流程超时预测模型的训练和使用方法、装置、设备及介质与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及数据处理技术领域，尤其涉及一种流程超时预测模型的训练和使用方法、装置、设备及介质。背景技术：2.目前，指标监测系统只能监测已发生的风险指标，或对已发生的风险指标进行统计分析，对未来风险指标较难做到有效预测。例如，对流程超时进行预警提醒在自动化办公场景下具有重要意义。但目前对流程超时预测的自我学习能力较差，预测准确度较低，在实际业务场景应用的效果较差。技术实现要素：3.本发明提供了一种流程超时预测模型的训练和使用方法、装置、设备及介质，以提高对流程超时预测结果准确度。4.根据本发明的一方面，提供了一种流程超时预测模型的训练方法，包括：5.根据流程超时影响指标，构建流程树模型；6.根据所述流程树模型，确定带有标签信息的流程样本训练集；7.根据所述流程样本训练集，对预先构建的流程超时预测模型进行训练。8.根据本发明的另一方面，提供了一种流程超时预测方法，包括：9.获取新发起流程的当前流程数据；10.将所述当前流程数据输入至训练好的流程超时预测模型中，得到流程超时预测结果；其中，所述流程超时预测模型采用如本发明实施例所提供的流程超时预测模型的训练方法训练得到；11.若所述流程超时预测结果为流程超时，则确定流程超时分值，并根据所述流程超时分值生成相应的超时提醒。12.根据本发明的另一方面，提供了一种流程超时预测模型的训练装置，所述装置包括：13.流程树模型构建模块，用于根据流程超时影响指标，构建流程树模型；14.样本训练集确定模块，用于根据所述流程树模型，确定带有标签信息的流程样本训练集；15.模型训练模块，用于根据所述流程样本训练集，对预先构建的流程超时预测模型进行训练。16.根据本发明的另一方面，提供了一种流程超时预测装置，所述装置包括：17.当前流程数据获取模块，用于获取新发起流程的当前流程数据；18.预测结果确定模块，用于将所述当前流程数据输入至训练好的流程超时预测模型中，得到流程超时预测结果；其中，所述流程超时预测模型采用如本发明实施例所提供的流程超时预测模型的训练方法训练得到；19.超时分值确定模块，用于若所述流程超时预测结果为流程超时，则确定流程超时分值，并根据所述流程超时分值生成相应的超时提醒。20.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：21.至少一个处理器；以及22.与所述至少一个处理器通信连接的存储器；其中，23.所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的流程超时预测模型的训练方法和/或流程超时预测模型的训练。24.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的流程超时预测模型的训练方法和/或流程超时预测模型的训练。25.本发明实施例方案通过根据流程超时影响指标，构建流程树模型；根据流程树模型，确定带有标签信息的流程样本训练集；根据流程样本训练集，对预先构建的流程超时预测模型进行训练，实现了对流程超时预测模型的准确训练，实现了后续对流程超时的自动化预测，提高了通过流程超时预测模型对流程进行超时预测和提醒的预测准确度。26.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。附图说明27.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。28.图1是根据本发明实施例一提供的一种流程超时预测模型的训练方法的流程图；29.图2是根据本发明实施例二提供的一种流程超时预测模型的训练方法的流程图；30.图3是根据本发明实施例三提供的一种流程超时预测方法的流程图；31.图4是根据本发明实施例四提供的一种流程超时预测模型的训练装置的结构示意图；32.图5是根据本发明实施例五提供的一种流程超时预测装置的结构示意图；33.图6是实现本发明实施例的流程超时预测模型的训练方法和/或流程超时预测方法的电子设备的结构示意图。具体实施方式34.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。35.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。36.实施例一37.