CN111242487B - 一种基于workflow的动态精准任务分配方法及分配系统 - Google Patents

Abstract

本发明提供一种基于workflow的动态精准任务分配方法及分配系统，该方法包括分配第一部分任务，所述第一部分任务包括若干任务及与每一任务对应的任务信息、时间信息和第一用户信息；间隔或顺序分配第二部分任务，所述第二部分任务包括若干任务及与每一任务对应的任务信息、时间信息和第二用户信息；所述第一用户信息为执行第一部分任务前固定分配的实验人员信息；所述第二用户信息为执行第二部分任务时动态分配的实验人员信息；该分配方法不但保障了细胞培养过程中的时效性，而且没有打乱实验室的原有工作习惯，分配效率更高。

Description

一种基于workflow的动态精准任务分配方法及分配系统

技术领域

本发明属于用于医疗保健资源或设施的安排或管理技术领域，特别涉及一种基于workflow的动态精准任务分配方法及分配系统。

背景技术

细胞的培养生产，有别于一般的办公自动化系统(OA系统)，它即有类似于OA系统那样的workflow(工作流)，又没有OA系统那样强的人员与流程的绑定。也就是说，细胞在整个培养生产过程中可能会涉及到1个人，2个人，甚至n个人，每个实验室的生产负责人都没办法预先安排好所有人员的工作，更不可能在系统中定制好完整的流程。但是，细胞的培养生产又非常讲究时效性，很多操作必须是连续的、及时的，这就给平台提出了严峻的挑战，既要有常规的流程，又要非常灵活，根据每个实验室不同的人员结构和特点临时性的安排相关人员，同时在保障细胞培养过程时效性的同时，还要尽量符合实验室的原有工作习惯。因此，目前急需一种基于workflow的动态精准任务分配方法及系统。

发明内容

为了解决上述技术问题，本发明提供了一种基于workflow的动态精准任务分配方法及系统。

本发明其中一个技术方案提供一种基于workflow的动态精准任务分配方法，该分配方法包括：

分配第一部分任务，所述第一部分任务包括若干任务及与每一任务对应对应的任务信息、时间信息和第一用户信息；

间隔或顺序分配第二部分任务，所述第二部分任务包括若干任务及与每一任务对应的任务信息、时间信息和第二用户信息；

所述第一用户信息为执行第一部分任务前固定分配的实验人员信息；

所述第二用户信息为执行第二部分任务时动态分配的实验人员信息。

本发明另一个技术方案提供一种基于workflow的动态精准任务分配系统，该分配系统包括：

第一分配模块，所述第一分配模块被配置为分配第一部分任务，所述第一部分任务包括若干任务及与每一任务对应对应的任务信息、时间信息和第一用户信息；

第二分配模块，所述第二分配模块被配置为间隔或顺序分配第二部分任务，所述第二部分任务包括若干任务及与每一任务对应的任务信息、时间信息和第二用户信息；

所述第一用户信息为执行第一部分任务前固定分配的实验人员信息；

所述第二用户信息为执行第二部分任务时动态分配的实验人员信息。

本发明提供一种基于workflow的动态精准任务分配方法及系统，该分配方法实现对第一部分任务的实验人员实现固定分配，对第二部分任务的实验人员实现动态分配，其没有事先安排具体的人员，都是结合各实验人员的已有实验任务实现的动态分配，该分配方法不但保障了细胞培养过程中的时效性，而且没有打乱实验室的原有工作习惯，分配效率更高。

