一种工作流任务预测方法、装置、存储介质及电子设备与流程

1.本发明实施例涉及自动化技术领域，尤其涉及一种工作流任务预测方法、装置、存储介质及电子设备。


背景技术：

2.随着银行业务的迅猛发展，银行业对经营管理、风险控制、客户服务以及产品创新能力的要求越来越高。为适应挑战，积极推进智能化的流程银行改革已是业内的大势所趋。
3.相关技术中，针对每一笔交易进行个性化工作流定制，在处理交易时调用定制的工作流。然而，该方案具有较大局限性。由于银行内一个交易系统就有着成百上千种交易，如果针对每笔交易进行个性化工作流定制，将会成为一项繁琐且重复的工作，且对不同工作流任务的普适性较差，这对多种交易工作流的管理和使用产生了较大阻碍。


技术实现要素：

4.本发明实施例提供一种工作流任务预测方法、装置、存储介质及电子设备，能通过决策树预测模型实现对工作流任务的一步一预测，省去了多笔交易多条工作流的繁琐，增强了对工作流任务的普适性。
5.第一方面，本发明实施例提供了一种工作流任务预测方法，包括：
6.当检测到工作流任务预测事件被触发时，确定当前工作流任务及与所述当前工作流任务对应的目标交易特征信息；
7.将所述当前工作流任务及所述目标交易特征信息输入至预先训练的决策树预测模型中，其中，所述决策树预测模型基于在历史交易特征信息时工作流任务的流转规律生成；
8.根据所述决策树预测模型的输出结果确定所述当前工作流任务对应的下一工作流任务。
9.第二方面，本发明实施例还提供了一种工作流任务预测装置，包括：
10.信息获取模块，用于当检测到工作流任务预测事件被触发时，确定当前工作流任务及与所述当前工作流任务对应的目标交易特征信息；
11.预测模型输入模块，用于将所述当前工作流任务及所述目标交易特征信息输入至预先训练的决策树预测模型中，其中，所述决策树预测模型基于在历史交易特征信息时工作流任务的流转规律生成；
12.工作流任务确定模块，用于根据所述决策树预测模型的输出结果确定所述当前工作流任务对应的下一工作流任务。
13.第三方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例提供的工作流任务预测方法。
14.第四方面，本发明实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明
实施例提供的工作流任务预测方法。
15.本发明实施例提供的工作流任务预测方案，当检测到工作流任务预测事件被触发时，确定当前工作流任务及与当前工作流任务对应的目标交易特征信息；将当前工作流任务及目标交易特征信息输入至预先训练的决策树预测模型中，其中，决策树预测模型基于在历史交易特征信息时工作流任务的流转规律生成；根据决策树预测模型的输出结果确定当前工作流任务对应的下一工作流任务。通过本发明实施例提供的技术方案，能够通过决策树预测模型预测下一步工作流的任务，实现对工作流任务的一步一预测，无需对每笔交易建立完整的工作流，省去了多笔交易多条工作流的繁琐，增强了对工作流任务的普适性。
附图说明
16.图1是本发明一实施例提供的一种工作流任务预测方法的流程图；
17.图2是本发明一实施例提供的一种决策树的示意图；
18.图3是本发明另一实施例中的一种工作流任务预测装置的结构示意图；
19.图4是本发明另一实施例中的一种电子设备的结构示意图。
具体实施方式
20.下面将参照附图更详细地描述本发明的实施例。虽然附图中显示了本发明的某些实施例，然而应当理解的是，本发明可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本发明。应当理解的是，本发明的附图及实施例仅用于示例性作用，并非用于限制本发明的保护范围。
21.应当理解，本发明的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本发明的范围在此方面不受限制。
22.本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
23.需要注意，本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
24.需要注意，本发明中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
25.本发明实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