图1为本发明实施例一提供的一种流程超时预测模型的训练方法的流程图，本实施例可适用于对自动化办公场景下业务流程是否超时进行预测的情况，该方法可以由流程超时预测模型的训练装置来执行，该流程超时预测模型的训练装置可以采用硬件和/或软件的形式实现，该流程超时预测模型的训练装置可配置于电子设备中。如图1所示，该方法包括：38.s110、根据流程超时影响指标，构建流程树模型。39.其中，流程超时影响指标与具体的应用场景有关。例如，在oa(office automation，办公自动化)场景下流程超时指标可以包括人员、流程和部门等。其中，人员对应的属性级别下可以包括审批人员和发起人员等；流程对应的属性级别下可以包括类别、发起时间和是否表单流程等；部门对应的属性级别下可以包括部门层级和部门科室等。40.需要说明的是，针对oa场景下的流程超时影响指标，其存在关键的影响指标和冗余的影响指标。具体可以用决策树方法和k均值聚类算法(k-means clustering algorithm)分析出oa场景下关键的流程超时影响指标。41.示例性的，可以由相关技术人员预先用树状结构构建出影响oa流程超时的影响指标及指标权重，其中，指标权重可以由相关技术人员根据实际需求进行预先设定。采用决策树方法，基于构建的树状结构，对人员、流程和部门等流程超时影响指标进行熵值计算，并根据计算结果建立决策树边进行剪枝的操作，从而得到最优的树状结构，并将最优的树状结构作为流程树模型。其中，流程树模型的模型结构可以如表1所示：42.表1[0043][0044]s120、根据流程树模型，确定带有标签信息的流程样本训练集。[0045]示例性的，可以根据流程树模型中的流程超时影响指标，以及各流程超时影响指标对应的属性级别，获取预设时间周期内的流程数据作为流程样本训练集。其中，预设时间周期可以由相关技术人员预先设定。例如可以是三个月。其中，标签信息可以包括流程超时和流程未超时。[0046]具体的，可以根据流程数据数模型，获取预设时间周期内的流程数据，并根据预设的k-means聚类算法，基于预设的流程类别，对流程数据进行分类，得到至少一个不同流程类别的流程类别集合，其中，流程类别集合中可以包括至少一个oa流程，且每个oa流程对应其流程超时或流程未超时标签，并将带有标签信息的流程类别集合作为流程样本训练集。其中，流程类别集合中的标签信息可以由相关技术人员进行预先确定。[0047]s130、根据流程样本训练集，对预先构建的流程超时预测模型进行训练。[0048]示例性的，可以将流程样本训练集，输入至预先构建的流程超时预测模型中，得到模型的超时预测结果；根据超时预测结果和流程样本训练集的标签信息中的实际结果，对流程超时预测模型进行训练，直到满足训练截止条件后，得到完成训练的流程超时预测模型。[0049]其中，流程超时预测模型可以由相关技术人员进行预先设定。例如，流程超时预测模型可以是svm(support vector machine，支持向量机)。其中，训练截止条件可以是根据预测结果和实际结果，基于损失函数确定的损失值不再发生变化，或变化区域稳定则可以认为满足训练截止条件。[0050]本发明实施例方案通过根据流程超时影响指标，构建流程树模型；根据流程树模型，确定带有标签信息的流程样本训练集；根据流程样本训练集，对预先构建的流程超时预测模型进行训练，实现了对流程超时预测模型的准确训练，实现了后续对流程超时的自动化预测，提高了通过流程超时预测模型对流程进行超时预测和提醒的预测准确度。[0051]实施例二[0052]图2为本发明实施例二提供的一种流程超时预测模型的训练方法的流程图，本实施例在上述各技术方案的基础上，进行了优化改进。[0053]进一步的，将步骤“根据流程超时影响指标，构建流程树模型”，细化为“确定至少一个流程超时影响指标，以及各流程超时影响指标对应的至少一个影响属性指标；根据各流程超时影响指标对应的各影响属性指标，构建各流程超时影响指标对应的至少一个流程分支结构；根据各流程超时影响指标对应的各流程分支结构，构建流程树模型。”以完善对流程树模型的构建方式。[0054]如图2所示，该方法包括以下具体步骤：[0055]s210、确定至少一个流程超时影响指标，以及各流程超时影响指标对应的至少一个影响属性指标。[0056]其中，流程超时影响指标可以根据业务场景进行确定。在oa应用场景下，流程超时影响指标可以包括人员、流程和部门等。其中，流程超时影响指标对应的影响属性指标可以表征该指标的属性信息。例如，人员对应的影响属性指标可以包括审批人员和发起人员。审批人员和发起人员可以作为人员的二级分支。