[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

说明书

本发明公开了一种基于双向GRU神经网络的业务流程在线合规性预测方法及系统，该方法包括：获取历史流程执行的事件日志数据集，并预处理；得到每条流程轨迹σ与参考流程模型M的合规性度量值；建立正在执行的流程实例与参考流程模型M的在线合规性预测模型Y；根据合规性预测值和用户给定的合规性阈值进行比较，从而判断正在执行的流程实例σ′与参考流程模型M是否合规，用户给定的合规性阈值根据不同流程的合规性要求进行确定。系统包括：事件日志数据集预处理模块、合规性计算模块、事件编码模块、特征提取模块、合规性预测模型训练模块、在线合规性预测模块。

技术领域

本发明属于业务流程挖掘中的合规性检查领域，具体涉及一种基于双向GRU神经网络的业务流程在线合规性预测方法及系统。

背景技术

业务流程的合规性检查是验证业务流程的执行是否合规以及评估流程挖掘算法有效性的重要手段。通常，业务流程的实际执行过程会在流程感知的信息系统中以事件日志的形式记录。因此事件日志能够反映业务流程执行过程中的行为。合规性检查就是将事件日志中的事件和业务流程模型中的活动关联起来，通过对比从而发现两者之间的共性和差异，即找到流程模型所描述的行为和流程执行所表现的行为之间的差别。流程合规性检查中涉及到的业务流程模型类型也会有所不同，当合规性检查用来验证业务流程的执行是否合规时，业务流程模型就是手工预先建立好的；而当合规性检查用来评估流程挖掘算法的有效性时，业务流程模型就是通过发现得到的。

目前国内外针对流程合规性检查的研究主要集中在流程执行阶段，但这种检查通常都是离线进行的，即在业务流程全部执行结束之后进行流程的合规性检查。具体来说，这类方法将已有的业务流程模型作为参考流程模型，与流程执行过程中产生的事件日志进行对比，再采用定义好的合规性指标进行计算得到一个具体的数值，用来表示两者之间的符合程度。但是随着业务流程实时监控的需求不断发展，传统的离线合规性检查已经不再适用，研究学者们提出了业务流程的在线合规性检查。在线合规性检查是指对一个正在执行的流程实例，进行实时的合规性检查，从而判断该流程实例与参考流程模型的符合程度。目前国内外提出的方法大都是基于正在执行的流程实例中已执行的事件序列，通过与参考流程模型进行比对，根据不同的方式度量该流程实例如果执行符合参考流程模型需要的成本大小，以此来度量合规性。事实上，业务流程实例的合规性应该是由该流程实例本身所具有的属性以及实例中的每个事件所具有的属性有关，如果能够研究它们之间的关系，就可以直接通过离线训练的方式建立合规性预测模型，从而实现实时的业务流程在线合规性预测。

发明内容

本发明提供了一种基于双向GRU神经网络的业务流程在线合规性预测方法及系统，根据合规性预测值和用户给定的合规性阈值进行比较，从而判断正在执行的流程实例σ′与参考流程模型M是否合规，用户给定的合规性阈值根据不同流程的合规性要求进行确定。

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(开始时间和结束时间)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}；