26.图1为本发明一实施例提供的一种工作流任务预测方法的流程图，本发明实施例可适用于对工作流任务进行一步一预测的情况，该方法可以由工作流任务预测装置来执行，该装置可由硬件和/或软件组成，并一般可集成在电子设备中。如图1所示，该方法具体包括如下步骤：
27.步骤110，当检测到工作流任务预测事件被触发时，确定当前工作流任务及与所述当前工作流任务对应的目标交易特征信息。
28.其中，工作流可以用于完成对工作量的定义和管理，其按照预先定义好的工作流逻辑进行工作流实例的执行。工作流任务可以是指工作流实例需要执行的任务，例如工作流任务可以包括申请、复核、询价及确认成交等。特征信息可以是指交易中包含的特定属性信息，可以按照不同标准对特征信息进行划分。示例性的，如果按照交易类型划分，特征信息可以包括即期、远期、掉期以及利率互换等；如果按照业务类型划分，特征信息可以包括结汇、售汇以及外汇买卖等；如果按照业务场景划分，特征信息可以包括签约、违约以及展期等。可以理解的是，当工作流任务中的交易被确定时，该交易的特征信息是确定的。
29.在本发明实施例中，当检测到工作流任务预测指令时可以触发工作流任务预测事件。其中，工作流任务预测事件可以理解为需要执行对下一工作流任务进行预测的事件。当工作流任务预测事件被触发时，可以获取到当前工作流任务及与当前工作流任务对应的目标交易特征信息。其中，当前工作流任务可以是指当前正在执行的工作流任务，目标交易特征信息可以理解为当前工作流任务中需要执行的交易所具备的特征信息。
30.步骤120，将所述当前工作流任务及所述目标交易特征信息输入至预先训练的决策树预测模型中，其中，所述决策树预测模型基于在历史交易特征信息时工作流任务的流转规律生成。
31.其中，流转规律可以是指从当前工作流任务流转到下一工作流任务的变化规律。决策树可以是指一种具有树形结构的决策分析方法。具体的，使用决策树进行分类时，通常从根节点开始，对实例的某一特征进行测试，并根据测试结果将实例分配到子节点，此时每个子节点对应该特征的一个取值，如此递归对实例进行测试并分配，直至到达叶子节点，最后将实例分到叶子节点对应的类中。其中，每个内部节点表示一个属性上的判断，而每个分支表示一个判断结果的输出，每个叶子节点则表示一种分类结果。
32.在本发明实施例中，可以将当前工作流任务及目标交易特征信息作为模型输入参数，输入到预先训练好的根据历史交易特征信息所对应的工作流任务的流转规律生成的决策树预测模型中。需要说明的是，可以由电子设备直接生成决策树预测模型，也可以由其他系统生成决策树预测模型，再通过电子设备调用其他系统中生成的决策树预测模型。
33.步骤130，根据所述决策树预测模型的输出结果确定所述当前工作流任务对应的下一工作流任务。
34.在本发明实施例中，将当前工作流任务以及目标交易特征信息输入到预先训练的决策树预测模型中，可以相应得到模型输出结果，以实现对下一工作流任务的预测。可以理解的是，决策树预测模型的输出结果即为当前工作流任务对应的下一工作流任务。
35.可选的，根据所述决策树预测模型的输出结果确定所述当前工作流任务对应的下一工作流任务，包括：获取所述决策树预测模型中与所述当前工作流任务及目标交易特征信息相匹配的叶子节点对应的工作流任务；将所述叶子节点对应的工作流任务作为所述当前工作流任务对应的下一工作流任务。
36.在本发明实施例中，可以将决策树预测模型中与当前工作流任务以及目标交易特征信息相匹配的叶子节点对应的工作流任务作为当前工作流任务对应的下一工作流任务。可以理解的是，在使用决策树进行分类时，由于决策树中叶子节点对应的是最终分类结果，因此，通过决策树预测模型对下一工作流任务进行预测时，决策树预测模型中与当前工作流任务及目标交易特征信息相匹配的叶子节点对应的工作流任务即为当前工作流任务对
应的下一工作流任务。
37.本发明实施例提供的工作流任务预测方法，当检测到工作流任务预测事件被触发时，确定当前工作流任务及与当前工作流任务对应的目标交易特征信息；将当前工作流任务及目标交易特征信息输入至预先训练的决策树预测模型中，其中，决策树预测模型基于在历史交易特征信息时工作流任务的流转规律生成；根据决策树预测模型的输出结果确定当前工作流任务对应的下一工作流任务。通过本发明实施例提供的技术方案，可通过决策树预测模型预测下一步工作流的任务，实现对工作流任务的一步一预测，无需对每笔交易建立完整的工作流，省去了多笔交易多条工作流的繁琐，增强了对工作流任务的普适性。