而审批人员对应的影响属性指标可以包括性别、年龄、岗位和部门等，其可以作为人员的三级分支。而部门对应的影响属性指标可以包括部门层级和部门科室等，其可以作为人员的四级分支。本实施例对此不再进行赘述。[0057]需要说明的是，在oa应用场景下，流程超时影响指标存在多个，但同时存在一些关键流程超时影响指标和冗余流程超时影响指标。关键流程超时影响指标指的是一定对流程超时能够产生影响的，例如，审批人员年龄等；冗余流程超时影响指标指的是对流程超时不构成影响的，例如，审批人员姓名等。因此，针对冗余流程超时影响指标可以由相关技术人员人为去除，还可以采用自动化的方式自动去除。[0058]s220、根据各流程超时影响指标对应的各影响属性指标，构建各流程超时影响指标对应的至少一个流程分支结构。[0059]可以理解的是，在决策树方法中，熵可以表示随机变量不确定性的度量，即物体内部的混乱程度，即可以判断选择一个数据作为树节点的优良。熵越小，混乱越小；混乱越小，树节点越优。因此，可以构建各流程超时影响指标对应的流程分支结构。[0060]示例性的，以流程超时影响指标为人员进行举例说明。流程分支结构a：人员→性别，人员→年龄；流程分支结构b：人员→工资，人员→性别，人员→年龄。经过对构建的流程分支结构的熵进行确定，并根据熵值再构建下一级。[0061]s230、根据各流程超时影响指标对应的各流程分支结构，构建流程树模型。[0062]示例性的，可以根据各流程超时影响指标对应的各流程分支结构，确定各流程分支结构的熵值，从而根据各流程分支结构的熵值，构建流程树模型。[0063]在一个可选实施例中，根据各流程超时影响指标对应的各流程分支结构，构建流程树模型，包括：确定各流程超时影响指标对应的各流程分支结构对应的结构熵值；根据各结构熵值，确定相应流程超时影响指标对应的目标流程结构；根据各流程超时指标对应的目标流程结构，构建流程树模型。[0064]示例性的，若人员的第一级的流程分支结构a：人员→岗位，人员→年龄；流程分支结构b：人员→工资，人员→岗位，人员→年龄。确定的流程分支结构a的熵值为1，流程分支结构b的熵值为100。因此，可以将“工资”这一分支去除。去除后，在进行人员的第二级的流程分支结构的构建；流程分支结构aa：人员→岗位→技术岗、人员→岗位→审核岗；ab：人员→岗位→技术岗、人员→岗位→审核岗、人员→岗位→行政岗。aa的熵值为1，ab的熵值为100，因此，“行政岗”这一分支可以去除。同理，针对后续创建的流程分支结构，从上到下，逐步检验可以确定处目标流程结构。将各流程超时指标对应的目标流程结构进行组合，得到流程树模型。其中，构建的流程树模型为熵值最低的模型。[0065]示例性的，流程分支结构对应的结构熵值的确定方式可以如下：[0066][0067]其中，s为流程分支结构对应的结构熵值；n表示确定熵值的流程数据为n组；m表示n组流程数据中超时的有m组。[0068]示例性的，对比建立的树状结果人员、流程和部门等各流程分支结构的结构熵值，结合边建立决策树边进行剪枝的操作，得到最优树状结构可以如表2所示。[0069]表2[0070][0071]s240、根据流程树模型，确定带有标签信息的流程样本训练集。[0072]在一个可选实施例中，根据流程树模型，确定带有标签信息的流程样本训练集，包括：根据流程树模型中的影响属性指标，获取预设时间周期内与各影响属性指标相关的流程数据，构建流程数据集；根据流程数据集中流程数据的属性信息，将流程数据集划分为至少一个目标数据集合；其中，流程数据的属性信息与影响属性指标相关；确定各目标数据集合分别对应的标签类别，并将带有标签类别的各目标数据集合，确定为流程样本训练集。[0073]其中，预设时间周期可以为三个月，例如，可以根据各影响属性指标，获取与其相对应的流程数据。例如，审批人员姓名、年龄岗位、部门科级和部门科室等流程数据。通过获取三个月内的流程数据，构建流程数据集。[0074]流程数据集中可以包括至少一个流程，以及该流程对应的是否超时结果。例如该流程可以是xx姓名xx性别xx部门的审批人员，在xx时间进行请假审批的流程，对应的流程审批结果为流程审批超时。目标数据集合中可以包括至少一个审批流程以及该审批流程对应的审批结果，并将审批结果作为该审批流程的标签类别。标签类别包括流程超时和流程未超时。将带有标签类别的目标数据集合确定为流程样本训练集。[0075]在一个可选实施例中，根据流程数据集中流程数据的属性信息，将流程数据集划分为至少一个目标数据集合，包括：从各影响属性指标中选取至少一个目标属性指标，将各目标属性指标对应的流程数据作为目标质心数据；确定流程数据集中其他流程数据分别与各目标质心数据之间的欧氏距离；其中，其他流程数据为除目标质心数据之外的流程数据；根据各欧氏距离，确定至少一个目标数据集合。