CN114663073B - 异常节点的发现方法及其相关设备 - Google Patents
异常节点的发现方法及其相关设备 Download PDFInfo
- Publication number
- CN114663073B CN114663073B CN202210418248.4A CN202210418248A CN114663073B CN 114663073 B CN114663073 B CN 114663073B CN 202210418248 A CN202210418248 A CN 202210418248A CN 114663073 B CN114663073 B CN 114663073B
- Authority
- CN
- China
- Prior art keywords
- case
- node
- target
- determining
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims description 74
- 230000004044 response Effects 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 11
- 239000000463 material Substances 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 5
- 230000002547 anomalous effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/14—Details of searching files based on file metadata
- G06F16/148—File search processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2282—Tablespace storage structures; Management thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Library & Information Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Debugging And Monitoring (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请实施例属于人工智能领域,涉及一种异常节点的发现方法,方法包括获取历史时间段内至少两个案例节点的历史数据;根据历史数据生成智能流程图;响应于对目标案例节点的查询操作,根据智能流程图确定目标案例节点的实际运行值,并获取目标案例节点对应的标准关键业绩指标KPI值;在实际运行值大于标准KPI值时,确定目标案例节点异常。本申请还提供一种异常节点的发现装置、计算机设备及存储介质。本申请提高了确定出异常节点的准确率。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种异常节点的发现方法及其相关设备。
背景技术
文件流转效率能够体现出一个公司的业务管理水平。一个大型公司每天可能会有成千上万的报表要流转,通常这些报表的流转数据都会存在存放在数据库中,若再想对流转数据进行分析来定位异常的节点,则需要相关人员重新从数据库中进行一步步的筛选、匹配、总结。整个过程需要投入大量的人力物力,并且在处理数据的过程中,后面的新数据又层出不穷,统计过程中不免出现一些误差,从而导致确定出的异常节点不准确。
发明内容
本申请实施例的目的在于提出一种异常节点的发现方法及其相关设备,以解决确定出的异常节点不准确的问题。
为了解决上述技术问题,本申请实施例提供一种异常节点的发现方法,采用了如下所述的技术方案:
获取历史时间段内至少两个案例节点的历史数据;一个案例节点对应至少一个案例,且一个案列节点对应案例的案例名称相同;所述历史数据包括每个案例节点中每个案例的案例开始时间、案例结束时间以及案例属性;根据所述历史数据生成智能流程图;所述智能流程图由所述至少两个案例节点的历史数据和连接线组成;所述连接线的始端连接第一案例节点的历史数据,末端连接第二案例节点的历史数据;所述第一案例节点与所述第二案例节点均为所述至少两个案例节点中任一案例节点,且所述第一案例节点与所述第二案例节点不同;响应于对目标案例节点的查询操作,根据所述智能流程图确定所述目标案例节点的实际运行值,并获取所述目标案例节点对应的标准关键业绩指标KPI值;在所述实际运行值大于所述标准KPI值时,确定所述目标案例节点异常。
进一步的,所述根据所述历史数据生成智能流程图,包括:在确定所述第一案例节点中开始案例的案例开始时间,早于所述第二案例节点中结束案例的案例开始时间时,将所述第一案例节点的历史数据置于所述连接线的始端,所述第二案例节点的历史数据置于所述连接线的末端生成所述智能流程图;所述开始案例的案例开始时间为所述第一案例节点中所有案例开始时间中最早的案例开始时间;所述结束案例的案例开始时间为所述第二案例节点中所有案例开始时间中最早的案例开始时间。
进一步的,所述历史数据还包括节点标识;所述响应于对目标案例节点的查询操作,根据所述智能流程图确定所述目标案例节点的实际运行值,包括:响应于对目标案例节点的查询操作,确定所述目标案例节点的目标节点标识;根据所述目标节点标识在所述智能流程图中查询所述目标案例节点,并获取所述目标案例节点的历史数据;根据所述目标案例节点的历史数据确定所述目标案例节点的实际运行值。
进一步的,所述实际运行值为案例节点中案例的出现次数、案例退回本节点次数、案例退回上一节点次数、案例处理时长的中间值、案例处理时长的最大值、以及案例处理时长的平均值中的至少一个;所述根据所述目标案例节点的历史数据确定所述目标案例节点的实际运行值,包括:在所述实际运行值为案例的出现次数时,确定所述目标案例节点中案例的个数为所述目标案例节点的实际运行值;在所述实际运行值为案例退回本节点次数或者案例退回上一节点次数时,根据目标案例节点中案例的案例属性确定所述目标案例节点的实际运行值;在所述实际运行值为案例处理时长的中间值时,将所述目标案例节点中案例的案例处理时长为中间值的时长,确定为所述目标案例节点的实际运行值;在所述实际运行值为案例处理时长的最大值时,将所述目标案例节点中案例的案例处理时长最大的时长,确定为所述目标案例节点的实际运行值;在所述实际运行值为案例处理时长的平均值时,将所述目标案例节点中所有案例持续时长的平均值,确定为所述目标案例节点的实际运行值。