38.在一些实施例中，在将所述当前工作流任务及所述目标交易特征信息输入至预先训练的决策树预测模型中之前，还包括：获取所述决策树预测模型；其中，所述决策预测模型的训练方式包括：获取至少一条历史交易数据；分别从所述至少一条历史交易数据中提取历史交易特征信息、历史工作流任务及所述历史工作流任务流转的下一工作流任务；基于所述历史工作流任务流转的下一工作流任务，对所述历史交易特征信息及所述历史工作流任务进行样本标记，生成训练样本集；根据所述训练样本集构建决策树预测模型。
39.在本发明实施例中，决策树预测模型的构建过程可以由电子设备完成，也可以由其他系统(如服务器)完成。示例性的，若决策树预测模型的构建过程由电子设备完成，则可以通过电子设备直接获取预先训练好的决策树预测模型；若决策树预测模型的构建过程由其他系统完成，则需要通过电子设备从其他系统中调用预先训练好的决策树预测模型，从而获取决策树预测模型。
40.需要说明的是，本发明实施例采用有监督的机器学习方式，通过模型训练得到最终的决策树预测模型。其中，有监督可以理解为通过已有的训练样本去训练得到一个最优模型，再利用这个模型将所有的输入映射为相应的输出，对输出进行简单地判断从而实现预测和分类的目的，也即具有了对未知数据进行预测和分类的能力。
41.在本发明实施例中，可以通过银行内部交易系统测试环境提取出至少一条历史交易数据。本发明实施例对提取的历史交易数据的具体条数不做任何限定，例如，可以提取10000条历史交易数据。在获取至少一条历史交易数据之后，可以针对每一条历史交易数据，从中提取对应的历史交易特征信息、历史工作流任务及历史工作流任务流转的下一工作流任务。需要说明的是，每一条历史交易数据都会有对应的历史交易特征信息、历史工作流任务及历史工作流任务流转的下一工作流任务，因此当获取到多条历史交易数据时，将会有多个历史交易特征信息、历史工作流任务及历史工作流任务流转的下一工作流任务。
42.可选的，分别从所述至少一条历史交易数据中提取历史交易特征信息，包括：确定所述至少一条历史交易记录中所涉及的所有交易要素；分别从所述至少一条历史交易记录中提取所述交易要素对应的特征，并将所述交易要素对应的特征作为历史交易特征信息。
43.其中，交易要素可以是指交易的属性类型。例如，交易要素可以包括交易类型、业务类型、交易金额及业务场景等。可选的，所述交易要素包括如下至少一种：客户号、客户账号、敞口类型、保证金账号、交易类型、业务类型、交易状态、交易币种、交易金额及业务场景。需要说明的是，一条历史交易记录中涉及的交易要素可以有一种或多种，不同历史交易记录中涉及的交易要素可能完全相同、部分相同或完全不同，本发明实施例对交易要素的种类和内容不做任何限定。
44.在本发明实施例中，首先需要确定获取的各个历史交易记录中涉及的所有交易要素，再将分别从各个历史交易记录中提取出的交易要素对应的特征作为历史交易特征信息,。示例性的，假设一共获取了a、b、c三条历史交易记录，其中，a涉及a、b两种交易要素，且交易要素对应的特征分别为a1、b1，b涉及c、d两种交易要素，且交易要素对应的特征分别为c2、d2，c涉及a、b、c三种交易要素，且交易要素对应的特征分别为a3、b3、c3，则a、b、c中涉及的所有交易要素为a、b、c、d四种，且四种交易要素对应的特征分别为{a1，a3}、{b1，b3}、{c2，c3}和{d2}，也就是说可以将a1、a3、b1、b3、c2、c3、d2作为历史交易特征信息。
45.由于将历史交易记录中所涉及的所有交易要素对应的特征作为历史交易特征信息，很容易导致决策树体积庞大，且其中可能包含了非必要交易要素作为干扰，此时通过决策树预测模型对当前工作流任务对应的下一工作流任务进行预测，将会大大增加预测时长，导致预测的精度及效率变差。因此，可以采用过滤式选择方法对所有交易要素中的非必要交易要素进行过滤，从而去除非必要交易要素的干扰，提高模型预测的精度和效率。
46.在一些实施例中，在分别从所述至少一条历史交易记录中提取所述交易要素对应的特征之前，还包括：将所述所有交易要素组成的集合作为交易要素集合；计算所述交易要素集合的第一相关统计量；其中，所述第一相关统计量为所述交易要素集合中各个交易要素的相关统计量分量之和；分别去除所述交易要素集合中的任一交易要素，构成对应的交易要素候选子集；针对各个交易要素候选子集，分别计算所述当前交易要素候选子集的第二相关统计量；其中，所述第二相关统计量为所述当前交易要素候选子集中各个交易要素的相关统计量分量之和；当所述第二相关统计量的最大值大于所述第一相关统计量时，将各个交易要素候选子集中，第二相关统计量最大的交易要素候选子集作为所述交易要素集合，并返回执行依次分别去除所述交易要素集合中的任一交易要素，构成对应的交易要素候选子集，直至所述第二相关统计量的最大值小于所述第一相关统计量，将所述交易要素集合作为目标交易要素集合；相应的，分别从所述至少一条历史交易记录中提取所述交易要素对应的特征，并将所述交易要素对应的特征作为历史交易特征信息，包括：分别从所述至少一条历史交易数据中提取所述目标交易要素集合中包含的交易要素对应的特征，并将提取的所述目标交易要素集合中包含的交易要素对应的特征作为历史交易特征信息。
47.其中，交易要素集合可以是指至少一条历史交易记录中所涉及的所有交易要素组成的集合。第一相关统计量可以是指交易要素集合所对应的权重。通过将交易要素集合中各个交易要素的相关统计量分量求和可得到第一相关统计量。其中，交易要素集合中各个交易要素的相关统计量分量可以是指交易要素集合中各交易要素在交易要素集合中所占的权重。需要说明的是，可以预先设定好交易要素集合中各个交易要素的相关统计量分量，也可以根据交易特征信息、当前工作流任务及相关统计量分量之间的函数关系计算出交易要素集合中各个交易要素的相关统计量分量，本发明实施例对交易要素集合中各个交易要素的相关统计量分量的获取方式不做任何限定。
48.示例性的，假设交易要素集合中包含三种交易要素，则可以利用当前工作流任务及其交易要素包含的交易特征信息，通过函数关系y＝ux1 vx2 wx3，计算得到交易要素集合中各交易要素的相关统计量分量。其中，u、v、w分别表示三种交易要素的相关统计量分量，x1、x2、x3分别表示不同交易特征信息，y表示当前工作流任务。具体的，当交易特征信息和当前工作流任务被确定时，函数关系中的x1、x2、x3和y即为已知量。选择三组当前工作流任务
及其对应的交易特征信息，将其代入函数关系中，可以得到一个三元一次方程组，即：其中，y1、y2、y3分别为三组当前工作流任务，x1*、x
2*
、x
3*
分别为三组当前工作流任务对应的交易特征信息。通过求解三元一次方程组就能求出u、v、w的值，即交易要素集合中包含的三种交易要素的相关统计量分量。进而将u、v、w相加可以得到交易要素集合的第一相关统计量。
49.在计算得到交易要素集合的第一相关统计量之后，需要分别去除交易要素集合中的任一交易要素，构成对应的交易要素候选子集。示例性的，假设交易要素集合m＝{m1，m2，m3}，即包含m1、m2、m3三种交易要素。通过分别去除m中的任一交易要素，可以得到三个交易要素候选子集，分别为{m2，m3}、{m1，m3}、{m1，m2}。进而针对各个交易要素候选子集，分别计算当前交易要素候选子集的第二相关统计量。其中，第二相关统计量可以是指交易要素候选子集对应的权重。示例性的，可分别对{m2，m3}、{m1，m3}、{m1，m2}三个交易要素候选子集计算对应的第二相关统计量。通过将当前交易要素候选子集中各个交易要素的相关统计量分量求和可以得到第二相关统计量。其中，当前交易要素候选子集中各个交易要素的相关统计量分量可以是指交易要素候选子集中各个交易要素在交易要素集合中所占的权重。
50.需要说明的是，当前交易要素候选子集中各个交易要素的相关统计量分量的计算方式可以参考上述交易要素集合中各个交易要素的相关统计量分量的计算方式，此处不再赘述。进而可以通过将当前交易要素候选子集中各个交易要素的相关统计量分量加和，得到当前交易要素候选子集的第二相关统计量。
51.在计算得到当前交易要素候选子集的第二相关统计量之后，从中选择最大的第二相关统计量，并将其与第一相关统计量进行比较。当第二相关统计量的最大值大于第一相关统计量时，表明交易要素集合中存在着非必要交易要素，此时为了过滤掉非必要交易要素，可以将各个交易要素候选子集中第二相关统计量最大的交易要素候选子集作为交易要素集合。然后重复上述返回执行依次分别去除交易要素集合中的任一交易要素，构成对应交易要素候选子集的过程。直至第二相关统计量的最大值小于第一相关统计量，表明交易要素集合中已经不存在非必要交易要素，此时可以结束上述重复过程，并将交易要素集合作为目标交易要素集合。其中，目标交易要素集合可以理解为仅包含必要交易要素的交易要素集合。此时，可以将分别从至少一条历史交易数据中提取出的目标交易要素集合中包含的交易要素对应的特征作为历史交易特征信息。
52.这样设置的好处在于，可以根据相关统计量对交易要素中的非必要交易要素进行过滤，能够有效去除非必要交易要素的干扰，从而提高模型预测的精度和效率。
