(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211197775.3 (22)申请日 2022.09.29 (71)申请人 兰州赛腾伟业电子科技有限公司 地址 730000 甘肃省兰州市城关区东岗东 路55号兰州科技创新园D栋4楼3 008室 (72)发明人 庞亚环　李晓博　郭彦军　魏喜庭　 (74)专利代理 机构 重庆壹手知专利代理事务所 (普通合伙) 50267 专利代理师 罗燕 (51)Int.Cl. G06Q 10/06(2012.01) (54)发明名称 一种基于时序行为检测的工作流识别系统 及其识别方法 (57)摘要 本发明涉及工作流识别技术领域， 公开了一 种基于时序行为检测的工作流识别方法， 包括： 构建问题结构模型M(θ,D)， 并初始化问题结构 模型M(θ,D)中的参数θ； 逐步扫描实例库L中的 每行数据， 根据实例库L中 已知或观察到的辅助 标注隐动作信息， 采用EM算法迭代计算和更新参 数θ； 通过ARMS算法利用问题结构模型M(θ,D) 的计算结果和规则约束获取动作模型 根据问 题实例 关于动作的辅助标注信息， 计算其对应 的隐动作序列O＝(o1,…,om)； 利用FF规划器求 解问题的解， 并返回问题的规划解。 本发明提供 的基于时序行为检测的工作流识别系统及其识 别方法， 根据部分已观察到的状态信息结合问题 结构模型推出其他未能观察到的隐动作， 有效地 解决了传统算法识别困难和对噪声数据敏感等 问题。 权利要求书3页 说明书8页 附图3页 CN 115545457 A 2022.12.30 CN 115545457 A 1.一种基于时序行为检测的工作流识别方法， 其特 征在于， 包括： 构建问题结构模型M( θ， D)， 并初始化所述问题结构模型M( θ， D)中的参数θ； 其中， 参数θ 中的值满足概 率统计分布条件； 逐步扫描实例库L中的每行数据， 根据 所述实例库L中已知或观察到的辅助 标注隐动作 信息， 采用E M算法迭代计算和更新 参数θ； 通过ARMS算法， 利用问题结构模型M( θ， D)的计算结果和规则约束获取动作模型 根据问题实例 关于动作的辅助标注信息， 计算 其对应的隐动作序列O＝(o1， ...， om)； 利用FF规划器求 解问题的解， 并返回问题的规划解。 2.根据权利要求1所述的基于时序行为检测的工作流识别方法， 其特征在于， 所述构建 问题结构模型M( θ， D)， 并初始化所述问题结构模型M( θ， D)中的参数θ 的步骤， 包括： 初始化参数θ＝<π， Λ， Γ>和D， θ的初始值符合概率统计模型， π为初始观察状态的概 率， 初始化为πi＝1/Nα， Λ， Γ分别表示初始的动作 ‑状态转移概率矩阵和动作 ‑动作转移概 率矩阵， 其对应的转移函数分别为Ψjk＝p(st＝ξk|at＝αj)、 Xij＝p(at＝αj|at‑1＝αi)， 其中， Ψjk表示隐动作αj出现时观察到状态ξk的概率， Xij表示隐动作αi在时刻点t ‑1出现时， 在下 一时刻点t动作αj出现的概 率， D表示工作流 规划领域知识。 3.根据权利要求1所述的基于时序行为检测的工作流识别方法， 其特征在于， 所述逐步 扫描实例库L中的每行数据， 根据所述实例库L中已知或观察到的辅助标注隐动作信息， 采 用EM算法迭代计算和更新 参数θ 的步骤之前， 还 包括： 给定一个长度为T的问题实例Li， 观察状态 为一个可观察状态序 列， 为其对应的隐动作序列， 是 中对应部分的、 含 噪声的辅助信息； 在工作流中t时刻的隐动作at具有马尔科夫特性， 即 在t‑1时刻点条件下， 产生状态st的概率等于在at条件下产生st的概 率， 即 当at被标注， 但出现标注错误的情况， 则p(yt≠at|at)＝1‑p (yt＝at|at)＝1‑η， 其中， 参数η表示隐动作at被正确标注的概率， 参数ζ表示获取到辅助标 注信息yt的概率， 当参数ζ＝0时， 表示当前时刻点t未检测到任何与隐动作at相关的标注信 息， 若已知隐动作at的标注是错误的， 则at被标注呈aj的概率为p(yt＝aj|at)＝1/(Nα‑1)， 其 中Nα表示隐动作的个数。 