一种事件日志简化方法、装置、设备和存储介质

专利名称：一种事件日志简化方法、装置、设备和存储介质

专利类型：发明专利

专利申请号：CN202210478214.4

专利申请（专利权）人：华侨大学
权利人地址：福建省泉州市城华北路269号

专利发明（设计）人：叶剑虹,林燕,叶双,柯翔敏

专利摘要：本发明实施例提供一种事件日志简化方法、装置、设备和存储介质，涉及数据简化技术领域。其中，这种事件日志简化方法包括S1获取原始事件日志。S2根据原始事件日志挖掘流程模型。S3获取流程模型中的目标预测点。S4根据子网结构识别流程模型中的可简化子结构集合。S5根据可简化子结构集合分别对原始事件日志进行简化，获取简化事件日志集合。S6在目标预测点处，以剩余时间为目标，根据简化事件日志集合，分别为每个简化事件日志构建预测模型，并获取预测剩余时间集合。S7根据原始事件日志获取真实剩余时间,并计算得预测误差集合。S8根据预测误差集合筛选可简化子结构，获取化简结构集合。S9根据化简结构集合简化原始事件日志中，获取最终简化日志。

主权利要求：
1.一种事件日志简化方法，其特征在于，包含：
获取原始事件日志；
根据所述原始事件日志挖掘流程模型；
根据所述原始事件日志和所述流程模型，获取所述流程模型中的目标预测点；
根据流程模型的子网结构，识别所述流程模型中的可简化子结构集合；
根据所述可简化子结构集合，分别对所述原始事件日志中包含所述可简化子结构的实例进行简化，获取简化事件日志集合；
在所述目标预测点处，以剩余时间为目标，根据所述简化事件日志集合，分别为每个简化事件日志构建预测模型，并根据所述预测模型和所述预测模型对应的简化事件日志，获取所述简化事件日志集合在所述目标预测点处的预测剩余时间集合；
根据所述原始事件日志，获取所述目标预测点处的真实剩余时间,并根据所述预测剩余时间集合和所述真实剩余时间，获取所述简化事件日志集合在所述预测点处的预测误差集合；
根据所述预测误差集合筛选所述可简化子结构集合中的可简化子结构，获取所述目标预测点对应的化简结构集合；
根据所述化简结构集合简化所述原始事件日志中的事件活动，以获取所述目标预测点对应的最终简化日志；
根据所述原始事件日志挖掘流程模型，具体包括：根据所述原始事件日志，基于过程挖掘，获取所述流程模型；其中，所述流程模型为GSPN模型；所述GSPN模型包括时间变迁、瞬时变迁和库所三种节点；
根据所述原始事件日志和所述流程模型，获取所述流程模型中的目标预测点，具体包括：根据所述原始事件日志，获取所述流程模型中各个节点的权重；其中，时间变迁节点的权重值为所述原始事件日志中该节点的平均执行时间，所述瞬时变迁和所述库所的权重值为0；
根据所述流程模型和所述权重，获取所述流程模型中各个节点的最早开始时间ES[Vj]；
其中，当节点为源点时ES[Vj]＝0；否则ES[Vj]＝Max{ES[Vi]+w为Vi的权重值；
根据所述流程模型、所述权重和所述最早开始时间，获取各个节点的最晚开始时间LS[Vj]；其中，当节点为汇聚点时LS[Vj]＝ES[Vj]，否则LS[Vi]＝Min{LS[Vj]‑w}，式中，Vi为Vj在所述流程模型中的上一个节点，w〈Vi,Vj>为Vi的权重值；
根据所述最早开始时间和所述最晚开始时间，获取所述流程模型的关键路径；其中，所述关键路径为最早开始时间等于最晚开始时间的节点的集合；
根据所述原始事件日志，选取所述关键路径上发生频率超过预设频率的所述目标预测点；其中，所述预设频率为50％；
根据流程模型的子网结构，识别所述流程模型中的可简化子结构集合，具体包括：基于GSPN模型的子网结构，通过GSPN网关联矩阵识别所述流程模型中的可简化子结构，获取所述可简化子结构集合；其中，所述子网结构包括序列结构、或结构和循环结构；可简化子结构中包含时间变迁节点；
序列结构简化后的新活动α的执行时间Tα为：
式中， 表示待化
简实例 中待化简活动γ的执行时间、a、b和w为待化简活动的编号、n为待化简实例的数量；
或结构简化后的新活动α的执行时间Tα为：
式中， 为可简化子结构
中活动γ的平均执行频率、 为可简化子结构中活动γ的平均执行时间、 为活动a的平均执行频率、 表示待化简实例 中执行的待化简活动a的执行时间、b、c和w为待化简实例中不包含的活动；
循环结构简化后的新活动α的执行时间Tα为：
式中， 为可简化子结构中待化简活动γ
的平均执行次数、 为待化简实例 中执行的待化简活动γ的平均运行时间、a、b、c和w为可简化子结构中包含的待化简活动的编号；
根据所述可简化子结构集合，分别对所述原始事件日志中包含所述可简化子结构的实例进行简化，获取简化事件日志集合，具体包括：分别根据所述可简化子结构集合中的可简化子结构执行如下步骤，以得到可简化子结构对应的简化事件日志，获取所述简化事件日志集合：根据所述可简化子结构，获取所述原始事件中的待化简实例；其中，所述待化简实例中包含和所述可简化子结构中的时间变迁节点相对应的事件活动；
分别将待化简实例中和所述可简化子结构对应的事件活动进行合并化简，获取新的事件活动和所述新的事件活动的循环时间；
根据所述新的事件活动和所述循环时间，更新所述待化简实例的时间，获取化简实例；
在更新完所述原始事件中的所有待化简实例后，得到所述可简化子结构对应的简化事件日志；
根据所述预测误差集合筛选所述可简化子结构集合中的可简化子结构，获取所述目标预测点对应的化简结构集合，具体包括：根据所述原始事件日志，获取所述原始事件日志在所述预测点处的预测值和真实值之间的原始偏差Γ；
根据所述原始事件日志，分别计算所述可简化子结构集合中各个可简化子结构的活动平均个数ui；
计算包含所述目标预测点的可简化子结构的数量，获取偏差系数g；