附图说明

图1为一种基于workflow的动态精准任务分配方法的流程图；

图2为一种基于workflow的动态精准任务分配方法生产实例的流程图；

图3为动态分配执行第二部分任务的实验人员的方法的流程图；

图4为操作时长范围获取方法的流程图；

图5为对缺失数据进行预处理的方法流程图；

图6为对异常数据进行预处理的方法流程图；

图7为利用Apriori算法对关联规则进行挖掘的流程图；

图8为一种基于workflow的动态精准任务分配系统的结构框图。

附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所描述的步骤。

具体实施方式

由于本发明的方法描述是在计算机系统中实现的，该计算机系统可以设置在服务器或客户端的处理器中。例如本文所述的方法可以实现为能以控制逻辑来执行的软件，其由服务器中的CPU来执行。本文所述的功能可以实现为存储在非暂时性有形计算机可读介质中的程序指令集合。当以这种方式实现时，该计算机程序包括一组指令，当该组指令由计算机运行时其促使计算机执行能实施上述功能的方法。可编程逻辑可以暂时或永久地安装在非暂时性有形计算机可读介质中，例如只读存储器芯片、计算机存储器、磁盘或其他存储介质。除了以软件来实现之外，本文所述的逻辑可以利用分立部件、集成电路、与可编程逻辑设备诸如，现场可编程门阵列FPGA或微处理器结合使用的可编程逻辑，或者包括它们任意组合的任何其他设备来体现。所有此类实施均落入本发明的范围之内。

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。

如图1所示，本发明其中一些实施例提供一种基于workflow的动态精准任务分配方法，该分配方法包括如下步骤：

S1：分配第一部分任务，所述第一部分任务包括若干任务及与每一任务对应对应的任务信息、时间信息和第一用户信息；

S2：间隔或顺序分配第二部分任务，所述第二部分任务包括若干任务及与每一任务对应的任务信息、时间信息和第二用户信息；

其中，所述第一用户信息为执行第一部分任务前固定分配的实验人员信息；

所述第二用户信息为执行第二部分任务时动态分配的实验人员信息。

如图2所示，在具体生产开始时，生产负责人根据任务分配情况，根据第一用户信息指派对应实验人员完成第一任务，实验人员如果接收生产任务后，执行第一任务，如果未接收，生产负责人需要重新指派。在执行各任务时，都存在指派的或动态分配的实验人员不接受任务的情况，此时需要重新进行指派或重新进行动态分配。

所述任务信息包括任务名称，例如细胞的生产培养过程包括n个步骤，n个步骤组成细胞生产培养workflow，所有步骤中每一步骤称为一个任务，每一步骤的名称即为任务名称，例如细胞的传代培养步骤，其任务名称为细胞传代培养。在一些优选的实施例中，第一部分任务优选为n个任务中，前a个任务，a优选为1或2，第二部分任务优选为后n-a个任务；所述时间信息表示为d-[t₁,t₂]，其中，d表示日期，t₁为开始时间，t₂＝t₁+Δt_max，Δt_max表示对应任务操作时长范围内的最大操作时长；实验人员信息包括实验人员姓名、实验人员指标、已分配的实验信息，某一时间段没有分配实验的，时间信息为空，(其中，已分配的实验信息为一段时间内已经完成和未完成的实验信息)，所述已分配的实验信息包括任务名称、任务开始时间、任务结束时间、时间信息和对应任务的操作时长范围；当未执行任务或执行的任务未结束时，任务结束时间为空；其中时间信息为D-[任务开始时间,任务开始时间+操作时长范围内的最大操作时长]，D表示日期；实验人员指标为实验人员实验年限/实际年龄。

例如一个细胞生产培养workflow包括4个步骤，即4个任务，第一部分任务为第一个任务，第二部分任务为顺次的第二个、第三个和第四个任务，4个任务名称分别为a、b、c和d；其中，任务a的开始时间为3号10:00，表示为3-10:00，操作时长范围为4-5h，时间信息为3-[10:00，15:00]，其第一用户信息为固定分配的实验人员信息，例如实验人员信息见下表：

任务b的开始时间为4-8:00，操作时长范围为1-2h，时间信息为4-[8:00，10:00]；任务c的开始时间为4-13:00，操作时长范围为2-3h，时间信息为4-[13:00，16:00]；任务d的开始时间5-10:00，操作时长范围为4-6h，时间信息为5-[10:00，16:00]。任务b、c和d的第二用户信息都是动态分配的。

如图3所示，在一些优选的实施例中，本发明进一步提供了一种动态分配执行第二部分任务的实验人员的方法，该方法包括如下步骤：

S21：分别将第二部分任务内每一任务对应的时间信息与所有第一用户信息和所有第三用户信息中某一实验人员已分配的实验信息内的时间信息做交集处理；

其中，第三用户信息为数据库内存储的可以被分配任务的实验人员信息，其包括实验人员姓名、实验人员指标、已分配的实验信息，某一时间段没有分配实验的，时间信息为空，(其中，已分配的实验信息为一段时间内已经完成和未完成的实验信息)，所述已分配的实验信息包括任务名称、任务开始时间、任务结束时间、时间信息和对应任务的操作时长范围；当未执行任务或执行的任务未结束时，任务结束时间为空。

举例说明步骤S21的流程如下：

其中，所有第一用户信息(小赵)和所有第三用户信息(张三、小李、小郭、小王)以报表的形式进行存储，结构如下：

以细胞生产培养workflow为例，其包括4个任务分别为：任务a，时间信息为3-[10:00，15:00]，实验人员为小赵，任务b，时间信息为4-[8:00，10:00]，任务c时间信息为4-[13:00，16:00]，任务d时间信息为5-[10:00，16:00]。

任务a的实验人员信息为固定分配，任务b至任务d的实验人员动态分配。

针对任务b，时间信息4-[8:00，10:00]，其与张三、小李和小王的时间信息的交集为空；

针对任务c，时间信息4-[13:00，16:00]，其与小郭的时间信息的交集为空；

针对任务d，时间信息5-[10:00，16:00]，其与小李和小郭的时间信息的交集为空。

S22：统计交集为空时对应实验人员的人数G，当G＝1时，向所述对应实验人员发送执行第二部分任务内对应任务的指令；

例如与任务c的时间信息的交集为空的实验人员的人数G＝1，因此，当执行任务c时，选择的小郭执行任务c，当第二用户信息即为小郭对应的实验人员信息。

S23：当G＞1时，对实验人员进行排序，并向排序最靠前的实验人员发送执行第二部分任务内对应任务的指令。

与任务b的时间信息的交集为空的实验人员的人数为3；与任务d的时间信息的交集为空的实验人员的人数为2。

在一些优选的实施例中，本发明进一步按照操作系数从小到大对各实验人员进行排序，当操作系数的值相同时，按照实验人员指标从大到小进行排序；其中，操作系数Υ按照如下公式计算：

其中，z表示实验人员指标，t_i-t_j表示第i个实验人员对应已分配的实验信息中的时间信息与第二部分任务中对应某一任务的时间信息中两个最接近时间点的差值；

Δt₁表示第i个实验人员对应已分配的实验信息中实际操作时长与操作时长范围中最大操作时长的差值；(有多个已完成的实验信息，选择差值最大的)

当第i个实验人员对应已分配的实验信息中的时间信息与时间信息d-[t₃,t₄]无交集时，α＝0，否则α＝1，其中t₃＝t₁-Δt_max，t₄＝t₂+1.5Δt_max；当第i个实验人员已分配的实验信息中存在某一任务的实际操作时长大于对应操作时长范围内最大时长时，β＝1，否则β＝0；

任务b和d对应客户端的操作系数见下表；

针对任务b，实验人员排序依次为：张三、小王、小李，因此，执行任务b时，指派张三执行，任务b对应的第二用户信息为张三的相关信息。

针对任务d，实验人员排序依次为：由于小李和小郭的操作吸收均为0，因此，将实验人员指标大的小郭排在最前面，执行任务d时，因此，任务d的第二用户信息为小郭的相关信息。

本发明提供一种基于workflow的动态精准任务分配方法，该分配方法实现对第一部分任务的实验人员实现固定分配，对第二部分任务的实验人员实现动态分配，其没有事先安排具体的人员，都是结合各实验人员的已有实验任务实现的动态分配，该分配方法不但保障了细胞培养过程中的时效性，而且没有打乱实验室的原有工作习惯，分配效率更高。

如图4所示，在一些优选的实施例中，为了保证细胞培养过程中的时效性，提高分配的准确性，不与其他实验存在干扰，本发明优选的一些实施例中提供了一种对应任务的操作时长范围的获取方法，该方法包括如下步骤：

10)采集实验人员的历史操作数据；

需要说明的是，获取的历史操作数据为实验人员进行细胞培养过程中的历史操作数据；所述历史操作数据包括实验人员指标值和各任务操作时长；其中，每条记录内的历史操作数据均包括实验人员指标值和各任务的操作时长；所述实验人员指标值为操作年限与实验人员实际年龄的比值；由于操作年限和实验人员实际年龄对细胞培养过程具有不同程度的影响，为了保证培养的细胞质量，准确地控制不同实验人员培养过程中所用的时间，针对不同的实验人员合理选定其操作时长，因此在收集历史操作数据时，需要收集实验人员的操作年限和实际年龄，获取其实验人员指标值；

20)对获取的历史操作数据内的缺失数据和异常数据进行预处理；

实验过程中采集的真实数据存在缺失数据，为了提高后续数据处理的准确性，需要对缺失数据进行处理。

如图5所示，在一些优选的实施例中，对缺失数据进行预处理的方法包括如下步骤：

210)计算各历史操作数据所占的权重；

其中，计算各历史操作数据所占的权重具体方法为：

首先对历史操作数据进行主观赋值，然后通过贝叶斯网络进行权重自学习更新；参见胡文彬等在期刊文献《基于贝叶斯网络的权重自学习方法研究》中公开的方法。计算出历史操作数据的权重，根据权重判断如何对缺失数据进行处理，提高历史操作数据处理的准确性。

211)统计每条记录内缺失数据所占的比重δ，

其中，Z₁为缺失数据的个数；Z为该条记录所有数据的总数；

212)将比重δ与比重阈值δ₁进行比较，当δ≥δ₁时，删除该条记录；经过研究确定，δ₁＝0.35；当缺失数据的比重超过0.35时，如果对缺失数据进行填补处理，会影响后续处理的准确性，使得数据处理效率降低9％以上；因此，数据项缺失0.35％以上的记录需要删除；

213)当δ＜δ₁时，判断缺失数据内是否含有权重大的缺失数据，如果存在，删除该条记录，如果不存在，利用与该记录内的实验人员指标相同的且与缺失数据对应的历史操作数据填补缺失数据。

在一些优选的实施例中，本发明提供的缺失数据的填补数据按照如下公式计算：

其中，n表示与含有缺失数据记录的实验人员指标值相同的记录个数；x_i表示第i个记录内与缺失数据对应的历史操作数据；

表示n条记录内与缺失数据对应的历史操作数据的平均值；n+1中的1表示含有缺失数据的1条记录；/>

表示n条记录内与缺失数据对应的历史操作数据和缺失数据对应的历史操作数据x_n+1的平均值；

下面举例说明缺失数据数据的填补过程：

以细胞采集操作时长为例，获取与缺失数据记录的实验人员指标相同的n＝5项记录内的细胞采集操作时长，其分别为9min，10min，12min，16min和17min，根据该5项数据，为缺少细胞采集操作时长的项填补数据其计算过程如下：

计算平均值

计算标准偏差SD＝3.56

计算RSD₅＝0.278

计算需要填补的缺失数据6项记录的平均值

计算x₆≈17.8，所以第6个记录内缺失数据的数据为17.8。

通过如上方法进行缺失数据的填补，保证了添加缺失数据的数据不影响现有数据的精密度；进而显著提高了数据处理的准确性。

实验过程中采集的真实数据还可能存在异常数据，需要对异常数据进行处理，进而提高后续数据处理的准确性。

如图6所示，在一些优选的实施例中，本申请进一步提供一种对异常数据进行预处理的方法，该方法包括如下步骤：

220)利用K-Means聚类算法按照实验人员指标将各条记录进行聚类，获得L个聚类簇；

其中，K-Means聚类算法又称为K均值聚类，算法步骤如下：

(1)首先选择一些类，并随机初始化它们各自的中心点。中心点是与每个数据点向量长度相同的位置。

(2)计算每个数据点到中心点的距离，数据点距离哪个中心点最近就划分到哪一类中。

(3)计算每一类中中心点作为新的中心点。

(4)重复以上步骤，直到每一类中心在每次迭代后变化不大为止。

221)计算每一聚类簇内对应项所有历史操作数据的RSD，并与阈值RSD₁进行比较，当RSD≥RSD₁时，判断存在异常数据；

222)判断出存在异常数据时，计算每一聚类簇内对应项所有历史操作数据的平均值，然后计算距离平均值k距离所有历史操作数据的RSD_t；

223)当RSD_t＜RSD₁时，计算距离平均值t+a距离的所有历史操作数据的RSD_t+a，a＞0，直至计算出的RSD_t+a＝RSD₁，停止计算；当RSD_t大于RSD₁时，计算距离平均值t-a距离的所有历史操作数据的RSD_t-a，直至计算出RSD_t-a＝RSD₁，停止计算；

224)判断不在t或t±a距离内的异常数据的权重是否为权重大的，如果是，删除对应项；如果不是，利用RSD₁修正对应记录的异常数据。

30)对经过预处理的历史操作数据进行聚类处理，形成L个聚类簇；

由于实验人员指标值的变化幅度较大，并且一般细胞综合指标随着实验人员指标值的变大而效果更好，利用K-Means聚类算法按照实验人员指标将各条记录进行聚类，获得L个聚类簇。

由于操作时长细微变化对细胞指标影响显著，所以首先利用K-Means聚类算法对每一聚类簇内的各历史操作数据分别进行聚类形成g_eb个聚类子簇，g_eb表示第e个聚类簇第b项历史操作数据对应的聚类子簇的个数；e＝1、2…L，利用等宽离散法确定聚类子簇每一历史操作数据的时长范围；

其中第e个聚类簇第b项历史操作数据的等宽离散法具体方法如下；

划分宽度

其中，C_ebmax表示第e个聚类簇第b项历史操作数据最大值；C_ebmin表示第e个聚类簇第b项历史操作数据最小值，/>

表示第e个聚类簇第b项历史操作数据的平均值。

利用上述方法分别对实验人员指标和各操作时长进行聚类，降低了主观分类产生的误差，提高了后续数据处理的准确性。

40)对每一聚类簇内的历史操作数据进行关联规则挖掘，形成频繁项集；

关联规则(association rule)：是形如X→Y的蕴含表达式，其中X和Y是不相交的项集，即：

关联规则的强度可以用它的支持度(support)和置信度(confidence)来度量。

支持度：对于项集X，设定count

为集合D中包含X的数量，|D|表示集合D内项集的总数；则项集X的支持度为：

关联规则R：

关联规则R的支持度是集合D中同时包含X和Y的数量count(X∩Y)；即：

置信度体现了一个数据出现后，另一个数据出现的概率，或者说数据的条件概率。关联规则R的置信度为含X和Y的数量与包含X的数量之比，即：

Apriori算法是一种用于关联规则挖掘(Association rule mining)的代表性算法。

Apriori算法的具体操作步骤：

输入：数据集合D，支持度阈值α；

输出：最大的频繁k项集；

1)扫描整个数据集，得到所有出现过的数据，作为候选频繁1项集；k＝1，频繁0项集为空集。

2)挖掘频繁k项集。

a)扫描数据计算候选频繁k项集的支持度；

b)去除候选频繁k项集中支持度低于阈值的数据集,得到频繁k项集。如果得到的频繁k项集为空，则直接返回频繁k-1项集的集合作为算法结果，算法结束。如果得到的频繁k项集只有一项，则直接返回频繁k项集的集合作为算法结果，算法结束；

c)基于频繁k项集，连接生成候选频繁k+1项集；

3)令k＝k+1，转入步骤2。

如图7所示，本发明利用Apriori算法对关联规则进行挖掘，具体方法如下：

410)将每一聚类簇内的历史操作数据作为候选集，共有L个候选集需要进行关联规则挖掘，计算候选集内每一历史操作数据的支持度，去掉支持度小于支持度阈值的项，获得频繁1项集；

411)连接频繁1项集，获得候选2项集，找到支持度大于支持度阈值的2项，形成频繁2项集，以此类推，直至频繁k项集为空，则直接返回频繁k-1项集的集合作为频繁项集；

50)计算频繁项集内每一子集的置信度，置信度大于阈值的频繁项集形成强关联规则；

60)根据强关联规则确定实验人员执行对应任务的操作时长范围。

其中步骤60)具体方法包括：

判断强关联规则的个数，当强关联规则个数大于1时，选择强关联规则内细胞综合指标最高的记录作为强关联规则；

选择与实验人员的实验人员指标相对应的强关联规则，作为实验人员执行对应任务的操作时长范围。

本发明提供的方法通过对实验人员进行细胞培养历史数据的采集、处理、聚类和挖掘，进而针对不同实验人员，根据其实验人员指标，为细胞培养的各步骤选择对应的操作时长范围，然后根据操作时长范围，为不同的实验人员分配不同相应的操作步骤，提高分配的效率，保证生产过程中每一步的时效性，并且不扰乱其他步骤的正常进行。

如图8所示，本发明的另一些实施例提供了一种基于workflow的动态精准任务分配系统，该分配系统包括：

第一分配模块10，所述第一分配模块被配置为分配第一部分任务，所述第一部分任务包括若干任务及与每一任务对应对应的任务信息、时间信息和第一用户信息；

第二分配模块20，所述第二分配模块被配置为间隔或顺序分配第二部分任务，所述第二部分任务包括若干任务及与每一任务对应的任务信息、时间信息和第二用户信息；

其中，所述第一用户信息为执行第一部分任务前固定分配的实验人员信息；

所述第二用户信息为执行第二部分任务时动态分配的实验人员信息。

所述任务信息包括任务名称，例如细胞的生产培养过程包括n个步骤，n个步骤组成细胞生产培养workflow，所有步骤中每一步骤称为一个任务，每一步骤的名称即为任务名称，例如细胞的传代培养步骤，其任务名称为细胞传代培养。在一些优选的实施例中，第一部分任务优选为n个任务中，前a个任务，a优选为1或2，第二部分任务优选为后n-a个任务；所述时间信息表示为d-[t₁,t₂]，其中，d表示日期，t₁为开始时间，t₂＝t₁+Δt_max，Δt_max表示对应任务操作时长范围内的最大操作时长；实验人员信息包括实验人员姓名、实验人员指标、已分配的实验信息，某一时间段没有分配实验的，时间信息为空，(其中，已分配的实验信息为一段时间内已经完成和未完成的实验信息)，所述已分配的实验信息包括任务名称、任务开始时间、任务结束时间、时间信息和对应任务的操作时长范围；当未执行任务或执行的任务未结束时，任务结束时间为空；其中时间信息为D-[任务开始时间,任务开始时间+操作时长范围内的最大操作时长]，D表示日期；实验人员指标为实验人员实验年限/实际年龄。

例如一个细胞生产培养workflow包括4个步骤，即4个任务，第一部分任务为第一个任务，第二部分任务为顺次的第二个、第三个和第四个任务，4个任务名称分别为a、b、c和d；其中，任务a的开始时间为3号10:00，表示为3-10:00，操作时长范围为4-5h，时间信息为3-[10:00，15:00]，其第一用户信息为固定分配的实验人员信息，例如实验人员信息见下表：

任务b的开始时间为4-8:00，操作时长范围为1-2h，时间信息为4-[8:00，10:00]；任务c的开始时间为4-13:00，操作时长范围为2-3h，时间信息为4-[13:00，16:00]；任务d的开始时间5-10:00，操作时长范围为4-6h，时间信息为5-[10:00，16:00]。任务b、c和d的第二用户信息都是动态分配的。

在一些优选的实施例中，本发明进一步提供了一种动态分配执行第二部分任务的实验人员的方法，该方法包括如下步骤：

分别将第二部分任务内每一任务对应的时间信息与所有第一用户信息和所有第三用户信息中某一实验人员已分配的实验信息内的时间信息做交集处理；

其中，第三用户信息为数据库内存储的可以被分配任务的实验人员信息，其包括实验人员姓名、实验人员指标、已分配的实验信息，某一时间段没有分配实验的，时间信息为空，(其中，已分配的实验信息为一段时间内已经完成和未完成的实验信息)，所述已分配的实验信息包括任务名称、任务开始时间、任务结束时间、时间信息和对应任务的操作时长范围；当未执行任务或执行的任务未结束时，任务结束时间为空。

举例说明：

其中，所有第一用户信息(小赵)和所有第三用户信息(张三、小李、小郭、小王)以报表的形式进行存储，结构如下：

/>

以细胞生产培养workflow为例，其包括4个任务分别为：任务a，时间信息为3-[10:00，15:00]，实验人员为小赵，任务b，时间信息为4-[8:00，10:00]，任务c时间信息为4-[13:00，16:00]，任务d时间信息为5-[10:00，16:00]。