进一步的,所述案例属性为退回或者通过;所述在所述实际运行值为案例退回本节点次数或者案例退回上一节点次数时,根据目标案例节点中案例的案例属性确定所述目标案例节点的实际运行值,包括:在所述实际运行值为案例退回本节点次数时,确定属性为退回的案例对应的第一案例开始时间;根据所述第一案例开始时间确定退回目标案例节点的第一案例个数;将所述第一案例个数确定为所述目标案例节点的实际运行值;在所述实际运行值为案例退回上一节点次数时,确定目标案例节点中属性为退回的案例对应的第二案例开始时间;根据所述第二案例开始时间确定退回上一节点的第二案例个数;将所述第二案例个数确定为所述目标案例节点的实际运行值。
进一步的,所述根据所述第一案例开始时间确定退回目标案例节点的第一案例个数,包括:在所述第一案例开始时间处于第一目标案例的案例开始时间和案例结束时间之间时,将所述第一案例个数加一;所述第一目标案例为所述目标案例节点中任一案例;所述根据所述第二案例开始时间确定退回上一节点的第二案例个数,包括:在所述第二案例开始时间处于第二目标案例的案例开始时间和案例结束时间之间时,将所述第二案例个数加一;所述第二目标案例为第三案例节点中任一案例;所述第三案例节点不同于所述目标案例节点。
进一步的,在确定所述目标案例节点异常之后,还包括:发送目标案例节点异常提示;所述目标案例节点异常提示包括所述目标案例节点的目标节点标识。
为了解决上述技术问题,本申请实施例还提供一种异常节点的发现装置,采用了如下所述的技术方案:
获取模块,用于获取历史时间段内至少两个案例节点的历史数据;一个案例节点对应至少一个案例,且一个案列节点对应案例的案例名称相同;所述历史数据包括每个案例节点中每个案例的案例开始时间、案例结束时间以及案例属性;生成模块,用于根据所述历史数据生成智能流程图;所述智能流程图由所述至少两个案例节点的历史数据和连接线组成;所述连接线的始端连接第一案例节点的历史数据,末端连接第二案例节点的历史数据;所述第一案例节点与所述第二案例节点均为所述至少两个案例节点中任一案例节点,且所述第一案例节点与所述第二案例节点不同;查询确定模块,用于响应于对目标案例节点的查询操作,根据所述智能流程图确定所述目标案例节点的实际运行值,并获取所述目标案例节点对应的标准关键业绩指标KPI值;异常确定模块,用于在所述实际运行值大于所述标准KPI值时,确定所述目标案例节点异常。
进一步的,所述生成模块,具体用于:在确定所述第一案例节点中开始案例的案例开始时间,早于所述第二案例节点中结束案例的案例开始时间时,将所述第一案例节点的历史数据置于所述连接线的始端,所述第二案例节点的历史数据置于所述连接线的末端生成所述智能流程图;所述开始案例的案例开始时间为所述第一案例节点中所有案例开始时间中最早的案例开始时间;所述结束案例的案例开始时间为所述第二案例节点中所有案例开始时间中最早的案例开始时间。
进一步的,所述历史数据还包括节点标识;所述查询确定模块,包括第一确定子模块、数据获取子模块以及第二确定子模块;所述第一确定子模块,用于响应于对目标案例节点的查询操作,确定所述目标案例节点的目标节点标识;所述数据获取子模块,用于根据所述目标节点标识在所述智能流程图中查询所述目标案例节点,并获取所述目标案例节点的历史数据;所述第二确定子模块,用于根据所述目标案例节点的历史数据确定所述目标案例节点的实际运行值。
进一步的,所述实际运行值为案例节点中案例的出现次数、案例退回本节点次数、案例退回上一节点次数、案例处理时长的中间值、案例处理时长的最大值、以及案例处理时长的平均值中的至少一个;所述第二确定子模块,包括次数确定子模块、退回确定子模块以及时长确定子模块;所述次数确定子模块,用于在所述实际运行值为案例的出现次数时,确定所述目标案例节点中案例的个数为所述目标案例节点的实际运行值;所述退回确定子模块,用于在所述实际运行值为案例退回本节点次数或者案例退回上一节点次数时,根据目标案例节点中案例的案例属性确定所述目标案例节点的实际运行值;所述时长确定子模块,用于:在所述实际运行值为案例处理时长的中间值时,将所述目标案例节点中案例的案例处理时长为中间值的时长,确定为所述目标案例节点的实际运行值;在所述实际运行值为案例处理时长的最大值时,将所述目标案例节点中案例的案例处理时长最大的时长,确定为所述目标案例节点的实际运行值;在所述实际运行值为案例处理时长的平均值时,将所述目标案例节点中所有案例持续时长的平均值,确定为所述目标案例节点的实际运行值。
进一步的,所述案例属性为退回或者通过;所述退回确定子模块,包括第一退回确定子模块和第二退回子模块;所述第一退回确定子模块,用于:在所述实际运行值为案例退回本节点次数时,确定属性为退回的案例对应的第一案例开始时间;根据所述第一案例开始时间确定退回目标案例节点的第一案例个数;将所述第一案例个数确定为所述目标案例节点的实际运行值;所述第二退回确定子模块,用于:在所述实际运行值为案例退回上一节点次数时,确定目标案例节点中属性为退回的案例对应的第二案例开始时间;根据所述第二案例开始时间确定退回上一节点的第二案例个数;将所述第二案例个数确定为所述目标案例节点的实际运行值。
进一步的,所述第一退回确定子模块,具体用于:在所述第一案例开始时间处于第一目标案例的案例开始时间和案例结束时间之间时,将所述第一案例个数加一;所述第一目标案例为所述目标案例节点中任一案例;所述第二退回确定子模块,具体用于:在所述第二案例开始时间处于第二目标案例的案例开始时间和案例结束时间之间时,将所述第二案例个数加一;所述第二目标案例为第三案例节点中任一案例;所述第三案例节点不同于所述目标案例节点。
进一步的,所述发现装置,还包括:发送模块,用于发送目标案例节点异常提示;所述目标案例节点异常提示包括所述目标案例节点的目标节点标识。
为了解决上述技术问题,本申请实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述异常节点的发现方法的步骤。
