本技术涉及自动执行工作流的，尤其是涉及一种基于rpa技术的工作流执行方法及系统。
背景技术：
1、机器人过程自动化（rpa）是近年来快速发展的自动化技术，人工智能的发展迫使人们审视什么工作应该被自动化，什么工作应该由人类来完成。rpa自动化技术是一种利用机器人软件来模拟和执行人工业务流程的技术。它可以模拟人类用户的操作，例如鼠标点击、键盘输入、数据提取和处理等，从而完成各种繁琐的重复性任务。rpa技术通常不需要编写代码，而是通过简单地录制操作，或者使用预定义的操作来创建自动化任务。
2、申请公布号为：cn116610082a，申请公告日为：2023年08月18日的中国发明专利，提供了一种基于深度强化学习的rpa作业工作流冗余调度方法及系统，其通过rpa作业工作流获取各rpa作业的执行数据，将执行数据处理转换为作业特征；通过rpa执行器获取对应机器的资源波动和硬件信息，将资源波动和硬件信息转换为集群机器的资源特征；构建深度强化学习智能体，通过作业特征和资源特征构建智能体的输入状态，根据奖励函数对智能体进行训练优化并输出冗余调度策略。
3、虽然上述专利一定程度上降低了资源开销和工作流执行时间，但是针对不同的用户需求，工作流的执行流程是不同的，因此，需要根据用户需求合理设定rpa工作流，进一步降低资源开销。
技术实现思路
1、为了能够进一步降低资源开销，本技术提供了一种基于rpa技术的工作流执行方法及系统。
2、第一方面，本技术提供了一种基于rpa技术的工作流执行方法，采用如下的技术方案：
3、一种基于rpa技术的工作流执行方法，包括：
4、建库：建立知识库，并将业务类型和处理策略的历史数据存储至知识库中；
5、接收请求：接收待处理的用户请求，记为第一请求；
6、数据分析：包括第一建模、特征提取和分类；
7、第一建模：建立深度神经网络流量模型；
8、特征提取：基于深度神经网络模型提取第一请求中的需求特征；
9、分类：将所述需求特征作为决策树的输入，获得第一请求所属的业务类型；
10、选择rpa机器人：根据业务类型，选定rpa机器人；
11、强化学习：包括定义奖励函数和调整；
12、定义奖励函数：根据业务执行的目标，定义奖励函数；
13、调整：利用深度强化学习算法，使rpa机器人根据奖励函数的反馈不断调整处理策略，直至奖励函数的数值为最大值；
14、业务执行：根据第一请求和业务规则，采用强化学习后的rpa机器人执行业务操作，获取操作结果；
15、输出：输出操作结果。
16、通过采用上述技术方案，本技术通过深度神经网络模型提取用户请求中的需求特征，并利用决策树进行分类，该方法能够自动地将用户请求映射到不同的业务类型上。根据业务类型的不同，能够智能地选择最适合的rpa机器人来执行相应的业务操作，使rpa工作流程能够根据不同的用户请求进行动态调整。本技术定义奖励函数并利用深度强化学习算法对处理策略进行调整，是为了使rpa机器人在面对不同用户需求和业务场景时，能够不断学习和优化自身的行为方式，这意味着rpa机器人可以根据用户需求的变化和业务环境的变化，自动调整其工作流程和执行策略，以更好地满足用户的期望和需求，降低资源开销。随着知识库的不断积累和更新，本技术能够逐渐学习和掌握更多类型的用户需求和业务场景，进而更加灵活地调整rpa工作流程以适应不同的用户需求。
17、可选的，在执行定义奖励函数的步骤之后，在执行调整的步骤之前，还包括：
18、任务分解：将待执行的业务分解为多个子任务；
19、任务规划：基于子任务，制定任务执行计划；
20、任务分配：通过hrl算法，将每个子任务分配给对应的rpa机器人。
21、通过采用上述技术方案，本技术将用户需求所对应的复杂的业务流程，分解为多个具体的子任务，有助于降低每个任务的复杂度和执行难度，提高整体工作流程的可控性和可管理性。通过任务分解，本技术可以更加灵活地调整子任务的执行顺序和方式，以适应不同的业务场景和用户需求。分解后的子任务具有独立性，在互不影响的前提下可以并行执行，从而缩短整体业务流程的执行时间。本技术基于子任务之间的依赖关系和优先级，制定合理的任务执行计划，可以使业务流程高效、有序的执行。通过任务规划，可以预见并避免不同子任务之间的资源冲突和执行顺序的冲突，提高系统的稳定性和可靠性。合理的任务规划可以减少不必要的等待时间和重复劳动，从而提高整体业务流程的执行效率。