53.在本发明实施例中，在分别从至少一条历史交易数据中提取历史交易特征信息、历史工作流任务及历史工作流任务流转的下一工作流任务后，可以根据历史工作流任务流转的下一工作流任务对历史交易特征信息及历史工作流任务进行样本标记，用以生成训练样本集。示例性的，训练样本集如表1所示：
54.表1训练样本集
[0055][0056]
其中，x表示交易金额。交易类型、业务类型、业务场景、交易金额以及当前工作流任务作为训练样本集的模型输入，而下一工作流任务作为训练样本集的模型输出。可以理解的是，每条历史交易数据可以对应生成一个训练样本，将生成的所有训练样本作为一个集合就能得到训练样本集。其中，一个训练样本包含了历史交易特征信息、历史工作流任务及历史工作流任务流转的下一工作流任务，且历史交易特征信息和历史工作流任务作为训练样本的输入，而历史工作流任务流转的下一工作流任务作为训练样本的输出。
[0057]
在本发明实施例中，可以根据训练样本集构建决策树预测模型。具体的，可以采用有监督的机器学习方式根据训练样本集对模型进行训练，从而可得到决策树预测模型。其中，可以采用多种算法构建决策树预测模型，例如id3、c4.5及c5.0等算法。可选的，根据所述训练样本集构建决策树预测模型，包括：根据所述训练样本集构建决基于id3算法的决策树预测模型。
[0058]
其中，id3算法的核心是在决策树各个节点上基于信息增益准则选择交易特征，以此递归构建决策树。具体的，从根节点开始，对节点计算所有可能的交易特征的信息增益，并选择信息增益最大的交易特征作为节点的特征。进而由该交易特征的不同取值建立子节点，再对子节点递归地调用上述方法，直到所有交易特征的信息增益均很小或没有交易特征可以选择为止，最终可以得到一个决策树。在得到决策树之后，可以进一步对决策树进行剪枝优化，即让每一棵子树的损失函数值尽可能小，从而最小化决策树整体的损失函数值。具体的，从叶子节点开始递归，若回缩后的子树预测误差值变小，则使该子树回缩，以此递归直到无法回缩为止，得到最优决策树。图2是本发明一实施例提供的一种决策树的示意图。其中，决策树中的交易要素包括交易类型、交易金额、业务类型和业务场景。
[0059]
图3为本发明另一实施例提供的一种工作流任务预测装置的结构示意图。如图3所示，该装置包括：信息获取模块310，预测模型输入模块320和工作流任务确定模块330。其中，
[0060]
信息获取模块310，用于当检测到工作流任务预测事件被触发时，确定当前工作流任务及与所述当前工作流任务对应的目标交易特征信息；
[0061]
预测模型输入模块320，用于将所述当前工作流任务及所述目标交易特征信息输入至预先训练的决策树预测模型中，其中，所述决策树预测模型基于在历史交易特征信息时工作流任务的流转规律生成；
[0062]
工作流任务确定模块330，用于根据所述决策树预测模型的输出结果确定所述当前工作流任务对应的下一工作流任务。
[0063]
本发明实施例提供的工作流任务预测装置，当检测到工作流任务预测事件被触发
时，确定当前工作流任务及与当前工作流任务对应的目标交易特征信息；将当前工作流任务及目标交易特征信息输入至预先训练的决策树预测模型中，其中，决策树预测模型基于在历史交易特征信息时工作流任务的流转规律生成；根据决策树预测模型的输出结果确定当前工作流任务对应的下一工作流任务。通过本发明实施例提供的技术方案，能够通过决策树预测模型预测下一步工作流的任务，实现对工作流任务的一步一预测，无需对每笔交易建立完整的工作流，省去了多笔交易多条工作流的繁琐，增强了对工作流任务的普适性。
[0064]
可选的，所述装置还包括：
[0065]
预测模型获取模块，用于在将所述当前工作流任务及所述目标交易特征信息输入至预先训练的决策树预测模型中之前，获取所述决策树预测模型；
[0066]
其中，所述预测模型获取模块包括：
[0067]
数据获取单元，用于获取至少一条历史交易数据；
[0068]
信息提取单元，用于分别从所述至少一条历史交易数据中提取历史交易特征信息、历史工作流任务及所述历史工作流任务流转的下一工作流任务；
[0069]
训练样本集生成单元，用于基于所述历史工作流任务流转的下一工作流任务，对所述历史交易特征信息及所述历史工作流任务进行样本标记，生成训练样本集；
[0070]
预测模型构建单元，用于根据所述训练样本集构建决策树预测模型。
[0071]
可选的，所述预测模型构建单元，用于：
[0072]
根据所述训练样本集构建决基于id3算法的决策树预测模型。
[0073]
可选的，所述信息提取单元包括：
[0074]
确定所述至少一条历史交易记录中所涉及的所有交易要素；
[0075]
