多层级复杂业务智能仿真方法与系统

1.本发明涉及复杂业务建模技术领域，以及人工智能技术领域，尤其涉及一种多层级复杂业务智能仿真方法与系统。


背景技术：

2.业务流程管理(bpm)，其步骤主要有：确定组织中存在的业务流程；对业务流程建模并编制流程清单；部署到流程引擎上，确定测评指标，如效率指标、效益指标和结果指标；执行流程，输出量化的测评结果；引导流程改进行动。企业业务流程管理从整体角度提供了业务流程评估、改进方法，一般针对单层级、多横向部门、多步骤业务活动，不适合于多层级的复杂业务活动。
3.在疫情防控、抗震救灾、抗洪抢险、交通运输指挥、工业控制调度等场景下涉及多个层级，上下级间要进行任务分派、行动监控、信息反馈等复杂业务活动。伴随着业务活动不断产生业务活动数据，这些数据的分发、执行、反馈具有多层级、高时效、高频次、高权威等特点。传统上，这些业务活动的工作分配、人员配备主要通过人类主观评价，事前缺乏推演论证，事后缺少数据支撑。采用实物设备、实际网络环境和人力进行大规模业务模拟，会造成大量人力、物力的消耗，耗费昂贵。


技术实现要素：

4.为了解决现有业务流程管理(bpm)多针对单层级的业务流程，对复杂业务多层级多实体的协同效果难以评估的问题，本发明提供一种多层级复杂业务智能仿真方法与系统，通过对多层级各个实体行为建模，通过仿真推演的方式进行复杂业务活动的评估，可以在总人数固定的前提下，为整个业务活动各个层级的人员分配、耗费时间提供科学依据。
5.一方面，本发明提供一种多层级复杂业务智能仿真方法，包括：
6.步骤1、将复杂业务中的每个业务实体作为一个节点，描述复杂业务的层级关系以确定每一层级中每个节点的上下级关系；
7.步骤2、根据每个节点的上下级关系，确定每个节点的节点属性以得到每个节点的任务内容构成；
8.步骤3、构建基于深层神经网络的节点本级业务处理模型，利用所述节点本级业务处理模型得到本级节点完成上级任务的总耗时；
9.步骤4、构建上下级交互的业务模型，利用所述上下级交互的业务模型得到下级节点完成上级任务的总耗时；
10.步骤5、按多层级复杂业务情况想定各个节点的配置参数；
11.步骤6、按照给定配置参数，调用所述节点本级业务处理模型和所述上下级交互的业务模型进行仿真，并记录仿真过程中各个节点完成业务活动的时间数据；
12.步骤7、调整各个节点的配置参数，并再次执行步骤6；
13.步骤8、在仿真过程结束后，比较不同配置参数下的仿真时间数据，得到最佳配置
参数。
14.进一步地，步骤2中，所述节点属性包括顶级节点、中间级节点和最底级节点；对应地，
15.顶级节点的任务内容构成包括：处理本级业务、分派下级任务；
16.中间级节点的任务内容构成包括：领受上级任务、处理本级业务、分派下级任务；
17.最底级节点的任务内容构成包括：领受上级任务、处理本级业务。
18.进一步地，步骤3中，所述节点本级业务处理模型所采用的神经网络结构包括第一长短时记忆神经网络、第二长短时记忆神经网络和深层全连接神经网络；
19.所述节点本级业务处理模型的训练过程具体包括：
20.对节点的业务数据进行清洗，得到原子工作向量、工作人员向量和本级业务完成的归一化时间；其中，原子工作是组成本级业务的最小工作单元，原子工作向量为通过特点向量对原子工作进行表征描述后得到，工作人员向量为通过特点向量对参与本级业务的工作人员进行表征描述后得到；一个原子工作对应一个原子工作向量，一个工作人员对应一个工作人员向量；
21.将原子工作向量和工作人员向量分别作为第一长短时记忆神经网络和第二长短时记忆神经网络的输入，将所述第一长短时记忆神经网络的最后一个单元的输出和第二长短时记忆神经网络的最后一个单元的输出级联，级联向量输入至深层全连接神经网络，将本级业务完成的归一化时间作为所述深层全连接神经网络的输出，然后采用监督学习训练神经网络参数或者通过专家数据模仿学习训练神经网络参数，训练好的神经网络即为节点本级业务处理模型。
22.进一步地，步骤3中具体还包括：
23.根据所述节点本级业务处理模型输出的归一化时间，按照公式(1)计算本级节点j的本级业务处理实际花费的时间
[0024][0025]
其中，t
max
表示本级业务最大完成时间，t
min
表示本级业务最小完成时间，y为归一化时间；
[0026]
