CN111160637B - 智能化人力分配方法、装置及计算机可读存储介质 - Google Patents
智能化人力分配方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111160637B CN111160637B CN201911323802.5A CN201911323802A CN111160637B CN 111160637 B CN111160637 B CN 111160637B CN 201911323802 A CN201911323802 A CN 201911323802A CN 111160637 B CN111160637 B CN 111160637B
- Authority
- CN
- China
- Prior art keywords
- order data
- historical order
- data set
- dimension reduction
- attribute
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 75
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 239000013598 vector Substances 0.000 claims description 52
- 239000011159 matrix material Substances 0.000 claims description 50
- 230000009467 reduction Effects 0.000 claims description 48
- 238000005457 optimization Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000005315 distribution function Methods 0.000 abstract description 2
- 230000002159 abnormal effect Effects 0.000 description 17
- 238000004891 communication Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 230000029305 taxis Effects 0.000 description 3
- 238000004873 anchoring Methods 0.000 description 2
- 230000009193 crawling Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000003999 initiator Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 241001330002 Bambuseae Species 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 239000011425 bamboo Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及人工智能技术，揭露了一种智能化人力分配方法，包括：获取包括来源标识的原始历史订单数据集和人力可分配名单，将所述原始历史订单数据集进行去除处理得到标准历史订单数据集，基于所述原始历史订单数据集的来源标识对所述标准历史订单数据集进行分类并存储至预先构建的数据库，从所述数据库依次读取标准历史订单数据集的历史订单数据，对所述历史订单数据进行响应权重分析得到响应权重集，接收用户输入的订单数据，对所述响应权重集和人力可分配名单进行层次分析得到分配优先级，根据所述订单数据和所述分配优先级分配人力。本发明还提出一种智能化人力分配装置以及一种计算机可读存储介质。本发明可以实现高效的人力分配功能。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种人力分配的方法、装置及计算机可读存储介质。
背景技术
随着科技的快速发展，基于互联网的汽车预约、外卖配送等服务如雨后春笋之多，但由于需要服务大量的用户，可供分配服务的人力往往会出现不足的情况。现有的人力分配方案多基于比例派工法，比例派工法最大的缺陷就是不能达到时间上的均衡，它是基于已有数据做比例核对，如人力A所占分配服务的比例为20％，在没有达到设定的比例之前，会一直将新来的用户请求分配给人力A，因此会造成同一个人力过于繁忙其他人力相对轻松，且目前多数人力分配方案是基于大数据计算背景下，对于计算机的处理时效性要求很高，因此一种耗时短、占用内存少、计算简便的人力资源分配方法急需解决。
发明内容
本发明提供一种智能化人力分配方法、装置及计算机可读存储介质，其主要目的在于根据当前用户请求而进行智能化人力分配。
为实现上述目的，本发明提供的一种智能化人力分配方法，包括：
获取包括来源标识的原始历史订单数据集和人力可分配名单，将所述原始历史订单数据集进行数据异常去除处理后得到标准历史订单数据集；
基于所述原始历史订单数据集的来源标识对所述标准历史订单数据集进行分类，并存储至预先构建的数据库中；