根据所述原始偏差Γ、所述预测误差集合、所述活动平均个数ui和所述偏差系数g筛选所述可简化子结构，获取化简结构集合；其中，筛选公式为：式中，i为可简化子结构的编号、n为可简化子结构的数量、ui为第i个可简化子结构的活动平均个数、xi表示是否对第i个可简化子结构进行化简、ci为第i个可简化子结构对应的预测误差、g为偏差系数、Γ为原始偏差；对第i个可简化子结构进行化简则xi取1，不化简则xi取0。
2.根据权利要求1所述的事件日志简化方法，其特征在于，
在所述目标预测点处，以剩余时间为目标，根据所述简化事件日志集合，分别为每个简化事件日志构建预测模型，并根据所述预测模型和所述预测模型对应的简化事件日志，获取所述简化事件日志集合在所述目标预测点处的预测剩余时间集合，具体包括：分别对所述简化事件日志集合中包含所述目标预测点的简化事件日志执行如下操作，得到各个简化事件日志对应的预测剩余时间，以获取所述预测剩余时间集合：根据所述目标预测点，提取所述简化事件日志中包含所述目标预测点的事件实例，生成预测点事件日志；
根据所述预测点事件日志，进行前缀提取、前缀分桶和前缀编码，并以预测剩余时间为目标，根据前缀编码后的数据集，构建所述简化事件日志在所述预测点的剩余时间预测模型；
根据所述预测点事件日志，获取所述预测点的预测点前缀日志；
根据所述预测点前缀日志和所述剩余时间预测模型，获取所述简化事件日志在所述预测点的预测剩余时间；其中，所述预测点前缀日志包含多个预测点踪迹，每个预测点踪迹对应一个预测剩余时间；
根据所述原始事件日志，获取所述目标预测点处的真实剩余时间,并根据所述预测剩余时间集合和所述真实剩余时间，获取所述简化事件日志集合在所述预测点处的预测误差集合，具体包括：根据所述原始事件日志，获取原始前缀日志；
获取所述原始前缀日志中和所述预测点前缀日志相对应的事件实例的真实剩余时间；
根据所述预测剩余时间集合和所述真实剩余时间相减，得到各个所述简化事件日志在所述目标预测点的预测误差，获取所述预测误差集合；其中，所述预测误差为所述多个预测点踪迹的预测值的平均绝对误差、均方根误差或平均百分比误差。
3.一种事件日志简化装置，其特征在于，包含：
原始数据模块，用于获取原始事件日志；
流程挖掘模块，用于根据所述原始事件日志挖掘流程模型；
预测点模块，用于根据所述原始事件日志和所述流程模型，获取所述流程模型中的目标预测点；
简化结构识别模块，用于根据流程模型的子网结构，识别所述流程模型中的可简化子结构集合；
第一简化模块，用于根据所述可简化子结构集合，分别对所述原始事件日志中包含所述可简化子结构的实例进行简化，获取简化事件日志集合；
预测模块，用于在所述目标预测点处，以剩余时间为目标，根据所述简化事件日志集合，分别为每个简化事件日志构建预测模型，并根据所述预测模型和所述预测模型对应的简化事件日志，获取所述简化事件日志集合在所述目标预测点处的预测剩余时间集合；
误差模块，用于根据所述原始事件日志，获取所述目标预测点处的真实剩余时间,并根据所述预测剩余时间集合和所述真实剩余时间，获取所述简化事件日志集合在所述预测点处的预测误差集合；
筛选模块，用于根据所述预测误差集合筛选所述可简化子结构集合中的可简化子结构，获取所述目标预测点对应的化简结构集合；
第二简化模块，用于根据所述化简结构集合简化所述原始事件日志中的事件活动，以获取所述目标预测点对应的最终简化日志；
流程挖掘模块具体用于：根据原始事件日志，基于过程挖掘，获取流程模型；其中，流程模型为GSPN模型；GSPN模型包括时间变迁、瞬时变迁和库所三种节点；
所述预测点模块，包括：
权重获取单元，用于根据所述原始事件日志，获取所述流程模型中各个节点的权重；其中，时间变迁节点的权重值为所述原始事件日志中该节点的平均执行时间，瞬时变迁和库所的权重值为0；
最早开始时间计算单元，用于根据所述流程模型和所述权重，获取所述流程模型中各个节点的最早开始时间ES[Vj]；其中，当节点为源点时ES[Vj]＝0；否则ES[Vj]＝Max{ES[Vi]+w},式中，Vi为Vj在所述流程模型中的上一个节点，w为Vi的权重值；
最晚开始时间计算单元，用于根据所述流程模型、所述权重和所述最早开始时间，获取各个节点的最晚开始时间LS[Vj]；其中，当节点为汇聚点时LS[Vj]＝ES[Vj]，否则LS[Vi]＝Min{LS[Vj]‑w}，式中，Vi为Vj在所述流程模型中的上一个节点，w为Vi的权重值；
关键路径单元，用于根据所述最早开始时间和所述最晚开始时间，获取所述流程模型的关键路径；其中，所述关键路径为最早开始时间等于最晚开始时间的节点的集合；
预测点集合单元，用于根据所述原始事件日志，选取所述关键路径上发生频率超过预设频率的节点作为所述目标预测点；其中，所述预设频率为50％简化结构识别模块具体用于：基于GSPN模型的子网结构，通过GSPN网关联矩阵识别流程模型中的可简化子结构，获取可简化子结构集合；其中，子网结构包括序列结构、或结构和循环结构；可简化子结构中包含时间变迁节点；
序列结构简化后的新活动α的执行时间Tα为：
式中， 表示待化
简实例 中待化简活动γ的执行时间、a、b和w为待化简活动的编号、n为待化简实例的数量；
或结构简化后的新活动α的执行时间Tα为：
式中， 为可简化子结构中活
动γ的平均执行频率、 为可简化子结构中活动γ的平均执行时间、 为活动a的平均执行频率、 表示待化简实例 中执行的待化简活动a的执行时间、b、c和w为待化简实例 中不包含的活动；
循环结构简化后的新活动α的执行时间Tα为：
式中， 为可简化子结构中待化简活动γ的平均执行次数、 为待化简实例 中执行的待化简活动γ的平均运行时间、a、b、c和w为可简化子结构中包含的待化简活动的编号；
第一简化模块具体用于：
