CN113313323A - 研发项目的人力产出预测方法、系统、电子设备及介质 - Google Patents

研发项目的人力产出预测方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN113313323A
CN113313323A CN202110680224.1A CN202110680224A CN113313323A CN 113313323 A CN113313323 A CN 113313323A CN 202110680224 A CN202110680224 A CN 202110680224A CN 113313323 A CN113313323 A CN 113313323A
Authority
CN
China
Prior art keywords
curve
project
employee
development
output
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
CN202110680224.1A
Other languages
English (en)
Inventor
黄亮
滕晖
钟星立
曾祥宁
陈继辉
阎波
王显文
姜丽娟
张家华
张炼
舒小燕
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.)
CISDI Engineering Co Ltd
Original Assignee
CISDI Engineering 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 CISDI Engineering Co Ltd filed Critical CISDI Engineering Co Ltd
Priority to CN202110680224.1A priority Critical patent/CN113313323A/zh
Publication of CN113313323A publication Critical patent/CN113313323A/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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management

Landscapes

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

Abstract

本发明提供一种研发项目的人力产出预测方法、系统、电子设备及介质，所述的方法包括：采集项目数据，通过所述项目数据获取第一曲线；通过人力特征将员工进行分类，依据单个的员工研发产出值与该分类的相关性建立修正模型，通过单个的员工研发产出值和所述修正模型获取第二曲线；通过所述第二曲线及员工在单个项目的投入工时，获取第三曲线；通过该项目中多个员工的第三曲线获取特征矩阵，将所述特征矩阵输入神经网络进行训练，获取预测模型；将待预测的项目数据载入特征矩阵并通过所述预测模型处理，获取人力产出分类结果。