从所述数据库中依次读取标准历史订单数据集中的历史订单数据，对每一笔所述历史订单数据进行响应权重分析，得到响应权重集；
接收用户输入的订单数据，对所述响应权重集和人力可分配名单进行层次分析得到分配优先级，根据用户输入的所述订单数据和所述分配优先级分配人力，完成智能化人力分配。
可选地，所述响应权重分析包括：
对所述标准历史订单数据集的属性进行量化及归一化处理得到数据形式的属性集；
将所述数据形式的属性集构建成列向量集；
将所述列向量集进行降维处理得到降维属性集；
根据权重分配公式计算所述降维属性集得到所述响应权重集。
所述归一化处理的计算方法为：
其中，Xnormal为所述归一化后的属性，X为所述归一化前的属性，Xmax所述标准历史订单数据集中数值最大的属性，Xmin为所述标准历史订单数据集中数值最小的属性。
可选地，所述将所述列向量集进行降维处理得到降维属性集，包括：
将所述列向量集组合成M*N矩阵；
预设K个正交基，根据所述K个正交基求解所述M*N矩阵的协方差优化模型，其中K为降维后的属性个数；
最优化所述协方差优化模型得到降低后的K个属性，根据所述降低后的K个属性构建得到降维属性集。
可选地，所述协方差优化模型为：
其中，D为所述协方差优化模型优化后的矩阵，其中维度为所述K个，P为所述正交基，PT为所述正交基的转置矩阵，X为所述M*N矩阵，XT为所述M*N矩阵的转置矩阵，M所述列向量集的数量。
此外，为实现上述目的，本发明还提供一种智能化人力分配装置，该装置包括存储器和处理器，所述存储器中存储有可在所述处理器上运行的智能化人力分配程序，所述智能化人力分配程序被所述处理器执行时实现如下步骤：
获取包括来源标识的原始历史订单数据集和人力可分配名单，将所述原始历史订单数据集进行数据异常去除处理后得到标准历史订单数据集；
基于所述原始历史订单数据集的来源标识对所述标准历史订单数据集进行分类，并存储至预先构建的数据库中；
从所述数据库中依次读取标准历史订单数据集中的历史订单数据，对每一笔所述历史订单数据进行响应权重分析，得到响应权重集；
接收用户输入的订单数据，对所述响应权重集和人力可分配名单进行层次分析得到分配优先级，根据用户输入的所述订单数据和所述分配优先级分配人力，完成智能化人力分配。
可选地，所述响应权重分析包括：
对所述标准历史订单数据集的属性进行量化及归一化处理得到数据形式的属性集；
将所述数据形式的属性集构建成列向量集；
将所述列向量集进行降维处理得到降维属性集；
根据权重分配公式计算所述降维属性集得到所述响应权重集。
可选地，所述将所述列向量集进行降维处理得到降维属性集，包括：
将所述列向量集组合成M*N矩阵；
预设K个正交基，根据所述K个正交基求解所述M*N矩阵的协方差优化模型，其中K为降维后的属性个数；
最优化所述协方差优化模型得到降低后的K个属性，根据所述降低后的K个属性构建得到降维属性集。
可选地，所述协方差优化模型为：
其中，D为所述协方差优化模型优化后的矩阵，其中维度为所述K个，P为所述正交基，PT为所述正交基的转置矩阵，X为所述M*N矩阵，XT为所述M*N矩阵的转置矩阵，M所述列向量集的数量。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有智能化人力分配程序，所述智能化人力分配程序可被一个或者多个处理器执行，以实现如上所述的智能化人力分配方法的步骤。
本发明通过来源标识对历史订单数据集进行分类可提高订单数据的可用性，同时对所述历史订单数据集进行异常数据处理，使得历史订单数据能够保持高纯洁度，根据响应权重分析得到每笔订单数据的重要性排名，并根据人力可分配名单进行层次分析得到分配优先级，由于在整个人力分配过程中只需要计算响应权重，因此所占用的计算内存少，且响应权重的计算方法简便，所以计算耗时短。因此本发明提出的智能化人力分配方法、装置及计算机可读存储介质，可以实现高效的人力合理分配功能。
附图说明
图1为本发明一实施例提供的智能化人力分配方法的流程示意图；
图2为本发明一实施例提供的智能化人力分配装置的内部结构示意图；
图3为本发明一实施例提供的智能化人力分配装置中智能化人力分配程序的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种智能化人力分配方法。参照图1所示，为本发明一实施例提供的智能化人力分配方法的流程示意图。该方法可以由一个装置执行，该装置可以由软件和/或硬件实现。
在本实施例中，智能化人力分配方法包括：
S1、获取包括来源标识的原始历史订单数据集和人力可分配名单，将所述原始历史订单数据集进行数据异常去除处理后得到标准历史订单数据集。
较佳地，所述原始历史订单数据集是根据不同的应用场景而针对性收集到的数据集，如用户在旅途过程中由于汽车抛锚等原因需要进行道路救援，从而派遣人力进行救援工作之前生成的道路救援订单数据集、保险行业中根据用户填写的个人信息生成了可挖掘进行投保的潜力用户数据集、打车软件根据不同乘客的当前位置、去往目的地生成了同一时间段内的打车订单数据集、外卖软件根据不同食客的位置、所订购的食材种类等生成了同一时间段内的外卖订单数据集等。