为了解决上述技术问题,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述异常节点的发现方法的步骤。
与现有技术相比,本申请实施例主要有以下有益效果:获取历史时间段内至少两个案例节点的历史数据,并根据历史数据生成智能流程图。之后,响应于对目标案例节点的查询操作,根据智能流程图确定目标案例节点的实际运行值,并获取目标案例节点对应的标准关键业绩指标KPI值,并在实际运行值大于标准KPI值时,确定目标案例节点异常。能够自动将案例节点的历史数据生成智能流程图,并根据智能流程图自动确定出目标案例节点的异常情况,节省了大量的人力物力,提高了历史数据的处理效率,避免了由于数据处理效率低,新数据不断出现导致的误差,从而提高了确定出异常节点的准确率。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请可以应用于其中的示例性***架构图;
图2是根据本申请的异常节点的发现方法的一个实施例的流程图;
图3是根据本申请示出的智能流程图的示意图;
图4是图2中步骤S23的一种具体实施方式的流程图;
图5根据本申请的异常节点的发现方法的另一个实施例的流程图;
图6是根据本申请的异常节点的发现装置的一个实施例的结构示意图;
图7是图6所示查询确定模块一种具体实施方式的结构示意图;
图8是图7所示第二确定子模块一种具体实施方式的结构示意图;
图9是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving PictureExpertsGroup Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(MovingPictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是,本申请实施例提供的异常节点的发现方法可以应用于上述服务器设备105,也可以应用于上述终端设备101、102、103。该服务器设备105和终端设备101、102、103可以统称为电子设备。即本申请实施例提供的异常节点的发现方法的执行主体可以为异常节点的发现装置,异常节点的发现装置可以为上述电子设备(如服务器设备105或终端设备101、102、103)。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,示出了根据本申请的异常节点的发现方法的一个实施例的流程图。该异常节点的发现方法包括以下步骤:
步骤S21,获取历史时间段内至少两个案例节点的历史数据。
其中,一个案例节点对应至少一个案例,且一个案列节点对应案例的案例名称相同;历史数据包括每个案例节点中每个案例的案例开始时间、案例结束时间以及案例属性。
具体的,文件流转的流转数据通常会存储在数据库中,因此选择文件流转数据存储的数据库类型进行登录操作,登录后关联对应的数据表中的字段,并添加维度进行精准关联。之后,将查询到的关联数据存储到新的数据表中,数据表中包含的字段包括案例名称、案例标识、案例开始时间、案例结束时间、案例属性以及案例处理人。其中,每个案例的案例标识均不同,具有唯一性。例如,案例标识可以为案例的编号、序号、身份标识号(Identity document,ID)等。
之后,将案例名称相同的案例作为同一个案例节点对应的案例,且将案例名称作为该案例节点的节点标识,得到每个案例节点对应的历史数据。
例如,从数据库中存储到新数据表中的内容如下表1所示,包括案例A1、案例A2、案例A3、案例B1、案例B2、案例B3对应的数据。
表1
则将上表1中案例名称为A的案例作为同一个案例节点对应的案例,且将A作为该案例节点的节点标识,这样,案例节点A对应的案例有案例A1、案例A2、案例A3,案例节点A对应的历史数据为案例A1、案例A2、案例A3的对应的数据。同理,案例节点B对应的案例有案例B1、案例B2、案例B3,案例节点B对应的历史数据为案例B1、案例B2、案例B3的对应的数据。
在本实施例中,能够自动从数据库中获取到文件流转的流转数据进行处理,得到案例节点的历史数据,以便于后续生成智能流程图,避免了相关人员从数据库中筛选数据,节省了人力物力。
应该理解,上述表1中的案例节点的数量、案例的数量仅仅是示意性的。在实际应用中,案例节点的数量应根据案例的实际情况确定。案例开始时间和案例结束时间也可以是以年月日时分秒的方式进行计时,其对应的处理方法与本申请相同,本申请不进行限定。
步骤S22,根据历史数据生成智能流程图。
其中,智能流程图由至少两个案例节点的历史数据和连接线组成,连接线的始端连接第一案例节点的历史数据,末端连接第二案例节点的历史数据。第一案例节点与第二案例节点均为至少两个案例节点中任一案例节点,且第一案例节点与第二案例节点不同。
具体的,在确定第一案例节点中开始案例的案例开始时间,早于第二案例节点中结束案例的案例开始时间时,将第一案例节点的历史数据置于连接线的始端,第二案例节点的历史数据置于连接线的末端生成智能流程图。其中,开始案例的案例开始时间为第一案例节点中所有案例开始时间中最早的案例开始时间,结束案例的案例开始时间为第二案例节点中所有案例开始时间中最早的案例开始时间。
例如,图3A为根据上述表1生成的一种智能流程图的示意图。在表1中,最早的案例开始时间是00时00分,对应案例A1,则案例A1为开始案例。案例节点B中,最早的案例开始时间是00时21分,对应案例B2,则案例B2为结束案例。又由于案例节点A中的案例A1的案例开始时间(00时00分),早于案例节点B中的案例B2的案例开始时间,因此在图3A中将案例节点A确定为第一案例节点,并将案例节点A的历史数据(图中未示出)置于连接线的始端;将案例节点B确定为第二案例节点,并将案例节点B的历史数据(图中未示出)置于连接线的末端。
可选的,在生成智能流程图时,还可以根据案例的案例开始时间和案例属性,在智能流程图中示出案例属性为退回的案例退回的位置。
例如,图3B为根据上述表1生成的另一种智能流程图的示意图。如图3所示,案例节点A为第一案例节点,案例节点A的历史数据位于连接线的始端,案例节点B为第二案例节点,案例节点B的历史数据位于连接线的末端。