Description

研发项目的人力产出预测方法、系统、电子设备及介质
技术领域
本发明涉及数据处理领域，特别是涉及一种研发项目的人力产出预测方法、系统、电子设备及介质。
背景技术
在研发项目的立项、研发和落地过程，经常需要一定的时间周期，而研发项目往往具有潜在的不确定性和投资风险，同时，由于研发项目的产出具有较大的滞后性，往往在研发项目结题后的几年内才会有较大的经济效益，无法在当期进行评价，以获取该研发项目的预期产出、潜在风险、人力产出等显性指标。受限制于研发项目的时效性和不可重复性，现有的项目管理系统不便于对研发项目的人力产出进行具有时效性、参考性的预测。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种研发项目人力产出预测方法、系统、电子设备及介质，用于解决现有技术中不便于对研发项目的人力产出进行具有时效性、参考性预测的问题。
为实现上述目的及其他相关目的，本发明提供一种研发人力产出预测方法，包括：
采集项目数据，通过所述项目数据获取第一曲线，所述第一曲线为员工研发产出值的历史曲线；
通过人力特征将员工进行分类，依据单个的员工研发产出值与该分类的相关性建立修正模型，通过单个的员工研发产出值和所述修正模型获取第二曲线，所述第二曲线为与人力特征相匹配的单个的员工研发产出值的曲线；
通过所述第二曲线及员工在单个项目的投入工时，获取第三曲线，所述第三曲线为单个员工在单个项目的投入曲线；
通过该项目中多个员工的第三曲线获取特征矩阵，将所述特征矩阵输入神经网络进行训练，获取预测模型；
将待预测的项目数据载入特征矩阵并通过所述预测模型处理，获取人力产出分类结果。
可选的，所述第一曲线的数学表达为：
Figure BDA0003122225930000011
其中，R为项目的产出总和，W1为项目的投入的总工时，W2为员工A在Y1年投入的工时，P为员工A在Y1年的员工研发产出值，A为员工编号。
可选的，设定员工的人力特征，所述第二曲线的数学表达为：
P＝P0+β(Mi-P0)
其中，P为员工A在Y1年的研发产出值，P0为所有员工在Y1年的科技产值的均值，β为员工A与人力特征的相关系数，Mi为具有同一人力特征的员工的产出均值，A为员工编号。
可选的，分别获取该项目中，每个员工的第二曲线以及投入工时，并将每个员工的第二曲线与投入工时相乘，获取所述第三曲线，分别获取该项目中的n个员工的第三曲线中的前m年数值，将n个员工和对应的前m年数据输入到矩阵中的行和列中，获取特征矩阵。
可选的，所述人力特征至少包括以下之一：员工的年龄段、学历信息、入职时长、毕业院校、公司评价、职称信息、研发经历、知识产权数量、研发项目承担情况。
一种研发项目的人力产出预测系统，包括：
数据模块，用于通过所述项目数据获取第一曲线，所述第一曲线为员工研发产出值的历史曲线；
第一模型模块，用于通过人力特征将员工进行分类，依据单个的员工研发产出值与该分类的相关性建立修正模型，通过单个的员工研发产出值和所述修正模型获取第二曲线，所述第二曲线为与人力特征相匹配的单个的员工研发产出值的曲线，通过所述第二曲线及员工在单个项目的投入工时，获取第三曲线，所述第三曲线为单个员工在单个项目的投入曲线；
第二模型模块，用于通过该项目中多个员工的第三曲线获取特征矩阵，将所述特征矩阵输入神经网络进行训练，获取预测模型；
处理模块，用于将待预测的项目数据载入特征矩阵并通过所述预测模型处理，获取人力产出分类结果。
可选的，所述第一曲线的数学表达为：
Figure BDA0003122225930000021
其中，R为项目的产出总和，W1为项目的投入的总工时，W2为员工A在Y1年投入的工时，P为员工A在Y1年的员工研发产出值，A为员工编号。
可选的，所述第一曲线的数学表达为：
设定员工的人力特征，所述第二曲线的数学表达为：
P＝P0+β(Mi-P0)
其中，P为员工A在Y1年的研发产出值，P0为所有员工在Y1年的科技产值的均值，β为员工A与人力特征的相关系数，Mi为具有同一人力特征的员工的产出均值，A为员工编号。
一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行所述的方法。
一种机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行所述的方法。
如上所述，本发明的研发项目的人力产出预测方法、系统、电子设备及介质，具有以下有益效果：
通过采集项目数据，获取某个员工研发产出值与时间的关系的第一曲线，并考虑人力特征以及员工在单个项目中的投入工的影响，对第一曲线进行修正，获取第三曲线，并将第三曲线进行离散化和矩阵化处理，获取神经网络能够处理和训练的特征矩阵，经过多次迭代训练，调整神经网络中神经元的权值，得到优化模型为预测模型，对待预测的项目数据进行人力产出分类的处理，完成研发项目人力产出的预测。
附图说明
图1显示为本发明实施例的研发项目的人力产出预测方法的示意图。
图2显示为本发明实施例的研发项目的人力产出预测系统的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