任务a的实验人员信息为固定分配，任务b至任务d的实验人员动态分配。

针对任务b，时间信息4-[8:00，10:00]，其与张三、小李和小王的时间信息的交集为空；

针对任务c，时间信息4-[13:00，16:00]，其与小郭的时间信息的交集为空；

针对任务d，时间信息5-[10:00，16:00]，其与小李和小郭的时间信息的交集为空。

统计交集为空时对应实验人员的人数G，当G＝1时，向所述对应实验人员发送执行第二部分任务内对应任务的指令；

例如与任务c的时间信息的交集为空的实验人员的人数G＝1，因此，当执行任务c时，选择的小郭执行任务c，当第二用户信息即为小郭对应的实验人员信息。

当G＞1时，对实验人员进行排序，并向排序最靠前的实验人员发送执行第二部分任务内对应任务的指令。

与任务b的时间信息的交集为空的实验人员的人数为3；与任务d的时间信息的交集为空的实验人员的人数为2。

在一些优选的实施例中，本发明进一步按照操作系数从小到大对各实验人员进行排序，当操作系数的值相同时，按照实验人员指标从大到小进行排序；其中，操作系数Υ按照如下公式计算：

其中，z表示实验人员指标，t_i-t_j表示第i个实验人员对应已分配的实验信息中的时间信息与第二部分任务中对应某一任务的时间信息中两个最接近时间点的差值；

Δt₁表示第i个实验人员对应已分配的实验信息中实际操作时长与操作时长范围中最大操作时长的差值；(有多个已完成的实验信息，选择差值最大的)

当第i个实验人员对应已分配的实验信息中的时间信息与时间信息d-[t₃,t₄]无交集时，α＝0，否则α＝1，其中t₃＝t₁-Δt_max，t₄＝t₂+1.5Δt_max；当第i个实验人员已分配的实验信息中存在某一任务的实际操作时长大于对应操作时长范围内最大时长时，β＝1，否则β＝0；

任务b和d对应客户端的操作系数见下表；

针对任务b，实验人员排序依次为：张三、小王、小李，因此，执行任务b时，指派张三执行，任务b对应的第二用户信息为张三的相关信息。

针对任务d，实验人员排序依次为：由于小李和小郭的操作吸收均为0，因此，将实验人员指标大的小郭排在最前面，执行任务d时，因此，任务d的第二用户信息为小郭的相关信息。

本发明提供一种基于workflow的动态精准任务分配系统实现对第一部分任务的实验人员实现固定分配，对第二部分任务的实验人员实现动态分配，其没有事先安排具体的人员，都是结合各实验人员的已有实验任务实现的动态分配，该分配方法不但保障了细胞培养过程中的时效性，而且没有打乱实验室的原有工作习惯，分配效率更高。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种基于workflow的动态精准任务分配方法，其特征在于，所述分配方法包括：

分配第一部分任务，所述第一部分任务包括若干任务及与每一任务对应的任务信息、时间信息和第一用户信息；

间隔或顺序分配第二部分任务，所述第二部分任务包括若干任务及与每一任务对应的任务信息、时间信息和第二用户信息；

所述第一用户信息为执行第一部分任务前固定分配的实验人员信息；

所述第二用户信息为执行第二部分任务时动态分配的实验人员信息；

所述任务信息包括任务名称，所述时间信息表示为d-[t₁,t₂]，其中，d表示日期，t₁为开始时间，t₂＝t₁+Δt_max，Δt_max表示对应任务操作时长范围内的最大操作时长；实验人员信息包括实验人员姓名、实验人员指标、已分配的实验信息，所述已分配的实验信息包括任务名称、任务开始时间、任务结束时间、时间信息和对应任务的操作时长范围；

所述对应任务的操作时长范围的获取方法包括如下步骤：

采集实验人员的历史操作数据，所述历史操作数据包括实验人员指标值和各任务操作时长；

对获取的历史操作数据内的缺失数据和异常数据进行预处理；

对经过预处理的历史操作数据进行聚类处理，形成L个聚类簇；

对每一聚类簇内的历史操作数据进行关联规则挖掘，形成频繁项集；

计算频繁项集内每一子集的置信度，置信度大于阈值的频繁项集形成强关联规则；

根据强关联规则确定实验人员执行对应任务的操作时长范围。

2.如权利要求1所述的基于workflow的动态精准任务分配方法，其特征在于，动态分配执行第二部分任务的实验人员包括如下步骤：

分别将第二部分任务内每一任务对应的时间信息与所有第一用户信息和所有第三用户信息中某一实验人员已分配的实验信息内的时间信息做交集处理，其中，第三用户信息为数据库内存储的可以被分配任务的实验人员信息；

统计交集为空时对应实验人员的人数G，当G＝1时，向所述对应实验人员发送执行第二部分任务内对应任务的指令；

当G＞1时，对实验人员进行排序，并向排序最靠前的实验人员发送执行第二部分任务内对应任务的指令。

3.如权利要求2所述的基于workflow的动态精准任务分配方法，其特征在于，按照操作系数从小到大对各实验人员进行排序，当操作系数的值相同时，按照实验人员指标从大到小进行排序；其中，操作系数γ按照如下公式计算：

其中，z表示实验人员指标，t_i-t_j表示第i个实验人员对应已分配的实验信息中的时间信息与第二部分任务中对应某一任务的时间信息中两个最接近时间点的差值；

Δt₁表示第i个实验人员对应已分配的实验信息中实际操作时长与操作时长范围中最大操作时长的差值；

当第i个实验人员对应已分配的实验信息中的时间信息与时间信息d-[t₃,t₄]无交集时，α＝0，否则α＝1，其中t₃＝t₁-Δt_max，t₄＝t₂+1.5Δt_max；当第i个实验人员已分配的实验信息中存在某一任务的实际操作时长大于对应操作时长范围内最大时长时，β＝1，否则β＝0。

4.如权利要求1所述的基于workflow的动态精准任务分配方法，其特征在于，所述对缺失数据进行预处理的方法包括如下步骤：

计算各历史操作数据所占的权重；

统计每条记录内缺失数据所占的比重δ，

其中，Z₁为缺失数据的个数；Z为该条记录所有数据的总数；

将比重δ与比重阈值δ₁进行比较，当δ≥δ₁时，删除该条记录；

当δ＜δ₁时，判断缺失数据内是否含有权重大的缺失数据，如果存在，删除该条记录，如果不存在，利用与该记录内的实验人员指标相同的且与缺失数据对应的历史操作数据填补缺失数据；所述缺失数据的填补数据按照如下公式计算：

其中，n表示与含有缺失数据记录的实验人员指标值相同的记录个数；x_i表示第i个记录内与缺失数据对应的历史操作数据；

表示n条记录内与缺失数据对应的历史操作数据的平均值；n+1中的1表示含有缺失数据的1条记录；/>

表示n条记录内与缺失数据对应的历史操作数据和缺失数据对应的历史操作数据x_n+1的平均值。

5.如权利要求4所述的基于workflow的动态精准任务分配方法，其特征在于，所述对异常数据进行预处理的方法包括如下步骤：利用K-Means聚类算法按照实验人员指标将各条记录进行聚类，获得L个聚类簇；

计算每一聚类簇内对应项所有历史操作数据的RSD，并与阈值RSD₁进行比较，当RSD≥RSD₁时，判断存在异常数据；

判断出存在异常数据时，计算每一聚类簇内对应项所有历史操作数据的平均值，然后计算距离平均值k距离所有历史操作数据的RSD_t；

当RSD_t＜RSD₁时，计算距离平均值t+a距离的所有历史操作数据的RSD_t+a，a＞0，直至计算出的RSD_t+a＝RSD₁，停止计算；当RSD_t大于RSD₁时，计算距离平均值t-a距离的所有历史操作数据的RSD_t-a，直至计算出RSD_t-a＝RSD₁，停止计算；

判断不在t或t±a距离内的异常数据的权重是否为权重大的，如果是，删除对应项；如果不是，利用RSD₁修正对应记录的异常数据。

6.如权利要求5所述的基于workflow的动态精准任务分配方法，其特征在于，所述对经过预处理的历史操作数据进行聚类处理包括对各步骤操作时长进行如下聚类：

利用K-Means聚类算法对每一聚类簇内的各历史操作数据分别进行聚类形成g_eb个聚类子簇，g_eb表示第e个聚类簇第b项历史操作数据对应的聚类子簇的个数；e＝1、2…L，利用等宽离散法确定聚类子簇每一历史操作数据的时长范围；其中，第e个聚类簇第b项历史操作数据的等宽离散法具体方法如下；

划分宽度

其中，C_ebmax表示第e个聚类簇第b项历史操作数据最大值；C_ebmin表示第e个聚类簇第b项历史操作数据最小值，/>

表示第e个聚类簇第b项历史操作数据的平均值。/>

Images