其中,案例节点A包括案例A1(案例开始时间为00时00分,案例结束时间为00时21分,案例属性为通过)、案例A3(案例开始时间为00时41分,案例结束时间为00时44分,案例属性为通过)、案例A2(案例开始时间为00时44分,案例结束时间为00时51分,案例属性为退回)。案例节点B包括案例B2(案例开始时间为00时21分,案例结束时间为00时21分,案例属性为退回)、案例B3(案例开始时间为00时34分,案例结束时间为00时41分,案例属性为通过)、案例B1(案例开始时间为00时52分,案例结束时间为00时52分,案例属性为退回)。
可以看出,案例A2、案例B2、案例B1的案例属性均为退回。其中,案例A2的案例开始时间为00时44分,处于案例A3的案例开始时间00时41分和案例结束时间为00时44分之间,因此,案例A2退回了案例A3;同理,案例B2退回了案例A1;案例B1退回了案例B1。
在本实施例中,能够根据历史数据自动生成智能流程图,以便于后续根据智能流程图确定异常案例节点。避免了相关人员从数据库中一步步筛选、匹配、总结数据,节省了大量人力物力,提高了历史数据的处理效率,避免了由于数据处理效率低,新数据不断出现导致的误差,从而提高了确定出异常节点的准确率。
步骤S23,响应于对目标案例节点的查询操作,根据智能流程图确定目标案例节点的实际运行值,并获取目标案例节点对应的标准关键业绩指标(Key PerformanceIndicator,KPI)值。
具体的,如图4所示,历史数据还包括节点标识。响应于对目标案例节点的查询操作,根据智能流程图确定目标案例节点的实际运行值的方式,包括以下步骤:
步骤S231,响应于对目标案例节点的查询操作,确定目标案例节点的目标节点标识。
步骤S232,根据目标节点标识在智能流程图中查询目标案例节点,并获取目标案例节点的历史数据。
步骤S233,根据目标案例节点的历史数据确定目标案例节点的实际运行值。
其中,实际运行值可以为案例节点中案例的出现次数、案例退回本节点次数、案例退回上一节点次数、案例处理时长的中间值、案例处理时长的最大值、以及案例处理时长的平均值中的至少一个。
具体的,根据目标案例节点的历史数据确定目标案例节点的实际运行值,包括如下情况:
情况一,在实际运行值为案例的出现次数时,确定目标案例节点中案例的个数为目标案例节点的实际运行值。例如,在表1中案例节点A中案例的出现次数为3次,案例节点B中案例的出现次数为3次。
情况二,在实际运行值为案例处理时长的中间值时,将目标案例节点中案例的案例处理时长为中间值的时长,确定为目标案例节点的实际运行值。例如,在表1中,案例A1的处理时长为21分钟,案例A2的处理时长为1分钟,案例A3的处理时长为3分钟,则案例节点A中处理时长为中间值的时长,为案例A3的处理时长3分钟。
情况三,在实际运行值为案例处理时长的最大值时,将目标案例节点中案例的案例处理时长最大的时长,确定为目标案例节点的实际运行值。例如,在表1中,案例A1的处理时长为21分钟,案例A2的处理时长为1分钟,案例A3的处理时长为3分钟,则案例节点A中处理时长为最大值的时长,为案例A1的处理时长21分钟。
情况四,在实际运行值为案例处理时长的平均值时,将目标案例节点中所有案例持续时长的平均值,确定为目标案例节点的实际运行值。例如,在表1中,案例A1的处理时长为21分钟,案例A2的处理时长为1分钟,案例A3的处理时长为3分钟,则案例节点A中案例的平均处理时长为(21+1+3)÷3≈8分钟。
情况五,在实际运行值为案例退回本节点次数或者案例退回上一节点次数时,根据目标案例节点中案例的案例属性确定目标案例节点的实际运行值。
具体的,案例属性为退回或者通过。
在实际运行值为案例退回本节点次数时,确定属性为退回的案例对应的第一案例开始时间。之后,根据第一案例开始时间确定退回目标案例节点的第一案例个数。最后,将第一案例个数确定为目标案例节点的实际运行值。其中,在第一案例开始时间处于第一目标案例的案例开始时间和案例结束时间之间时,将第一案例个数加一。第一目标案例为目标案例节点中任一案例。例如,在表1中,案例A2退回了案例A3,由于案例A2和案例A3均对应案例节点A,因此案例A2退回了本节点;案例B2退回了案例A1,由于案例B2对应案例节点B,案例A1对应节点B,因此案例B2退回了上一节点;案例B1退回了案例B1,即案例B1退回了本节点。因此,在表1中,案例节点A中案例退回本节点次数为A2退回了本节点1次,案例节点B中案例退回本节点次数为B1退回了本节点1次。
在实际运行值为案例退回上一节点次数时,确定目标案例节点中属性为退回的案例对应的第二案例开始时间。之后,根据第二案例开始时间确定退回上一节点的第二案例个数。最后,将第二案例个数确定为目标案例节点的实际运行值。其中,在第二案例开始时间处于第二目标案例的案例开始时间和案例结束时间之间时,将第二案例个数加一。第二目标案例为第三案例节点中任一案例,第三案例节点不同于目标案例节点。例如,在表1中,案例A2退回了案例A3,由于案例A2和案例A3均对应案例节点A,因此案例A2退回了本节点;案例B2退回了案例A1,由于案例B2对应案例节点B,案例A1对应节点B,因此案例B2退回了上一节点;案例B1退回了案例B1,即案例B1退回了本节点。因此,在表1中,案例节点A中案例退回上一节点次数为0,案例节点B中案例退回上一节点次数为案例B2退回了上一节点1次。
在本实施例中,能够自动根据智能流程图中案例节点的历史数据确定出案例节点的实际运行值,以便于后续根据实际运行值和标准KP I值确定异常的案例节点,节省了大量的人力物力,提高了历史数据的处理效率,避免了由于数据处理效率低,新数据不断出现导致的误差,从而提高了确定出异常节点的准确率。
之后,获取目标案例节点对应的标准KPI值。其中,标准KPI值为预设的,例如,可以为默认值,也可以为相关人员根据实际情况设置的数值。
步骤S24,在实际运行值大于标准KPI值时,确定目标案例节点异常。
在本实施例中,获取历史时间段内至少两个案例节点的历史数据,并根据历史数据生成智能流程图。之后,响应于对目标案例节点的查询操作,根据智能流程图确定目标案例节点的实际运行值,并获取目标案例节点对应的标准关键业绩指标KPI值,并在实际运行值大于标准KPI值时,确定目标案例节点异常。能够自动将案例节点的历史数据生成智能流程图,并根据智能流程图自动确定出目标案例节点的异常情况,节省了大量的人力物力,提高了历史数据的处理效率,避免了由于数据处理效率低,新数据不断出现导致的误差,从而提高了确定出异常节点的准确率。
