一种基于工作流引擎的业务工单流程处理方法与流程

本发明涉及数据处理，具体涉及一种基于工作流引擎的业务工单流程处理方法。

背景技术：

1、在现代企业中，对业务流程的管理和优化是至关重要的，随着企业规模的扩大和业务复杂度的增加，传统的工单处理方式如人工分派和简单自动化已经无法满足高效、准确和规范化的需求，其中基于工作流引擎的业务工单流程处理能够带来显著的效率改进和质量提升，满足企业的自动化与标准化的要求，并且可以实时监控业务流程的状态并随时跟踪处理进度，从而可以有针对性地优化业务流程，降低成本，提高效益。

2、尽管基于工作流引擎的业务工单流程处理具有诸多优势，但在实际运行过程中仍可能出现异常工单，这类工单可能会导致业务流转延误或错误决策，给企业带来巨大损失，因此对异常类型的工单的检测至关重要。k-means是传统的异常检测方法，通过对所有工单数据进行聚类，分析每个工单数据之间与所处聚簇的聚簇中心之间的欧式距离来表征异常程度。但是由于在进行k-means聚类过程中，由于若仅根据工单数据本身的数据特征来进行聚类距离的度量，会使得一些和正常工单数据较为相似异常工单数据被识别为正常工单，并且同时可能会使得正常工单被识别为异常工单，即由于聚类距离度量不合理使得得到的聚簇结果不准确，进而得到错误的异常工单检测结果，因此需要在进行k-mean聚类过程对聚类距离进行校正以达到准确的k-means聚类结果。

技术实现思路

1、本发明提供一种基于工作流引擎的业务工单流程处理方法，以解决现有的问题。

2、本发明的一种基于工作流引擎的业务工单流程处理方法采用如下技术方案：

3、本发明一个实施例提供了一种基于工作流引擎的业务工单流程处理方法，该方法包括以下步骤：

4、采集当前工单数据以及历史工单数据；

5、将所有历史工单数据中同一个维度的所有数据按照工单时间戳从小到大的顺序构成一个序列，作为该维度的数据序列；根据每个维度的数据序列获取所有决定性维度；

6、根据当前工单数据与每条历史工单数据的相似性，获取当前工单数据的相似工单数据；

7、根据当前工单数据的同一时期的历史工单数据以及相似工单数据获取当前工单数据的冲突性程度；根据当前工单数据与每条历史工单数据的相似性以及当前工单数据的冲突性程度获取聚类距离度量优化值，对所有工单数据聚类过程中的聚类距离进行优化校正，得到聚类结果；

8、根据聚类结果获取当前工单数据的异常程度，对当前工单数据进行处理。

9、优选的，所述根据每个维度的数据序列获取所有决定性维度，包括的具体步骤如下：

10、计算任意两个维度的数据序列之间的皮尔逊相关系数，作为此两个维度之间的相关性值；将任意一个维度作为目标维度，获取与目标维度具有相关性的所有维度；

11、将与目标维度相关的第个维度的数据序列中出现的数据的种类数和目标维度的第种数据在与目标维度相关的第个维度的数据序列中对应的数据的种类数的比值作为第一比值，获取目标维度的第种数据在与目标维度相关的第个维度的数据序列中对应的每种数据出现的次数的方差，将该方差与第一比值的积作为与目标维度相关的第个维度相对于目标维度的第种数据的随机性；

12、获取与目标维度相关的每个维度相对于目标维度的每种数据的随机性；根据与目标维度相关的每个维度相对于目标维度的每种数据的随机性获取目标维度的决定性程度；获取每个维度的决定性程度，对所有维度的决定性程度进行线性归一化处理；将线性归一化后的决定性程度大于决定性阈值的维度作为决定性维度。

13、优选的，所述根据与目标维度相关的每个维度相对于目标维度的每种数据的随机性获取目标维度的决定性程度，包括的具体步骤如下：

14、

15、其中为目标维度的决定性程度；为与目标维度相关的第个维度和目标维度之间的相关性值；为与目标维度相关的所有维度和目标维度之间的相关性值中的最大值；为与目标维度相关的维度的数量；为与目标维度相关的第个维度相对于目标维度的第种数据的随机性；为目标维度的数据序列中出现的数据的种类数。

16、优选的，所述根据当前工单数据与每条历史工单数据的相似性，获取当前工单数据的相似工单数据，包括的具体步骤如下：

17、获取所有历史工单数据的每个决定性维度中，与当前工单数据对应的决定性维度的数值相同的所有历史工单数据，作为每个决定性维度的参考历史工单数据；获取每个决定性维度的所有参考历史工单数据的平均密度；获取当前工单数据与每条历史工单数据的相似性，将与当前工单数据的相似性大于相似性阈值的所有历史工单数据作为当前工单数据的相似工单数据。

18、优选的，所述获取当前工单数据与每条历史工单数据的相似性，包括的具体步骤如下：

19、

20、其中，为当前工单数据与第条历史工单数据的相似性；为第个决定性维度的决定性程度；为决定性维度的数量；为当前工单数据的第个决定性维度的参考历史工单数据的平均密度；为第条历史工单数据的第个决定性维度的预测密度，当第条历史工单数据与当前工单数据的第个决定性维度的数值相同时，获取第条历史工单数据中除第个决定性维度外的每个决定性维度的数值与当前工单数据对应决定性维度的数值之间的差值绝对值，将得到的所有差值绝对值的均值作为第条历史工单数据的第个决定性维度的预测密度，当第条历史工单数据与当前工单数据的第个决定性维度的数值不相同时，将第条历史工单数据的第个决定性维度的预测密度设为1；为绝对值符号；为以自然常数为底的指数函数。

21、优选的，所述根据当前工单数据的同一时期的历史工单数据以及相似工单数据获取当前工单数据的冲突性程度，包括的具体步骤如下：

22、将时间阈值记为，将时间戳在当前工单数据的时间戳的前天到后天的所有历史工单数据作为当前工单数据的同一时期的历史工单数据；将当前工单数据的同一时期的历史工单数据的数量记为h；

23、获取当前工单数据的所有相似工单数据的每个决定性维度的所有数据，构成一个序列，记为当前工单数据的每个决定性维度的相似数据序列；构建1×(h+1)大小的滑动窗口，对当前工单数据的每个决定性维度的相似数据序列进行步长为1的滑动，将当前工单数据的每个决定性维度的相似数据序列划分为多个窗口，计算当前工单数据的每个决定性维度的相似数据序列的每个窗口内所有数值的和，作为每个窗口的代表值；将当前工单数据的每个决定性维度的所有窗口的代表值的均值作为每个决定性维度的相似均值；将当前工单数据的每个决定性维度的所有窗口的代表值的标准差作为每个决定性维度的相似标准差；将当前工单数据的每个决定性维度的相似均值以及相似标准差的和作为当前工单数据的每个决定性维度的基准波动值；

24、根据基准波动值以及当前工单数据的同一时期的历史工单数据获取当前工单数据的冲突性程度。

25、优选的，所述根据基准波动值以及当前工单数据的同一时期的历史工单数据获取当前工单数据的冲突性程度，包括的具体步骤如下：

26、

27、其中，为当前工单数据的冲突性程度；为决定性维度的数量；为当前工单数据的第个决定性维度的相似均值；为当前工单数据的第个决定性维度的相似标准差；为当前工单数据的同一时期的所有历史工单数据的数量；为当前工单数据的同一时期的第个历史工单数据的第个决定性维度的数值；为当前工单数据的第个决定性维度的数值；为绝对值符号；为以自然常数为底的指数函数；表示当前工单数据的第个决定性维度的基准波动值。

28、优选的，所述根据当前工单数据与每条历史工单数据的相似性以及当前工单数据的冲突性程度获取聚类距离度量优化值，对所有工单数据聚类过程中的聚类距离进行优化校正，得到聚类结果，包括的具体步骤如下：

29、利用1减去当前工单数据的冲突性程度，将所得结果和当前工单数据与所有历史工单数据的相似性的均值相乘，得到聚类距离度量优化值；

30、根据所有决定性维度对每个历史工单数据进行pca降维，将每个历史工单数据降维为三维数据，视作三维空间中的一个数据点；将当前工单数据转换为三维空间中的一个数据点，记为当前数据点；

31、对三维空间中得到的所有数据点进行k-means聚类，在k-means聚类过程中，在计算当前数据点到每个聚类中心的聚类距离时，根据聚类距离度量优化值对聚类距离进行优化，获取当前数据点到每个聚类中心的优化距离；

32、通过k-means聚类不断迭代，得到最终的聚类结果。

33、优选的，所述根据聚类距离度量优化值对聚类距离进行优化，获取当前数据点到每个聚类中心的优化距离，包括的具体步骤如下：

34、

35、其中为当前数据点到第个聚类中心的优化距离；为聚类距离度量优化值；为当前数据点到第个聚类中心的欧式距离；为以自然常数为底的指数函数。

36、优选的，所述根据聚类结果获取当前工单数据的异常程度，对当前工单数据进行处理，包括的具体步骤如下：

37、将当前数据点所属的聚簇作为目标聚簇；获取目标聚簇中距离目标聚簇的聚类中心最远的数据点与目标聚簇的聚类中心之间的欧式距离，作为目标聚簇的最远距离；将当前数据点到目标聚簇的聚类中心的优化距离与目标聚簇的最远距离的比值作为当前工单数据的异常程度；若当前工单数据的异常程度大于异常阈值，将当前工单数据作为异常工单，工作系统对当前工单数据进行异常工单预警。

38、本发明的技术方案的有益效果是：本发明采用自适应的k-means聚类方法进行异常工单的检测，通过确定不同维度之间的数据组合的分布规律，来获取决定性维度，根据当前工单数据的决定性维度与历史工单数据对应的决定性维度数据之间的相似性特征，并结合相似时间内的工单数据之间的互相影响来获取工单数据对应的聚类距离度量优化值，进而在将工单数据转换为数据坐标点后进行k-means聚类时，根据每个数据坐标点的聚类距离度量优化值对聚类距离进行校正，从而获取准确的异常工单检测结果，帮助企业进行针对性的优化调整，实现更加合理的资源分配。