分别根据可简化子结构集合中的可简化子结构执行如下步骤，以得到可简化子结构对应的简化事件日志，获取简化事件日志集合：根据可简化子结构，获取原始事件中的待化简实例；其中，待化简实例中包含和可简化子结构中的时间变迁节点相对应的事件活动；
分别将待化简实例中和可简化子结构对应的事件活动进行合并化简，获取新的事件活动和新的事件活动的循环时间；
根据新的事件活动和循环时间，更新待化简实例的时间，获取化简实例；
在更新完原始事件中的所有待化简实例后，得到可简化子结构对应的简化事件日志；
筛选模块包括：
原始偏差单元，用于根据原始事件日志，获取原始事件日志在预测点处的预测值和真实值之间的原始偏差Γ；
活动平均个数单元，用于根据原始事件日志，分别计算可简化子结构集合中各个可简化子结构的活动平均个数ui；
偏差系数单元，用于计算包含目标预测点的可简化子结构的数量，获取偏差系数g；
筛选单元，用于根据原始偏差Γ、预测误差集合、活动平均个数ui和偏差系数g筛选可简化子结构，获取化简结构集合；其中，筛选公式为：式中，i为可简化子结构的编号、n为可简化子结构的数量、ui为第i个可简化子结构的活动平均个数、xi表示是否对第i个可简化子结构进行化简、ci为第i个可简化子结构对应的预测误差、g为偏差系数、Γ为原始偏差；对第i个可简化子结构进行化简则xi取1，不化简则xi取0。
4.一种事件日志简化设备，其特征在于，包括处理器、存储器，以及存储在所述存储器内的计算机程序；所述计算机程序能够被所述处理器执行，以实现如权利要求1至2任意一项所述的事件日志简化方法。
5.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至2任意一项所述的事件日志简化方法。 说明书 : 一种事件日志简化方法、装置、设备和存储介质技术领域[0001] 本发明涉及数据简化技术领域，具体而言，涉及一种事件日志简化方法、装置、设备和存储介质。背景技术[0002] 近年来，无论是个人的轨迹数据，医院的治疗数据，软件的执行数据还是各种大小型企业和组织在运行中产生的日常数据，都可以根据所需的问题和观点，从中提取出不同的事件日志。海量的事件日志数据本身就包含了丰富的，不同类型的过程，对它进行分析能够对各种领域提供支持。[0003] 过程挖掘是一门相对年轻的研究学科，介于数据科学和业务流程之间。过程挖掘的思想是从当今的信息系统中随时可用的事件日志中提取知识来发现、监视和改进真实的流程。也就是说，将事件日志作为输入，利用α‑算法或其他过程发现方法等来构建过程模型，并在此基础上对数据进行分析，矫正等。[0004] 若是能够根据业务流程的性能预测结果，反作用于正在执行的案例，影响其当前的选择，就可以使其向走向最优的路径。因此，如何快速做出决策，是摆在研究者面前紧迫的任务。[0005] 但是，信息系统在业务运行的过程中记录的大量的事件日志数据中包括低价值、冗余的数据，若对这些日志直接做预测，会降低预测的效率。如何化简和压缩这些数据的同时保存有效价值成为了亟需解决的问题。[0006] 有鉴于此，申请人在研究了现有的技术后特提出本申请。发明内容[0007] 本发明提供了一种事件日志简化方法、装置、设备和存储介质，以改善上述技术问题。[0008] 第一方面、[0009] 本发明实施例提供了一种事件日志简化方法，其包含以下步骤：[0010] 获取原始事件日志。[0011] 根据原始事件日志挖掘流程模型。[0012] 根据原始事件日志和流程模型，获取流程模型中的目标预测点。[0013] 根据流程模型的子网结构，识别流程模型中的可简化子结构集合。[0014] 根据可简化子结构集合，分别对原始事件日志中包含可简化子结构的实例进行简化，获取简化事件日志集合。[0015] 在目标预测点处，以剩余时间为目标，根据简化事件日志集合，分别为每个简化事件日志构建预测模型，并根据预测模型和预测模型对应的简化事件日志，获取简化事件日志集合在目标预测点处的预测剩余时间集合。[0016] 根据原始事件日志，获取目标预测点处的真实剩余时间,并根据预测剩余时间集合和真实剩余时间，获取简化事件日志集合在预测点处的预测误差集合。[0017] 根据预测误差集合筛选可简化子结构集合中的可简化子结构，获取目标预测点对应的化简结构集合。[0018] 根据化简结构集合简化原始事件日志中的事件活动，以获取目标预测点对应的最终简化日志。[0019] 第二方面、[0020] 本发明实施例提供了一种事件日志简化装置，其包含：[0021] 原始数据模块，用于获取原始事件日志。[0022] 流程挖掘模块，用于根据原始事件日志挖掘流程模型。[0023] 预测点模块，用于根据原始事件日志和流程模型，获取流程模型中的目标预测点。[0024] 简化结构识别模块，用于根据流程模型的子网结构，识别流程模型中的可简化子结构集合。[0025] 第一简化模块，用于根据可简化子结构集合，分别对原始事件日志中包含可简化子结构的实例进行简化，获取简化事件日志集合。[0026] 预测模块，用于在目标预测点处，以剩余时间为目标，根据简化事件日志集合，分别为每个简化事件日志构建预测模型，并根据预测模型和预测模型对应的简化事件日志，获取简化事件日志集合在目标预测点处的预测剩余时间集合。[0027] 误差模块，用于根据原始事件日志，获取目标预测点处的真实剩余时间,并根据预测剩余时间集合和真实剩余时间，获取简化事件日志集合在预测点处的预测误差集合。[0028] 筛选模块，用于根据预测误差集合筛选可简化子结构集合中的可简化子结构，获取目标预测点对应的化简结构集合。[0029] 第二简化模块，用于根据化简结构集合简化原始事件日志中的事件活动，以获取目标预测点对应的最终简化日志。[0030] 第三方面、[0031] 本发明实施例提供了一种事件日志简化设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如第一方面所说的事件日志简化方法。