在一些可选的实现方式中,如图5所示,在步骤S24之后,异常节点的发现方法还包括以下步骤:
步骤S25,发送目标案例节点异常提示。
其中,目标案例节点异常提示包括目标案例节点的目标节点标识。可选的,目标案例节点异常提示还可以包括目标案例节点中异常案例的案例标识和异常案例对应的案例处理人,以便于相关人员及时通知异常案例对应的案例处理人处理异常情况。
在本实施例中,在确定出目标案例节点异常时,能够自动发送异常提示,避免了案例节点异常不能被及时发现的情况,提高了异常节点的发现效率。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互***、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机可读指令来指令相关的硬件来完成,该计算机可读指令可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图6,作为对上述图2所示方法的实现,本申请提供了一种异常节点的发现装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例所述的异常节点的发现装置600包括:获取模块601、生成模块602、查询确定模块603以及异常确定模块604。其中:
获取模块,用于获取历史时间段内至少两个案例节点的历史数据;一个案例节点对应至少一个案例,且一个案列节点对应案例的案例名称相同;所述历史数据包括每个案例节点中每个案例的案例开始时间、案例结束时间以及案例属性;生成模块,用于根据所述历史数据生成智能流程图;所述智能流程图由所述至少两个案例节点的历史数据和连接线组成;所述连接线的始端连接第一案例节点的历史数据,末端连接第二案例节点的历史数据;所述第一案例节点与所述第二案例节点均为所述至少两个案例节点中任一案例节点,且所述第一案例节点与所述第二案例节点不同;查询确定模块,用于响应于对目标案例节点的查询操作,根据所述智能流程图确定所述目标案例节点的实际运行值,并获取所述目标案例节点对应的标准关键业绩指标KPI值;异常确定模块,用于在所述实际运行值大于所述标准KPI值时,确定所述目标案例节点异常。
在本实施例中,获取历史时间段内至少两个案例节点的历史数据,并根据历史数据生成智能流程图。之后,响应于对目标案例节点的查询操作,根据智能流程图确定目标案例节点的实际运行值,并获取目标案例节点对应的标准关键业绩指标KPI值,并在实际运行值大于标准KPI值时,确定目标案例节点异常。能够自动将案例节点的历史数据生成智能流程图,并根据智能流程图自动确定出目标案例节点的异常情况,节省了大量的人力物力,提高了历史数据的处理效率,避免了由于数据处理效率低,新数据不断出现导致的误差,从而提高了确定出异常节点的准确率。
在本实施例的一些可选的实现方式中,所述生成模块,具体用于:在确定所述第一案例节点中开始案例的案例开始时间,早于所述第二案例节点中结束案例的案例开始时间时,将所述第一案例节点的历史数据置于所述连接线的始端,所述第二案例节点的历史数据置于所述连接线的末端生成所述智能流程图;所述开始案例的案例开始时间为所述第一案例节点中所有案例开始时间中最早的案例开始时间;所述结束案例的案例开始时间为所述第二案例节点中所有案例开始时间中最早的案例开始时间。
在本实施例中,能够根据历史数据自动生成智能流程图,以便于后续根据智能流程图确定异常案例节点。避免了相关人员从数据库中一步步筛选、匹配、总结数据,节省了大量人力物力,提高了历史数据的处理效率,避免了由于数据处理效率低,新数据不断出现导致的误差,从而提高了确定出异常节点的准确率。
在本实施例的一些可选的实现方式中,参阅图7,为查询处理模块的一种具体实施方式的结构示意图,所述历史数据还包括节点标识;所述查询确定模块,包括第一确定子模块、数据获取子模块以及第二确定子模块;所述第一确定子模块,用于响应于对目标案例节点的查询操作,确定所述目标案例节点的目标节点标识;所述数据获取子模块,用于根据所述目标节点标识在所述智能流程图中查询所述目标案例节点,并获取所述目标案例节点的历史数据;所述第二确定子模块,用于根据所述目标案例节点的历史数据确定所述目标案例节点的实际运行值。
在本实施例的一些可选的实现方式中,参阅图8,为第二确定子模块的一种具体实施方式的结构示意图,所述实际运行值为案例节点中案例的出现次数、案例退回本节点次数、案例退回上一节点次数、案例处理时长的中间值、案例处理时长的最大值、以及案例处理时长的平均值中的至少一个;所述第二确定子模块,包括次数确定子模块、退回确定子模块以及时长确定子模块;所述次数确定子模块,用于在所述实际运行值为案例的出现次数时,确定所述目标案例节点中案例的个数为所述目标案例节点的实际运行值;所述退回确定子模块,用于在所述实际运行值为案例退回本节点次数或者案例退回上一节点次数时,根据目标案例节点中案例的案例属性确定所述目标案例节点的实际运行值;所述时长确定子模块,用于:在所述实际运行值为案例处理时长的中间值时,将所述目标案例节点中案例的案例处理时长为中间值的时长,确定为所述目标案例节点的实际运行值;在所述实际运行值为案例处理时长的最大值时,将所述目标案例节点中案例的案例处理时长最大的时长,确定为所述目标案例节点的实际运行值;在所述实际运行值为案例处理时长的平均值时,将所述目标案例节点中所有案例持续时长的平均值,确定为所述目标案例节点的实际运行值。
在本实施例的一些可选的实现方式中,所述案例属性为退回或者通过;所述退回确定子模块,包括第一退回确定子模块和第二退回子模块;所述第一退回确定子模块,用于:在所述实际运行值为案例退回本节点次数时,确定属性为退回的案例对应的第一案例开始时间;根据所述第一案例开始时间确定退回目标案例节点的第一案例个数;将所述第一案例个数确定为所述目标案例节点的实际运行值;所述第二退回确定子模块,用于:在所述实际运行值为案例退回上一节点次数时,确定目标案例节点中属性为退回的案例对应的第二案例开始时间;根据所述第二案例开始时间确定退回上一节点的第二案例个数;将所述第二案例个数确定为所述目标案例节点的实际运行值。
