经网络从而建立在线合规性预测模型Y；

用流程轨迹数据集L′训练双向GRU神经网络从而建立在线合规性预测模型Y，具体包括：

(a)在双向GRU神经网络的输入层，将流程轨迹数据集L中每条流程轨迹作为训练双向GRU神经网络的一次输入，如第t个输入的流程轨迹表示成σ_t＝{e_t1,e_t2,…,e_tn}(1≤t≤s)，其中n表示流程轨迹σ_t中的事件个数，e_t1表示流程轨迹σ_t中的第一个事件，e_t2表示流程轨迹σ_t中的第二个事件，e_tn表示流程轨迹σ_t中的第n个事件；

(b)在双向GRU神经网络的事件编码层，将每个事件所具有的属性根据其不同类型采取不同的编码方式进行编码：如果该属性取值是类别型数据，使用独热编码方式根据该属性的取值进行编码，如果该属性取值是数值型数据，根据该属性所有取值的范围进行归一化处理，得到流程轨迹σ_t中每个事件对应的编码向量其中k代表事件所有属性的编码总个数，x_ti,1表示编码向量中的第一列数据，x_ti，₂表示编码向量中的第二列数据，x_ti,k表示编码向量中的第k列数据；

(c)在双向GRU神经网络的双向GRU特征提取层，将流程轨迹σ_t中每个事件编码构成的向量序列作为GRU特征提取层的输入，根据第i个输入的事件e_ti和第(i-1)个输入事件e_t,i-1的隐藏层输出h_t,i-1，通过GRU特征提取层中每个神经单元中的重置门、更新门得到第i个输入事件对应的前向隐藏层输出同时根据第i个输入的事件e_ti和第(i+1)个输入事件e_t,i+1的隐藏层输出h_t,i+1，得到第i个输入事件对应的后向隐藏层输出和表示不同方向的隐藏层输出，即根据前向和后向分别进行特征提取得到当前输入事件e_ti在隐藏层的输出以此类推，得到该流程轨迹中每个事件e_t1,e_t2,…,e_tn在双向GRU特征提取层的输出，即特征向量h_t1,h_t2,…,h_tn；

(d)在双向GRU神经网络的输出层，将双向GRU特征提取层得到的流程轨迹σ_t中所有事件的特征向量h_t1,h_t2,…,h_tn连接得到h_t＝[h_t1,h_t2,…,h_tn]，然后使用Sigmoid函数得到合规性预测值

(e)对于流程轨迹数据集L′中每一条流程轨迹σ_i(1≤i≤n)，根据已知的合规性度量值y_i＝fitness(σ_i,M)和通过双向GRU神经网络输出的合规性预测值使用均方误差函数表示真实值和预测值之间的误差，然后在误差反向传播计算中使用优化的梯度下降算法来训练所有的参数，并不断调整参数，直到损失函数收敛，从而确定一组固定的参数值，即为训练得到的在线合规性预测模型Y；

步骤(4)：将正在执行的流程实例即流程轨迹σ′＝e₁,e₂,…,e_l中已执行的事件序列e₁,e₂,…,e_l以及每个事件对应的属性输入步骤(3)中得到的在线合规性预测模型Y，得到流程轨迹σ′的合规性预测值