[0032] 第四方面、[0033] 本发明实施例提供了一种计算机可读存储介质，其包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如第一方面所说的事件日志简化方法。[0034] 通过采用上述技术方案，本发明可以取得以下技术效果：[0035] 通过本发明实施例的事件日志简化方法，能够很好的去除原始事件日志中的低价值、冗余数据，不仅能够提高预测效率而且能够提高预测准确性，具有很好的实际意义。[0036] 为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明[0037] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。[0038] 图1是本发明第一实施例提供的一种事件日志简化方法的流程示意图。[0039] 图2是广义随机Petri网(GSPN网)的结构示意图。[0040] 图3是关键路径选取的示意图。[0041] 图4是GSPN网的三种子网结构简化前后的结构示意图。[0042] 图5是从GSPN网中识别预测点和可简化子结构的示意图。[0043] 图6是预测误差集合的示意图。[0044] 图7是本发明第二实施例提供的一种事件日志简化装置的结构示意图。具体实施方式[0045] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。[0046] 为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。[0047] 在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。[0048] 应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。[0049] 取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。[0050] 实施例中提及的“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的实施例能够以除了在这里图示或描述的那些内容以外的顺序实施。[0051] 下面结合附图与具体实施方式对本发明作进一步详细描述：[0052] 实施例一：[0053] 请参阅图1，本发明第一实施例提供一种事件日志简化方法，其可由事件日志简化设备来执行。特别地，由事件日志简化设备中的一个或多个处理器来执行，以实现步骤S1至步骤S9。[0054] S1、获取原始事件日志。[0055] 可以理解的是，所述事件日志简化设备可以是便携笔记本计算机、台式机计算机、服务器、智能手机或者平板电脑等具有计算性能的电子设备。[0056] 需要说明的是，原始事件日志是从各种信息系统提取出来的流程数据。它由事件组成，事件可以是机器事件(例如ATM提款)、生活事件(例如买票，打车)等。[0057] 如图表1所示，事件日志形式中每一行表示的是一个事件(event)，通常都引用一个活动(activity)作为标识。每一个事件属于某个的流程实例(case)，每个流程实例都有独特的标识符(caseid)。每个事件都有多个事件属性。每个流程实例也有自己的流程实例属性。[0058] 一个过程实例的执行会在信息系统中留下一系列被执行的活动的踪迹(trace)，它们的值不会在过程实例的整个生命周期中发生变化，而事件中的属性在从一个事件到另一个事件发生变化时是动态的，因此，流程实例的属性被称为静态属性，事件属性为动态属性。[0059] 表1事件日志示例[0060][0061] 关于本发明实施例中的一些词汇的定义：[0062] “事件”的定义：[0063] 一个事件是由一组元组e＝(a,c,t,d1,…,dm)组成，其中a∈A是与事件相关联的流程活动名称(activity)，c∈C是流程实例编号(caseid)，t∈N是时间戳，d1,…,dm为附加属性值的列表，其中m≥0，di∈Di。称ε＝A×C×T×D1×…×Dm是事件集合，表示所有可能的事件类的集合。[0064] “踪迹/部分踪迹”的定义：[0065] 一个踪迹是事件的非空有限序列σ＝， ei∈ε。长度k k k为k的部分踪迹被定义为σ＝hd (σ)，正整数k≤n，本文又称长度为k部分踪迹σ为前缀长度为k的前缀函数。一个完整踪迹对应于一个完整的流程实例(case)，即一个已启动和已完成的实例；[0066] 部分踪迹表示仍在执行中的流程实例，表示它尚未完成。踪迹中时间是非递减的Time(ei)≤Time(ej)，1≤i≤j≤|σ|，|σ|表示σ的长度。[0067] “事件日志”的定义：[0068] 一组已完成的踪迹(即已完成的流程实例)组成一个事件日志ELog。[0069] ELog＝{σC|c∈C}[0070] 式中，C是事件日志中所有可能踪迹。[0071] S2、根据原始事件日志挖掘流程模型。具体的，根据原始事件日志，基于过程挖掘，获取流程模型。其中，流程模型为GSPN模型。GSPN模型包括时间变迁、瞬时变迁和库所三种节点。[0072] 在本实施例中，通过流程挖掘算法对原始事件日志进行挖掘，得到原始事件日志对应的流程模型。如图2所示，本实施例的流程模型为广义随机Petri网(GSPN)。在其它实施例中，流程模型可以使用流程模型Petri网、YAML(另一种标记语言)、BPMN(业务流程建模与标注)、CNET(因果网)、EPCs(事件驱动流程链)等其它流程模型。当然，流程模型也可以是现有的直接输入，而不用进行过程挖掘浪费计算事件，本发明对此不做具体限定。需要说明的是，通过流程挖掘算法挖掘流程模型为现有技术，本发明不再赘述。[0073] S3、根据原始事件日志和流程模型，获取流程模型中的目标预测点。[0074] 具体的，流程模型中的各个节点都可以作为一个预测点。但是有些预测点没有说明预测意义，并且过多的预测点会导致整个事件日志简化方法的计算量过大。因此，在本发明实施例中通过筛选减少了预测点的数量，从而大大节约了算力。[0075] 具体的，在上述实施例的基础上，本发明的一个可选地实施例中，步骤S3具体包括步骤S31至步骤S36。[0076] S31、根据所述原始事件日志，获取所述流程模型中各个节点的权重；其中，时间变迁节点的权重值为所述原始事件日志中该节点的平均执行时间，所述瞬时变迁和所述库所的权重值为0。以图3为例，步骤S31具体包括步骤S311和步骤S313。[0077] S311、设源点p1，ES[p1]＝0；[0078] S312、因为t1，p2，p3，t2，t4，p4，p6，t5的执行时间为0，所以它们的ES＝0；[0079] S313、活动A的执行时间为0.5，活动B的执行时间为3，活动C的执行时间为2，活动E的执行时间为1，活动F的执行时间为1.5。[0080] S32、根据所述流程模型和所述权重，获取所述流程模型中各个节点的最早开始时间ES[Vj]；其中，当节点为源点时ES[Vj]＝0；否则ES[Vj]＝Max{ES[Vi]+w},式中，Vi为Vj在所述流程模型中的上一个节点，w为Vi的权重值。以图3为例，步骤S32具体包括步骤S321和步骤S328。[0081] S321、ES[A]＝0，在执行完A活动后可以得到ES[p5]＝ES[A]+0.5＝0.5；[0082] S322、执行完B活动后ES[p7]＝ES[B]+3＝3；[0083] S323、ES[t3]＝Max{ES[p5],ES[p7]}＝3；[0084] S324、ES[p8]＝Max{(ES[t3],ES[t4]}＝3；[0085] S325、ES[p9]＝ES[C]+2＝2；[0086] S326、ES[p10]＝ES[t6]＝2；[0087] S327、ES[t7]＝Max{(ES[p8],ES[p10]}＝3；[0088] S328、在执行完t7，p11，E，F后得：ES[p12]＝Max{ES[E]+1,ES[F]+1.5}＝4.5；[0089] S33、根据所述流程模型、所述权重和所述最早开始时间，获取各个节点的最晚开始时间LS[Vj]；其中，当节点为汇聚点时LS[Vj]＝ES[Vj]，否则LS[Vi]＝Min{LS[Vj]‑w}，式中，Vi为Vj在所述流程模型中的上一个节点，w为Vi的权重值。以图3为例，步骤S33具体包括步骤S331和步骤S339。[0090] S331、此时p12是汇聚点，LS[p12]＝ES[p12]＝4.5；[0091] S332、LS[E]＝LS[p12]‑1＝3.5，同理LS[F]＝3；[0092] S333、LS[p11]＝Min{LS[E]‑0,LS[F]‑0}＝3；[0093] S335、LS[B]＝LS[p7]‑3＝0；[0094] S336、LS[A]＝LS[p5]‑0.5＝2.5；[0095] S337、LS[C]＝LS[p9]‑2＝1；[0096] S338、LS[t1]＝Min{LS[p2]‑0,LS[p3]‑0}＝0；[0097] S339、LS[p1]＝0。[0098] S34、根据所述最早开始时间和所述最晚开始时间，获取所述流程模型的关键路径；其中，所述关键路径为最早开始时间等于最晚开始时间的节点的集合。[0099] 具体的，关键路径如图3中加粗的路径所示，是一条ES[Vi]＝LS[Vi]的关键路径，其活动序列为p1，t1，p2，t2，p6，B，p7，t3，p8，t7，p11，F，p12。所谓的关键路径，是指晚开始与早开始的任务值相等(LS＝ES)的活动，而那些晚开始大于早开始的任务(LS>ES)意味着即使它们开始或完成得晚一些，也可能毫不延迟地完成整个过程。[0100] S35、根据所述原始事件日志，选取所述关键路径上发生频率超过预设频率的节点作为目标预测点；其中，所述预设频率为50％。在其它实施例中，预测频率可以为其它数值，例如20％或30％，此时目标预测点可能不止1个，因此需要从多个目标预测点中选取一个出来，本发明对此不做具体限定。可以理解的是，在其它实施例中，可以通过其它方法来筛选预测点，并且预测点的数量可能不止一个，而是一个集合，本发明对此不做具体限定。[0101] S4、根据流程模型的子网结构，识别流程模型中的可简化子结构集合。[0102] 在上述实施例的基础上，本发明的一个可选地实施例中，步骤S3具体的为：基于GSPN模型的子网结构，通过GSPN网关联矩阵识别流程模型中的可简化子结构，获取可简化子结构集合。其中，子网结构包括序列结构、或结构和循环结构。可简化子结构中包含时间变迁节点。[0103] 如图4所示，GSPN模型具有三种子网结构，这三种子网结构均能够进行简化压缩，图4左侧为三种子网结构的示意图，图4右侧为压缩后的新的事件活动。本发明实施例就是基于子网结构的压缩来实现日志的简化的。[0104] 具体的，通过GSPN网关联矩阵在流程模型中，将和子网结构相同的结构全部找出来。如图5所示，其中灰色框表示步骤S3中选出来的预测点集合。虚线圈起来的就是识别出来的可简化子结构。[0105] S5、根据可简化子结构集合，分别对原始事件日志中包含可简化子结构的实例进行简化，获取简化事件日志集合。[0106] 为了判断子网结构中的各个可简化子结构简化后对预测质量的影响。因此，需要分别对各个可简化子结构进行验证。在本实施例中，分别根据每个可简化子结构对原始事件日志进行简化，从而得到各个可简化子结构对应的简化事件日志，组成简化事件日志集合。[0107] 在上述实施例的基础上，本发明的一个可选地实施例中，步骤S5包括步骤S51至步骤S55：[0108] S51、分别根据可简化子结构集合中的可简化子结构执行步骤S53至步骤S55，以得到各个可简化子结构对应的简化事件日志，组成简化事件日志集合：[0109] S52、根据可简化子结构，获取原始事件中的待化简实例。其中，待化简实例中包含和可简化子结构中的时间变迁节点相对应的事件活动。具体的，根据可简化子结构，找到原始事件中包含可简化子结构中的活动点的待化简实例。[0110] S53、分别将待化简实例中和可简化子结构对应的事件活动进行合并化简，获取新的事件活动和新的事件活动的循环时间。具体的，找到待化简实例后，如图4所示，将待化简实例中的活动进行化简得到新的事件活动。在化简后，需要对新的事件活动的执行时间进行更新。具体的执行时间更新模型如下：[0111] 序列结构简化后的新活动α的执行时间Tα为： γ∈(a,b,......,w), 式中， 表示待化简实例 中待化简活动γ的执行时间、a、b和w为待化简活动的编号、n为待化简实例的数量。[0112] 或结构简化后的新活动α的执行时间Tα为：式中， 为可简化子结构中活动γ的平均执行频率、 为可简化子结构中活动γ的平均执行时间、 为活动a的平均执行频率、 表示待化简实例 中执行的待化简活动a的执行时间，b、c和w为待化简实例 中不包含的活动。[0113] 循环结构简化后的新活动α的执行时间Tα为：式中， 为可简化子结构中待化简活动γ的平均执行次数、 为待化简实例 中执行的待化简活动γ的平均运行时间、a、b、c和w为可简化子结构中包含的待化简活动的编号。[0114] S54、根据新的事件活动和循环时间，更新待化简实例的时间，获取化简实例。[0115] 具体的，上个步骤得到了新的事件活动，以及该活动的执行时间。在当前步骤中，需要对新的事件活动的开始时间和/或结束时间进行更新，并根据更新后的时间对流程实例中的事件活动进行排序从而得到化简实例。[0116] S55、在更新完原始事件中的所有待化简实例后，得到可简化子结构对应的简化事件日志。[0117] 具体的，在将原始事件中，包含某个可简化子结构的事件全部压缩后，即可得到该可简化子结构对应的简化事件日志。所有的可简化子结构对应的简化事件日志组合成简化事件日志集合。[0118] S6、在目标预测点处，以剩余时间为目标，根据简化事件日志集合，分别为每个简化事件日志构建预测模型，并根据预测模型和预测模型对应的简化事件日志，获取简化事件日志集合在目标预测点处的预测剩余时间集合。[0119] 在步骤S5中，得到了每个可简化子结构对应的简化事件日志。在本实施例分别根据各个简化事件日志，分别预测在目标预测点处的预测剩余时间。然后再下一步骤中，计算未简化事件日志在目标预测点处的真实剩余时间，从而判断各个可简化子结构的简化为预测结果的影响，最终选出可简化的可简化子结构。[0120] 在上述实施例的基础上，本发明的一个可选地实施例中，步骤S6包括步骤S61至步骤S65：[0121] S61、分别对简化事件日志集合中包含目标预测点的简化事件日志执行步骤S62至步骤S65，得到各个简化事件日志对应的预测剩余时间，以获取预测剩余时间集合：[0122] 具体的，目标预测点可能包含在某个可简化子结构中。当这种情况下，简化后，目标预测点已经不存在了。因此，不必对包含目标预测点的可简化子结构对应的简化事件日志进行预测。[0123] S62、根据目标预测点，提取简化事件日志中包含目标预测点的事件实例，生成预测点事件日志。[0124] 具体的，简化事件日志中，部分事件实例并不包含目标预测点所对应的活动。因此，这部分事件实例是无法用于预测在目标预测点处的预测剩余时间的。因此，要先将这部分事件实例去除，将包含目标预测点对应的活动的事件实例筛选出来，组合成预测点事件日志。[0125] S63、根据预测点事件日志，进行前缀提取、前缀分桶和前缀编码，并以预测剩余时间为目标，根据前缀编码后的数据集，构建简化事件日志在预测点的剩余时间预测模型。[0126] 需要说明的是，根据事件日志构建预测模型为现有技术，本发明在此不在赘述。[0127] S64、根据预测点事件日志，获取预测点的预测点前缀日志。[0128] 需要说明的是，“预测点前缀日志”的定义：[0129] 在给定的一个事件日志ELog和一个预测点Y的情况下，它前缀日志ELogY是由ELogY k中从开始事件到预测点(事件)的所有前缀组成的事件日志，ELog＝{hd (σ):σ∈L,1≤k≤|Y|}，|Y|表示开始事件到预测点的长度。[0130] S65、根据预测点前缀日志和剩余时间预测模型，获取简化事件日志在预测点的预测剩余时间。其中，预测点前缀日志包含多个预测点踪迹，每个预测点踪迹对应一个预测剩余时间。[0131] 具体的，预测点前缀日志包含多个预测点踪迹(即开始事件到预测点的踪迹的前缀)，将预测点踪迹输入到剩余时间预测模型中，就能够得到该预测点踪迹的预测剩余时间。[0132] S7、根据原始事件日志，获取目标预测点处的真实剩余时间,并根据预测剩余时间集合和真实剩余时间，获取简化事件日志集合在预测点处的预测误差集合。[0133] 具体的，通过预测剩余时间和真实剩余时间之间的误差来为筛选可简化子结构提供判断基础。[0134] 在上述实施例的基础上，本发明的一个可选地实施例中，步骤S7包括步骤S71至步骤S73：[0135] S71、根据原始事件日志，获取原始前缀日志。[0136] 需要说明的是，“前缀日志”的定义：[0137] 在给定的一个事件日志ELog的情况下，它前缀日志ELog#是由ELog的所有前缀组# k成的事件日志，ELog＝{hd(σ):σ∈L,1≤k≤|σ|}，|σ|表示σ的长度。