优选地，所述来源标识是指所述历史订单数据集的发起者，如上述打车订单数据集内的每个数据都由乘客主动发起，所以所述乘客即为来源标识、上述外卖订单数据集的每个数据都由食客主动发起，所以所述食客即为来源标识，上述道路救援订单数据集的每个数据由被救援用户主动发起，所以所述被救援用户即为来源标识。所述属性根据不同的历史订单数据集有所不同，如所述道路救援订单数据集的属性包括被救援用户的当前位置、当前可调用人力距离被救援用户的距离等，所述打车订单数据集的属性包括乘客的当前位置、去往目的地与当前位置的距离、目的地是否跨区、跨市等；所述外卖订单数据集的属性包括食客的位置、食客订购的外卖价格、食客订购外卖的商家信誉度等。本发明较佳实施例根据所述不同属性进行分析，从而判断不同来源标识的响应权重，从而智能安排出租车、骑车等进行相关服务。
进一步地，所述原始历史订单数据集的获取途径包括多种方式，如上述潜力用户数据集一般以EXCEL的形式存储，所以直接导入即可获取、上述打车订单数据集、上述外卖订单数据集分别由所述打车软件、所述外卖软件在后台生成，可采用网络爬虫技术从所述软件的后台爬取生成。
由于所获取到的所述原始历史订单数据集含有很多噪点数据，所述噪点数据可能包括缺失值、空格等，所以进行数据异常去除处理可保证所获取数据的纯洁性。本发明较佳实施例中所述数据异常去除处理可采用异常表遍历方法，所述异常表遍历方法包括：预先构建一张包括异常数据的异常表，所述异常数据可包括空格、负数、希腊字母等，根据所述异常表遍历所述原始历史订单数据集，当所述原始历史订单数据集内的数据有符合异常表内的异常数据时则剔除，直至遍历完所述原始历史订单数据集完成所述去异常操作，生成所述标准历史订单数据集。
所述人力可分配名单是根据业务类型提取出当前可支配的人员名单。如所述打车订单数据集中当前可供分配的出租车组成了出租车可分配名单、外卖订单数据集中当前可供分配的骑手组成了骑手可分配名单，所述道路救援订单数据集中当前可供分配的救援队伍组成了救援队伍可分配名单等。
S2、基于所述原始历史订单数据集的来源标识对所述标准历史订单数据集进行分类，并存储至预先构建的数据库中。
优选地，所述分类是根据所述来源标识的不同对所述标准历史订单数据集进行拆分，方便后续的权重分析。如所述打车订单数据集有120个打车数据，而来源标识(乘客)是90个，则根据所述90个来源标识对所述120个打车数据进行拆分得到90个子标准历史订单数据集。
进一步地，所述预先构建的数据库是根据所述原始历史订单数据集的来源标识的数量划分出相同数量的单元存储空间，方便后续存储不同来源标识的数据集。
S3、从所述数据库中依次读取标准历史订单数据集中的历史订单数据，对每一笔所述历史订单数据进行响应权重分析，得到响应权重集。
较佳地，本发明依次从所述数据库读取标准历史订单数据集中的每一笔历史订单数据。具体地，从所述数据库的不同单元存储空间中读取不同历史订单数据，并依次对所述历史订单数据进行响应权重分析。
较佳地，所述响应权重分析是对所述历史订单数据内不同来源标识所包括的属性进行分析，直至得到响应权重。所述响应权重越大，则代表所述来源标识的重要度越高。
具体地，所述响应权重分析包括：对所述历史订单数据内的属性进行量化及归一化处理得到数据形式的属性集，将所述数据形式的属性集构建成列向量集，对所述列向量集进行降维处理得到降维属性集，根据权重分配公式计算所述降维属性集得到所述响应权重集。
进一步地，所述量化方式可采用标准量化法，即预先让有经验的人对各个属性进行衡量，给予相关的重要程度区间，如被救援用户的当前位置的重要程度为[1～2]，救援队伍与被救援用户的距离的重要程度为[4～6]，目的地是否跨区、跨市的重要程度为[2～3]，由于去往目的地与当前位置的距离已经是数字形式，因此基于所述距离和所述重要程度分别衡量其他属性，完成所述量化方式。
优选地，所述归一化处理的计算方法如下：
其中，Xnormal为所述归一化后的属性，X为所述归一化前的属性，Xmax所述标准历史订单数据集中数值最大的属性，Xmin为所述标准历史订单数据集中数值最小的属性。
较佳地，所述列向量集的格式可为：(0.21,0.19,0.37,0.71,0.48,0.16,…)T，其中T表示转置矩阵，数字表示所述归一化后的不同属性。
所述降维处理是为了减少不同属性之间的相关关系，如所述外卖软件中，“浏览量”和“访客数”具有较强的相关关系，而“下单数”和“成交数”也具有较强的相关关系，因此当某天所述外卖软件的浏览量较高(或较低)时，很大程度这天的访客数也较高(或较低)，因此为了降低不同属性之间的相关关系比提高人力分配的效率，可进行所述降维处理降低所述列向量集的维度。
优选地，所述降维处理包括：将所述列向量集组合成M*N矩阵，预设K个正交基，根据所述K个正交基求解所述M*N矩阵的协方差优化模型，最优化所述协方差优化模型得到K个属性。
所述M*N矩阵中，M为所述列向量集的数量，N为所述列向量集的属性个数，如所述列向量集中其中一个列向量为：(0.21,0.19,0.37,0.71,0.48,0.16,…)T，依次将每个列向量放置于同一矩阵中得到
所述K个正交基中，K即为最终需降维后的属性个数，其中K<N，所述正交基是将所述M*N矩阵转为K个属性的中间矩阵。
所述协方差优化模型为：
其中，D为所述协方差优化模型优化后的矩阵，其中属性个数为所述K个，P为所述正交基，PT为所述正交基的转置矩阵，X为所述M*N矩阵，XT为所述M*N矩阵的转置矩阵，M所述列向量集的数量。