检查本级节点j是否存在下级节点：若存在，则计算其各个下级节点的本级业务处理实际花费的时间，并按照公式(2)计算本级节点j依赖于其下级节点的时间若不存在，则令
[0027][0028]
其中，表示本级节点j的下级节点i的本级业务处理实际花费的时间；
[0029]
按照公式(3)计算得到本级节点j完成上级任务的总耗时
[0030][0031]
进一步地，所述上下级交互的业务模型具体包括：
[0032]
确定分派任务方式以便计算特定分派任务方式下的任务交互时间；其中，所述分派任务方式包括在线交互分配任务和离线交互分派任务两种方式；
[0033]
根据所述任务交互时间和下级节点i完成上级任务的总耗时按照公式(4)计算得到
[0034][0035]
其中，表示从本级节点j通知其下级节点i准备接收任务到下级节点i收到任务所需的任务交互时间。
[0036]
进一步地，若采用在线交互分配任务，为正态分布，根据本级节点通知的领受顺序和本级节点下的下级节点个数计算均值，根据下级节点的工作状态和通信链路稳定性计算方差。
[0037]
进一步地，若采用离线交互分配任务，则采用公式(5)计算
[0038][0039]
其中，t
i,goto
、t
i,receive
和t
i,goback
分别为下级节点i根据通知前往本级节点位置的路程时间、到达后获得任务时间和返回自己所在位置的路程时间。
[0040]
进一步地，步骤5中，所述配置参数包括节点的原子工作向量、工作人员向量和上下级交互参数。
[0041]
另一方面，本发明提供一种多层级复杂业务智能仿真系统，包括：业务层级描述模块、想定配置模块、节点本级业务处理仿真模块、节点与下级交互仿真模块和仿真进度管理模块；
[0042]
所述业务层级描述模块，用于将复杂业务中的每个业务实体作为一个节点，描述复杂业务的层级关系以确定每一层级中每个节点的上下级关系；以及用于根据每个节点的上下级关系，确定每个节点的节点属性以得到每个节点的任务内容构成；
[0043]
所述想定配置模块，用于按多层级复杂业务情况想定各个节点的配置参数；以及调整各个节点的配置参数；
[0044]
所述节点本级业务处理仿真模块，用于按照给定配置参数，调用节点本级业务处理模型进行本级业务处理过程的仿真，并得到本级节点完成上级任务的总耗时；
[0045]
所述节点与下级交互仿真模块，用于按照给定配置参数，调用上下级交互的业务模型进行上下级业务交互过程的仿真，并得到下级节点完成上级任务的总耗时；
[0046]
所述仿真进度管理模块，用于启动、暂停或停止仿真过程。
[0047]
进一步地，所述系统还包括：节点本级业务处理神经网络训练模块；
[0048]
所述节点本级业务处理神经网络训练模块，用于对节点的业务数据进行清洗，得到原子工作向量、工作人员向量和本级业务完成的归一化时间；将原子工作向量和工作人员向量分别作为第一长短时记忆神经网络和第二长短时记忆神经网络的输入，将所述第一长短时记忆神经网络的最后一个单元的输出和第二长短时记忆神经网络的最后一个单元的输出级联，级联向量输入至深层全连接神经网络，将本级业务完成的归一化时间作为所述深层全连接神经网络的输出，然后采用监督学习训练神经网络参数或者通过专家数据模仿学习训练神经网络参数，训练好的神经网络即为节点本级业务处理模型。
[0049]
本发明的有益效果：
[0050]
本发明能够对多层级复杂业务的执行过程进行模拟仿真。通过分析各个层级间业
务任务量，及各个层级间业务的执行时间，在总人数固定的前提下，为整个业务活动各个层级的人员分配、耗费时间提供科学依据。
附图说明
[0051]
图1为本发明实施例提供的多层级复杂业务智能仿真方法的流程示意图；
[0052]
图2为本发明实施例提供的节点本级业务处理模型所采用的深层神经网络结构示意图；
[0053]
图3为本发明实施例提供的多层级复杂业务智能仿真系统的结构框图。
具体实施方式
[0054]
为使本发明的目的、技术方案和优点更加清楚，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地描述，显然，所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
[0055]
