基于时序特征融合的事件处理路径预测方法、系统及设备与流程

本技术属于数据处理与流程优化，具体涉及一种基于时序特征融合的处理路径预测方法、系统、设备及介质。

背景技术：

1、在复杂事件处理流程中，当事件进入多阶段处置环节后，面临多种可选的处理路径（包括但不限于：直接启动标准程序→裁决→执行、启动程序→程序中协商→执行、申请督促令→执行、先行保全→后启动程序→执行、启动程序→裁决→破产申请、仲裁→执行、多对象分别处理→合并执行等）。不同路径在处理效率、资源消耗和最终达成效果方面存在显著差异。当前处理路径选择面临以下问题：

2、事件状态具有动态演化特征，相关事件对象的响应能力、配合意愿和状态属性随时间持续变化，静态特征无法捕捉这些演化趋势对路径选择的影响；

3、不同时序因子之间存在复杂的交互关系（例如延迟累积值持续增长与响应率持续下降的组合可能预示主体将采取对抗策略，而属性突然变动可能预示转移行为），单独分析各因子无法揭示这些交互模式；

4、处理路径是一个多阶段序贯决策过程，前序阶段的选择会改变后续阶段的可选路径和预期效果，需要对路径全局进行联合优化而非逐阶段贪心决策；

5、历史案例的路径选择数据存在选择偏差（处理人员倾向于对特定类型案例选择特定路径），直接从历史数据学习可能导致路径推荐的系统性偏差。

6、因此，亟需一种能够融合多维时序特征、捕捉因子间动态交互关系、对多阶段路径进行全局优化预测的方法。

技术实现思路

1、本技术所要解决的技术问题在于，提供一种基于时序特征融合的处理路径预测方法、系统、设备及介质，以解决现有技术中因仅使用静态特征或单因子分析而无法捕捉事件对象动态演化趋势与因子间交互关系、因采用逐阶段贪心决策而无法实现路径全局最优、以及因历史数据选择偏差而导致路径推荐系统性偏差的问题。

2、为了解决上述技术问题，本技术提供以下技术方案：

3、第一方面，本技术提供了一种基于时序特征融合的事件处理路径预测方法，包括：

4、获取待处理事件的多因子组的时间序列，并所述多因子组的时间序列进行预处理，获得预处理后的多因子组的时间序列，其中，所述多因子组的时间序列包括：延迟演化时间序列、响应变化时间序列、状态属性变动时间序列、环境动态时间序列和事件对象主体行为模式时间序列；

5、根据每个因子组内的时序编码器提取各维度的时序演化表征，并通过跨因子注意力机制捕捉不同因子组间的动态交互关系，生成融合时序表征向量；

6、对所述处理路径进行建模，形成有向无环图，所述有向无环图中的节点表示处理阶段状态，有向边表示合法状态转移，且附带由待处理事件的表征参数化预测的转移时长、转移资源消耗和转移成功概率；

7、根据所述融合时序表征向量、并结合路径价值网络与蒙特卡洛树搜索算法在所述有向无环图中搜索候选处理路径，形成候选路径集合；

8、对所述候选路径集合的每条候选路径进行可行性验证与敏感性分析，获得全局最优路径。

9、进一步地，所述方法还包括：

10、按照所述全局最优路径执行，并对执行过程进行实时监测处理数据，若所述处理数据达到处理路径重评估触发条件，则对所述处理路径进行重新评估，其中，所述路径重评估触发条件包括：累积偏差超过阈值、转移步骤执行失败、对象表征变化幅度超过阈值；满足任一条件时从当前状态重新执行时序特征融合步骤及后续步骤。

11、进一步地，所述预处理包括：缺失值填充处理、序列归一化处理和趋势特征增强。

12、进一步地，所述根据每个因子组内的时序编码器提取各维度的时序演化表征，并通过跨因子注意力机制捕捉不同因子组间的动态交互关系，生成融合时序表征向量，包括：

13、利用带因果掩码的 transformer 编码器对每个因子组的时序特征进行编码，提取因子内的时序演化表征；

14、将各因子组的表征组合为因子序列，并通过跨因子注意力机制计算因子组间的动态交互权重，再经由门控融合层进行自适应加权，生成最终的融合时序表征向量。

15、进一步地，对所述处理路径进行建模，形成有向无环图，所述有向无环图中的节点表示处理阶段状态，有向边表示合法状态转移，且附带由待处理事件表征参数化预测的转移时长、转移资源消耗和转移成功概率，包括：