分别从所述至少一条历史交易记录中提取所述交易要素对应的特征，并将所述交易要素对应的特征作为历史交易特征信息。
[0076]
可选的，所述信息提取单元还包括：
[0077]
在分别从所述至少一条历史交易记录中提取所述交易要素对应的特征之前，将所述所有交易要素组成的集合作为交易要素集合；
[0078]
计算所述交易要素集合的第一相关统计量；其中，所述第一相关统计量为所述交易要素集合中各个交易要素的相关统计量分量之和；
[0079]
分别去除所述交易要素集合中的任一交易要素，构成对应的交易要素候选子集；
[0080]
针对各个交易要素候选子集，分别计算所述当前交易要素候选子集的第二相关统计量；其中，所述第二相关统计量为所述当前交易要素候选子集中各个交易要素的相关统计量分量之和；
[0081]
当所述第二相关统计量的最大值大于所述第一相关统计量时，将各个交易要素候选子集中，第二相关统计量最大的交易要素候选子集作为所述交易要素集合，并返回执行依次分别去除所述交易要素集合中的任一交易要素，构成对应的交易要素候选子集，直至所述第二相关统计量的最大值小于所述第一相关统计量，将所述交易要素集合作为目标交易要素集合；
[0082]
分别从所述至少一条历史交易记录中提取所述交易要素对应的特征，并将所述交易要素对应的特征作为历史交易特征信息，包括：
[0083]
分别从所述至少一条历史交易数据中提取所述目标交易要素集合中包含的交易
要素对应的特征，并将提取的所述目标交易要素集合中包含的交易要素对应的特征作为历史交易特征信息。
[0084]
可选的，所述交易要素包括如下至少一种：
[0085]
客户号、客户账号、敞口类型、保证金账号、交易类型、业务类型、交易状态、交易币种、交易金额及业务场景。
[0086]
可选的，所述工作流任务确定模块，用于：
[0087]
获取所述决策树预测模型中与所述当前工作流任务及目标交易特征信息相匹配的叶子节点对应的工作流任务；
[0088]
将所述叶子节点对应的工作流任务作为所述当前工作流任务对应的下一工作流任务。
[0089]
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
[0090]
本发明实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明实施例提供的工作流任务预测方法。
[0091]
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如cd-rom、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如dram、ddrram、sram、edoram，兰巴斯(rambus)ram等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
[0092]
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的工作流任务预测操作，还可以执行本发明任意实施例所提供的工作流任务预测方法中的相关操作。
[0093]
本发明实施例提供了一种电子设备，该电子设备中可集成本发明实施例提供的工作流任务预测装置。图4为本发明实施例提供的一种电子设备的结构框图。电子设备400可以包括：存储器401，处理器402及存储在存储器401上并可在处理器运行的计算机程序，所述处理器402执行所述计算机程序时实现如本发明实施例所述的工作流任务预测方法。
[0094]
本发明实施例中提供的电子设备，当检测到工作流任务预测事件被触发时，确定当前工作流任务及与当前工作流任务对应的目标交易特征信息；将当前工作流任务及目标交易特征信息输入至预先训练的决策树预测模型中，其中，决策树预测模型基于在历史交易特征信息时工作流任务的流转规律生成；根据决策树预测模型的输出结果确定当前工作流任务对应的下一工作流任务。通过本发明实施例提供的技术方案，能够通过决策树预测模型预测下一步工作流的任务，实现对工作流任务的一步一预测，无需对每笔交易建立完整的工作流，省去了多笔交易多条工作流的繁琐，增强了对工作流任务的普适性。
[0095]
上述实施例中提供的工作流任务预测装置、存储介质及电子设备可执行本发明任意实施例所提供的工作流任务预测方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的工作流任务预测方法。
[0096]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。