[0138] 具体的，原始事件日志中，包含的大多是完整的踪迹，而通过前缀提取能够提取。[0139] S72、获取原始前缀日志中和预测点前缀日志相对应的事件实例的真实剩余时间。[0140] 具体的，在原始前缀日志中，找到和预测点前缀日志中的各个预测点踪迹对应的真实踪迹，从真实踪迹中得到在目标预测点之后，真实踪迹还需要多长时间结束(即真实剩余时间)。[0141] S73、根据预测剩余时间集合和真实剩余时间相减，得到各个简化事件日志在目标预测点的预测误差，获取预测误差集合。其中，所述预测误差为所述多个预测点踪迹的预测值的平均绝对误差(MAE)、均方根误差(RMSE)或平均百分比误差(MAPE)。[0142] 如图6所示，在本实施例中，采用平均绝对误差(MAE)来平衡各个预测点踪迹对应的预测剩余时间，从而得到简化事件日志在目标预测点处的预测剩余时间。MAE是预测值与实际测量值之间差异的量度，它能更好地反映预测值误差的实际情况。[0143][0144] 式中，ci为第i个可简化子结构对应的预测误差，yi是给定点上的实际值， 是预测值。[0145] 优选的，对预测点事件日志中的80％的踪迹进行预测，而不全部进行预测，以节省算力。[0146] S8、根据预测误差集合筛选可简化子结构集合中的可简化子结构，获取目标预测点对应的化简结构集合。[0147] 具体的，在得到各个简化事件日志在目标预测点处的预测误差后，需要根据预测误差从可简化子结构集合中筛选出在目标预测点处适合的可简化子结构，组成化简结构集合。[0148] 在上述实施例的基础上，本发明的一个可选地实施例中，步骤S8包括步骤S81至步骤S84。[0149] S81、根据原始事件日志，获取原始事件日志在预测点处的预测值和真实值之间的原始偏差Γ。[0150] S82、根据所述原始事件日志，分别计算可简化子结构集合中各个可简化子结构的活动平均个数ui。[0151] S83、计算包含目标预测点的可简化子结构的数量，获取偏差系数g。[0152] S84、根据原始偏差Γ、预测误差集合、活动平均个数ui和偏差系数g筛选可简化子结构，获取化简结构集合。[0153] 具体的，本发明实施例的目标是在最大化化简日志的同时保证简化日志的预测性能误差在一定范围内，相较于原始日志的误差不能相差太大，即保证其和原始日志的预测值尽可能的相近，在此小节进行了化简的优化操作。[0154] 因此，构建筛选公式：[0155] 目标：最大化的化简事件日志。[0156] 约束：将化简所带来的预测误差控制在误差的预算中。[0157] 事件日志化简优化公式(筛选公式)：[0158][0159][0160] 式中，i为可简化子结构的编号、n为可简化子结构的数量、ui为第i个可简化子结构的活动平均个数、xi表示是否对第i个可简化子结构进行化简、ci为第i个可简化子结构对应的预测误差、g为偏差系数、Γ为原始偏差。对第i个可简化子结构进行化简则xi取1，不化简则xi取0。[0161] 需要说明的是，本文利用给定的误差预算g·Γ进行优化，Γ的取值为原始日志的预测值与真实值之间的偏差值，而g用作一个变量，可以对误差预算的大小进行控制。因为本文在化简过程中注重的是时间属性误差，当本文在实行针对剩余时间的预测过程的事件日志化简时，可以适当扩大给定的偏差界限范围。[0162] S9、根据化简结构集合简化原始事件日志中的事件活动，以获取目标预测点对应的最终简化日志。具体的，步骤S9的内容和步骤S5类似，不同之处在于步骤S5中分别根据每一个可简化子结构进行化简，从而得到各个可简化子结构对应的简化事件日志，而步骤S9是对原始事件日志中所包含的所有化简结构集合中的化简结构都进行化简，从而之得到一个最终简化日志。[0163] 本发明实施例，根据原始事件日志Elog和每个fi化简的事件日志NElogi以及目标预测点，最终得到的最终简化日志针对的是某个目标预测点。当选取不同的目标预测点时，其在Elog和NElogi上得到的真实值和预测值的偏差是不同的。偏差不同也会导致最终的化简结构集合F’也不同。[0164] 具体的，本发明实施例在目标预测点上能够平衡预测性能和化简性能，在有效减少了原始事件日志的数据量的情况下，简化后的事件日志的预测性能与原始事件日志预测性能基本保持平衡，具有很好的实际意义。[0165] 实施例二、[0166] 本发明实施例提供了一种事件日志简化装置，其包含：[0167] 原始数据模块1，用于获取原始事件日志。[0168] 流程挖掘模块2，用于根据原始事件日志挖掘流程模型。[0169] 预测点模块3，用于根据原始事件日志和流程模型，获取流程模型中的目标预测点。[0170] 简化结构识别模块4，用于根据流程模型的子网结构，识别流程模型中的可简化子结构集合。[0171] 第一简化模块5，用于根据可简化子结构集合，分别对原始事件日志中包含可简化子结构的实例进行简化，获取简化事件日志集合。[0172] 预测模块6，用于在目标预测点处，以剩余时间为目标，根据简化事件日志集合，分别为每个简化事件日志构建预测模型，并根据预测模型和预测模型对应的简化事件日志，获取简化事件日志集合在目标预测点处的预测剩余时间集合。[0173] 误差模块7，用于根据原始事件日志，获取目标预测点处的真实剩余时间,并根据预测剩余时间集合和真实剩余时间，获取简化事件日志集合在预测点处的预测误差集合。[0174] 筛选模块8，用于根据预测误差集合筛选可简化子结构集合中的可简化子结构，获取目标预测点对应的化简结构集合。[0175] 第二简化模块9，用于根据化简结构集合简化原始事件日志中的事件活动，以获取目标预测点对应的最终简化日志。[0176] 本发明的一个可选的实施例中，流程挖掘模块2具体用于：[0177] 根据原始事件日志，基于过程挖掘，获取流程模型。其中，流程模型为GSPN模型。GSPN模型包括时间变迁、瞬时变迁和库所三种节点。[0178] 本发明的一个可选的实施例中，预测点模块3包括：[0179] 权重获取单元，用于根据原始事件日志，获取流程模型中各个节点的权重。其中，时间变迁节点的权重值为原始事件日志中该节点的平均执行时间，瞬时变迁和库所的权重值为0。[0180] 最早开始时间计算单元，用于根据流程模型和权重，获取流程模型中各个节点的最早开始时间ES[Vj]。其中，当节点为源点时ES[Vj]＝0。否则ES[Vj]＝Max{ES[Vi]+w},式中，Vi为Vj在流程模型中的上一个节点，w为Vi的权重值。[0181] 最晚开始时间计算单元，用于根据流程模型、权重和最早开始时间，获取各个节点的最晚开始时间LS[Vj]。其中，当节点为汇聚点时LS[Vj]＝ES[Vj]，否则LS[Vi]＝Min{LS[Vj]‑w}，式中，Vi为Vj在流程模型中的上一个节点，w为Vi的权重值。[0182] 关键路径单元，用于根据最早开始时间和最晚开始时间，获取流程模型的关键路径。其中，关键路径为最早开始时间等于最晚开始时间的节点的集合。[0183] 预测点集合单元，用于根据原始事件日志，选取关键路径上发生频率超过预设频率的节点作为目标预测点。其中，预设频率为50％。[0184] 本发明的一个可选的实施例中，简化结构识别模块4具体用于：[0185] 基于GSPN模型的子网结构，通过GSPN网关联矩阵识别流程模型中的可简化子结构，获取可简化子结构集合。其中，子网结构包括序列结构、或结构和循环结构。可简化子结构中包含时间变迁节点。[0186] 本发明的一个可选的实施例中，第一简化模块5具体用于：[0187] 分别根据可简化子结构集合中的可简化子结构执行如下步骤，以得到可简化子结构对应的简化事件日志，获取简化事件日志集合：[0188] 根据可简化子结构，获取原始事件中的待化简实例。其中，待化简实例中包含和可简化子结构中的时间变迁节点相对应的事件活动。[0189] 分别将待化简实例中和可简化子结构对应的事件活动进行合并化简，获取新的事件活动和新的事件活动的循环时间。[0190] 根据新的事件活动和循环时间，更新待化简实例的时间，获取化简实例。[0191] 在更新完原始事件中的所有待化简实例后，得到可简化子结构对应的简化事件日志。[0192] 本发明的一个可选的实施例中，预测模块6具体用于：[0193] 分别对简化事件日志集合中包含目标预测点的简化事件日志执行如下操作，得到各个简化事件日志对应的预测剩余时间，以获取预测剩余时间集合：[0194] 根据目标预测点，提取简化事件日志中包含目标预测点的事件实例，生成预测点事件日志。[0195] 根据预测点事件日志，进行前缀提取、前缀分桶和前缀编码，并以预测剩余时间为目标，根据前缀编码后的数据集，构建简化事件日志在预测点的剩余时间预测模型。[0196] 根据预测点事件日志，获取预测点的预测点前缀日志。[0197] 根据预测点前缀日志和剩余时间预测模型，获取简化事件日志在预测点的预测剩余时间。其中，预测点前缀日志包含多个预测点踪迹，预测剩余时间为多个预测点踪迹的预测试的平均绝对误差、均方根误差或平均百分比误差。[0198] 本发明的一个可选的实施例中，误差模块7包括：[0199] 原始前缀日志提取单元，用于根据原始事件日志，获取原始前缀日志。[0200] 真实剩余时间单元，用于获取原始前缀日志中和预测点前缀日志相对应的事件实例的真实剩余时间。[0201] 误差单元，用于根据预测剩余时间集合和真实剩余时间相减，得到各个简化事件日志在目标预测点的预测误差，获取预测误差集合。[0202] 本发明的一个可选的实施例中，筛选模块8包括：[0203] 原始偏差单元，用于根据原始事件日志，获取原始事件日志在预测点处的预测值和真实值之间的原始偏差Γ。[0204] 活动平均个数单元，用于根据原始事件日志，分别计算可简化子结构集合中各个可简化子结构的活动平均个数ui。[0205] 偏差系数单元，用于计算包含目标预测点的可简化子结构的数量，获取偏差系数g。[0206] 筛选单元，用于根据原始偏差Γ、预测误差集合、活动平均个数ui和偏差系数g筛选可简化子结构，获取化简结构集合。其中，筛选公式为：[0207][0208][0209] 式中，i为可简化子结构的编号、n为可简化子结构的数量、ui为第i个可简化子结构的活动平均个数、xi表示是否对第i个可简化子结构进行化简、ci为第i个可简化子结构对应的预测误差、g为偏差系数、Γ为原始偏差。对第i个可简化子结构进行化简则xi取1，不化简则xi取0。[0210] 实施例三、[0211] 本发明实施例提供了一种事件日志简化设备，其包括处理器、存储器，以及存储在存储器内的计算机程序。计算机程序能够被处理器执行，以实现如实施例一所说的事件日志简化方法。[0212] 实施例四、[0213] 本发明实施例提供了一种计算机可读存储介质，其包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行如实施例一所说的事件日志简化方法。[0214] 在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。[0215] 另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。[0216] 所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。[0217] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：福建

专利申请日期：2022-05-05

专利公开日期：2024-07-26

专利公告号：CN114819154B