16、对所述处理路径进行建模，形成有向无环图；

17、定义从初始状态至处置达成完结状态的多种合法转移路径；

18、针对所述有向无环图中的每条有向边，建立转移属性预测网络，将转移时长、转移成本及转移成功概率作为由待对象综合表征动态参数化的变量。

19、进一步地，所述根据所述融合时序表征向量、并结合路径价值网络与蒙特卡洛树搜索算法在所述有向无环图中搜索全局最优处理路径，包括：

20、构建路径价值函数，并根据所述路径价值函数生成路径价值网络；

21、根据路径价值网络，评估所述有向无环图中各状态节点的剩余期望价值；

22、根据所述剩余期望价值，采用蒙特卡洛树搜索算法在所述有向无环图进行路径探索，其中选择阶段利用转移成功概率作为先验引导，模拟阶段利用所述路径价值网络的输出替代随机模拟，以搜索效率及路径价值为依据筛选候选路径，并形成候选路径集合。

23、进一步地，所述对所述候选路径集合的每条候选路径进行可行性验证与敏感性分析，获得全局最优路径，包括：

24、对所述候选路径中的每个候选路径进行法律及逻辑可行性验证，剔除不满足转移条件的路径；

25、计算每条候选路径对各时序因子变化的敏感度，并根据所述敏感度，获得所述候选路径的稳定性；

26、通过设定不利压力情景进行压力测试，计算所述候选路径的韧性指标；

27、综合所述候选路径的路径价值、稳定性和韧性指标，获得全局最优路径。

28、第二方面，本技术还提供一种基于时序特征融合的事件处理路径预测系统，包括：

29、数据获取模块，用于获取待处理事件的多因子组的时间序列，并所述多因子组的时间序列进行预处理，获得预处理后的多因子组的时间序列，其中，所述多因子组的时间序列包括：延迟演化时间序列、响应变化时间序列、状态属性变动时间序列、环境动态时间序列和事件对象主体行为模式时间序列；

30、特征提取与融合模块，用于根据每个因子组内的时序编码器提取各维度的时序演化表征，并通过跨因子注意力机制捕捉不同因子组间的动态交互关系，生成融合时序表征向量；

31、处理路径构建模块，用于对所述处理路径进行建模，形成有向无环图，所述有向无环图中的节点表示处理阶段状态，有向边表示合法状态转移，且附带由待处理事件的表征参数化预测的转移时长、转移资源消耗和转移成功概率；

32、筛选模块，用于根据所述融合时序表征向量、并结合路径价值网络与蒙特卡洛树搜索算法在所述有向无环图中搜索候选处理路径，形成候选路径集合；

33、分析模块，用于对所述候选路径集合的每条候选路径进行可行性验证与敏感性分析，获得全局最优路径。

34、第三方面，本技术还提供一种计算机电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述中任一项所述的基于时序特征融合的事件处理路径预测方法的步骤。

35、第四方面，本技术还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述中任一项所述的基于时序特征融合的事件处理路径预测方法的步骤。

36、本技术提供的一种基于时序特征融合的事件处理路径预测方法、系统、设备及介质，其有益效果在于：

37、本技术通过提取事件在延迟演化、响应变化、状态属性变动、环境动态及事件对象主体行为模式五个维度的时间序列并执行趋势增强，利用因子内时序编码与跨因子注意力机制自动捕捉因子间动态交互关系以生成融合时序表征，同时将处理路径建模为有向无环图且由事项表征动态参数化各边的转移时长、资源消耗及成功概率，再结合蒙特卡洛树搜索与路径价值网络实现全局最优路径搜索，克服了静态特征与单因子分析的局限以及逐阶段贪心决策的缺陷；进一步通过可行性验证、基于梯度的敏感性分析及多情景压力测试降低历史数据选择偏差的影响，并在执行中基于实际偏差监测、转移失败或事项表征显著变化触发路径重评估及模型在线更新，形成预测—执行—观测—修正的闭环，从而显著提升了复杂事务处理路径预测的动态适应性、全局优化能力和系统鲁棒性。