在本实施例的一些可选的实现方式中,所述第一退回确定子模块,具体用于:在所述第一案例开始时间处于第一目标案例的案例开始时间和案例结束时间之间时,将所述第一案例个数加一;所述第一目标案例为所述目标案例节点中任一案例;所述第二退回确定子模块,具体用于:在所述第二案例开始时间处于第二目标案例的案例开始时间和案例结束时间之间时,将所述第二案例个数加一;所述第二目标案例为第三案例节点中任一案例;所述第三案例节点不同于所述目标案例节点。
在本实施例中,能够自动根据智能流程图中案例节点的历史数据确定出案例节点的实际运行值,以便于后续根据实际运行值和标准KP I值确定异常的案例节点,节省了大量的人力物力,提高了历史数据的处理效率,避免了由于数据处理效率低,新数据不断出现导致的误差,从而提高了确定出异常节点的准确率。
在本实施例的一些可选的实现方式中,所述发现装置,还包括:发送模块,用于发送目标案例节点异常提示;所述目标案例节点异常提示包括所述目标案例节点的目标节点标识。
在本实施例中,在确定出目标案例节点异常时,能够自动发送异常提示,避免了案例节点异常不能被及时发现的情况,提高了异常节点的发现效率。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图9,图9为本实施例计算机设备基本结构框图。
所述计算机设备9包括通过***总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是,图中仅示出了具有组件91-93的计算机设备9,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable GateArray,FPGA)、数字处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器91至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,所述存储器91可以是所述计算机设备9的内部存储单元,例如该计算机设备9的硬盘或内存。在另一些实施例中,所述存储器91也可以是所述计算机设备9的外部存储设备,例如该计算机设备9上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。当然,所述存储器91还可以既包括所述计算机设备9的内部存储单元也包括其外部存储设备。本实施例中,所述存储器91通常用于存储安装于所述计算机设备9的操作***和各类应用软件,例如异常节点的发现方法的计算机可读指令等。此外,所述存储器91还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器92在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制所述计算机设备9的总体操作。本实施例中,所述处理器92用于运行所述存储器91中存储的计算机可读指令或者处理数据,例如运行所述异常节点的发现方法的计算机可读指令。
所述网络接口93可包括无线网络接口或有线网络接口,该网络接口93通常用于在所述计算机设备9与其他电子设备之间建立通信连接。
在本实施例中,获取历史时间段内至少两个案例节点的历史数据,并根据历史数据生成智能流程图。之后,响应于对目标案例节点的查询操作,根据智能流程图确定目标案例节点的实际运行值,并获取目标案例节点对应的标准关键业绩指标KPI值,并在实际运行值大于标准KPI值时,确定目标案例节点异常。能够自动将案例节点的历史数据生成智能流程图,并根据智能流程图自动确定出目标案例节点的异常情况,节省了大量的人力物力,提高了历史数据的处理效率,避免了由于数据处理效率低,新数据不断出现导致的误差,从而提高了确定出异常节点的准确率。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可读指令,所述计算机可读指令可被至少一个处理器执行,以使所述至少一个处理器执行如上述的异常节点的发现方法的步骤。
在本实施例中,获取历史时间段内至少两个案例节点的历史数据,并根据历史数据生成智能流程图。之后,响应于对目标案例节点的查询操作,根据智能流程图确定目标案例节点的实际运行值,并获取目标案例节点对应的标准关键业绩指标KPI值,并在实际运行值大于标准KPI值时,确定目标案例节点异常。能够自动将案例节点的历史数据生成智能流程图,并根据智能流程图自动确定出目标案例节点的异常情况,节省了大量的人力物力,提高了历史数据的处理效率,避免了由于数据处理效率低,新数据不断出现导致的误差,从而提高了确定出异常节点的准确率。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所述的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (8)
1.一种异常节点的发现方法,其特征在于,包括下述步骤:
获取历史时间段内至少两个案例节点的历史数据;一个案例节点对应至少一个案例,且一个案列节点对应案例的案例名称相同;所述历史数据包括每个案例节点中每个案例的案例开始时间、案例结束时间以及案例属性;
根据所述历史数据生成智能流程图;所述智能流程图由所述至少两个案例节点的历史数据和连接线组成;所述连接线的始端连接第一案例节点的历史数据,末端连接第二案例节点的历史数据;所述第一案例节点与所述第二案例节点均为所述至少两个案例节点中任一案例节点,且所述第一案例节点与所述第二案例节点不同;
响应于对目标案例节点的查询操作,根据所述智能流程图确定所述目标案例节点的实际运行值,并获取所述目标案例节点对应的标准关键业绩指标KPI值;
在所述实际运行值大于所述标准关键业绩指标KPI值时,确定所述目标案例节点异常;
所述历史数据还包括节点标识;所述响应于对目标案例节点的查询操作,根据所述智能流程图确定所述目标案例节点的实际运行值,包括:
响应于对目标案例节点的查询操作,确定所述目标案例节点的目标节点标识;
根据所述目标节点标识在所述智能流程图中查询所述目标案例节点,并获取所述目标案例节点的历史数据;
根据所述目标案例节点的历史数据确定所述目标案例节点的实际运行值;
所述实际运行值为案例节点中案例的出现次数、案例退回本节点次数、案例退回上一节点次数、案例处理时长的中间值、案例处理时长的最大值、以及案例处理时长的平均值中的至少一个;所述根据所述目标案例节点的历史数据确定所述目标案例节点的实际运行值,包括:
在所述实际运行值为案例的出现次数时,确定所述目标案例节点中案例的个数为所述目标案例节点的实际运行值;