通过hrl（hierarchical reinforcement learning，分层强化学习）算法将子任务分配给对应的rpa机器人，可以使每个rpa机器人都能发挥其专长，充分利用系统资源。任务分配时考虑rpa机器人的负载能力和当前状态，有助于实现负载均衡，降低个别rpa机器人过载而其他rpa机器人空闲的情况发生的概率。将子任务分配给最适合的rpa机器人执行，可以提高任务执行的准确性和成功率，从而提升整体业务流程的执行质量，减少任务执行的时间。任务分解、任务规划和任务分配这三个步骤的引入，可以进一步优化rpa工作流程的执行过程。它们不仅提高了系统的灵活性和可控性，还通过合理规划和分配任务，实现了资源的高效利用和负载均衡，最终提升了业务流程的执行效率和质量。
22、可选的，在执行任务分配的步骤之后，执行调整的步骤之前，还包括：
23、初始化：为每个rpa机器人设置初始处理策略和规则集。
24、通过采用上述技术方案，通过设置初始处理策略和规则集，rpa机器人在开始执行任务之前就已经具备了一定的执行能力。这些初始设置能够使rpa机器人在面对简单或常见的业务场景时能够迅速、准确地作出反应，从而提高系统的整体可靠性。初始化步骤中的处理策略和规则集不仅为rpa机器人提供了基础，也为后续的强化学习和调整过程提供了起点。这些初始设置可以作为学习的基础，帮助rpa机器人在实际执行过程中不断积累经验，优化自身的处理策略。合理的初始处理策略和规则集有助于rpa机器人在执行任务时更加高效地利用系统资源。通过减少不必要的探索行为和试错成本，rpa机器人能够更快地找到最优的执行路径，提高资源利用率。虽然初始化步骤为rpa机器人设置了初始处理策略和规则集，但这并不意味着它们是固定不变的。相反，这些初始设置是为了帮助rpa机器人在后续的学习和调整过程中更快地适应不同的业务场景和用户需求。
25、可选的，在执行业务执行的步骤之后，执行输出的步骤之前，还包括：
26、结果判断：判断操作结果是否符合预期，若是，则执行输出的步骤，若否，则执行添加请求的步骤；
27、添加请求：将第一请求反馈给运维人员，将当前的第一请求添加至知识库。
28、通过采用上述技术方案，将不符合预期的第一请求反馈给运维人员，使运维人员能够及时获取处理结果不符合预期的用户需求，将第一请求存储到知识库中，随着时间的推移，知识库的不断丰富，将有助于提高rpa机器人处理复杂和罕见情况的能力，使其更加智能和高效。
29、可选的，执行结果判断的步骤之后，执行添加请求的步骤之前，还包括：
30、计算相似度：计算第一请求与知识库中所有用户请求的相似度；
31、获取源任务：获取知识库中与第一请求相似度最大的用户请求，记为第二请求，将第二请求以及第二请求的处理策略记为源任务；
32、获取目标任务：将第一请求作为目标任务；
33、第二建模：建立第一lstm模型和第二lstm模型；
34、模型训练：采用源任务及源任务的处理策略训练第一lstm模型；
35、迁移学习：将经过训练的第一lstm模型的权重迁移至第二lstm模型的对应层中；
36、获取处理策略：将目标任务输入至第二lstm模型中，获取目标任务的处理策略。
37、通过采用上述技术方案，本技术通过计算第一请求与知识库中用户请求的相似度，并获取相似度最大的用户请求作为源任务，这一过程实现了对类似问题的自动识别与归类。随后，通过迁移学习将源任务的处理策略应用于新的目标任务，大大提高了rpa流程的自动化水平，减少了人工干预的需求。引入lstm（长短期记忆网络）模型进行建模和训练，能够捕捉用户请求中的序列依赖关系，从而更准确地理解用户意图。通过迁移学习，将源任务中学习到的有效特征和处理策略迁移到新的目标任务上，有助于快速且准确地生成适用于新任务的处理策略。基于相似度匹配和迁移学习的方法能够更准确地预测和处理新任务，从而减少了因错误处理而导致的资源浪费和流程中断。
38、可选的，在执行添加请求步骤中，将第一请求和获取处理策略的步骤中获取的处理策略一并存储至知识库中。
39、通过采用上述技术方案，通过将第一请求及其对应的处理策略添加到知识库中，知识库的内容得到了极大的丰富。这不仅包括了新的用户请求，还包含了针对这些新的用户请求的有效处理策略。这种丰富性有助于提升rpa机器人在未来处理类似请求时的准确性和效率。随着知识库的不断扩展，rpa机器人能够更快地适应新的业务场景和用户需求。当遇到新的用户请求时，系统可以通过与知识库中的请求进行相似度匹配，快速找到类似的处理策略，从而实现对新的用户请求的自动化处理。