进一步的，最优化所述协方差优化模型得到所述D，假设所述D为则K＝5，其中每个行向量即代表一组降维属性，从而得到降维属性集。
所述权重分配公式可采用将每个行向量的值相加后除以K得到每组降维属性后的响应权重，继而得到响应权重集。
S4、接收用户输入的订单数据，对所述响应权重集和人力可分配名单进行层次分析得到分配优先级，根据用户输入的所述订单数据和所述分配优先级分配人力，完成智能化人力分配。
优选地，所述层次分析可举例为：如在道路救援的突然事件中，所述标识来源有三个A、B、C(简单理解为有A、B、C三个用户因为车辆没油、汽车抛锚等原因，需要进行道路救援)，所述人力可分配名单假若也有三个分别为：x,y,z(x,y,z分别为三个道路救援团队)，与所述人力可分配名单x,y,z对应的响应权重分别为0.4，0.3，0.2。
因此所述所述层次分析为：当第一次所述标识来源进行请求需要人力协助时，将x分配给所述标识来源(因为x对应的响应权重最大)，当第二次所述标识来源进行请求需要人力协助时：x＝2*0.4＝0.8,y＝2*0.3＝0.6,z＝2*0.2＝0.4，其中2表示第二次所述标识来源进行请求需要人力协助，进而计算第二次的响应权重：x＝1-0.8＝0.2,y＝0.6-0＝0.6,z＝0.4-0＝0.4，因此y的响应权重最大，将所述第二次人力协助分配给y，依次类推，虽然当所述标识来源越来越多，但由于整个计算过程简便，不占用较多计算内存，响应时效高，所以可以实现高效的人力分配。
发明还提供一种智能化人力分配装置。参照图2所示，为本发明一实施例提供的智能化人力分配装置的内部结构示意图。
在本实施例中，所述智能化人力分配装置1可以是PC(Personal Computer，个人电脑)，或者是智能手机、平板电脑、便携计算机等终端设备，也可以是一种服务器等。该智能化人力分配装置1至少包括存储器11、处理器12，通信总线13，以及网络接口14。
其中，存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器11在一些实施例中可以是智能化人力分配装置1的内部存储单元，例如该智能化人力分配装置1的硬盘。存储器11在另一些实施例中也可以是智能化人力分配装置1的外部存储设备，例如智能化人力分配装置1上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器11还可以既包括智能化人力分配装置1的内部存储单元也包括外部存储设备。存储器11不仅可以用于存储安装于智能化人力分配装置1的应用软件及各类数据，例如智能化人力分配程序01的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器11中存储的程序代码或处理数据，例如执行智能化人力分配程序01等。
通信总线13用于实现这些组件之间的连接通信。
网络接口14可选的可以包括标准的有线接口、无线接口(如WI-FI接口)，通常用于在该装置1与其他电子设备之间建立通信连接。
可选地，该装置1还可以包括用户接口，用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard)，可选的用户接口还可以包括标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在智能化人力分配装置1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-14以及智能化人力分配程序01的智能化人力分配装置1，本领域技术人员可以理解的是，图1示出的结构并不构成对智能化人力分配装置1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
在图2所示的装置1实施例中，存储器11中存储有智能化人力分配程序01；处理器12执行存储器11中存储的智能化人力分配程序01时实现如下步骤：
步骤一、获取包括来源标识的原始历史订单数据集和人力可分配名单，将所述原始历史订单数据集进行数据异常去除处理后得到标准历史订单数据集。
较佳地，所述原始历史订单数据集是根据不同的应用场景而针对性收集到的数据集，如保险行业中根据用户填写的个人信息生成了可挖掘进行投保的潜力用户数据集、打车软件根据不同乘客的当前位置、去往目的地生成了同一时间段内的打车订单数据集、外卖软件根据不同食客的位置、所订购的食材种类等生成了同一时间段内的外卖订单数据集等。
优选地，所述来源标识是指所述历史订单数据集的发起者，如上述打车订单数据集内的每个数据都由乘客主动发起，所以所述乘客即为来源标识、上述外卖订单数据集的每个数据都由食客主动发起，所以所述食客即为来源标识。所述属性根据不同的历史订单数据集有所不同，如所述打车订单数据集的属性包括乘客的当前位置、去往目的地与当前位置的距离、目的地是否跨区、跨市等；所述外卖订单数据集的属性包括食客的位置、食客订购的外卖价格、食客订购外卖的商家信誉度等。本发明较佳实施例根据所述不同属性进行分析，从而判断不同来源标识的响应权重，从而智能安排出租车、骑车等进行相关服务。
进一步地，所述原始历史订单数据集的获取途径包括多种方式，如上述潜力用户数据集一般以EXCEL的形式存储，所以直接导入即可获取、上述打车订单数据集、上述外卖订单数据集分别由所述打车软件、所述外卖软件在后台生成，可采用网络爬虫技术从所述软件的后台爬取生成。
