一种数字孪生模型构建、业务活动预测分析方法及装置

技术领域

本发明涉及数字孪生技术领域，具体涉及一种数字孪生模型构建、业务活动预测分析方法及装置。

背景技术

在生产、运营等业务活动中，在对其中的某一环节做出决策时，需要预先对该决策造成的影响进行预先评估。在传统方案中，可以凭借经验预测该决策对运行结果造成的影响，但是凭借经验得到的结果可靠性和准确性都较差。随着大数据的发展，还可以根据该业务活动的历史数据建立模型，通过历史数据建立的模型可以得到在某一决策下业务活动的运行结果。但是实际的业务活动通常是由多个环节构成的，通过大数据进行预测只可以得到最终的运行结果，无法对其中各个环节分别预测。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的通过大数据无法对业务活动中各环节的运行结果进行预测的缺陷，从而提供一种数字孪生模型构建、业务活动预测分析方法及装置。

本发明第一方面提供了一种数字孪生模型构建方法，包括：获取目标业务活动的数据，目标业务活动的数据包括目标业务活动的业务结构数据、业务流程数据、历史数据；根据目标业务活动的数据构建目标业务活动的事件网络；根据目标业务活动的事件网络和目标业务活动的数据构建目标业务活动的数字孪生模型。

可选地，在本发明提供的数字孪生模型构建方法中，根据目标业务活动的数据构建目标业务活动的事件网络的步骤，包括：确定目标业务活动的各业务流程的事件和输出数据，各业务流程的事件为影响业务流程的因素；根据各业务流程的事件和输出数据构建与各业务流程对应的事件网络组件；根据目标业务活动的业务结构数据、各业务流程的事件和输出数据建立各事件网络组件的有向连接关系，目标业务活动的业务结构数据用于表征目标业务活动中各业务流程的连接关系；根据各事件网络组件的有向连接关系建立目标业务活动的事件网络。

可选地，在本发明提供的数字孪生模型构建方法中，根据各业务流程的事件和输出数据构建与各业务流程对应的事件网络组件的步骤，包括：确定表征各业务流程的事件和输出数据的逻辑关系的预设算法模型；根据各业务流程的事件、输出数据、预设算法模型建立各业务流程对应的事件网络组件。

可选地，在本发明提供的数字孪生模型构建方法中，根据目标业务活动的事件网络和目标业务活动的数据构建目标业务活动的数字孪生模型的步骤，包括：根据目标业务活动的历史数据对事件网络模型中的各事件网络组件中的预设算法模型进行优化，得到目标业务活动的数字孪生模型。

可选地，在本发明提供的数字孪生模型构建方法中，若目标业务活动中新增新的业务流程，数字孪生模型构建方法还包括：确定新的业务流程的事件和输出数据，新的业务流程的事件为影响新的业务流程的因素；根据新的业务流程的事件和输出数据构建与新的业务流程对应的新的事件网络组件；

根据新的业务流程的事件、新的业务流程的输出数据、数字孪生模型中的各事件网络组件的事件和输出数据确定新的事件网络组件与数字孪生模型中的事件网络组件的有向连接关系；根据新的事件网络组件与数字孪生模型中的事件网络组件的有向连接关系形成新的事件网络；根据目标业务活动的数据、新的事件网络以及新的业务流程的数据构建目标业务活动的新的数字孪生模型。

本发明第二方面提供了一种业务活动预测分析方法，包括：获取影响目标业务活动的事件参数；根据影响目标业务活动的事件参数和预设数字孪生模型得到目标业务活动的分析结果，预设数字孪生模型通过本发明第一方面提供的数字孪生模型构建方法构建。

本发明第三方面提供了一种数字孪生模型构建装置，包括：数据获取模块，用于获取目标业务活动的数据，目标业务活动的数据包括目标业务活动的业务结构数据、业务流程数据、历史数据；事件网络构建模块，用于根据目标业务活动的数据构建目标业务活动的事件网络；数字孪生模型构建模块，用于根据目标业务活动的事件网络和目标业务活动的数据构建目标业务活动的数字孪生模型。

本发明第四方面提供了一种业务活动预测分析装置，包括：事件获取模块，用于获取影响目标业务活动的事件参数；运营结果计算模块，用于根据影响目标业务活动的事件参数和预设数字孪生模型得到目标业务活动的分析结果，预设数字孪生模型通过本发明第三方面提供的数字孪生模型构建装置构建。

本发明第五方面提供了一种计算机设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，从而执行如本发明第一方面提供的数字孪生模型构建方法，或，如本发明第二方面提供的业务活动预测分析方法。

本发明第六方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行如本发明第一方面提供的数字孪生模型构建方法，或，如本发明第二方面提供的业务活动预测分析方法。

本发明技术方案，具有如下优点：

1.本发明提供的数字孪生模型构建方法，在建立目标业务活动的数字孪生模型时，先根据目标业务活动的数据建立目标业务活动的事件网络，事件网络可以模拟出目标业务活动中各个环节的职能，以及各环节之间的有向连接关系，然后通过目标业务活动的事件网络和目标业务活动的数据构建目标业务活动的数字孪生模型，目标业务活动的数据是最能真实反应目标业务活动的运行过程的数据，因此采用目标业务活动的数据构建得到的数字孪生模型能够更准确地对目标业务活动进行预测分析。综上，通过实施本发明构建的数字孪生模型，不仅能够准确地对目标业务活动进行预测分析，并且，在对目标业务活动的结果进行预测分析的同时，还能够精确地对目标业务活动中的各个环节的运行状态进行预测分析。

2.本发明提供的数字孪生模型构建方法，当目标业务活动中新增新的业务流程后，只需要先根据新的业务流程的事件和输出数据构建新的事件网络组件，然后根据新的业务流程的事件、新的业务流程的输出数据、数字孪生模型中的事件网络组件的事件和输出数据确定新的事件网络组件与数字孪生模型中的事件网络组件的有向连接关系，根据新的事件网络组件与数字孪生模型中的事件网络组件的有向连接关系形成新的事件网络，最后根据新的事件网络、目标业务活动的数据、新的业务流程的数据即可构建新的数字孪生模型。通过实施本发明提供的数字孪生模型构建方法，当目标业务活动中新增新的业务流程后，将新的业务流程形成的事件网络组件与初始数字孪生模型中的其他事件网络组件连接即可，不需要将目标业务活动中的所有业务流程全部重新处理，使得数字孪生模型的构建更灵活。

3.本发明提供的业务活动预测分析方法，将影响业务活动的事件参数输入预设数字孪生模型中即可得到目标业务活动的分析结果，由于实施本发明时所采用的预设数字孪生模型是通过本发明第一方面提供的数字孪生模型构建方法构建的，因此通过实施本发明不仅能够准确地对目标业务活动进行预测分析，并且，在对目标业务活动的结果进行预测分析的同时，还能够精确地对目标业务活动中的各个环节的运行状态进行预测分析。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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-图4为本发明实施例中数字孪生模型构建方法的具体示例的流程图；

图5为本发明实施例中业务活动预测分析方法的具体示例的流程图；

图6为本发明实施例中数字孪生模型构建装置的一个具体示例的原理框图；

图7为本发明实施例中业务活动预测分析装置的一个具体示例的原理框图；

图8为本发明实施例中提供的计算机设备的一个具体示例的原理框图。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，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。

在本发明的描述中，需要说明的是，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

实施例1

本发明实施例提供了一种数字孪生模型构建方法，如图1所示，包括：

步骤S110：获取目标业务活动的数据，目标业务活动的数据包括目标业务活动的业务结构数据、业务流程数据、历史数据。

在本发明实施例中，目标业务活动可以是实体生产线构成的业务活动，也可以是企业运营过程中形成的业务活动等。目标业务活动中包括多个业务流程，业务流程数据中包括影响各业务流程的事件和各业务流程的输出等数据，业务结构数据包括目标业务活动中各业务流程的连接关系，各个业务流程之间互相关联、相互影响，不同性质的业务流程之间的关联关系有所不同，例如，可以为业务流动关系、数据流动关系、资金流动关系、实体流动关系等。历史数据是指业务活动在运行过程中的实际运行数据。

步骤S120：根据目标业务活动的数据构建目标业务活动的事件网络。

在本发明实施例中，事件网络包括目标业务活动中的业务流程、各业务流程的事件和输出数据、业务流程之间的有向连接关系，因此在构建目标业务活动的事件网络时，所采用的是目标业务活动的数据包括目标业务活动的业务结构数据和业务流程数据。

步骤S130：根据目标业务活动的事件网络和历史数据构建目标业务活动的数字孪生模型。

在本发明实施例中，建立目标业务活动的数字孪生模型是为了真实模拟目标业务活动，因此需要根据事件网络和目标业务活动的数据中的历史数据构建目标业务活动的数字孪生模型。

本发明实施例提供的数字孪生模型构建方法，在建立目标业务活动的数字孪生模型时，先根据目标业务活动的数据建立目标业务活动的事件网络，事件网络可以模拟出目标业务活动中各个环节的职能，以及各环节之间的有向连接关系，然后通过目标业务活动的事件网络和目标业务活动的数据构建目标业务活动的数字孪生模型，目标业务活动的数据是最能真实反应目标业务活动的运行过程的数据，因此采用目标业务活动的数据构建得到的数字孪生模型能够更准确地对目标业务活动进行预测分析。综上，通过实施本发明实施例构建的数字孪生模型，不仅能够准确地对目标业务活动进行预测分析，并且，在对目标业务活动的结果进行预测分析的同时，还能够精确地对目标业务活动中的各个环节的运行状态进行预测分析。

在具体实施例中，事件网络是目标业务活动的基础框架，只有在输入目标业务活动的历史数据时，才能贴切地模拟目标业务活动，由此可见，当存在另一个与目标业务活动的基础框架相一致的业务活动时，可重复利用该事件网络，只需将不同的历史数据输入至事件网络中即可得到与目标业务活动的基础框架相同的业务活动的数字孪生模型。由此可见，本发明实施例提供的数字孪生模型构建方法具有较强的复用性。

在一可选实施例中，如图2所示，在本发明实施例提供的数字孪生模型构建方法中，步骤S120具体包括：

步骤S121：确定目标业务活动的各业务流程的事件和输出数据，各业务流程的事件为影响业务流程的因素。在本发明实施例中，通过目标业务活动的业务流程数据确定各业务流程的事件和输出数据，在目标业务活动中，所有的业务流程都是由事件触发的，且不同的事件会影响业务流程输出不同的数据。

步骤S122：根据各业务流程的事件和输出数据构建与各业务流程对应的事件网络组件，即，时间网络组件包括至少一个事件和至少一个输出数据。

步骤S123：根据目标业务活动的业务结构数据、各业务流程的事件和输出数据建立各事件网络组件的有向连接关系，目标业务活动的业务结构数据用于表征目标业务活动中各业务流程的连接关系。目标业务活动的业务结构数据只能表征业务活动中各业务流程的连接关系，但是不能表征各业务流程之间数据的流向，因此需要结合各业务流程的事件和输出数据建立各事件网络组件的有向连接关系。

在一具体实施例中，一个业务流程的输出数据可能是影响另一个业务流程的事件，因此可以根据各业务流程的事件和输出数据建立各事件网络组件之间的关系，并且，由于一个业务流程的输出数据作为另一个业务流程的事件时，这种影响是单向的，因此建立的事件网络组件之间的关系是单向连接关系，也正是因为事件网络组件之间的单向连接关系，可以根据一个事件参数推演预测出在该事件的影响下目标业务活动的运行结果。

步骤S124：根据各事件网络组件的有向连接关系建立目标业务活动的事件网络。

在一具体实施例中，当一个业务流程中包括多个子流程时，构建业务流程的事件网络组件的步骤包括：根据各子流程的事件和输出数据建立子流程对应的子组件，根据各子流程的事件和输出数据建立各子组件的有向连接关系，根据各子组件之间的有向连接关系、各子组件的事件和输出数据形成业务流程的事件网络组件，所有子流程的事件为业务流程的事件，所有子流程的输出数据中不构成其他子流程的事件的输出数据为业务流程的输出数据。由此可见，通过本发明实施例可以得到层次化的事件网络，从而可以根据层次化的事件网络得到层次化的数字孪生模型。

在一可选实施例中，如图3所示，在本发明实施例提供的数字孪生模型构建方法中，上述步骤S122具体包括：

步骤S1221：确定表征各业务流程的事件和输出数据的逻辑关系的预设算法模型。在本发明实施例中，通过预设算法模型表征事件和输出数据的关系，从而可以根据事件分析目标业务活动的运行结果，相较于通过大数据确定的事件和输出数据的关系，本发明实施例中建立的逻辑关系的适用性更强。

步骤S1222：根据各业务流程的事件、输出数据、预设算法模型建立各业务流程对应的事件网络组件。

在一可选实施例中，上述步骤S1221中表征事件和输出数据的逻辑关系的预设算法模型的参数也是默认参数，因此预设算法模型可能并不适用于目标业务活动，在执行上述步骤S130将目标业务活动的历史数据输入事件网络，并根据历史数据和事件网络模型构建目标业务活动的数字孪生模型时，可以根据历史数据对预设算法模型进行优化，得到更适用于目标业务活动的算法模型。

在一可选实施例中，如图4所示，在本发明实施例提供的数字孪生模型构建方法中，在执行上述步骤S110-步骤S130形成数字孪生模型后，若目标业务活动中新增新的业务流程，则数字孪生模型构建方法还包括：

步骤S140：确定新的业务流程的事件和输出数据，新的业务流程的事件为影响新的业务流程的因素，详细内容见上述步骤S121中的描述。

步骤S150：根据新的业务流程的事件和输出数据构建与新的业务流程对应的新的事件网络组件。

步骤S160：根据新的业务流程的事件、新的业务流程的输出数据、数字孪生模型中的各事件网络组件的事件和输出数据确定新的事件网络组件与数字孪生模型中的事件网络组件的有向连接关系，详细内容见上述步骤S123中的描述。

步骤S170：根据新的事件网络组件与数字孪生模型中的事件网络组件的有向连接关系形成新的事件网络。

步骤S180：根据目标业务活动的数据、新的事件网络以及新的业务流程的数据构建目标业务活动的新的数字孪生模型。

通过实施本发明实施例提供的数字孪生模型构建方法，当目标业务活动中新增新的业务流程后，将新的业务流程形成的事件网络组件与初始数字孪生模型中的其他事件网络组件连接即可，不需要将目标业务活动中的所有业务流程全部重新处理，使得数字孪生模型的构建更灵活。

在一可选实施例中，建立的数字孪生模型中除了包含各业务流程之间的有向连接关系和各业务流程中事件和输出数据的逻辑关系外，还包含各业务流程的时间属性，在数字孪生模型中加入时间属性后，不仅可以准确分析得到目标业务活动的运行结果，而且可以得到不同时间段内目标业务活动的运行结果。

实施例2

本发明实施例提供了一种业务活动预测分析方法，如图5所示，包括：

步骤S210：获取影响目标业务活动的事件参数。事件参数可以是目标业务活动中任一业务流程的事件的参数。

步骤S220：根据影响目标业务活动的事件参数和预设数字孪生模型得到目标业务活动的分析结果，预设数字孪生模型通过上述实施例1中提供的数字孪生模型构建方法构建。

在一具体实施例中，若以炼钢过程作为目标业务活动，则业务流程至少包括炼铁、炼钢、轧钢，炼铁这一流程的事件至少包括原材料，则原材料的量为事件参数，例如，事件参数可以为500吨原材料。由于原材料的量会对炼钢过程产生一定的影响，因此可以将原材料的量输入至预设数字孪生模型中，通过数字孪生模型预测当添加500吨原材料时，炼钢流程的运行结果，以及炼钢过程中各个环节的运行结果。

本发明实施例提供的业务活动预测分析方法将影响业务活动的事件参数输入预设数字孪生模型中即可得到目标业务活动的分析结果，由于实施本发明实施例时所采用的预设数字孪生模型是通过本发明实施例1中提供的数字孪生模型构建方法构建的，因此通过实施本发明实施例不仅能够准确地对目标业务活动进行预测分析，并且，在对目标业务活动的结果进行预测分析的同时，还能够精确地对目标业务活动中的各个环节的运行状态进行预测分析。

实施例3

本发明实施例提供了一种数字孪生模型构建装置，如图6所示，包括：

数据获取模块11，用于获取目标业务活动的数据，目标业务活动的数据包括所述目标业务活动的业务结构数据、业务流程数据、历史数据，详细内容见上述步骤S110的描述。

事件网络构建模块12，用于根据目标业务活动的数据构建目标业务活动的事件网络，详细内容见上述步骤S120的描述。

数字孪生模型构建模块13，用于根据目标业务活动的事件网络和目标业务活动的数据构建目标业务活动的数字孪生模型，详细内容见上述步骤S130的描述。

本发明提供的数字孪生模型构建装置，在建立目标业务活动的数字孪生模型时，先根据目标业务活动的数据建立目标业务活动的事件网络，事件网络可以模拟出目标业务活动中各个环节的职能，以及各环节之间的有向连接关系，然后通过目标业务活动的事件网络和目标业务活动的数据构建目标业务活动的数字孪生模型，目标业务活动的数据是最能真实反应目标业务活动的运行过程的数据，因此采用目标业务活动的数据构建得到的数字孪生模型能够更准确地对目标业务活动进行预测分析。综上，通过实施本发明实施例构建的数字孪生模型，不仅能够准确地对目标业务活动进行预测分析，并且，在对目标业务活动的结果进行预测分析的同时，还能够精确地对目标业务活动中的各个环节的运行状态进行预测分析。

实施例4

本发明实施例提供了一种业务活动预测分析装置，如图7所示，包括：

事件获取模块21，用于获取影响目标业务活动的事件，详细内容见上述步骤S210的描述。

运营结果计算模块22，用于根据影响目标业务活动的事件和预设数字孪生模型得到目标业务活动的分析结果，预设数字孪生模型通过上述实施例3中提供的数字孪生模型构建装置构建，详细内容见上述步骤S220的描述。

本发明实施例提供的业务活动预测分析装置将影响业务活动的事件参数输入预设数字孪生模型中即可得到目标业务活动的分析结果，由于实施本发明实施例时所采用的预设数字孪生模型是通过本发明实施例3中提供的数字孪生模型构建装置构建的，因此通过实施本发明实施例不仅能够准确地对目标业务活动进行预测分析，并且，在对目标业务活动的结果进行预测分析的同时，还能够精确地对目标业务活动中的各个环节的运行状态进行预测分析。

实施例5

本发明实施例提供了一种计算机设备，如图8所示，该计算机设备主要包括一个或多个处理器31以及存储器32，图8中以一个处理器31为例。

该计算机设备还可以包括：输入装置33和输出装置34。

处理器31、存储器32、输入装置33和输出装置34可以通过总线或者其他方式连接，图8中以通过总线连接为例。

处理器31可以为中央处理器(Central Processing Unit，CPU)。处理器31还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器32可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据数字孪生模型构建装置，或，业务活动预测分析装置的使用所创建的数据等。此外，存储器32可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器32可选包括相对于处理器31远程设置的存储器，这些远程存储器可以通过网络连接至数字孪生模型构建装置，或，业务活动预测分析装置。输入装置33可接收用户输入的计算请求(或其他数字或字符信息)，以及产生与数字孪生模型构建装置，或，业务活动预测分析装置有关的键信号输入。输出装置34可包括显示屏等显示设备，用以输出计算结果。

实施例6

本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储计算机指令，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的数字孪生模型构建方法，或，业务活动预测分析方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。