基于多维度属性信息融合的业务流程下一事件预测方法

本发明属于流程挖掘，具体涉及一种基于多维度属性信息融合的业务流程下一事件预测方法。

背景技术：

1、流程挖掘通过对事件数据的系统性分析，能够有效优化和提升业务流程的执行效率。借助该技术，用户可以识别流程中的瓶颈、发现操作偏差、进行合规性诊断，并减少故障和重复操作。作为流程挖掘的一个重要分支，预测性流程监控旨在预测正在执行的流程的未来发展趋势，通过分析历史的完整流程执行数据来预测尚未结束的流程。其应用广泛，包括预测流程执行的结果、业务流程下一事件以及流程剩余时间等。在教育、医疗、金融等领域，预测性流程监控已展现了其实际应用价值，例如，帮助企业降低维护成本、为决策提供支持并预防违规任务的发生等。

2、作为预测性流程监控的核心任务之一，业务流程下一事件预测旨在通过分析历史事件日志，预测当前正在执行的业务流程中的下一可能事件，以提高业务流程的透明度、优化资源使用、降低操作风险，并为企业决策提供智能支持。随着大数据时代中人工智能技术的逐步发展，深度学习的广泛应用也为业务流程下一事件预测提供了新的研究思路。传统方法通常将事件日志中的事件、轨迹和属性等视为不等长的一维的序列数据，研究人员通过将其输入深度学习模型来学习事件之间的关系，从而提高下一事件预测的精度。然而，现有方法通常仅注重事件之间时间的相关性，而忽略了事件之间的空间关联性，这导致模型在预测精度和可解释性方面有所不足。因此，将事件的空间特征引入预测模型中，有望进一步提升流程下一事件预测的准确性和模型的可解释性。

技术实现思路

1、为了解决上述问题，本发明提出了一种基于多维度属性信息融合的业务流程下一事件预测方法，构建了一种同时融合时间及空间属性信息的g-ol神经网络，通过分析事件时间序列以提取事件间的层级关系，并使用事件的空间属性信息提升业务流程下一事件预测的准确率，具有实用性。

2、本发明的技术方案如下：

3、一种基于多维度属性信息融合的业务流程下一事件预测方法，包括如下步骤：

4、步骤1、获取业务流程事件日志，分析事件日志中活动的直接跟随关系，提取时间属性信息，构建以流程轨迹前缀作为已知信息、下一事件作为预测目标值的数据集，并划分为训练集和测试集；

5、步骤2、根据步骤1中获取的活动直接跟随关系，构建事件日志的图结构；

6、步骤3、构建多维度属性信息融合预测模型g-ol，多维度属性信息融合预测模型g-ol包括空间特征提取模块和时序关系提取模块；

7、步骤4、采用训练集迭代训练多维度属性信息融合预测模型g-ol；

8、步骤5、将测试集输入到根据步骤4训练好的多维度属性融合预测模型g-ol得到下一事件预测结果，选用准确率指标来评估和分析预测结果。

9、进一步地，所述步骤1中，所述流程轨迹前缀是在某条轨迹上的任意活动节点或时刻前的轨迹信息。

10、进一步地，所述步骤2中，所述构建事件日志的图结构是指将事件日志轨迹中的所有活动及活动间的直接跟随活动关系分别构建为图中的节点和边，同时将所有轨迹中活动间的关系构建成邻接矩阵，所有轨迹中活动间的关系包含顺序、选择和并发关系。

11、进一步地，所述步骤3中，空间特征提取模块由两层gcn图卷积神经网络构成，gcn图卷积神经网络是用于提取图结构特征的神经网络结构；时序关系提取模块采用onlstm神经网络，onlstm神经网络是一种循环神经网络的变体，其核心在于允许网络动态地将神经元分成不同层次的粒度，以帮助捕捉序列中的长期依赖和层级信息。

12、进一步地，所述步骤3中，多维度属性信息融合预测模型g-ol的具体工作过程为：

13、步骤3.1、将事件日志的图结构输入空间特征提取模块，提取空间属性信息；空间特征提取模块的前向传播计算公式如下：

14、；

15、式中，为空间特征提取模块的输出矩阵；为激活函数；为节点特征矩阵；为轨迹的邻接矩阵；为softmax激活函数；为轨迹的邻接矩阵和单位矩阵的总和，即，为单位矩阵；为relu激活函数；和分别是两层gcn图卷积神经网络的参数矩阵；relu和softmax为两层gcn图卷积神经网络的激活函数；

16、步骤3.2、将时间属性信息和空间属性信息输入时序关系提取模块，获取事件间的时序信息和层级关系；具体过程为：

17、onlstm神经网络通过门控结构控制对历史信息的遗忘程度和对当前时刻信息的保留程度，并且通过划分网络单元状态信息的层级区分历史信息和当前信息，为了实现区间的划分，模型用到了两个整数和，它们分别用来表示历史信息的最低层次和当前信息的最高层次状态信息，在模型更新过程中，当时，两区间有交叠，对于交叠的部分，采用原始长短时记忆神经网络lstm的方式进行更新，对高于的部分，只保留原来的历史信息，对低于的部分，只保留当前输入的信息，否则当时，两区间没有交叠，对于没有交叠的部分，直接设当前存储单元值为0，而对大于和小于的部分，分别只保留历史信息和当前输入信息。

18、进一步地，所述步骤4中，采用adam优化器，预先设置正则项系数大小和初始学习率大小，同时融合事件日志中事件的时间及空间属性信息进行模型训练，每次训练时更换不同的事件日志的轨迹前缀进行输入，从而预测业务流程中的下一事件，实现在实际业务流程中的实时跟踪与预测。

19、进一步地，所述步骤5中，所述准确率指标的计算公式如下：

20、；

21、其中，为准确率值；为样本总数；为分类数；为第类的样本数；、、、分别为第类中正确划分为正例的个数、错误划分为正例的个数、错误划分为负例的个数、正确划分为负例的个数。

22、本发明所带来的有益技术效果如下：本发明首次提取事件之间的空间特征用于流程下一事件预测任务，且首次获取事件间的时序信息和层级关系用于流程下一事件预测任务，具备创新性；本发明首次融合gcn图卷积神经网络与onlstm神经网络构建多维度属性信息融合预测模型g-ol用于预测流程下一事件，通过迭代训练预测模型，每次训练时更换不同的事件日志的轨迹前缀进行输入，从而预测业务流程中的下一事件，实现在实际业务流程中的实时跟踪与预测；本发明采用了准确率accuracy评估了基于g-ol的流程下一事件预测方法，有效提高了预测准确率。

技术特征：

1.一种基于多维度属性信息融合的业务流程下一事件预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述基于多维度属性信息融合的业务流程下一事件预测方法，其特征在于，所述步骤1中，所述流程轨迹前缀是在某条轨迹上的任意活动节点或时刻前的轨迹信息。

3.根据权利要求1所述基于多维度属性信息融合的业务流程下一事件预测方法，其特征在于，所述步骤2中，所述构建事件日志的图结构是指将事件日志轨迹中的所有活动及活动间的直接跟随活动关系分别构建为图中的节点和边，同时将所有轨迹中活动间的关系构建成邻接矩阵，所有轨迹中活动间的关系包含顺序、选择和并发关系。

4.根据权利要求1所述基于多维度属性信息融合的业务流程下一事件预测方法，其特征在于，所述步骤3中，空间特征提取模块由两层gcn图卷积神经网络构成，gcn图卷积神经网络是用于提取图结构特征的神经网络结构；时序关系提取模块采用onlstm神经网络，onlstm神经网络是一种循环神经网络的变体，其核心在于允许网络动态地将神经元分成不同层次的粒度，以帮助捕捉序列中的长期依赖和层级信息。

5.根据权利要求1所述基于多维度属性信息融合的业务流程下一事件预测方法，其特征在于，所述步骤3中，多维度属性信息融合预测模型g-ol的具体工作过程为：

6.根据权利要求5所述基于多维度属性信息融合的业务流程下一事件预测方法，其特征在于，所述步骤4中，采用adam优化器，预先设置正则项系数大小和初始学习率大小，同时融合事件日志中事件的时间及空间属性信息进行模型训练，每次训练时更换不同的事件日志的轨迹前缀进行输入，从而预测业务流程中的下一事件，实现在实际业务流程中的实时跟踪与预测。

7.根据权利要求1所述基于多维度属性信息融合的业务流程下一事件预测方法，其特征在于，所述步骤5中，所述准确率指标的计算公式如下：

技术总结
本发明公开了一种基于多维度属性信息融合的业务流程下一事件预测方法，属于流程挖掘领域，包括如下步骤：获取业务流程事件日志，分析事件日志中活动的直接跟随关系，提取时间属性信息，构建以流程轨迹前缀作为已知信息、下一事件作为预测目标值的数据集，并划分为训练集和测试集；根据活动直接跟随关系，构建事件日志的图结构；构建并训练多维度属性信息融合预测模型，多维度属性信息融合预测模型包括空间特征提取模块和时序关系提取模块；根据训练好的多维度属性融合预测模型预测下一事件，选用准确率指标来评估和分析预测结果。针对流程挖掘领域的下一事件预测任务，本发明方法提高了已有业务流程下一事件预测的准确率。

技术研发人员：刘聪,苏轩,曾庆田,鲁法明,段华,倪维健,张峰,原桂远
受保护的技术使用者：山东科技大学
技术研发日：
技术公布日：2024/12/5