CN112529324A - 基于深度学习的产能计算方法、装置、设备及存储介质 - Google Patents

基于深度学习的产能计算方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112529324A
CN112529324A CN202011508910.2A CN202011508910A CN112529324A CN 112529324 A CN112529324 A CN 112529324A CN 202011508910 A CN202011508910 A CN 202011508910A CN 112529324 A CN112529324 A CN 112529324A
Authority
CN
China
Prior art keywords
task
tasks
deep learning
score
target
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.)
Pending
Application number
CN202011508910.2A
Other languages
English (en)
Inventor
周泓宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202011508910.2A priority Critical patent/CN112529324A/zh
Publication of CN112529324A publication Critical patent/CN112529324A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q10/063112—Skill-based matching of a person or a group to a task
    • 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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06398—Performance of employee with respect to a job function
    • 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
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的产能计算方法、装置、设备及存储介质，该方法包括：采集每个迭代分配任务周期内各个任务的初始分值以及各个员工的执行力评估因子；构建深度学习神经网络模型并对深度学习神经网络模型进行训练，获得预训练深度学习神经网络模型；将初始分值和执行力评估因子输入预训练深度学习神经网络模型中，根据初始分值对任务进行分配以确定获得任务的目标员工以及目标员工获得的任务分值，根据执行力评估因子计算目标员工的执行力，根据任务分值和执行力计算目标员工的产能。通过上述方式，本发明能够提高产能评估的准确率和计算效率，使任务得到合理分配，分配效率高且能够避免任务错分、漏分的情况。

Description

基于深度学习的产能计算方法、装置、设备及存储介质
技术领域
本发明涉及数据处理技术领域，特别是涉及一种基于深度学习的产能计算方法、装置、设备及存储介质。
背景技术
随着互联网技术(Internet Technology，简称IT)的快速发展，各IT企业的技术部门需要对业务部门提出的需求快速响应，为了解决自有技术资源不足的情况，需要从外部引入外员投入项目开发任务，协助完成开发、测试，推向市场。
为了做好成本控制，发挥外员的最大效益，需要在项目实施过程中，根据任务的工作量大小，监控分析现有技术资源的产能、产出情况，分析技术资源是紧缺还是过剩，提前准备引入或者释放外员，以便在确保完成任务的同时，降低用人成本。但目前对于判断项目组开发人员是否足够的方法通常是依靠管理人员进行人工判断，没有具体的量化工具，而这种人工判断的方式，主观性强、难以量化，判断的效率和准确率均较低。
目前统计项目组开发人员的产能大多通过时间、任务量由人工来计算，然而一方面通过时间计算，只能计算员工在岗时间，并不是有效工作时间，很多在岗时间并不能帮助提高产能，通过任务量和时间的计算难以估计产能；另一方面，人工计算的方式计算效率低且容易出错。。
因此，有必要提供一种新的基于深度学习的产能计算方法、装置、设备及存储介质以克服上述缺陷。
发明内容
本发明提供一种基于深度学习的产能计算方法、装置、设备及存储介质，能够提高产能评估的准确率和计算效率，使任务得到合理分配，分配效率高且能够避免任务错分、漏分的情况。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于深度学习的产能计算方法，包括：