由于所获取到的所述原始历史订单数据集含有很多噪点数据，所述噪点数据可能包括缺失值、空格等，所以进行数据异常去除处理可保证所获取数据的纯洁性。本发明较佳实施例中所述数据异常去除处理可采用异常表遍历方法，所述异常表遍历方法包括：预先构建一张包括异常数据的异常表，所述异常数据可包括空格、负数、希腊字母等，根据所述异常表遍历所述原始历史订单数据集，当所述原始历史订单数据集内的数据有符合异常表内的异常数据时则剔除，直至遍历完所述原始历史订单数据集完成所述去异常操作，生成所述标准历史订单数据集。
所述人力可分配名单是根据业务类型提取出当前可支配的人员名单。如所述打车订单数据集中当前可供分配的出租车组成了出租车可分配名单、外卖订单数据集中当前可供分配的骑手组成了骑手可分配名单等。
步骤二、基于所述原始历史订单数据集的来源标识对所述标准历史订单数据集进行分类，并存储至预先构建的数据库中。
优选地，所述分类是根据所述来源标识的不同对所述标准历史订单数据集进行拆分，方便后续的权重分析。如所述打车订单数据集有120个打车数据，而来源标识(乘客)是90个，则根据所述90个来源标识对所述120个打车数据进行拆分得到90个子标准历史订单数据集。
进一步地，所述预先构建的数据库是根据所述原始历史订单数据集的来源标识的数量划分出相同数量的单元存储空间，方便后续存储不同来源标识的数据集。
步骤三、从所述数据库中依次读取标准历史订单数据集中的历史订单数据，对每一笔所述历史订单数据进行响应权重分析，得到响应权重集。
较佳地，本发明依次从所述数据库读取标准历史订单数据集中的每一笔历史订单数据。具体地，从所述数据库的不同单元存储空间中读取不同历史订单数据，并依次对所述历史订单数据进行响应权重分析。
较佳地，所述响应权重分析是对所述历史订单数据内不同来源标识所包括的属性进行分析，直至得到响应权重。所述响应权重越大，则代表所述来源标识的重要度越高。
具体地，所述响应权重分析包括：对所述历史订单数据内的属性进行量化及归一化处理得到数据形式的属性集，将所述数据形式的属性集构建成列向量集，对所述列向量集进行降维处理得到降维属性集，根据权重分配公式计算所述降维属性集得到所述响应权重集。
进一步地，所述量化方式可采用标准量化法，即预先让有经验的人对各个属性进行衡量，给予相关的重要程度区间，如乘客的当前位置的重要程度为[1～2]，去往目的地与当前位置的距离的重要程度为[4～6]，目的地是否跨区、跨市的重要程度为[2～3]，由于去往目的地与当前位置的距离已经是数字形式，因此基于所述距离和所述重要程度分别衡量其他属性，完成所述量化方式。
优选地，所述归一化处理的计算方法为：
其中，Xnormal为所述归一化后的属性，X为所述归一化前的属性，Xmax所述标准历史订单数据集中数值最大的属性，Xmin为所述标准历史订单数据集中数值最小的属性。
较佳地，所述列向量集的格式可为：(0.21,0.19,0.37,0.71,0.48,0.16,…)T，其中T表示转置矩阵，数字表示所述归一化后的不同属性。
所述降维处理是为了减少不同属性之间的相关关系，如所述外卖软件中，“浏览量”和“访客数”具有较强的相关关系，而“下单数”和“成交数”也具有较强的相关关系，因此当某天所述外卖软件的浏览量较高(或较低)时，很大程度这天的访客数也较高(或较低)，因此为了降低不同属性之间的相关关系比提高人力分配的效率，可进行所述降维处理降低所述列向量集的维度。
优选地，所述降维处理包括：将所述列向量集组合成M*N矩阵，预设K个正交基，根据所述K个正交基求解所述M*N矩阵的协方差优化模型，最优化所述协方差优化模型得到K个属性。
所述M*N矩阵中，M为所述列向量集的数量，N为所述列向量集的属性个数，如所述列向量集中其中一个列向量为：(0.21,0.19,0.37,0.71,0.48,0.16,…)T，依次将每个列向量放置于同一矩阵中得到
所述K个正交基中，K即为最终需降维后的属性个数，其中K<N，所述正交基是将所述M*N矩阵转为K个属性的中间矩阵。
所述协方差优化模型为：
其中，D为所述协方差优化模型优化后的矩阵，其中属性个数为所述K个，P为所述正交基，PT为所述正交基的转置矩阵，X为所述M*N矩阵，XT为所述M*N矩阵的转置矩阵，M所述列向量集的数量。
进一步的，最优化所述协方差优化模型得到所述D，假设所述D为则K＝5，其中每个行向量即代表一组降维属性，从而得到降维属性集。
所述权重分配公式可采用将每个行向量的值相加后除以K得到每组降维属性后的响应权重，继而得到响应权重集。
步骤四、接收用户输入的订单数据，对所述响应权重集和人力可分配名单进行层次分析得到分配优先级，根据用户输入的所述订单数据和所述分配优先级分配人力，完成智能化人力分配。
优选地，所述层次分析可举例为：如在道路救援的突然事件中，所述标识来源有三个A、B、C(简单理解为有A、B、C三个用户因为车辆没油、汽车抛锚等原因，需要进行道路救援)，所述人力可分配名单假若也有三个分别为：x,y,z(x,y,z分别为三个道路救援团队)，与所述人力可分配名单x,y,z对应的响应权重分别为0.4，0.3，0.2。
