本发明公开了一种基于可解释分层模型的业务流程剩余时间预测方法与系统，包括：1)日志获取和预处理；2)特征自选取；3)特征编码；4)确定模型基本单元结构，选取轨迹前缀；5)构建、训练和调试可解释分层模型；6)可解释分层模型预测结果的评估和可视化呈现。本发明为业务流程剩余时间预测任务提供了一种通用的特征自选取策略，自动选取对预测任务重要并具有积极影响的特征作为模型输入，并且构建了可解释分层模型以及预测结果可视化呈现，解释了各特征对预测准确性的影响方式和影响程度。

本发明的第一目的在于克服现有技术的缺点与不足，提供一种基于可解释分层模型的业务流程剩余时间预测方法，该方法为业务流程剩余时间预测任务提供了一种通用的特征自选取策略，自动选取对预测任务重要并具有积极影响的特征作为模型输入，并且构建了可解释分层模型以及预测结果可视化呈现，解释了各特征对预测准确性的影响方式和影响程度。

随着企业数字化转型和智能化发展，企业信息系统中的事件数据都得到了高质量的储存，流程挖掘技术可以从历史事件日志中提取有价值的信息，并帮助企业提高生产效率和产品质量，避免不必要的风险，提高企业的竞争力。流程挖掘技术已逐渐成为国内外学者的热点研究领域，建立起了数据挖掘与业务流程管理之间的联系，为业务流程管理提供了更加系统、高效的思路和技术。流程挖掘是指从现有事件日志中挖掘知识以发现、监控和改进实际流程。这些方法主要是通过已有的历史数据分析业务流程，但在业务的执行过程中，对流程未来执行情况的了解更有利于风险的早期准备和防范。因此，流程预测性监控是流程挖掘领域中可以广泛应用并产生行业价值的技术。

业务流程中常见的预测任务包括剩余时间预测、结果预测、下一事件预测、下一事件执行时间预测、后缀预测以及其他属性预测等。其中剩余时间预测可以根据对实例未来执行时间的判断，调整后续的执行步骤和时间，避免超时而带来的风险。目前对于业务流程剩余时间预测任务的研究，在特征选取阶段没有给出一个有说服性、较为通用的特征选取方式，并且当前的研究大多是采用机器学习和深度学习方法从大量的事件日志中训练模型，难以对预测结果做出解释。因此，预测模型输入特征的选取问题和预测结果的可信性，是业务流程剩余时间预测中亟需解决的问题。

刘聪，男，汉族，1990年8月生，山东淄博人，博士。山东理工大学计算机科学与技术学院教授，博士生导师，山东省泰山学者青年专家，山东省自然科学基金优秀青年基金获得者(省优青)，山东省高等学校青创科技计划创新团队负责人。在业务过程管理领域发表及录用的SCI期刊论文50余篇，论文SCI引用895次。在IEEE汇刊、计算机学报、自动化学报等国内外权威期刊和ICWS、ICSE、ICPC、WISE、EuroVIS、KSEM等权威国际会议上发表论文100余篇，其中ESI高被引论文3篇，热点论文1篇，谷歌学术引用1700余次，出版英文学术专著1部。主持国家自然科学基金青年项目1项，山东省泰山学者工程专项基金1项，山东省自然科学基金优秀青年基金1项，山东省高等学校青创科技计划创新团队项目1项，山东理工大学高层次人才启动基金1项。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明首次实现了业务流程剩余时间预测中特征的自选取方法，自动选取对预测结果有积极影响的特征作为输入。

2、本发明首次实现了在业务流程剩余时间预测中将除活动外的分类属性进行编码的方法。

3、本发明首次提出了针对业务流程剩余时间预测构建的可解释分层模型作为预测模型。

4、本发明将可解释分层模型的逐层预测结果在二维坐标图中进行可视化呈现，解释了不同特征对预测的影响方式和影响程度。

5、本发明通过对业务流程剩余时间的预测，确保业务在需要的时间内完成办理，若出现延期情况可及时采取措施，不影响后续进度。

技术转让，许可，合作所需资金需双方协商，此项技术想尽快落地，希望具备此项技术研发的技术方，能够尽快承接此项目。。