买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：本发明公开了基于双向顺序图卷积网络的生产业务流程活动预测方法；首先将生产业务流程的事件日志构造成正向和逆向顺序图结构，分别在活动和属性两个层面进行处理；活动层面的顺序图通过图卷积层学习节点间的特征表示，并利用注意力机制融合正反向特征，形成活动级信息；属性层面则针对每种属性的顺序图进行处理，通过特征拼接和注意力机制融合属性级信息；最终，合并活动和属性级别的信息，输入分类模型以预测下一活动。本发明充分利用了双向顺序图、图卷积网络和注意力机制，逐渐抽象和组合节点特征，提高模型对复杂特征的学习能力，由此能够高效、准确地预测生产业务流程中的下一活动。

主权项：1.基于双向顺序图卷积网络的生产业务流程活动预测方法，其特征在于：包括以下步骤：1将生产业务流程的事件日志中的活动序列转换成双向顺序图结构；2设计活动级别的图卷积层，分别处理正向顺序图和逆向顺序图，分别利用活动邻接矩阵A活动和B活动对活动节点进行信息传递卷积操作如下： 其中，是正向顺序图的l层的活动节点表示，是逆向顺序图的l层的活动节点表示，是指正向顺序图的l层的学习的权重参数，是指逆向顺序图的l层的学习的权重参数，δ是ReLU激活函数；通过该卷积操作可以将活动层的信息通过邻接矩阵传递给下一层，由此得到下一层活动节点的表示和3设计属性级别的图卷积层，分别处理每一种属性i的正向顺序图和逆向顺序图，分别利用属性邻接矩阵A属性i和B属性i对属性节点进行信息传递，卷积操作如下： 其中，对于第i种属性，是正向顺序图的l层的属性节点表示，是逆向顺序图的l层的属性节点表示，是指正向顺序图的l层的学习的权重参数，是指逆向顺序图的l层的学习的权重参数，δ是ReLU激活函数；通过该卷积操作将属性层的信息通过邻接矩阵传递给下一层，由此得到下一层属性节点的表示和4引入注意力机制，融合活动级别的正向顺序图和逆向顺序图的全局特征表示：首先，计算正向顺序图和逆向顺序图的全局特征表示： 其中，是第l层的正向顺序图的全局特征表示，是第l层的逆向顺序图的全局特征表示，是第l层上第i个活动的表示，是第l层上第i个活动的表示，N表示活动总数；接着，基于正向顺序图和逆向顺序图的全局特征表示，计算活动级别的正向顺序图的活动节点i和逆向顺序图的活动节点j之间的注意力权重αij： 其中，softmax是一个用于类别分类问题的激活函数，将一组数值映射为表示概率分布的数值范围0,1，LeakyReLU是一种神经网络单元激活函数，是可学习的权重向量，||表示连接操作，表示正向顺序图上第l层活动节点与第l-1层所有节点之间的权重，表示逆向顺序图上第l层活动节点与第l-1层所有节点之间的权重，和分别是正向顺序图和逆向顺序图的l层的活动节点表示；最后，基于注意力权重将活动级别的正向顺序图和逆向顺序图的全局特征表示进行聚合： 其中，是融合第l层的正向顺序图和逆向顺序图的全局信息的特征表示，是第l层的正向顺序图的全局特征表示，是第l层的逆向顺序图的全局特征表示；5设计属性融合层，融合属性级别中多种属性的全图特征表示：首先，计算正向顺序图和逆向顺序图的全局特征表示： 其中，针对属性j，是第l层上正向顺序图的全局特征表示，是第l层上逆向顺序图的全局特征表示，是第l层上正向顺序图的第i个属性节点表示，是第l层上逆向顺序图的第i个属性节点表示，N是图中的节点的数量；接着，将同一种属性的正向顺序图和逆向顺序图的全局特征表示进行拼接融合： 其中，是拼接第l层属性j的正向顺序图和逆向顺序图全局特征的信息表示；6基于属性融合层引入注意力机制，综合所有属性的全图特征融合表示首先，计算每种属性的全图特征融合表示的注意力权重αj： 其中，αj是第l层的属性j的全图特征融合表示向量的注意力权重，Wl表示属性j的第l层与第l-1层的所有节点之间的权重。然后，基于注意力权重将所有属性的全图特征融合表示向量进行加权融合： 其中，是拼接第l层属性j的正向顺序图和逆向顺序图全局特征的信息表示，是综合了所有J个属性的全局信息的特征表示；7下一活动预测：首先，将活动级别和属性级别的最终全局特征表示进行拼接融合： 其中，是综合了所有J个属性的全局信息的特征表示，是融合第l层的正向顺序图和逆向顺序图的全局信息的特征表示，是拼接融合了第l层的活动级别和属性级别的最终全局特征的信息表示；接着，使用分类模型进行下一活动的预测： 其中，Ti是对应的活动i的预测值，Wr是分类模型的权重矩阵，br是分类模型的偏置。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于双向顺序图卷积网络的生产业务流程活动预测方法