[0076]其中，目标属性指标可以是流程类别。相应的，可以将流程类别对应的流程数据作为目标质心数据。通过k-means聚类算法将流程数据进行流程分类。[0077]示例性的，对其他流程数据中每一个点，计算其与每一个目标质心数据之间的欧氏距离，即确定其距离哪个目标质心距离较近，就将其划分到哪个目标质心所属的数据集合中。将所有流程数据归好数据集合后，然后重新计算每个数据集合的质心。如果新计算出来的质心和原来的质心之间的距离小于一个设置的固定阈值，则终止并将分类后的流程数据作为目标数据集合，若新质心和原来的质心距离变化大则重复集合划分步骤。在得到得到流程分类结果后，目标数据集合中给各个流程打上结果标记，得到标签类别。[0078]s250、根据流程样本训练集，对预先构建的流程超时预测模型进行训练。[0079]在一个可选实施例中，在根据流程样本训练集，对预先构建的流程超时预测模型进行训练之前，还包括：根据当前业务场景，确定模型初始化参数；其中，模型初始化参数包括核函数、惩罚参数、损失函数和模型迭代终止条件阈值中的至少一种。相应的，根据流程样本训练集，对预先构建的流程超时预测模型进行训练包括：根据流程样本训练集和模型初始化参数，对预先构建的流程超时预测模型进行训练。[0080]其中，模型初始化参数可以包括核函数、惩罚参数、损失函数和模型迭代终止条件阈值等。[0081]其中，核函数可以是优先选用鲁棒径向基核，即高斯核函数，鲁棒径向基核对于数据中的噪音有着较好的抗干扰能力，其参数决定了函数作用范围。核函数的计算方式可以如下：[0082][0083]其中，xi表示流程超时影响指标(人员年龄、流程分类等)数据化后的数据变量输入值。yi表示流程超时预测模型隐藏节点的径向基函数中心向量；σ表示流程超时预测网络模型隐藏层和输出节点间的连接权重值。可以通过测试数据实验的方式，如穷举，计算出σ，使其性能指标最优而不会过度拟合。[0084]本发明实施例方案通过确定各流程超时影响指标对应的至少一个影响属性指标；根据各流程超时影响指标对应的各影响属性指标，构建各流程超时影响指标对应的至少一个流程分支结构；根据各流程超时影响指标对应的各流程分支结构，构建流程树模型，实现了对流程树模型的准确构建，从而提高了对流程样本训练集的确定准确度。通过构建流程数据集，并根据流程数据集中流程数据的属性信息，将流程数据集划分为至少一个目标数据集合；确定各目标数据集合分别对应的标签类别，并将带有标签类别的各目标数据集合，确定为流程样本训练集，进一步提高了对流程样本训练集的确定方式，从而进一步提高对模型的训练准确度，进而提高了对流程超时的预测准确度。[0085]实施例三[0086]图3为本发明实施例三提供的一种流程超时预测方法的流程图，本实施例可适用于对自动化办公场景下业务流程是否超时进行预测的情况，该方法可以由流程超时预测装置来执行，该流程超时预测装置可以采用硬件和/或软件的形式实现，该流程超时预测装置可配置于电子设备中。如图3所示，该方法包括：[0087]s310、获取新发起流程的当前流程数据。[0088]其中，当前流程数据可以是新发起的流程在各流程超时影响指标下对应的流程数据。[0089]s320、将当前流程数据输入至训练好的流程超时预测模型中，得到流程超时预测结果。[0090]示例性的，将当前流程数据输入至训练好的流程超时预测模型中，得到流程超时预测结果，其中，流程超时预测结果为流程超时或流程未超时。其中，流程超时预测模型采用本发明实施例的流程超时预测模型的训练方法训练得到。[0091]s330、若流程超时预测结果为流程超时，则确定流程超时分值，并根据流程超时分值生成相应的超时提醒。[0092]需要说明的是，流程超时预测模型在基于当前流程数据进行流程超时预测结果确定的过程中，由于是二分类问题，因此，可以得到相应的分类概率值，并通过将分类概率值与预设阈值比较的方式输出相应的分类结果。若分类概率值大于预设阈值，则可以认为分类结果为流程超时，若分类概率值不大于预设阈值，则可以认为分类结果为流程未超时。[0093]其中，流程超时分值可以通过分类概率值和预设阈值进行确定。当分类结果为流程超时时，可以将预设阈值和分类概率值之间的比值作为流程超时分值，或者，还可以将分类概率值与预设阈值之间差值百分比作为流程超时分值。并根据流程超时分值生成相应的超时提醒。[0094]可选的，可以根据不同流程超时分值的平均分值浮动生成相应的等级。例如，ⅰ级为平均分值浮动30％以内；ⅱ级为平均分值浮动50％以内；ⅲ级为平均分值浮动70％以内；ⅳ级为平均分值浮动70％以上。[0095]本发明实施例方案通过获取新发起流程的当前流程数据；将当前流程数据输入至训练好的流程超时预测模型中，得到流程超时预测结果；若流程超时预测结果为流程超时，则确定流程超时分值，并根据流程超时分值生成相应的超时提醒，实现了对流程超时预测结果的预测准确度，实现了后续对流程超时的自动化预测，通过采用流程超时预测模型对流程进行超时预测和提醒，提高了预测结果准确度。[0096]实施例四[0097]图4为本发明实施例四提供的一种流程超时预测模型的训练装置的结构示意图。本发明实施例所提供的一种流程超时预测模型的训练装置，该装置可适用于对自动化办公场景下业务流程是否超时进行预测的情况，该流程超时预测模型的训练装置可以采用硬件和/或软件的形式实现，如图4所示，该装置具体包括：流程树模型构建模块401、样本训练集确定模块402和模型训练模块403。其中，[0098]流程树模型构建模块401，用于根据流程超时影响指标，构建流程树模型；[0099]样本训练集确定模块402，用于根据所述流程树模型，确定带有标签信息的流程样本训练集；[0100]模型训练模块403，用于根据所述流程样本训练集，对预先构建的流程超时预测模型进行训练。[0101]本发明实施例方案通过根据流程超时影响指标，构建流程树模型；根据流程树模型，确定带有标签信息的流程样本训练集；根据流程样本训练集，对预先构建的流程超时预测模型进行训练，实现了对流程超时预测模型的准确训练，实现了后续对流程超时的自动化预测，提高了通过流程超时预测模型对流程进行超时预测和提醒的预测准确度。[0102]可选的，所述流程树模型构建模块401，包括：[0103]影响指标确定单元，用于确定至少一个流程超时影响指标，以及各所述流程超时影响指标对应的至少一个影响属性指标；[0104]分支结构构建单元，用于根据各所述流程超时影响指标对应的各所述影响属性指标，构建各所述流程超时影响指标对应的至少一个流程分支结构；[0105]流程树模型构建单元，用于根据各所述流程超时影响指标对应的各所述流程分支结构，构建所述流程树模型。[0106]可选的，所述流程树模型构建单元，包括：[0107]结构熵值确定子单元，用于确定各所述流程超时影响指标对应的各所述流程分支结构对应的结构熵值；[0108]目标流程结构确定子单元，用于根据各所述结构熵值，确定相应流程超时影响指标对应的目标流程结构；[0109]流程树模型构建子单元，用于根据各所述流程超时指标对应的目标流程结构，构建流程树模型。[0110]可选的，所述样本训练集确定模块402，包括：[0111]流程数据集构建单元，用于根据所述流程树模型中的影响属性指标，获取预设时间周期内与各所述影响属性指标相关的流程数据，构建流程数据集；[0112]目标数据集合划分单元，用于根据所述流程数据集中流程数据的属性信息，将所述流程数据集划分为至少一个目标数据集合；其中，所述流程数据的属性信息与所述影响属性指标相关；[0113]样本训练集确定单元，用于确定各所述目标数据集合分别对应的标签类别，并将带有所述标签类别的各目标数据集合，确定为所述流程样本训练集。[0114]可选的，所述目标数据集合划分单元，包括：[0115]目标质心数据确定子单元，用于从各所述影响属性指标中选取至少一个目标属性指标，将各所述目标属性指标对应的流程数据作为目标质心数据；[0116]欧氏距离确定子单元，用于确定所述流程数据集中其他流程数据分别与各所述目标质心数据之间的欧氏距离；其中，所述其他流程数据为除所述目标质心数据之外的流程数据；[0117]目标数据集合确定子单元，用于根据各所述欧氏距离，确定至少一个目标数据集合。[0118]本发明实施例所提供的流程超时预测模型的训练装置可执行本发明任意实施例所提供的流程超时预测模型的训练方法，具备执行方法相应的功能模块和有益效果。[0119]实施例五[0120]图5为本发明实施例五提供的一种流程超时预测装置的结构示意图。本发明实施例所提供的一种流程超时预测装置，该装置可适用于对自动化办公场景下业务流程是否超时进行预测的情况，该流程超时预测装置可以采用硬件和/或软件的形式实现，如图5所示，该装置具体包括：当前流程数据获取模块501、预测结果确定模块402和超时分值确定模块403。