因此所述所述层次分析为：当第一次所述标识来源进行请求需要人力协助时，将x分配给所述标识来源(因为x对应的响应权重最大)，当第二次所述标识来源进行请求需要人力协助时：x＝2*0.4＝0.8,y＝2*0.3＝0.6,z＝2*0.2＝0.4，其中2表示第二次所述标识来源进行请求需要人力协助，进而计算第二次的响应权重：x＝1-0.8＝0.2,y＝0.6-0＝0.6,z＝0.4-0＝0.4，因此y的响应权重最大，将所述第二次人力协助分配给y，依次类推，虽然当所述标识来源越来越多，但由于整个计算过程简便，不占用较多计算内存，响应时效高，所以可以实现高效的人力分配。
可选地，在其他实施例中，智能化人力分配程序还可以被分割为一个或者多个模块，一个或者多个模块被存储于存储器11中，并由一个或多个处理器(本实施例为处理器12)所执行以完成本发明，本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段，用于描述智能化人力分配程序在智能化人力分配装置中的执行过程。
例如，参照图3所示，为本发明智能化人力分配装置一实施例中的智能化人力分配程序的程序模块示意图，该实施例中，所述智能化人力分配程序可以被分割为数据接收及预处理模块10、数据分类模块20、响应权重分析模块30、人力分配计算及输出模块40示例性地：
所述数据接收及预处理模块10用于：获取包括来源标识的原始历史订单数据集和人力可分配名单，将所述原始历史订单数据集进行数据异常去除处理后得到标准历史订单数据集。
所述数据分类模块20用于：基于所述原始历史订单数据集的来源标识对所述标准历史订单数据集进行分类，并存储至预先构建的数据库中。
所述响应权重分析模块30用于：从所述数据库中依次读取标准历史订单数据集中的历史订单数据，对每一笔所述历史订单数据进行响应权重分析，得到响应权重集。
所述人力分配计算及输出模块40用于：接收用户输入的订单数据，对所述响应权重集和人力可分配名单进行层次分析得到分配优先级，根据用户输入的所述订单数据和所述分配优先级分配人力，完成智能化人力分配。
上述数据接收及预处理模块10、数据分类模块20、响应权重分析模块30、人力分配计算及输出模块40等程序模块被执行时所实现的功能或操作步骤与上述实施例大体相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有智能化人力分配程序，所述智能化人力分配程序可被一个或多个处理器执行，以实现如下操作：
获取包括来源标识的原始历史订单数据集和人力可分配名单，将所述原始历史订单数据集进行数据异常去除处理后得到标准历史订单数据集。
基于所述原始历史订单数据集的来源标识对所述标准历史订单数据集进行分类，并存储至预先构建的数据库中。
从所述数据库中依次读取标准历史订单数据集中的历史订单数据，对每一笔所述历史订单数据进行响应权重分析，得到响应权重集。
接收用户输入的订单数据，对所述响应权重集和人力可分配名单进行层次分析得到分配优先级，根据用户输入的所述订单数据和所述分配优先级分配人力，完成智能化人力分配。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素，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、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种智能化人力分配方法，其特征在于，所述方法包括：
获取包括来源标识的原始历史订单数据集和人力可分配名单，将所述原始历史订单数据集进行数据异常去除处理后得到标准历史订单数据集；
基于所述原始历史订单数据集的来源标识对所述标准历史订单数据集进行分类，并存储至预先构建的数据库中；
从所述数据库中依次读取标准历史订单数据集中的历史订单数据，对每一笔所述历史订单数据进行响应权重分析，得到响应权重集；
接收用户输入的订单数据，对所述响应权重集和人力可分配名单进行层次分析得到分配优先级，根据用户输入的所述订单数据和所述分配优先级分配人力，完成智能化人力分配；
所述对每一笔所述历史订单数据进行响应权重分析，得到响应权重集，包括：对所述标准历史订单数据集的属性进行量化及归一化处理得到数据形式的属性集，将所述数据形式的属性集构建成列向量集，将所述列向量集进行降维处理得到降维属性集，及，根据权重分配公式计算所述降维属性集得到所述响应权重集；
所述将所述列向量集进行降维处理得到降维属性集，包括：将所述列向量集组合成M*N矩阵，预设K个正交基，根据所述K个正交基求解所述M*N矩阵的协方差优化模型，K为降维后的属性个数，最优化所述协方差优化模型得到降低后的K个属性，根据所述降低后的K个属性构建得到降维属性集，降维属性集中的每个行向量代表一组降维属性；及
所述权重分配公式是将每个行向量的值相加后除以K得到每组降维属性的响应权重，继而得到响应权重集。
2.如权利要求1所述的智能化人力分配方法，其特征在于，所述归一化处理的计算方法为：
其中，Xnormal为所述归一化后的属性，X为所述归一化前的属性，Xmax所述标准历史订单数据集中数值最大的属性，Xmin为所述标准历史订单数据集中数值最小的属性。
3.如权利要求1所述的智能化人力分配方法，其特征在于，所述协方差优化模型为：
其中，D为所述协方差优化模型优化后的矩阵，其中维度为所述K个，P为所述正交基，PT为所述正交基的转置矩阵，X为所述M*N矩阵，XT为所述M*N矩阵的转置矩阵，M所述列向量集的数量。