采集每个迭代分配任务周期内各个任务的初始分值以及各个员工的执行力评估因子；
构建深度学习神经网络模型并对所述深度学习神经网络模型进行训练，获得预训练深度学习神经网络模型；
将所述初始分值和所述执行力评估因子输入所述预训练深度学习神经网络模型中，根据所述初始分值对所述任务进行分配以确定获得所述任务的目标员工以及所述目标员工获得的任务分值，根据所述执行力评估因子计算所述目标员工的执行力，根据所述任务分值和所述执行力计算所述目标员工的产能。
根据本发明的一个实施例，根据所述任务分值和所述执行力计算所述目标员工的产能的步骤之前，还包括：
将所述目标员工、所述目标员工获得的所述任务分值以及所述目标员工对应的执行力进行一一对应的关联。
根据本发明的一个实施例，所述目标员工的执行力为各个所述执行力评估因子与对应的权重的乘积之和。
根据本发明的一个实施例，根据所述初始分值对所述任务进行分配以确定获得所述任务的目标员工以及所述目标员工获得的任务分值的步骤还包括：
根据所述初始分值对所述任务进行分类处理，获得选择每个所述任务的员工数量；
将所述员工数量大于1的任务确定为待分配任务，逐步降低所述待分配任务的初始分值，并根据新的初始分值对所述待分配任务重新进行分类处理，直至获得选择所述待分配任务的员工数量为1为止；
将选择所述待分配任务的员工标记为目标员工，所述待分配任务降低后的初始分值标记为所述目标员工获得的任务分值。
根据本发明的一个实施例，根据所述初始分值对所述任务进行分类处理，获得选择每个所述任务的员工数量的步骤之后，还包括：
将所述员工数量为1的任务确定为已分配任务，将选择所述已分配任务的员工确定为目标员工，所述目标员工获得的所述任务分值为所述已分配任务的初始分值。
根据本发明的一个实施例，根据所述初始分值对所述任务进行分类处理，获得选择每个所述任务的员工数量的步骤之后，还包括：
将所述员工数量为0的任务确定为再分配任务，逐步提高所述再分配任务的初始分值，并根据新的初始分值对所述再分配任务重新进行分类处理，直至获得选择所述再分配任务的员工数量至少为1为止。
根据本发明的一个实施例，根据所述任务分值和所述执行力计算所述目标员工的产能的步骤包括：
当所述执行力为所述目标员工执行所有任务的执行力的综合评估结果时，所述目标员工的产能为各个所述任务的任务分值的总和与所述综合评估结果的乘积；
当所述执行力为所述目标员工执行单个所述任务的执行力的单个评估结果时，所述目标员工的产能为各个所述任务的任务分值与对应的所述单个评估结果的乘积之和。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种基于深度学习的产能计算装置，包括：
数据采集模块，用于采集每个迭代分配任务周期内各个任务的初始分值以及各个员工的执行力评估因子；
构建及训练模块，用于构建深度学习神经网络模型并对所述深度学习神经网络模型进行训练，获得预训练深度学习神经网络模型；
产能计算模块，用于将所述初始分值和所述执行力评估因子输入所述预训练深度学习神经网络模型中，根据所述初始分值对所述任务进行分配以确定获得所述任务的目标员工以及所述目标员工获得的任务分值，根据所述执行力评估因子计算所述目标员工的执行力，根据所述任务分值和所述执行力计算所述目标员工的产能。
为解决上述技术问题，本发明采用的再一个技术方案是：提供一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的基于深度学习的产能计算方法。
为解决上述技术问题，本发明采用的再一个技术方案是：提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于深度学习的产能计算方法。
本发明的有益效果是：通过深度学习神经网络模型实现任务分配，分配效率高且能够避免任务错分、漏分的情况；结合任务分值和员工的执行力水平，利用深度学习神经网络模型计算员工的产能，能够提高产能评估的准确率和计算效率；相对于传统的通过任务量和时间计算产能的方法更容易量化、公平，任务分配更加合理，效率更高。
附图说明
图1是本发明第一实施例的基于深度学习的产能计算方法的流程示意图；
图2是本发明第二实施例的基于深度学习的产能计算方法的流程示意图；
图3是本发明第三实施例的基于深度学习的产能计算方法的流程示意图；
图4是本发明实施例的基于深度学习的产能计算装置的结构示意图；
图5是本发明实施例的计算机设备的结构示意图；
图6是本发明实施例的计算机存储介质的结构示意图。
具体实施方式
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，所描述的实施例仅是本发明的一部分实施例，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。
本发明中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
图1是本发明第一实施例的基于深度学习的产能计算方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：
步骤S10：采集每个迭代分配任务周期内各个任务的初始分值以及各个员工的执行力评估因子。
在步骤S10中，分配任务周期性进行，例如两周进行一次任务分配，任务分配完成之后需对员工的产能进行估计，以确保每个任务得到合理分配且能够按时按量完成。初始分值可以由任务分配人依据经验进行人工预设，也可以由电子设备依据大数据统计结果进行自动预设。执行力评估因子用于评估员工的执行力，具体包括：工资以及职级。由于每个员工的工资、职级不同，所以每个员工执行任务的执行力也不同，通常情况下，工资越高、职级越高，对应的执行力越高。进一步地，员工执行任务的执行力除了与执行力评估因子相关，还可以与员工在执行此次任务之前执行过的所有任务的执行结果相关。
在本实施例中，采集的数据分可为训练数据和测试数据，其中，训练数据用于下述步骤S20中训练模型，测试数据用于下述步骤S30中计算员工的产能。在一些优选的实施例中，将采集的数据进行降噪、分类等预处理。采用预处理后得到的训练数据对深度学习神经网络模型进行训练，获得预训练深度学习神经网络模型，能够使模型的输出结果更加准确可靠。
步骤S20：构建深度学习神经网络模型并对深度学习神经网络模型进行训练，获得预训练深度学习神经网络模型。
在步骤S20中，将输入数据进行初始化处理，利用以下公式得到每一个初始化处理后的输入数据对应的神经元，
Figure BDA0002845765900000061
其中，E(v，h|θ)为神经元的能量值，wij为模型的可见层第i个神经元到隐藏层第j个神经元的连接权值，bj为可见层第j个神经元的偏置，ci为隐藏层第i个神经元的偏置，vj和hi均为预设联合概率。
将上述得到的神经元对应的两层RBM与卷积神经网络相结合来对网络入侵行为进行建模，以构建一个包括输入层、输出层和隐藏层的深度学习神经网络模型，对深度学习神经网络模型进行优化训练，以实现模型的参数初始值。其中，输入层的输入为任务分配数据，任务分配数据包括各个任务的初始分值以及各个员工的执行力评估因子，隐藏层还包含的两层RBM、卷积层、池化层和全连接层，输出层的输出为产能计算的预测值。在一些优选的实施方式中，构建与经过优化训练处理的模型关联的Softmax分类器，将卷积神经网络提取的数据特征输入至Softmax分类器中进行激活处理，输出产能计算结果的概率值，将最大概率值的产能计算结果作为最终计算结果。
步骤S30：将初始分值和执行力评估因子输入预训练深度学习神经网络模型中，根据初始分值对任务进行分配以确定获得任务的目标员工以及目标员工获得的任务分值，根据执行力评估因子计算目标员工的执行力，根据任务分值和执行力计算目标员工的产能。
在步骤S30中，预训练深度学习神经网络模型的输入包括各个任务的初始分值以及各个员工的执行力评估因子，输出为产能计算的预测值，在本实施例中，初始分值和执行力评估因子需进行归一化处理，并变成预训练深度学习神经网络模型的可视化输入。在隐藏层中首先提取输入数据特征并根据数据特征提取结果确定任务类型(如待分配任务、已分配任务以及再分配任务)，再对任务进行分配以确定获得任务的目标员工以及目标员工获得的任务分值，然后将目标员工、目标员工获得的任务分值以及目标员工对应的执行力进行一一对应的关联并计算目标员工的产能。
本实施例在迭代分配任务周期内，一个目标员工可以获得多个任务，但每一个任务对应一个任务分值。本实施例的执行力可以为员工执行单个任务的执行力的单个评估结果，执行力也可以为员工执行所有任务的执行力的综合评估结果。因此，一个目标员工可对应一个综合的执行力，也可以一个目标员工对应每个任务都具有一个执行力。
一实施例中，当执行力为目标员工执行所有任务的执行力的综合评估结果时，目标员工的产能为各个任务的任务分值的总和与综合评估结果的乘积；其中，目标员工的执行力(即综合评估结果)等于各个执行力评估因子与对应的权重的乘积之和。
另一实施例中，当执行力为目标员工执行单个任务的执行力的单个评估结果时，目标员工的产能为各个任务的任务分值与对应的单个评估结果的乘积之和。
进一步地，请参见图2，步骤S30具体包括以下步骤：
步骤S31：将初始分值和执行力评估因子输入预训练深度学习神经网络模型中。
在步骤S31中，将步骤S10采集的数据进行降噪、分类等预处理，将预处理后得到的测试数据输入到预训练深度学习神经网络模型中，通过预训练深度学习神经网络模型，结合初始分值和执行力评估因子实现任务分配以及员工产能计算，从而提高分配效率以及计算效率。
步骤S32：根据初始分值对任务进行分配以确定获得任务的目标员工以及目标员工获得的任务分值。
在步骤S32中，请参见图3，还包括以下步骤：
步骤S321：根据初始分值对任务进行分类处理，获得选择每个任务的员工数量。
在步骤S321中，根据初始分值对任务进行分类处理，得到以下三种结果，当员工数量大于1时，执行步骤S322，然后执行步骤S325；当员工数量等于1时，执行步骤S323；当员工数量为0时，执行步骤S324。
步骤S322：将员工数量大于1的任务确定为待分配任务，逐步降低待分配任务的初始分值，并根据新的初始分值对待分配任务重新进行分类处理，直至获得选择待分配任务的员工数量为1为止。
在步骤S322中，通常情况下，待分配任务的初始分值降得越低，越快实现任务分配；每一次降低待分配任务的初始分值之后，均需要根据新的初始分值对待分配任务进行分类处理，获得选择待分配任务的员工数量，如果员工的数量还是大于1，则再次降低待分配任务的初始分值，并根据新的初始分值对待分配任务重新进行分类处理，获得选择待分配任务的员工数量，直至获得选择待分配任务的员工数量为1。在降低待分配任务的初始分值的过程中初始分值每次降低幅度和次数在此不做具体限制。
步骤S323：将员工数量为1的任务确定为已分配任务，将选择已分配任务的员工确定为目标员工，目标员工获得的任务分值为已分配任务的初始分值。
步骤S324：将员工数量为0的任务确定为再分配任务，逐步提高再分配任务的初始分值，并根据新的初始分值对再分配任务重新进行分类处理，获得选择再分配任务的员工数量，直至获得选择再分配任务的员工数量至少为1为止。
在步骤S324中，在提高再分配任务的初始分值的过程中初始分值每次提高幅度和次数在此不做具体限制。在提高再分配任务的初始分值的过程中，若出现员工数量大于1，则按照步骤S322执行。
步骤S325：将选择待分配任务的员工标记为目标员工，待分配任务降低后的初始分值标记为目标员工获得的任务分值。
具体地，以当前迭代分配任务周期内共有3个任务为例进行说明，假设任务一的初始分值为5，任务二的初始分值为6，任务三的初始分值为10，对任务进行分类，获得选择任务一的员工数量为0，选择任务二的员工数量为1，获选择任务三的员工数量为3。
将任务三确定为待分配任务，降低任务三的初始分值至7分，然后重新获得选择待分配任务的员工数量，若员工数量为1，则任务三分配完成，目标员工获得的任务分值为7分，若员工数量仍大于1，则再次降低待分配任务的初始分值(低于7分)，以此类推，直至员工数量为1。该实施例在降低初始分值的过程中每次降低幅度和次数在此不做具体限制。
将任务一确定为再分配任务，提高任务一的初始分值至8分，然后重新获得选择再分配任务的员工数量，若员工数量为1，则任务一分配完成，目标员工获得的任务分值为8分，若员工数量大于1，则降低再分配任务的初始分值(大于5分且低于8分)，重新获得选择再分配任务的员工数量，以此类推，直至员工数量为1。该实施例在降低或提高初始分值的过程中每次降低或提高幅度、次数在此不做具体限制。
任务二确定为已分配任务，分配完成，目标员工获得的任务分值为6分。
步骤S33：根据执行力评估因子计算目标员工的执行力。
在步骤S33中，目标员工的执行力为各个执行力评估因子与对应的权重的乘积之和。
步骤S34：将目标员工、目标员工获得的任务分值以及目标员工对应的执行力进行一一对应的关联。
在步骤S34中，在每个迭代分配任务周期内，每个目标员工都获得一定的任务分值，不同的目标员工获得的任务分值不同，不同的目标员工执行任务时的执行力也不相同，因此，需将每个目标员工的任务分值和执行力进行一一对应的关联，以降低数据处理的难度，提高数据处理效率以及计算准确率。
步骤S35：根据任务分值和执行力计算目标员工的产能。
在步骤S35中，一实施例中，当执行力为目标员工执行所有任务的执行力的综合评估结果时，目标员工的产能为各个任务的任务分值的总和与综合评估结果的乘积；其中，目标员工的执行力(即综合评估结果)等于各个执行力评估因子与对应的权重的乘积之和。另一实施例中，当执行力为目标员工执行单个任务的执行力的单个评估结果时，目标员工的产能为各个任务的任务分值与对应的单个评估结果的乘积之和。
本发明第一实施例的基于深度学习的产能计算方法通过深度学习神经网络模型实现任务分配，分配效率高且能够避免任务错分、漏分的情况；结合任务分值和员工的执行力水平，利用深度学习神经网络模型计算员工的产能，能够提高产能评估的准确率和计算效率；相对于传统的通过任务量和时间计算产能的方法更容易量化、公平，任务分配更加合理，效率更高。
图4是本发明实施例的基于深度学习的产能计算装置的结构示意图。如图4所示，该装置40包括数据采集模块41、构建及训练模块42以及产能计算模块43。
数据采集模块41用于采集每个迭代分配任务周期内各个任务的初始分值以及各个员工的执行力评估因子。
构建及训练模块42用于构建深度学习神经网络模型并对所述深度学习神经网络模型进行训练，获得预训练深度学习神经网络模型。
产能计算模块43用于将所述初始分值和所述执行力评估因子输入所述预训练深度学习神经网络模型中，根据所述初始分值对所述任务进行分配以确定获得所述任务的目标员工以及所述目标员工获得的任务分值，根据所述执行力评估因子计算所述目标员工的执行力，根据所述任务分值和所述执行力计算所述目标员工的产能。
请参阅图5，图5为本发明实施例的计算机设备的结构示意图。如图5所示，该计算机设备50包括处理器51及和处理器51耦接的存储器52。
存储器52存储有用于实现上述任一实施例所述的基于深度学习的产能计算方法的程序指令。
处理器51执行存储器52存储的程序指令时，实现如下步骤：
采集每个迭代分配任务周期内各个任务的初始分值以及各个员工的执行力评估因子；
构建深度学习神经网络模型并对所述深度学习神经网络模型进行训练，获得预训练深度学习神经网络模型；
将所述初始分值和所述执行力评估因子输入所述预训练深度学习神经网络模型中，根据所述初始分值对所述任务进行分配以确定获得所述任务的目标员工以及所述目标员工获得的任务分值，根据所述执行力评估因子计算所述目标员工的执行力，根据所述任务分值和所述执行力计算所述目标员工的产能。
其中，处理器51还可以称为CPU(Central Processing Unit，中央处理单元)。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图6，图6为本发明实施例的计算机存储介质的结构示意图。本发明实施例的计算机存储介质存储有能够实现上述所有方法的程序文件61，程序文件61被处理器执行时实现如下步骤：
采集每个迭代分配任务周期内各个任务的初始分值以及各个员工的执行力评估因子；
构建深度学习神经网络模型并对所述深度学习神经网络模型进行训练，获得预训练深度学习神经网络模型；
将所述初始分值和所述执行力评估因子输入所述预训练深度学习神经网络模型中，根据所述初始分值对所述任务进行分配以确定获得所述任务的目标员工以及所述目标员工获得的任务分值，根据所述执行力评估因子计算所述目标员工的执行力，根据所述任务分值和所述执行力计算所述目标员工的产能。
其中，该程序文件61可以以软件产品的形式存储在上述计算机存储介质中，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，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的计算机存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上仅为本发明的实施方式，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 (10)

1.一种基于深度学习的产能计算方法，其特征在于，包括：
采集每个迭代分配任务周期内各个任务的初始分值以及各个员工的执行力评估因子；
构建深度学习神经网络模型并对所述深度学习神经网络模型进行训练，获得预训练深度学习神经网络模型；
将所述初始分值和所述执行力评估因子输入所述预训练深度学习神经网络模型中，根据所述初始分值对所述任务进行分配以确定获得所述任务的目标员工以及所述目标员工获得的任务分值，根据所述执行力评估因子计算所述目标员工的执行力，根据所述任务分值和所述执行力计算所述目标员工的产能。
2.根据权利要求1所述的计算方法，其特征在于，根据所述任务分值和所述执行力计算所述目标员工的产能的步骤之前，还包括：
将所述目标员工、所述目标员工获得的所述任务分值以及所述目标员工对应的执行力进行一一对应的关联。
3.根据权利要求1所述的计算方法，其特征在于，所述目标员工的执行力为各个所述执行力评估因子与对应的权重的乘积之和。
4.根据权利要求1所述的计算方法，其特征在于，根据所述初始分值对所述任务进行分配以确定获得所述任务的目标员工以及所述目标员工获得的任务分值的步骤还包括：
根据所述初始分值对所述任务进行分类处理，获得选择每个所述任务的员工数量；
将所述员工数量大于1的任务确定为待分配任务，逐步降低所述待分配任务的初始分值，并根据新的初始分值对所述待分配任务重新进行分类处理，直至获得选择所述待分配任务的员工数量为1为止；
将选择所述待分配任务的员工标记为目标员工，所述待分配任务降低后的初始分值标记为所述目标员工获得的任务分值。
5.根据权利要求4所述的计算方法，其特征在于，根据所述初始分值对所述任务进行分类处理，获得选择每个所述任务的员工数量的步骤之后，还包括：
将所述员工数量为1的任务确定为已分配任务，将选择所述已分配任务的员工确定为目标员工，所述目标员工获得的所述任务分值为所述已分配任务的初始分值。
6.根据权利要求4所述的计算方法，其特征在于，根据所述初始分值对所述任务进行分类处理，获得选择每个所述任务的员工数量的步骤之后，还包括：
将所述员工数量为0的任务确定为再分配任务，逐步提高所述再分配任务的初始分值，并根据新的初始分值对所述再分配任务重新进行分类处理，，直至获得选择所述再分配任务的员工数量至少为1为止。
7.根据权利要求1所述的计算方法，其特征在于，根据所述任务分值和所述执行力计算所述目标员工的产能的步骤包括：
当所述执行力为所述目标员工执行所有任务的执行力的综合评估结果时，所述目标员工的产能为各个所述任务的任务分值的总和与所述综合评估结果的乘积；
当所述执行力为所述目标员工执行单个所述任务的执行力的单个评估结果时，所述目标员工的产能为各个所述任务的任务分值与对应的所述单个评估结果的乘积之和。
8.一种基于深度学习的产能计算装置，其特征在于，包括：