在所述实际运行值为案例退回本节点次数或者案例退回上一节点次数时,根据目标案例节点中案例的案例属性确定所述目标案例节点的实际运行值;
在所述实际运行值为案例处理时长的中间值时,将所述目标案例节点中案例的案例处理时长为中间值的时长,确定为所述目标案例节点的实际运行值;
在所述实际运行值为案例处理时长的最大值时,将所述目标案例节点中案例的案例处理时长最大的时长,确定为所述目标案例节点的实际运行值;
在所述实际运行值为案例处理时长的平均值时,将所述目标案例节点中所有案例持续时长的平均值,确定为所述目标案例节点的实际运行值。
2.根据权利要求1所述的发现方法,其特征在于,所述根据所述历史数据生成智能流程图,包括:
在确定所述第一案例节点中开始案例的案例开始时间,早于所述第二案例节点中结束案例的案例开始时间时,将所述第一案例节点的历史数据置于所述连接线的始端,所述第二案例节点的历史数据置于所述连接线的末端生成所述智能流程图;所述开始案例的案例开始时间为所述第一案例节点中所有案例开始时间中最早的案例开始时间;所述结束案例的案例开始时间为所述第二案例节点中所有案例开始时间中最早的案例开始时间。
3.根据权利要求1所述的发现方法,其特征在于,所述案例属性为退回或者通过;所述在所述实际运行值为案例退回本节点次数或者案例退回上一节点次数时,根据目标案例节点中案例的案例属性确定所述目标案例节点的实际运行值,包括:
在所述实际运行值为案例退回本节点次数时,确定属性为退回的案例对应的第一案例开始时间;根据所述第一案例开始时间确定退回目标案例节点的第一案例个数;将所述第一案例个数确定为所述目标案例节点的实际运行值;
在所述实际运行值为案例退回上一节点次数时,确定目标案例节点中属性为退回的案例对应的第二案例开始时间;根据所述第二案例开始时间确定退回上一节点的第二案例个数;将所述第二案例个数确定为所述目标案例节点的实际运行值。
4.根据权利要求3所述的发现方法,其特征在于,
所述根据所述第一案例开始时间确定退回目标案例节点的第一案例个数,包括:
在所述第一案例开始时间处于第一目标案例的案例开始时间和案例结束时间之间时,将所述第一案例个数加一;所述第一目标案例为所述目标案例节点中任一案例;
所述根据所述第二案例开始时间确定退回上一节点的第二案例个数,包括:
在所述第二案例开始时间处于第二目标案例的案例开始时间和案例结束时间之间时,将所述第二案例个数加一;所述第二目标案例为第三案例节点中任一案例;所述第三案例节点不同于所述目标案例节点。
5.根据权利要求1-4中任一项所述的发现方法,其特征在于,在确定所述目标案例节点异常之后,还包括:
发送目标案例节点异常提示;所述目标案例节点异常提示包括所述目标案例节点的目标节点标识。
6.一种异常节点的发现装置,其特征在于,包括:
获取模块,用于获取历史时间段内至少两个案例节点的历史数据;一个案例节点对应至少一个案例,且一个案列节点对应案例的案例名称相同;所述历史数据包括每个案例节点中每个案例的案例开始时间、案例结束时间以及案例属性;
生成模块,用于根据所述历史数据生成智能流程图;所述智能流程图由所述至少两个案例节点的历史数据和连接线组成;所述连接线的始端连接第一案例节点的历史数据,末端连接第二案例节点的历史数据;所述第一案例节点与所述第二案例节点均为所述至少两个案例节点中任一案例节点,且所述第一案例节点与所述第二案例节点不同;
查询确定模块,用于响应于对目标案例节点的查询操作,根据所述智能流程图确定所述目标案例节点的实际运行值,并获取所述目标案例节点对应的标准关键业绩指标KPI值;
异常确定模块,用于在所述实际运行值大于所述标准关键业绩指标KPI值时,确定所述目标案例节点异常;
所述历史数据还包括节点标识;所述查询确定模块包括:
第一确定子模块,用于响应于对目标案例节点的查询操作,确定所述目标案例节点的目标节点标识;
数据获取子模块,用于根据所述目标节点标识在所述智能流程图中查询所述目标案例节点,并获取所述目标案例节点的历史数据;
第二确定子模块,用于根据所述目标案例节点的历史数据确定所述目标案例节点的实际运行值;
所述实际运行值为案例节点中案例的出现次数、案例退回本节点次数、案例退回上一节点次数、案例处理时长的中间值、案例处理时长的最大值、以及案例处理时长的平均值中的至少一个;所述第二确定子模块包括:
在所述实际运行值为案例的出现次数时,确定所述目标案例节点中案例的个数为所述目标案例节点的实际运行值;
次数确定子模块,用于在所述实际运行值为案例退回本节点次数或者案例退回上一节点次数时,根据目标案例节点中案例的案例属性确定所述目标案例节点的实际运行值;
退回确定子模块,用于在所述实际运行值为案例处理时长的中间值时,将所述目标案例节点中案例的案例处理时长为中间值的时长,确定为所述目标案例节点的实际运行值;
时长确定子模块,用于在所述实际运行值为案例处理时长的最大值时,将所述目标案例节点中案例的案例处理时长最大的时长,确定为所述目标案例节点的实际运行值;在所述实际运行值为案例处理时长的平均值时,将所述目标案例节点中所有案例持续时长的平均值,确定为所述目标案例节点的实际运行值。
7.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述处理器执行所述计算机可读指令时实现如权利要求1至5中任一项所述的异常节点的发现方法的步骤。
8.一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上存储有计算机可读指令,所述计算机可读指令被处理器执行时实现如权利要求1至5中任一项所述的异常节点的发现方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210418248.4A CN114663073B (zh) | 2022-04-20 | 2022-04-20 | 异常节点的发现方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210418248.4A CN114663073B (zh) | 2022-04-20 | 2022-04-20 | 异常节点的发现方法及其相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114663073A CN114663073A (zh) | 2022-06-24 |