40、可选的，在执行迁移学习的步骤之后，执行获取处理策略的步骤之前，还包括：
41、添加标签：对部分目标任务添加标签，将添加标签后的目标任务记为训练数据；
42、微调：采用训练数据对第二lstm模型进行训练，在训练过程中，监控第二lstm模型输出准确率的变化趋势；
43、准确率判断：判断第二lstm模型输出准确率的变化趋势是否符合预期，若是，则执行获取处理策略的步骤；若否，则执行调整学习率的步骤；
44、调整学习率：降低第二lstm模型的学习率，计算模型如下：
45、；
46、其中，为第二lstm模型当前的学习率，为第二lstm模型调整后的学习率。
47、通过采用上述技术方案，本技术通过对部分目标任务添加标签并作为训练数据，进一步细化了第二lstm模型的训练过程。这有助于第二lstm模型更好地理解目标任务的特性，从而提升其在新任务上的泛化能力。微调步骤利用带标签的训练数据对第二lstm模型进行训练，使模型能够更准确地适应目标任务。在训练过程中监控第二lstm模型输出准确率的变化趋势，可以及时发现并解决潜在的问题，确保第二lstm模型性能的稳定提升。如果准确率判断结果显示第二lstm模型性能未达到预期，通过调整学习率可以进一步优化第二lstm模型的训练过程。降低学习率有助于第二lstm模型在训练后期更细致地调整参数，从而提高模型的收敛性和稳定性。这种灵活的学习率调整策略使得第二lstm模型能够适应不同的训练阶段和数据特性。通过设定合理的初始学习率，可以加速第二lstm模型的训练过程。较高的学习率可以使第二lstm模型在训练初期快速接近最优解区域，而后续通过微调等步骤进一步精细调整。这有助于节省训练时间，提高整体效率。
48、可选的，在执行添加标签的步骤之后，执行微调的步骤之前，还包括：
49、设定学习率：设置第二lstm模型的初始学习率。
50、通过采用上述技术方案，本技术设定了第二lstm模型的初始学习率，合适的学习率设置有助于模型在训练过程中跳出局部最优解，寻找全局最优解。
51、可选的，在执行调整学习率的步骤之后，执行获取处理策略的步骤之前，还包括：
52、设定阈值：设置学习率最低阈值；
53、学习率判断：判断学习率是否低于学习率最低阈值，若是，则执行获取处理策略的步骤；若否，则执行微调的步骤。
54、通过采用上述技术方案，通过设定学习率最低阈值，可以确保在训练过程中学习率不会过低，从而避免模型陷入局部最优解或训练过程过于缓慢的僵局。学习率判断步骤根据当前学习率与学习率最低阈值的比较结果，灵活地调整后续的训练策略。如果学习率低于阈值，则执行获取处理策略的步骤，如果学习率仍高于阈值，则继续执行微调的步骤，进一步细化模型的训练。过低的学习率可能增加模型在训练后期陷入过拟合的风险。通过设定学习率最低阈值并在学习率低于该阈值时及时采取措施（如获取新的处理策略），可以避免模型在已经接近最优解的情况下继续过度训练，从而保持模型的泛化能力。
55、第二方面，本技术提供了一种基于rpa技术的工作流执行系统，包括：
56、建库模块，用于建立知识库，所述知识库存储有业务类型和处理策略的历史数据；
57、接收请求模块，用于接收待处理的用户请求，记为第一请求；
58、数据分析模块，包括建模单元、特征提取单元和分类单元；
59、建模单元，建立深度神经网络流量模型；
60、特征提取单元，基于深度神经网络模型提取第一请求中的需求特征；
61、分类单元，将所述需求特征作为决策树的输入，获得第一请求所属的业务类型；
62、选择rpa机器人模块，根据业务类型，选定rpa机器人；
63、强化学习模块，包括定义奖励函数单元和调整单元；
64、定义奖励函数单元，根据业务执行的目标，定义奖励函数；
65、调整单元，利用深度强化学习算法，使rpa机器人根据奖励函数的反馈不断调整处理策略，直至奖励函数的数值为最大值；
66、业务执行模块，根据第一请求和业务规则，采用强化学习后的rpa机器人执行业务操作，获取操作结果；
67、输出模块，输出操作结果。
68、通过采用上述技术方案，通过集成建库模块、接收请求模块、数据分析模块、选择rpa机器人模块、强化学习模块、业务执行模块与输出模块，实现了用户请求的自动化、智能化处理。该系统不仅提高了业务处理的准确性和效率，降低了人为错误风险，还通过深度学习和强化学习算法不断优化rpa机器人的处理策略，以适应复杂多变的业务需求，降低了资源开销。同时，其良好的可扩展性为未来功能的增加和优化提供了坚实基础，展现了在多个领域中的广泛应用潜力和重要实用价值。
69、综上所述，本技术包括以下至少一种有益技术效果：
70、1.本技术通过深度神经网络模型提取用户请求中的需求特征，并利用决策树进行分类，该方法能够自动地将用户请求映射到不同的业务类型上。根据业务类型的不同，能够智能地选择最适合的rpa机器人来执行相应的业务操作，使rpa工作流程能够根据不同的用户请求进行动态调整。本技术定义奖励函数并利用深度强化学习算法对处理策略进行调整，是为了使rpa机器人在面对不同用户需求和业务场景时，能够不断学习和优化自身的行为方式，这意味着rpa机器人可以根据用户需求的变化和业务环境的变化，自动调整其工作流程和执行策略，以更好地满足用户的期望和需求，降低资源开销。随着知识库的不断积累和更新，本技术能够逐渐学习和掌握更多类型的用户需求和业务场景，进而更加灵活地调整rpa工作流程以适应不同的用户需求。
71、2.本技术将用户需求所对应的复杂的业务流程，分解为多个具体的子任务，有助于降低每个任务的复杂度和执行难度，提高整体工作流程的可控性和可管理性。通过任务分解，本技术可以更加灵活地调整子任务的执行顺序和方式，以适应不同的业务场景和用户需求。分解后的子任务具有独立性，在互不影响的前提下可以并行执行，从而缩短整体业务流程的执行时间。本技术基于子任务之间的依赖关系和优先级，制定合理的任务执行计划，可以使业务流程高效、有序执行。通过任务规划，可以预见并避免不同子任务之间的资源冲突和执行顺序的冲突，提高系统的稳定性和可靠性。合理的任务规划可以减少不必要的等待时间和重复劳动，从而提高整体业务流程的执行效率。通过hrl（hierarchicalreinforcement learning，分层强化学习）算法将子任务分配给对应的rpa机器人，可以使每个rpa机器人都能发挥其专长，充分利用系统资源。任务分配时考虑rpa机器人的负载能力和当前状态，有助于实现负载均衡，降低个别rpa机器人过载而其他rpa机器人空闲的情况发生的概率。将子任务分配给最适合的rpa机器人执行，可以提高任务执行的准确性和成功率，从而提升整体业务流程的执行质量，减少任务执行的时间。任务分解、任务规划和任务分配这三个步骤的引入，可以进一步优化rpa工作流程的执行过程。它们不仅提高了系统的灵活性和可控性，还通过合理规划和分配任务，实现了资源的高效利用和负载均衡，最终提升了业务流程的执行效率和质量。
1.一种基于rpa技术的工作流执行方法，包括，建库：建立知识库，并将业务类型和处理策略的历史数据存储至知识库中，其特征在于，包括：
2.根据权利要求1所述的基于rpa技术的工作流执行方法，其特征在于，在执行定义奖励函数的步骤之后，在执行调整的步骤之前，还包括：
3.根据权利要求2所述的基于rpa技术的工作流执行方法，其特征在于，在执行任务分配的步骤之后，执行调整的步骤之前，还包括：
4.根据权利要求1-3任一项所述的基于rpa技术的工作流执行方法，其特征在于，在执行业务执行的步骤之后，执行输出的步骤之前，还包括：
5.根据权利要求4所述的基于rpa技术的工作流执行方法，其特征在于，执行结果判断的步骤之后，执行添加请求的步骤之前，还包括：
6.根据权利要求5所述的基于rpa技术的工作流执行方法，其特征在于，在执行添加请求步骤中，将第一请求和获取处理策略的步骤中获取的处理策略一并存储至知识库中。
7.根据权利要求5所述的基于rpa技术的工作流执行方法，其特征在于，在执行迁移学习的步骤之后，执行获取处理策略的步骤之前，还包括：
8.根据权利要求7所述的基于rpa技术的工作流执行方法，其特征在于，在执行添加标签的步骤之后，执行微调的步骤之前，还包括：
9.根据权利要求8所述的基于rpa技术的工作流执行方法，其特征在于，在执行调整学习率的步骤之后，执行获取处理策略的步骤之前，还包括：
10.一种基于rpa技术的工作流执行系统，包括，建库模块，用于建立知识库，所述知识库存储有业务类型和处理策略的历史数据；其特征在于，所述系统还包括：