请参阅图1，本发明提供一种人力产出预测方法，包括：
S1：采集项目数据，通过所述项目数据获取第一曲线，所述第一曲线为员工研发产出值的历史曲线，该项目数据可以从历史存储的各种/各类研发项目的报表中获取，并从该爆表中获取某个员工研发产出值与时间的关系曲线即为所述第一曲线；
S2：通过人力特征将员工进行分类，依据单个的员工研发产出值与该分类的相关性建立修正模型，通过单个的员工研发产出值和所述修正模型获取第二曲线，所述第二曲线为与人力特征相匹配的单个的员工研发产出值的曲线，该修正模型将员工的人力特征作为影响员工研发产出值的权值，建立人力特征、时间、研发产出值之间的关联关系，该关联关系即为第二曲线；
S3：通过所述第二曲线及员工在单个项目的投入工时，获取第三曲线，所述第三曲线为单个员工在单个项目的投入曲线，在第二曲线中，将员工的单个项目的投入工时作为影响员工研发产出值的权值，从而获取第三曲线；
S4：通过该项目中多个员工的第三曲线获取特征矩阵，将所述特征矩阵输入神经网络进行训练，获取预测模型，例如，获取多个员工的第三曲线，将多个第三曲线进行离散化处理，并将离散化处理得到的参数载入到矩阵的元素中，获取特征矩阵，将特征矩阵输入到神经网络中，经过多次迭代训练，调整神经网络中神经元的权值，得到优化模型为预测模型；
S5：将待预测的项目数据载入特征矩阵并通过所述预测模型处理，获取人力产出分类结果。通过采集项目数据，获取某个员工研发产出值与时间的关系的第一曲线，并考虑人力特征以及员工在单个项目中的投入工的影响，对第一曲线进行修正，获取第三曲线，并将第三曲线进行离散化和矩阵化处理，获取神经网络能够处理和训练的特征矩阵，经过多次迭代训练，调整神经网络中神经元的权值，得到优化模型为预测模型，对待预测的项目数据进行人力产出分类的处理，完成研发项目人力产出的预测。
在一些实施过程中，为了便于确定人员与时间的关系，所述第一曲线的数学表达为：
Figure BDA0003122225930000041
其中，R为项目的产出总和，W1为项目的投入的总工时，W2为员工A在Y1年投入的工时，P为员工A在Y1年的员工研发产出值，A为员工编号。
在一些实施过程中，设定员工的人力特征，所述第二曲线的数学表达为：
P＝P0+β(Mi-P0)
其中，P为员工A在Y1年的研发产出值，P0为所有员工在Y1年的科技产值的均值，β为员工A与人力特征的相关系数，Mi为具有同一人力特征的员工的产出均值，A为员工编号。例如，所述人力特征至少包括以下之一：员工的年龄段、学历信息、入职时长、毕业院校、公司评价、职称信息、研发经历、知识产权数量、研发项目承担情况。
在一些实施过程中，分别获取该项目中，每个员工的第二曲线以及投入工时，并将每个员工的第二曲线与投入工时相乘，获取所述第三曲线，分别获取该项目中的n个员工的第三曲线中的前m年数值，将n个员工和对应的前m年数据输入到矩阵中的行和列中，获取特征矩阵。在一些实施过程中，所述神经网络包括输入层、卷积层、隐藏层和输出层，其中，卷积层包括2层或者2层以上，最大池化层也对应地设置2层或者2层以上，卷积核的尺寸为2*2，且所述神经网络的激励函数包括sigmoid函数，迭代次数200次(对于每个标准样本均训练200次),期望误差取0.1,学习速率取0.05。
请参阅图2，本发明还提供一种研发项目的人力产出预测系统，包括：
数据模块，用于通过所述项目数据获取第一曲线，所述第一曲线为员工研发产出值的历史曲线；
第一模型模块，用于通过人力特征将员工进行分类，依据单个的员工研发产出值与该分类的相关性建立修正模型，通过单个的员工研发产出值和所述修正模型获取第二曲线，所述第二曲线为与人力特征相匹配的单个的员工研发产出值的曲线，通过所述第二曲线及员工在单个项目的投入工时，获取第三曲线，所述第三曲线为单个员工在单个项目的投入曲线；
第二模型模块，用于通过该项目中多个员工的第三曲线获取特征矩阵，将所述特征矩阵输入神经网络进行训练，获取预测模型；
处理模块，用于将待预测的项目数据载入特征矩阵并通过所述预测模型处理，获取人力产出分类结果。
可选的，所述第一曲线的数学表达为：
Figure BDA0003122225930000051
其中，R为项目的产出总和，W1为项目的投入的总工时，W2为员工A在Y1年投入的工时，P为员工A在Y1年的员工研发产出值，A为员工编号。
可选的，设定员工的人力特征，所述第二曲线的数学表达为：
P＝P0+β(Mi-P0)
其中，P为员工A在Y1年的研发产出值，P0为所有员工在Y1年的科技产值的均值，β为员工A与人力特征的相关系数，Mi为具有同一人力特征的员工的产出均值，A为员工编号。
可选的，分别获取该项目中，每个员工的第二曲线以及投入工时，并将每个员工的第二曲线与投入工时相乘，获取所述第三曲线，分别获取该项目中的n个员工的第三曲线中的前m年数值，将n个员工和对应的前m年数据输入到矩阵中的行和列中，获取特征矩阵。
可选的，所述人力特征至少包括以下之一：员工的年龄段、学历信息、入职时长、毕业院校、公司评价、职称信息、研发经历、知识产权数量、研发项目承担情况。
本发明实施例提供一种电子设备，包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行一个或多个所述的方法。本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明实施例还提供一个或多个机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行中一个或多个所述的方法。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种研发项目的人力产出预测方法，其特征在于，包括：
采集项目数据，通过所述项目数据获取第一曲线，所述第一曲线为员工研发产出值的历史曲线；
通过人力特征将员工进行分类，依据单个的员工研发产出值与该分类的相关性建立修正模型，通过单个的员工研发产出值和所述修正模型获取第二曲线，所述第二曲线为与人力特征相匹配的单个的员工研发产出值的曲线；
通过所述第二曲线及员工在单个项目的投入工时，获取第三曲线，所述第三曲线为单个员工在单个项目的投入曲线；
通过该项目中多个员工的第三曲线获取特征矩阵，将所述特征矩阵输入神经网络进行训练，获取预测模型；
将待预测的项目数据载入特征矩阵并通过所述预测模型处理，获取人力产出分类结果。
2.根据权利要求1所述的研发项目的人力产出预测方法，其特征在于，所述第一曲线的数学表达为：
Figure FDA0003122225920000011
其中，R为项目的产出总和，W1为项目的投入的总工时，W2为员工A在Y1年投入的工时，P为员工A在Y1年的员工研发产出值，A为员工编号。
3.根据权利要求1或者2所述的研发项目的人力产出预测方法，其特征在于，设定员工的人力特征，所述第二曲线的数学表达为：
P＝P0+β(Mi-P0)
其中，P为员工A在Y1年的研发产出值，P0为所有员工在Y1年的科技产值的均值，β为员工A与人力特征的相关系数，Mi为具有同一人力特征的员工的产出均值，A为员工编号。
4.根据权利要求3所述的研发项目的人力产出预测方法，其特征在于，分别获取该项目中，每个员工的第二曲线以及投入工时，并将每个员工的第二曲线与投入工时相乘，获取所述第三曲线，分别获取该项目中的n个员工的第三曲线中的前m年数值，将n个员工和对应的前m年数据输入到矩阵中的行和列中，获取特征矩阵。
5.根据权利要求1所述的研发项目的人力产出预测方法，其特征在于，所述人力特征至少包括以下之一：员工的年龄段、学历信息、入职时长、毕业院校、公司评价、职称信息、研发经历、知识产权数量、研发项目承担情况。
6.一种研发项目的人力产出预测系统，其特征在于，包括：
数据模块，用于通过所述项目数据获取第一曲线，所述第一曲线为员工研发产出值的历史曲线；
第一模型模块，用于通过人力特征将员工进行分类，依据单个的员工研发产出值与该分类的相关性建立修正模型，通过单个的员工研发产出值和所述修正模型获取第二曲线，所述第二曲线为与人力特征相匹配的单个的员工研发产出值的曲线，通过所述第二曲线及员工在单个项目的投入工时，获取第三曲线，所述第三曲线为单个员工在单个项目的投入曲线；
第二模型模块，用于通过该项目中多个员工的第三曲线获取特征矩阵，将所述特征矩阵输入神经网络进行训练，获取预测模型；
处理模块，用于将待预测的项目数据载入特征矩阵并通过所述预测模型处理，获取人力产出分类结果。
7.根据权利要求6所述的研发项目的人力产出预测系统，其特征在于，所述第一曲线的数学表达为：
Figure FDA0003122225920000021
其中，R为项目的产出总和，W1为项目的投入的总工时，W2为员工A在Y1年投入的工时，P为员工A在Y1年的员工研发产出值，A为员工编号。
8.根据权利要求6或7所述的研发项目的人力产出预测系统，其特征在于，所述第一曲线的数学表达为：
设定员工的人力特征，所述第二曲线的数学表达为：
P＝P0+β(Mi-P0)
其中，P为员工A在Y1年的研发产出值，P0为所有员工在Y1年的科技产值的均值，β为员工A与人力特征的相关系数，Mi为具有同一人力特征的员工的产出均值，A为员工编号。
9.一种电子设备，其特征在于，包括：
一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述电子设备执行如权利要求1-5中任一所述的方法。
10.一种机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-5中任一所述的方法。
CN202110680224.1A 2021-06-18 2021-06-18 研发项目的人力产出预测方法、系统、电子设备及介质 Pending CN113313323A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110680224.1A CN113313323A (zh) 2021-06-18 2021-06-18 研发项目的人力产出预测方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110680224.1A CN113313323A (zh) 2021-06-18 2021-06-18 研发项目的人力产出预测方法、系统、电子设备及介质

Publications (1)

Publication Number Publication Date
CN113313323A true CN113313323A (zh) 2021-08-27

Family

ID=77379358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110680224.1A Pending CN113313323A (zh) 2021-06-18 2021-06-18 研发项目的人力产出预测方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113313323A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152539A (zh) * 2023-10-27 2023-12-01 浙江由由科技有限公司 基于降维特征机器校验的生鲜商品分类修正方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117152539A (zh) * 2023-10-27 2023-12-01 浙江由由科技有限公司 基于降维特征机器校验的生鲜商品分类修正方法
CN117152539B (zh) * 2023-10-27 2024-01-26 浙江由由科技有限公司 基于降维特征机器校验的生鲜商品分类修正方法

Similar Documents

Publication Publication Date Title
Azadeh et al. A hybrid computer simulation-artificial neural network algorithm for optimisation of dispatching rule selection in stochastic job shop scheduling problems
US10592777B2 (en) Systems and methods for slate optimization with recurrent neural networks
CN111754044B (zh) 员工行为审计方法、装置、设备及可读存储介质
CN110490249A (zh) 基于属性类别关系和少样本元学习的结构损伤识别方法
CN106384197A (zh) 一种基于大数据的业务质量评估方法和装置
CN114330713A (zh) 卷积神经网络模型剪枝方法和装置、电子设备、存储介质
CN114565196B (zh) 基于政务热线的多事件趋势预判方法、装置、设备及介质
CN110852785B (zh) 用户分级方法、装置及计算机可读存储介质
CN113837308A (zh) 基于知识蒸馏的模型训练方法、装置、电子设备
CN113313323A (zh) 研发项目的人力产出预测方法、系统、电子设备及介质
CN113420902A (zh) 件量预测模型训练方法、件量预测方法及相关设备
CN115238969A (zh) 一种白蚁预防的趋势预测方法、装置、电子设备及介质
Budiman et al. Web performance optimization techniques for biodiversity resource portal
Pang et al. Early termination strategies with asynchronous parallel optimization in application to automatic calibration of groundwater PDE models
CN116701935A (zh) 敏感度预测模型训练方法、敏感信息处理方法及装置
Fuentes et al. Spatio-temporal seismicity prediction in Chile using a multi-column ConvLSTM
CN113254657B (zh) 一种用户数据的分类方法及系统
CN113505230B (zh) 一种承揽服务推荐方法及系统
CN112948115B (zh) 一种基于极限学习机的云工作流调度器压力预测方法
CN115392361A (zh) 一种智能排序方法、装置、计算机设备及存储介质
CN114780809A (zh) 基于强化学习的知识推送方法、装置、设备及存储介质
Zhaoming et al. Improving the efficiency of multi-objective grasshopper optimization algorithm to enhance ontology alignment
CN112991025A (zh) 一种保险智能推荐方法、系统、设备及计算机可读存储介质
CN111581068A (zh) 终端的工作量计算方法及其装置、存储介质、终端、云服务系统
CN111179076A (zh) It系统智能管理方法、装置及计算机可读存储介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210827