CN114663073B true CN114663073B (zh) | 2024-05-07 |
Family
ID=82036270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210418248.4A Active CN114663073B (zh) | 2022-04-20 | 2022-04-20 | 异常节点的发现方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114663073B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021164361A1 (zh) * | 2020-10-21 | 2021-08-26 | 平安科技(深圳)有限公司 | Kpi优化方法、装置、设备及介质 |
WO2021176460A1 (en) * | 2020-03-03 | 2021-09-10 | Telefonaktiebolaget Lm Ericsson (Publ) | Adaptive thresholding heuristic for anomaly detection |
WO2021218179A1 (zh) * | 2020-04-28 | 2021-11-04 | 平安科技(深圳)有限公司 | 异常数据查询方法、装置、计算机设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11568331B2 (en) * | 2011-09-26 | 2023-01-31 | Open Text Corporation | Methods and systems for providing automated predictive analysis |
-
2022
- 2022-04-20 CN CN202210418248.4A patent/CN114663073B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021176460A1 (en) * | 2020-03-03 | 2021-09-10 | Telefonaktiebolaget Lm Ericsson (Publ) | Adaptive thresholding heuristic for anomaly detection |
WO2021218179A1 (zh) * | 2020-04-28 | 2021-11-04 | 平安科技(深圳)有限公司 | 异常数据查询方法、装置、计算机设备及存储介质 |
WO2021164361A1 (zh) * | 2020-10-21 | 2021-08-26 | 平安科技(深圳)有限公司 | Kpi优化方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
基于数据分析技术的设备管理创新模式浅析;姚佳明;王荣文;夏耀光;叶胜利;;中国设备工程;20151216(第12期);第54-58页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114663073A (zh) | 2022-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110795499B (zh) | 基于大数据的集群数据同步方法、装置、设备及存储介质 | |
CN112860662B (zh) | 自动化生产数据血缘关系建立方法、装置、计算机设备及存储介质 | |
CN111813517B (zh) | 任务队列的分配方法、装置、计算机设备及介质 | |
CN113010542B (zh) | 业务数据处理方法、装置、计算机设备及存储介质 | |
CN114663073B (zh) | 异常节点的发现方法及其相关设备 | |
CN116703520A (zh) | 基于改进K-means算法的产品推荐方法及其相关设备 | |
CN116028446A (zh) | 时序数据文件化管理方法、装置、设备及其存储介质 | |
CN115185625A (zh) | 基于可配置卡片的自推荐式界面更新方法及其相关设备 | |
CN114968725A (zh) | 任务依赖关系校正方法、装置、计算机设备及存储介质 | |
CN113535770B (zh) | 数据查询的方法和装置 | |
CN113590372A (zh) | 基于日志的链路追踪方法、装置、计算机设备及存储介质 | |
CN117395310A (zh) | 任务处理方法、装置、计算机设备及存储介质 | |
CN116842011A (zh) | 血缘关系分析方法、装置、计算机设备及存储介质 | |
CN117827988A (zh) | 一种数据仓库优化方法、装置、设备及其存储介质 | |
CN116680263A (zh) | 数据清洗方法、装置、计算机设备及存储介质 | |
CN117131009A (zh) | 一种Confluence数据迁移方法及相关设备 | |
CN116450687A (zh) | 保险产品操作信息发布通知方法及其相关设备 | |
CN117272077A (zh) | 数据处理方法、装置、计算机设备及存储介质 | |
CN117290452A (zh) | 一种数据仓库治理方法、装置、设备及其存储介质 | |
CN116450667A (zh) | 数据查询方法、装置、计算机设备及存储介质 | |
CN115578050A (zh) | 审批进度识别方法、装置、计算机设备及存储介质 | |
CN114912995A (zh) | 征信报告的查询方法、装置、计算机设备及存储介质 | |
CN117786390A (zh) | 一种待维护特征数据整理方法及其相关设备 | |
CN115168471A (zh) | 数据报表生成方法、装置、计算机设备及存储介质 | |
CN116795882A (zh) | 数据获取方法、装置、计算机设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |