(5)Shark工作流的实现和WMFC&OMG规范的对比 (转)

本文探讨了Shark工作流引擎中如何使用XPDL描述流程并进行实例化,通过一个客户服务示例说明了流程活动及转换,同时指出实际应用中需要额外考虑的因素。
(5)Shark工作流的实现和WMFC&OMG规范的对比 (转)[@more@]

Shark工作流的实现和WMFC&OMG规范的对比

  -----第五部分:工作流的实例化

XML:namespace prefix = o ns = "urn:schemas-microsoft-com:Office:office" />

关键字:Shark 工作流 WMFC OMG 规范

学习了这么多的开源框架,准备自己也实现一个。万事开头难,先说说如何用XPDL来描述流程中需要包含的信息和如何实例化一个流程。

在shark中有一个Package-Business_Example 的例子。其中Customer Service - Request for Partial Shipment (客户服务—对分装运输的要求)流程信息的xdpl描述如下:

  SSLevel="PUBLIC" Id="Business_Example_Wor2" Name="Customer Service - Request for Partial Shipment">

  DurationUnit="D">

  13-03-2003

 

 

 

 

 

 

 

  The customer (or customer organization) name

 

 

 

   

 

  The product name

 

 

 

 

 

  The number of ordered items

 

 

   

 

 

  The number of ordered items on stock

 

 

 

 

 

  If customer aggreed on partial shipment, set the value of this variable to "OK", otherwise to anything else ("NOT_OK" for e.g.)

 

 

 

   

  Enter the customer response ("OK" if customer accepts partial shipment)

 

 

 

  Participant_Repository_Par10

 

 

 

 

 

 

 

 

 

 

 

 

 

   

  Asks customer if it is OK to partialy ship the existing number of wanted items

 

 

 

  Participant_Repository_Par10

 

   

 

 

 

 

 

 

 

 

 

   

 

 

 

 

 

   

   

 

 

 

 

   

 

 

 

 

 

 

解释如下:

这个流程只有两个活动:

1

  询问用户时候需要分装运输

2

  告诉客户销售

两个活动的转移:

    

上面的描述只是一个基本的XPDL的实现,在现实世界里所需要的信息是不充分的。

比如:

1、  当用户A登陆后,需要知道和用户A相关的那些活动已经启动,并提示用户A,操作这个活动。这样在实例化的流程中需要包含参与者的信息。

2、  上面的描述中只是包含了工作流本身的信息,很显然,工作流任务执行的具体最后要落实在业务过程上,那么在实例化后的工作流中应该包含业务的数据,最少应该包含能够找到这个业务的连接数据。

3、  工作流具体的状态业务状态在实例化的流程中应该保存起来。

  从上面的对比中可以看出,工作流引擎对如何实例化工作信息和业务信息应该是不同的,因为这并不是WMFC规范中的内容。

待续

田春峰

Mailto:accesine@163.com">accesine@163.com


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/10794571/viewspace-974325/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/10794571/viewspace-974325/

【多变量输入超前多步预测】基于CNN-BiLSTM的光伏功率预测研究(Matlab代码实现)内容概要:本文介绍了基于CNN-BiLSTM模型的多变量输入超前多步光伏功率预测方法,并提供了Matlab代码实现。该研究结合卷积神经网络(CNN)强大的特征提取能力与双向长短期记忆网络(BiLSTM)对时间序列前后依赖关系的捕捉能力,构建了一个高效的深度学习预测模型。模型输入包含多个影响光伏发电的气象与环境变量,能够实现对未来多个时间步长的光伏功率进行精确预测,适用于复杂多变的实际应用场景。文中详细阐述了数据预处理、模型结构设计、训练流程及实验验证过程,展示了该方法相较于传统模型在预测精度稳定性方面的优势。; 适合人群:具备一定机器学习深度学习基础,熟悉Matlab编程,从事新能源预测、电力系统分析或相关领域研究的研发人员与高校研究生。; 使用场景及目标:①应用于光伏电站功率预测系统,提升电网调度的准确性与稳定性;②为可再生能源并网管理、能量存储规划及电力市场交易提供可靠的数据支持;③作为深度学习在时间序列多步预测中的典型案例,用于科研复现与教学参考。; 阅读建议:建议读者结合提供的Matlab代码进行实践操作,重点关注数据归一化、CNN特征提取层设计、BiLSTM时序建模及多步预测策略的实现细节,同时可尝试引入更多外部变量或优化网络结构以进一步提升预测性能。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值