数据采集模块，用于采集每个迭代分配任务周期内各个任务的初始分值以及各个员工的执行力评估因子；
构建及训练模块，用于构建深度学习神经网络模型并对所述深度学习神经网络模型进行训练，获得预训练深度学习神经网络模型；
产能计算模块，用于将所述初始分值和所述执行力评估因子输入所述预训练深度学习神经网络模型中，根据所述初始分值对所述任务进行分配以确定获得所述任务的目标员工以及所述目标员工获得的任务分值，根据所述执行力评估因子计算所述目标员工的执行力，根据所述任务分值和所述执行力计算所述目标员工的产能。
9.一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的基于深度学习的产能计算方法。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于深度学习的产能计算方法。
CN202011508910.2A 2020-12-18 2020-12-18 基于深度学习的产能计算方法、装置、设备及存储介质 Pending CN112529324A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011508910.2A CN112529324A (zh) 2020-12-18 2020-12-18 基于深度学习的产能计算方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011508910.2A CN112529324A (zh) 2020-12-18 2020-12-18 基于深度学习的产能计算方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN112529324A true CN112529324A (zh) 2021-03-19

Family

ID=75001977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011508910.2A Pending CN112529324A (zh) 2020-12-18 2020-12-18 基于深度学习的产能计算方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112529324A (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2544324A1 (en) * 2005-06-10 2006-12-10 Unicru, Inc. Employee selection via adaptive assessment
CN102799771A (zh) * 2012-06-29 2012-11-28 厦门易用软件技术有限公司 执行力品质分析系统
US20170103358A1 (en) * 2015-10-13 2017-04-13 Certa360 Limited System for electronically managing and assessing competency of skilled workers
CN109492859A (zh) * 2018-09-25 2019-03-19 平安科技（深圳）有限公司 基于神经网络模型的员工分类方法及装置、设备、介质
CN109934433A (zh) * 2017-12-15 2019-06-25 航天信息股份有限公司 一种人员能力评估方法、装置及云服务平台
WO2020042584A1 (zh) * 2018-08-27 2020-03-05 平安科技（深圳）有限公司 非绩优人员培训方法、系统、计算机装置及存储介质
KR102153012B1 (ko) * 2020-02-04 2020-09-07 주식회사 알바체크 빅데이터 기반의 딥러닝 모델을 통해 업무에 적합한 직원을 추천하는 매장 관리 장치 및 매장 관리 방법
US20200327175A1 (en) * 2019-04-09 2020-10-15 At&T Intellectual Property I, L.P. Apparatus and method for facilitating a reuse of an asset
CN111915231A (zh) * 2020-08-22 2020-11-10 武汉空心科技有限公司 一种基于深度学习的工作平台任务分配方法
CN112016904A (zh) * 2020-09-07 2020-12-01 杭州全视软件有限公司 一种人力资源的评估系统及方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2544324A1 (en) * 2005-06-10 2006-12-10 Unicru, Inc. Employee selection via adaptive assessment
US20060282306A1 (en) * 2005-06-10 2006-12-14 Unicru, Inc. Employee selection via adaptive assessment
CN102799771A (zh) * 2012-06-29 2012-11-28 厦门易用软件技术有限公司 执行力品质分析系统
US20170103358A1 (en) * 2015-10-13 2017-04-13 Certa360 Limited System for electronically managing and assessing competency of skilled workers
CN109934433A (zh) * 2017-12-15 2019-06-25 航天信息股份有限公司 一种人员能力评估方法、装置及云服务平台
WO2020042584A1 (zh) * 2018-08-27 2020-03-05 平安科技（深圳）有限公司 非绩优人员培训方法、系统、计算机装置及存储介质
CN109492859A (zh) * 2018-09-25 2019-03-19 平安科技（深圳）有限公司 基于神经网络模型的员工分类方法及装置、设备、介质
US20200327175A1 (en) * 2019-04-09 2020-10-15 At&T Intellectual Property I, L.P. Apparatus and method for facilitating a reuse of an asset
KR102153012B1 (ko) * 2020-02-04 2020-09-07 주식회사 알바체크 빅데이터 기반의 딥러닝 모델을 통해 업무에 적합한 직원을 추천하는 매장 관리 장치 및 매장 관리 방법
CN111915231A (zh) * 2020-08-22 2020-11-10 武汉空心科技有限公司 一种基于深度学习的工作平台任务分配方法
CN112016904A (zh) * 2020-09-07 2020-12-01 杭州全视软件有限公司 一种人力资源的评估系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王岳;朱靖元;蒋志勇;: "基于BP神经网络的船舶企业员工综合评价模型", 船舶工程, no. 06 *

Similar Documents

Publication Publication Date Title
JP6749468B2 (ja) 評価モデルのためのモデリング方法及び装置
CN106651574A (zh) 一种个人信用评估方法及装置
WO2024087512A1 (zh) 一种图神经网络压缩方法、装置、电子设备及存储介质
CN110796513A (zh) 多任务学习方法、装置、电子设备及存储介质
CN113205391B (zh) 基于历史订单匹配度的派单方法、电子设备和计算机可读介质
CN109359762A (zh) 风险预测模型生成方法、风险预测方法、装置及服务器
CN112132776A (zh) 基于联邦学习的视觉检测方法及系统、存储介质、设备
CN112132384A (zh) 工作效率评估方法、装置、存储介质及计算机设备
CN110210751A (zh) 基于神经网络的检修作业风险分析方法、装置及终端
CN112686312A (zh) 一种数据分类方法、装置及系统
CN114202243A (zh) 一种基于随机森林的工程项目管理风险预警方法及系统
CN108647714A (zh) 负面标签权重的获取方法、终端设备及介质
CN105184403A (zh) 基于机器学习和统计模型检验的工作流最优配置寻优方法
CN110796381B (zh) 风控模型的建模方法、装置、终端设备及介质
CN117011013A (zh) 一种成本数据的处理方法、装置、设备、介质及程序产品
CN112529324A (zh) 基于深度学习的产能计算方法、装置、设备及存储介质
CN116581883A (zh) 一种基于神经网络的配电网线损评估方法及装置
CN116187675A (zh) 任务分配方法、装置、设备及存储介质
CN110717787A (zh) 一种用户的分类方法及装置
CN108052378B (zh) 一种面向复杂仿真工作流应用的利润敏感的任务调度方法
CN110533485A (zh) 一种对象选取的方法、装置、存储介质及电子设备
CN115689201A (zh) 面向企业资源供需调配的多准则智能决策优化方法及系统
CN112800037B (zh) 工程造价数据处理的优化方法及装置
CN113393023B (zh) 模具质量评估方法、装置、设备及存储介质
CN113657724B (zh) 基于多源异构数据的资源分配方法、装置和电子设备

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