其中，[0121]当前流程数据获取模块501，用于获取新发起流程的当前流程数据；[0122]预测结果确定模块502，用于将所述当前流程数据输入至训练好的流程超时预测模型中，得到流程超时预测结果；其中，所述流程超时预测模型采用本发明实施例所述的流程超时预测模型的训练方法训练得到；[0123]超时分值确定模块503，用于若所述流程超时预测结果为流程超时，则确定流程超时分值，并根据所述流程超时分值生成相应的超时提醒。[0124]本发明实施例方案通过获取新发起流程的当前流程数据；将当前流程数据输入至训练好的流程超时预测模型中，得到流程超时预测结果；若流程超时预测结果为流程超时，则确定流程超时分值，并根据流程超时分值生成相应的超时提醒，实现了对流程超时预测结果的预测准确度，实现了后续对流程超时的自动化预测，通过采用流程超时预测模型对流程进行超时预测和提醒，提高了预测结果准确度。[0125]本发明实施例所提供的流程超时预测装置可执行本发明任意实施例所提供的流程超时预测方法，具备执行方法相应的功能模块和有益效果。[0126]实施例六[0127]图6示出了可以用来实施本发明的实施例的电子设备60的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。[0128]如图6所示，电子设备60包括至少一个处理器61，以及与至少一个处理器61通信连接的存储器，如只读存储器(rom)62、随机访问存储器(ram)63等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器61可以根据存储在只读存储器(rom)62中的计算机程序或者从存储单元68加载到随机访问存储器(ram)63中的计算机程序，来执行各种适当的动作和处理。在ram 63中，还可存储电子设备60操作所需的各种程序和数据。处理器61、rom 62以及ram 63通过总线64彼此相连。输入/输出(i/o)接口65也连接至总线64。[0129]电子设备60中的多个部件连接至i/o接口65，包括：输入单元66，例如键盘、鼠标等；输出单元67，例如各种类型的显示器、扬声器等；存储单元68，例如磁盘、光盘等；以及通信单元69，例如网卡、调制解调器、无线通信收发机等。通信单元69允许电子设备60通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。[0130]处理器61可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器61的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器61执行上文所描述的各个方法和处理，例如流程超时预测模型的训练方法和/或流程超时预测方法。[0131]在一些实施例中，流程超时预测模型的训练方法和/或流程超时预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元68。在一些实施例中，计算机程序的部分或者全部可以经由rom62和/或通信单元69而被载入和/或安装到电子设备60上。当计算机程序加载到ram 63并由处理器61执行时，可以执行上文描述的流程超时预测模型的训练方法和/或流程超时预测方法的一个或多个步骤。备选地，在其他实施例中，处理器61可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行流程超时预测模型的训练方法和/或流程超时预测方法。[0132]本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。[0133]用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。[0134]在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。[0135]为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。[0136]可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。[0137]计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。[0138]应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。[0139]上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!