4.根据权利要求1所述的基于时序行为检测的工作流识别方法， 其特征在于， 所述逐步 扫描实例库L中的每行数据， 根据所述实例库L中已知或观察到的辅助标注隐动作信息， 采 用EM算法迭代计算和更新 参数θ 的步骤， 包括： 根据每个可能出现的隐动作序列 确定其 值， 计算和更新θ参数 值， 并使得 的值最大化， 重 复执行这一过程， 直到其值不再收敛 为止， 得到参数θ 。 5.根据权利要求4所述的基于时序行为检测的工作流识别方法， 其特征在于， 所述根据 每个可能出现的隐动作序列 确定其 值， 计算和更新θ参数值， 并使得 的值最大化， 重复执行这一过程， 直到其值不再收敛为止， 得到权　利　要　求　书 1/3 页 2 CN 115545457 A 2参数θ 的步骤中， 通过EM进行不断迭代更新计算 的值， 计算最大似然 估计值， 且在当前最大值的基础上不断调整和更新参数θ， 其计算公式为： 其中， 通过 EM算法中的E步骤 求解； 计算 的最大值通过计算 关于 最大化 期望值， 利用条件概 率公式分解 得到 6.根据权利要求5所述的基于时序行为检测的工作流识别方法， 其特征在于， 计算和更 新问题结构模型M( θ， D)的参数θ 的计算公式为： 其中， 表示在给定 和参数θ 的前提下， 隐动作从 t时刻点αi转变成t+1时刻点αj时的概率， 表示在给定 和参数θ 的前提 下， 隐动作at在t时刻点 为αi的概率。 7.根据权利要求6所述的基于时序行为检测的工作流识别方法， 其特征在于， 工作流模 型所产生的一个业务流程， 由一系列被执行的任务及决定其次序的前提条件组成， 用 STRIPS模型形式化描述和定义业务流程， 一个业务问题可以用P＝<F， I， G， A>表 示， 其中F是 业务流程中的有限状态集合， 是业务流程的初始状态， 是业务流程结束时的目标条 件， a＝<pre(a)、 add(a)、 del(a)>∈A三元组形式表示完成这些任务的具体活动， pre(a)、 add(a)和del(a)分别表示活动被执行时必须满足的前提条件、 增加和删除效果， 引入一个 与活动执行后密切相关的状态s， 得到与之相关 的状态转移函数T： F ×A→F， 在构建工作流 的动作模型时， 满足动作两个最基本规则约束， 即 和 利用规划算法求解任务识别问题， 进一步保证O＝(o1， ...， om)中的动作oi出现在P[G] 的对应位置， 将 0中动作之 间序列信息直接转并融合到问题的求解过程中， 将这一转换规则 方法称之为generate ‑new‑plan()， 具体为： 将原问题Γ＝<P， G， O， L>转换成新问题Γ ’＝< P’， G’， O’， L>， 其中P ’中命题集F ’＝F∪Fo， Fo＝{fa|a∈O}， 动作集A ’＝A∪Ao， 新增动作集Ao ＝{oa|a∈0}， 目标条件G ’＝G∪Fo， 在0中， 如果动 作a的直接前驱动 作是b， 则在a的前提条件 pre(a)中新增一个命题fb∈add(ob)。 8.一种基于时序行为检测的工作流识别系统， 其特 征在于， 包括： 构建模块， 用于构建问题结构模型M( θ， D)， 并初始化所述问题结构模型M( θ， D)中的参 数θ； 其中， 参数θ 中的值满足概 率统计分布条件； 更新模块， 用于逐步扫描实例库L中的每行数据， 根据所述实例库L中已知或观察到的 辅助标注隐动作信息， 采用E M算法迭代计算和更新 参数θ； 约束模块， 用于通过ARMS算法， 利用问题结构模型M( θ， D)的计算结果和规则约束获取权　利　要　求　书 2/3 页 3 CN 115545457 A 3