4.一种智能化人力分配装置，其特征在于，所述装置包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的智能化人力分配程序，所述智能化人力分配程序被所述处理器执行时实现如下步骤：
获取包括来源标识的原始历史订单数据集和人力可分配名单，将所述原始历史订单数据集进行数据异常去除处理后得到标准历史订单数据集；
基于所述原始历史订单数据集的来源标识对所述标准历史订单数据集进行分类，并存储至预先构建的数据库中；
从所述数据库中依次读取标准历史订单数据集中的历史订单数据，对每一笔所述历史订单数据进行响应权重分析，得到响应权重集；
接收用户输入的订单数据，对所述响应权重集和人力可分配名单进行层次分析得到分配优先级，根据用户输入的所述订单数据和所述分配优先级分配人力，完成智能化人力分配；
所述对每一笔所述历史订单数据进行响应权重分析，得到响应权重集，包括：对所述标准历史订单数据集的属性进行量化及归一化处理得到数据形式的属性集，将所述数据形式的属性集构建成列向量集，将所述列向量集进行降维处理得到降维属性集，及，根据权重分配公式计算所述降维属性集得到所述响应权重集；
所述将所述列向量集进行降维处理得到降维属性集，包括：将所述列向量集组合成M*N矩阵，预设K个正交基，根据所述K个正交基求解所述M*N矩阵的协方差优化模型，K为降维后的属性个数，最优化所述协方差优化模型得到降低后的K个属性，根据所述降低后的K个属性构建得到降维属性集，降维属性集中的每个行向量代表一组降维属性；及
所述权重分配公式是将每个行向量的值相加后除以K得到每组降维属性的响应权重，继而得到响应权重集。
5.如权利要求4中所述的智能化人力分配装置，所述协方差优化模型为：
其中，D为所述协方差优化模型优化后的矩阵，其中维度为所述K个，P为所述正交基，PT为所述正交基的转置矩阵，X为所述M*N矩阵，XT为所述M*N矩阵的转置矩阵，M所述列向量集的数量。
6.一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上存储有智能化人力分配程序，所述智能化人力分配程序可被一个或者多个处理器执行，以实现如权利要求1至3中任一项所述的智能化人力分配方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911323802.5A CN111160637B (zh) | 2019-12-18 | 2019-12-18 | 智能化人力分配方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911323802.5A CN111160637B (zh) | 2019-12-18 | 2019-12-18 | 智能化人力分配方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111160637A CN111160637A (zh) | 2020-05-15 |
| CN111160637B true CN111160637B (zh) | 2024-04-05 |
Family
ID=70557440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911323802.5A Active CN111160637B (zh) | 2019-12-18 | 2019-12-18 | 智能化人力分配方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160637B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112508331A (zh) * | 2020-10-30 | 2021-03-16 | 五八到家有限公司 | 劳动者资源分配方法、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016119749A1 (zh) * | 2015-01-29 | 2016-08-04 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配系统及方法 |
| CN107563572A (zh) * | 2017-09-27 | 2018-01-09 | 北京同城必应科技有限公司 | 一种订单分配方法、装置、计算机设备和存储介质 |
| CN108510399A (zh) * | 2017-07-25 | 2018-09-07 | 平安科技（深圳）有限公司 | 投保单自动分配的方法、装置、计算机设备及存储介质 |
| CN108549990A (zh) * | 2018-04-20 | 2018-09-18 | 平安科技（深圳）有限公司 | 保单分配方法、装置、计算机设备和存储介质 |
| JP2019008586A (ja) * | 2017-06-26 | 2019-01-17 | Ｅｙアドバイザリー・アンド・コンサルティング株式会社 | 情報処理装置、業務振り分け方法及びプログラム |