一方面，多层级复杂业务由于不直接涉及最底级实体状态的变迁，难以用底级实体状态改变的效益来评估多层级复杂业务活动。另一方面，多层级复杂业务依赖于各级各个节点间工作量级和特点、以及上下级交互的过程，在有限工作人员条件下，工作人员的数量和特点，决定了总耗时和效能。在这种情况下，提出一种多层级复杂业务活动建模方法，并使用多层级复杂业务的时间消耗来作为基本评估标准，构建仿真系统分析多层级业务的工作分配和人员配备优劣。
[0056]
实施例1
[0057]
如图1所示，本发明实施例提供一种多层级复杂业务智能仿真方法，包括以下步骤：
[0058]
s101、将复杂业务中的每个业务实体作为一个节点，描述复杂业务的层级关系以确定每一层级中每个节点的上下级关系；
[0059]
具体地，可以采用数据结构(典型地，如树状数据结构)来描述复杂业务的层级关系。
[0060]
例如，dict_unities_backbone＝{'实体a':['实体b1','实体b2'],
[0061]
'实体b1':['实体c1','实体c2','实体c3'],
[0062]
'实体b2':['实体c4','实体c5']}
[0063]
该树状数据结构表示：实体a为业务的顶级节点，也就是最高级指挥者，其直接下级节点为实体b1和实体b2，而b1又有下级实体c1、实体c2、实体c3三个节点，b2又有下级实体c4和c5两个节点。它表示了复杂业务的实体树，从树根节点到叶子节点通过有向边连成。从根到某一节点的路径中的边数为该节点的度，根的度定义为0。度相同的节点，定义为对应级协同节点；度相差1且直接有边相连两个节点，为直接上下级；度相差大于1，但存在从根节点出发的一条路径使之相连的两个节点，为间接上下级。实体树可存于json文件中。
[0064]
s102、根据每个节点的上下级关系，确定每个节点的节点属性以得到每个节点的任务内容构成；
[0065]
具体地，所述节点属性包括顶级节点、中间级节点和最底级节点；对应地，
[0066]
顶级节点的任务内容构成包括：处理本级业务、分派下级任务；中间级节点的任务内容构成包括：领受上级任务、处理本级业务、分派下级任务；最底级节点的任务内容构成包括：领受上级任务、处理本级业务。
[0067]
例如，实体a为顶级节点，实体b1和实体b2为中间级节点，实体c1、实体c2、实体c3、实体c4和实体c5为最底级节点。
[0068]
需要说明的是，对于有下级节点的本级节点，其完成所有本级业务工作后，会产生下级任务分派给下级。下级节点领受上级任务行为与其上级节点分派下级任务行为同时发生，上下级节点配合完成任务分派和领受。
[0069]
s103、构建基于深层神经网络的节点本级业务处理模型，利用所述节点本级业务处理模型得到本级节点完成上级任务的总耗时；
[0070]
作为一种可实施方式，如图2所示，所述节点本级业务处理模型所采用的神经网络结构包括第一长短时记忆神经网络、第二长短时记忆神经网络和深层全连接神经网络；
[0071]
对应地，所述节点本级业务处理模型的训练过程具体包括：
[0072]
步骤a1：对节点的业务数据进行清洗，得到原子工作向量、工作人员向量和本级业务完成的归一化时间；
[0073]
具体地，本级业务一般根据上级任务分派，分为多个原子工作，原子工作可以理解为组成本级业务的最小工作单元，原子工作有些可以并行，有些有前后依赖关系；每个原子工作都有一定特点(例如，工作量大小、有无依赖工作、环境要素)，因此可以采用一个特点向量对原子工作进行表征描述，原子工作向量即为通过特点向量对原子工作进行表征描述后得到；类似地，假设某一级的节点j的业务活动配备有m个工作人员，每个工作人员都有一定特点(例如，新老手、疲惫与否、能否适应并行任务)，因此可以采用一个特点向量来表征描述，工作人员向量即为通过特点向量对参与本级业务的工作人员进行表征描述后得到；一个原子工作对应一个原子工作向量，一个工作人员对应一个工作人员向量；所谓归一化时间是指神经网络输出0到1之间的实数。
[0074]
步骤a2：将原子工作向量和工作人员向量分别作为第一长短时记忆神经网络和第二长短时记忆神经网络的输入，将所述第一长短时记忆神经网络的最后一个单元的输出和第二长短时记忆神经网络的最后一个单元的输出级联，级联向量输入至深层全连接神经网络，将本级业务完成的归一化时间作为所述深层全连接神经网络的输出，然后采用监督学习训练神经网络参数或者通过专家数据模仿学习训练神经网络参数，训练好的神经网络即为节点本级业务处理模型。
[0075]
假设m个工作人员协同完成本级业务活动，其时间代价由每个原子工作向量、承接该工作的工作人员向量、以及原子工作间的流程等因素共同决定。由于具体业务执行过程往往无法模拟，因此使用深层神经网络来建模整个本级业务的时间代价。
[0076]
如图2所示，所述节点本级业务处理模型的使用过程为：
[0077]
步骤b1：将本级节点的业务数据分为多个原子工作，采用特点向量对每个原子工作进行表征描述，得到每个原子工作的原子工作向量；
[0078]
步骤b2：获取本级节点所配备的所有工作人员信息，采用特点向量对本级节点的每个工作人员进行表征描述，得到每个工作人员的工作人员向量；
[0079]
步骤b3：将每个原子工作的原子工作向量分别作为第一长短时记忆神经网络中各
个lstm单元(如图2中的多个lstm1单元)的输入，将每个工作人员的工作人员向量作为第二长短时记忆神经网络中各个lstm单元(如图2中的多个lstm2单元)的输入，将第一长短时记忆神经网络的最后一个单元的输出和第二长短时记忆神经网络的最后一个单元的输出级联，级联向量输入至深层全连接神经网络(图2中，所述深层全连接神经网络包括2个全连接层，每层共2048个神经元)，所述深层全连接神经网络(图2中的最后一层全连接层)输出本级业务完成的归一化时间。
[0080]
作为一种可实施方式，利用所述节点本级业务处理模型得到本级节点完成上级任务的总耗时，具体包括以下步骤：
[0081]
步骤c1：根据所述节点本级业务处理模型输出的归一化时间，按照公式(1)计算本级节点j的本级业务处理实际花费的时间
[0082][0083]
其中，t
max
表示本级业务最大完成时间，t
min
表示本级业务最小完成时间，y为归一化时间；
[0084]
步骤c2：检查本级节点j是否存在下级节点：若存在，则(通过步骤s104)计算其各个下级节点的本级业务处理实际花费的时间，并按照公式(2)计算本级节点j依赖于其下级节点的时间若不存在，则令
[0085][0086]
其中，表示本级节点j的下级节点i的本级业务处理实际花费的时间；
[0087]
步骤c3：按照公式(3)计算得到本级节点j完成上级任务的总耗时
[0088][0089]
s104、构建上下级交互的业务模型，利用所述上下级交互的业务模型得到下级节点完成上级任务的总耗时；
[0090]
具体地，所述交互是指上级为下级分派任务，下级领受上级任务并完成上级任务的过程。所述上下级交互的业务模型具体包括：
[0091]
步骤d1：确定分派任务方式以便计算特定分派任务方式下的任务交互时间；其中，所述分派任务方式包括在线交互分配任务和离线交互分派任务两种方式；
[0092]
步骤d2：根据所述任务交互时间和下级节点i完成上级任务的总耗时按照公式(4)计算得到
[0093][0094]
其中，表示从本级节点j通知其下级节点i准备接收任务到下级节点i收到任务所需的任务交互时间。
[0095]
具体地，本地节点首先获取自己的直接下级节点集合，每个下级节点对应一个下级agent(例如下级节点i对应第i个下级agent)，将本级节点对应的agent称为上级agent，上级agent通知其第i个下级agent准备接收任务，到第i个下级节点收到任务，所需时间记为然后，第i个下级agent递归调用步骤s103，得到
[0096]
作为一种可实施方式，若分派任务方式采用在线交互分配任务，为正态分布，根据本级节点通知的领受顺序和本级节点下的下级节点个数计算均值，根据下级节点的工作状态和通信链路稳定性计算方差。
[0097]
例如，假设本级节点的直接下级节点的节点个数为h，w为领受序号，t为h个下级节点领受的最大时长。
[0098]
作为一种可实施方式，若分派任务方式采用离线交互分配任务，则采用公式(5)计算
[0099][0100]
其中，t
i,goto
、t
i,receive
和t
i,goback
分别为下级节点i根据通知前往本级节点位置的路程时间、到达后获得任务时间和返回自己所在位置的路程时间。
[0101]
具体地，t
i,goto
和t
i,goback
可使用仿真软件包anylogic引入gis地图模拟获得。到达后获得任务时间t
i,receive
可用排队模型模拟获得。
[0102]
s105、按多层级复杂业务情况想定各个节点的配置参数，从而初始化仿真想定场景；
[0103]
具体地，所述配置参数包括节点的原子工作向量、工作人员向量和上下级交互参数。例如，当采用在线交互分配任务时，上下交互参数包括上下级在线交互的均值和方差值参数。当采用离线交互分配任务时，上下交互参数包括离线交互的下级地理位置、来去交通方式、到达后等待参数等数据。
[0104]
s106、按照给定配置参数，调用所述节点本级业务处理模型和所述上下级交互的业务模型进行仿真，并记录仿真过程中各个节点完成业务活动的时间数据；
[0105]
具体地，从顶级节点开始模拟仿真，用神经网络模型模拟需要的本级业务时间，本级完成后，模拟与下级互动的业务活动行为，模拟得到执行各级业务活动的时间和承担的风险，最后得到总执行时间和总风险，增强识别与降低风险的能力。
[0106]
s107、调整各个节点的配置参数，并再次执行步骤s106；
[0107]
具体地，变化各级各个节点的原子工作情况和工作人员配备情况后，再次进行模拟仿真。
[0108]
s108、在仿真过程结束后，比较不同配置参数下的仿真时间数据，得到最佳配置参数。
[0109]
例如，在总工作人数相同的情况下，比较各配备方案的优劣。
[0110]
实施例2
[0111]
如图3所示，本发明实施例提供一种多层级复杂业务智能仿真系统，包括：节点本级业务处理神经网络训练模块、业务层级描述模块、想定配置模块、节点本级业务处理仿真模块、节点与下级交互仿真模块和仿真进度管理模块；
[0112]
所述节点本级业务处理神经网络训练模块，用于对节点的业务数据进行清洗，得到原子工作向量、工作人员向量和本级业务完成的归一化时间；将原子工作向量和工作人员向量分别作为第一长短时记忆神经网络和第二长短时记忆神经网络的输入，将所述第一长短时记忆神经网络的最后一个单元的输出和第二长短时记忆神经网络的最后一个单元
的输出级联，级联向量输入至深层全连接神经网络，将本级业务完成的归一化时间作为所述深层全连接神经网络的输出，然后采用监督学习训练神经网络参数或者通过专家数据模仿学习训练神经网络参数，训练好的神经网络即为节点本级业务处理模型。
[0113]
所述业务层级描述模块，提供人机接口，用于将复杂业务中的每个业务实体作为一个节点，描述复杂业务的层级关系以确定每一层级中每个节点的上下级关系；以及用于根据每个节点的上下级关系，确定每个节点的节点属性以得到每个节点的任务内容构成；
[0114]
所述想定配置模块，提供人机接口，用于按多层级复杂业务情况想定各个节点的配置参数；以及调整各个节点的配置参数；
[0115]
具体地，各个节点的配置参数包括节点的原子工作向量、工作人员向量和上下级交互参数。例如，当采用在线交互分配任务时，上下交互参数包括上下级在线交互的均值和方差值参数。当采用离线交互分配任务时，上下交互参数包括离线交互的下级地理位置、来去交通方式、到达后等待参数等数据。
[0116]
所述节点本级业务处理仿真模块，用于按照给定配置参数，调用节点本级业务处理模型进行本级业务处理过程的仿真，并得到本级节点完成上级任务的总耗时；
[0117]
具体地，使用想定配置模块确定的节点的各个原子工作向量、各个工作人员向量作为节点本级业务处理模型的输入，从而进行节点本级业务仿真。
[0118]
所述节点与下级交互仿真模块，用于按照给定配置参数，调用上下级交互的业务模型进行上下级业务交互过程的仿真，并得到下级节点完成上级任务的总耗时；
[0119]
具体地，使用想定配置模块确定的节点在线交互参数数据，仿真在线交互过程和交互时间，或者依据想定配置模块确定的节点离线交互数据，仿真离线交互过程和交互时间，节点与下级交互仿真模块还要深度优先递归调用其下级节点的本级业务仿真模块，获得下级业务的仿真执行时间。
[0120]
所述仿真进度管理模块，提供人机接口，用于启动、暂停或停止仿真过程，也可以控制仿真时间颗粒度。
[0121]
需要说明的是，本发明实施例提供的多层级复杂业务智能仿真系统，是为了实现上述方法是实施例的，其功能具体可参考上述方法实施例，此处不再赘述。
[0122]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。