| CN109377023A (zh) * | 2018-09-28 | 2019-02-22 | 北京三快在线科技有限公司 | 订单的分配方法、装置及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9606530B2 (en) * | 2013-05-17 | 2017-03-28 | International Business Machines Corporation | Decision support system for order prioritization |
-
2019
- 2019-12-18 CN CN201911323802.5A patent/CN111160637B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016119749A1 (zh) * | 2015-01-29 | 2016-08-04 | 北京嘀嘀无限科技发展有限公司 | 一种订单分配系统及方法 |
| JP2019008586A (ja) * | 2017-06-26 | 2019-01-17 | Ｅｙアドバイザリー・アンド・コンサルティング株式会社 | 情報処理装置、業務振り分け方法及びプログラム |
| CN108510399A (zh) * | 2017-07-25 | 2018-09-07 | 平安科技（深圳）有限公司 | 投保单自动分配的方法、装置、计算机设备及存储介质 |
| CN107563572A (zh) * | 2017-09-27 | 2018-01-09 | 北京同城必应科技有限公司 | 一种订单分配方法、装置、计算机设备和存储介质 |
| CN108549990A (zh) * | 2018-04-20 | 2018-09-18 | 平安科技（深圳）有限公司 | 保单分配方法、装置、计算机设备和存储介质 |
| CN109377023A (zh) * | 2018-09-28 | 2019-02-22 | 北京三快在线科技有限公司 | 订单的分配方法、装置及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111160637A (zh) | 2020-05-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112541745B (zh) | 用户行为数据分析方法、装置、电子设备及可读存储介质 | |
| CN112347214A (zh) | 目标区域划分方法、装置、电子设备及存储介质 | |
| CN114912948B (zh) | 基于云服务的跨境电商大数据智能处理方法、装置及设备 | |
| CN110516002B (zh) | 基于地图的任务显示方法、装置、设备及存储介质 | |
| CN112085378B (zh) | 资源分配方法、装置、计算机设备及存储介质 | |
| CN111160637B (zh) | 智能化人力分配方法、装置及计算机可读存储介质 | |
| CN115545958A (zh) | 智能车险评估方法、装置、计算机设备及存储介质 | |
| CN109255521B (zh) | 电子装置、纯孤儿单分配方法和计算机可读存储介质 | |
| CN114880368A (zh) | 数据查询方法、装置、电子设备及可读存储介质 | |
| CN113505273B (zh) | 基于重复数据筛选的数据排序方法、装置、设备及介质 | |
| CN111199440A (zh) | 事件预估方法、装置以及电子设备 | |
| CN113837189A (zh) | 一种单位车辆智能管理方法及系统 | |
| CN112069782B (zh) | 文档模板生成方法、装置、电子设备及存储介质 | |
| CN111241066A (zh) | 平台数据库自动化运维方法、装置及计算机可读存储介质 | |
| CN116523622A (zh) | 对象风险预测方法和装置、电子设备及存储介质 | |
| CN116450723A (zh) | 数据提取方法、装置、计算机设备及存储介质 | |
| CN116167692A (zh) | 一种结合货单信息的自动优化方法与系统 | |
| CN114996386A (zh) | 业务角色识别方法、装置、设备及存储介质 | |
| Corso | Toward predictive crime analysis via social media, big data, and gis spatial correlation | |
| CN113435746A (zh) | 用户工作量的评分方法、装置、电子设备及存储介质 | |
| CN113343306A (zh) | 基于差分隐私的数据查询方法、装置、设备及存储介质 | |
| CN112465384A (zh) | 一种运力调度的方法、装置、计算机设备及计算机可读存储介质 | |
| CN111667340A (zh) | 基于大数据的目标物推荐方法、装置及计算机可读存储介质 | |
| CN117519948B (zh) | 基于云平台实现建筑施工下的计算资源调整方法及系统 | |
| CN116975538A (zh) | 客户标签生成方法、装置、电子设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |