CN113792981A - 效率统计方法、装置及计算机可读存储介质 - Google Patents

效率统计方法、装置及计算机可读存储介质 Download PDF

Info

Publication number
CN113792981A
CN113792981A CN202110952792.2A CN202110952792A CN113792981A CN 113792981 A CN113792981 A CN 113792981A CN 202110952792 A CN202110952792 A CN 202110952792A CN 113792981 A CN113792981 A CN 113792981A
Authority
CN
China
Prior art keywords
cluster
efficiency
unit
working time
unit working
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
CN202110952792.2A
Other languages
English (en)
Inventor
刘颖麒
孙德
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.)
Yika Technology Shenzhen Co ltd
Original Assignee
Yika 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 Yika Technology Shenzhen Co ltd filed Critical Yika Technology Shenzhen Co ltd
Priority to CN202110952792.2A priority Critical patent/CN113792981A/zh
Publication of CN113792981A publication Critical patent/CN113792981A/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
    • G06Q10/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2462—Approximate or statistical queries
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种效率统计方法，该效率统计方法的步骤包括：获取所有待统计人员的单位工作时长；以所有所述待统计人员的单位工作时长作为输入参数，输入预设聚类模型；获取所述预设聚类模型根据所述输入参数进行计算后输出的目标聚类；根据所述目标聚类确定工作效率。本发明还公开了一种效率统计装置以及计算机可读存储介质。本发明通过获取所有待统计人员的单位工作时长进而根据所述单位工作时长确定所有待统计人员的工作效率，解决了现有技术中工作效率不精准的问题。

Description

效率统计方法、装置及计算机可读存储介质
技术领域
本发明涉及工效统计技术领域，尤其涉及效率统计方法、装置及计算机可读存储介质。
背景技术
现有技术中，在传统制造业为主的企业流水线模式中，通常使用较高操作水平的员工的工作效率作为全体员工的工作效率或根据员工产出的总件评估员工的工作效率，这两种方法得出的工作效率精确性低，无法准确评估员工的工作效率，导致绩效核算不准确。
发明内容
本发明的主要目的在于提供一种效率统计方法、装置及计算机可读存储介质，旨在解决现有技术中统计的工作效率精确性低的技术问题。
为实现上述目的，本发明提供一种效率统计方法，所述效率统计方法的步骤包括：
获取所有待统计人员的单位工作时长；
以所有所述待统计人员的单位工作时长作为输入参数，输入预设聚类模型；
获取所述预设聚类模型根据所述输入参数进行计算后输出的目标聚类；
根据所述目标聚类确定工作效率。
可选地，所述获取所有待统计人员的单位工作时长的步骤包括：
获取所有待统计人员的工作数据信息，所述工作数据信息包括待统计人员的用户标识，工作时间信息以及工作状态信息的至少一个；
将所述工作数据信息进行降维处理，以获取对应的特征值，所述特征值包括工作时间信息；
根据所述特征值生成所有待统计人员的单位工作时长。
可选地，所述预设聚类模型根据所述输入参数计算目标聚类的方法包括：
根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类；
按照划分后的单位工作时长确定每个聚类的平均单位工作时长；
将每个聚类的所述平均单位工作时长与对应的聚类中心进行比较，
若所述聚类中心与所述平均单位工作时长的差值大于预设差值阈值，更新所述聚类中心后，返回执行所述根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类的步骤；
若所述聚类中心与所述平均工作时长的差值小于或等于预设差值阈值，将各个所述聚类作为所述目标聚类输出，将各个所述聚类作为目标聚类输出。
可选地，所述根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类的步骤包括：
获取每个聚类对应的聚类中心；
比对每个所述单位工作时长与所述聚类中心之间的距离；
将所述单位工作时长分别划分到距离所述聚类中心最近的聚类；
可选地，所述所述根据所述目标聚类确定工作效率的步骤包括：
获取各个所述目标聚类对应的各个单位工作时长；
根据各个所述输入参数分别确定各个所述目标聚类的平均单位工作时长；
根据所述平均单位工作时长分别确定各个所述目标聚类对应的工作效率。
可选地，所述所述根据所述目标聚类确定工作效率的步骤之后还包括：
根据各个所述目标聚类分别对应的单位工作时长的总量以及所述所有待统计人员的单位工作时长的总量确定所述待统计人员的工作状态。
可选地，所述所述以待统计人员的单位工作时间作为输入参数，输入预设聚类模型的步骤之前，还包括：
将所述单位工作时间转换为预设格式的单位工作时间；
获取所述预设格式的单位工作时间对应的特殊值，其中，所述特殊值包括奇异值以及空值；
将所述特殊值进行删除处理。
可选地，所述将所述特殊值进行删除处理的步骤包括：
获取所述特殊值在所述样本数据集中的占比；
在所述占比小于或等于预设占比阈值时，删除所述特殊值；
在所述占比大于预设占比阈值时，保留所述特殊值。
此外，为实现上述目的，本发明还提供一种效率统计装置，所述效率统计装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的效率统计程序，所述效率统计程序被所述处理器执行时实现如上所述的效率统计方法的步骤。
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效率统计程序，所述效率统计程序被处理器质性时实现如上所述的效率统计方法的步骤。
本发明实施例提出的一种效率统计方法、装置及计算机可读存储介质，通过获取所有待统计人员的单位工作时长，进而根据所述单位工作时长以及预设聚类模型中计算得出目标聚类，进而根据所述目标聚类确定工作效率，基于预设聚类模型对所有待统计人员的单位工作时长进行聚类分析，进而获取工作效率，提高了效率统计的精确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端装置结构示意图；
图2为本发明效率统计方法第一实施例的流程示意图；
图3为本发明效率统计方法第二实施例步骤S30的细化流程示意图；
图4为本发明效率统计方法第三实施例步骤S40的流程示意图；
图5为本发明效率统计方法第四实施例的细化流程示意图。
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。
本发明实施例的主要解决方案是：获取所有待统计人员的单位工作时长；以所有所述待统计人员的单位工作时长作为输入参数，输入预设聚类模型；获取所述预设聚类模型根据所述输入参数进行计算后输出的目标聚类；根据所述目标聚类确定工作效率。
如图1所示，图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例涉及的效率统计方法主要应用于终端，所述终端可以是PC、便携计算机、移动终端等具有处理功能的设备。
如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及效率统计程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的效率统计程序，并执行以下操作：
获取所有待统计人员的单位工作时长；
以所有所述待统计人员的单位工作时长作为输入参数，输入预设聚类模型；
获取所述预设聚类模型根据所述输入参数进行计算后输出的目标聚类；
根据所述目标聚类确定工作效率。
进一步地，处理器1001可以调用存储器1005中存储的效率统计程序，还执行以下操作：
获取所有待统计人员的工作数据信息，所述工作数据信息包括待统计人员的用户标识，工作时间信息以及工作状态信息的至少一个；
将所述工作数据信息进行降维处理，以获取对应的特征值，所述特征值包括工作时间信息；
根据所述特征值生成所有待统计人员的单位工作时长。
进一步地，处理器1001可以调用存储器1005中存储的效率统计程序，还执行以下操作：
根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类；
按照划分后的单位工作时长确定每个聚类的平均单位工作时长；
将每个聚类的所述平均单位工作时长与对应的聚类中心进行比较，
若所述聚类中心与所述平均单位工作时长的差值大于预设差值阈值，更新所述聚类中心后，返回执行所述根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类的步骤；
若所述聚类中心与所述平均工作时长的差值小于或等于预设差值阈值，将各个所述聚类作为所述目标聚类输出。
进一步地，处理器1001可以调用存储器1005中存储的效率统计程序，还执行以下操作：
所述根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类的步骤包括：
获取每个聚类对应的聚类中心；
比对每个所述单位工作时长与所述聚类中心之间的距离；
将所述单位工作时长分别划分到距离所述聚类中心最近的聚类；
进一步地，处理器1001可以调用存储器1005中存储的效率统计程序，还执行以下操作：
获取各个所述目标聚类对应的各个单位工作时长；
根据各个所述输入参数分别确定各个所述目标聚类的平均单位工作时长；
根据所述平均单位工作时长分别确定各个所述目标聚类对应的工作效率。
进一步地，处理器1001可以调用存储器1005中存储的效率统计程序，还执行以下操作：
根据各个所述目标聚类分别对应的单位工作时长的总量以及所述所有待统计人员的单位工作时长的总量确定所述待统计人员的工作状态。
进一步地，处理器1001可以调用存储器1005中存储的效率统计程序，还执行以下操作：
将所述单位工作时间转换为预设格式的单位工作时间；
获取所述预设格式的单位工作时间对应的特殊值，其中，所述特殊值包括奇异值以及空值；
将所述特殊值进行删除处理。
进一步地，处理器1001可以调用存储器1005中存储的效率统计程序，还执行以下操作：
获取所述特殊值在所述样本数据集中的占比；
在所述占比小于或等于预设占比阈值时，删除所述特殊值；
在所述占比大于预设占比阈值时，保留所述特殊值。
参照图2，本发明第一实施例提供一种效率统计方法，所述效率统计方法包括：
步骤S10，获取所有待统计人员的单位工作时长；
步骤S20，以所有所述待统计人员的单位工作时长作为输入参数，输入预设聚类模型；
步骤S30，获取所述预设聚类模型根据所述输入参数进行计算后输出的目标聚类；
步骤S40，根据所述目标聚类确定工作效率。
在现有技术中，通常使用较高操作水平的员工的工作效率作为全体员工的工作效率或根据员工产出的总件评估员工的工作效率，这两种方法得出的工作效率精确性低，无法准确评估员工的工作效率，导致绩效核算不准确。
基于此，本发明实施例提出了一种基于聚类算法的效率统计方法，聚类算法是一个将数据集中在某些方面相似的数据成员进行分类组织的过程，聚类就是一种发现这种内在结构的技术，聚类技术经常被称为无监督学习。
在本申请实施例中，在通过聚类算法进行效率统计前，需要获取待聚类数据集，所述待聚类数据集为所有待统计人员的单位工作时长，所述单位工作时长为单个待统计人员完成一项任务所花费的时间，例如，所述待统计人员A制造一个零件的时间为50s，即所述单位工作时长为50s。
可以理解的是，本发明实施例可运用于多个领域，例如审核任务领域，在审核任务领域中对应的单位工作时长为工作人员审核一个任务所花费的时间。
需要说明的是，在进行效率统计前，需要获取所有待统计人员的工作数据信息，所述工作数据信息属于高维数据，包括但不限于待统计人员的用户标识，工作时间信息，工作状态信息，还可以包括工作类型信息等，假设将所述工作数据信息作为输入参数输入预设聚类模型中，以供所述预设聚类模型进行计算后输出所述目标聚类，基于所述工作数据信息是高维数据，大大增加了所述预设聚类模型的计算量，并且所述工作数据信息处理工作时间信息后，还包括了无价值数据，基于此，为了获取所述待统计人员的单位工作时长，需将所述工作数据信息进行键位处理。
基于此，所述步骤S10还包括：
获取所有待统计人员的工作数据信息，所述工作数据信息包括待统计人员的用户标识，工作时间信息以及工作状态信息的至少一个；
将所述工作数据信息进行降维处理，以获取对应的特征值，所述特征值包括工作时间信息；
根据所述特征值生成所有待统计人员的单位工作时长。
可选地，所述获取所有待统计人员的单位工作时长的方式可以是获取各个所述待统计人员对应的工作数据信息，所述工作数据信息包括待统计人员的用户标识，工作时间信息，工作状态信息。其中，所述待统计人员的用户标识用于标识所述待统计人员，所述待统计人员与所述待统计人员的用户标识是一一对应的关系；所述工作时间信息用于表示所述待统计人员完成一项任务的完成时间点，所述工作状态信息用于表示所述待统计人员完成该项任务时对所述任务的处理信息。
可选地，在获取所述工作数据信息，对所述工作数据信息进行降维处理，以获取所述工作数据信息对应的工作时间信息，进而将所述工作时间信息确定为所述特征值，其中，所述工作时间信息包括时间戳，所述时间戳用于表征所述待统计人员完成一项任务的完成时间点。
可选地，所述根据所述特征值确定所有待统计人员的单位工作时长的具体实施方式为根据所述时间戳按照以小到大的顺序进行排序，并将所述排序后的时间戳对应的第一个时间戳确定为第一时间戳；再次基于所述排序后的时间戳获取所述第一时间戳对应的下一个时间戳，确定为第二时间戳；获取所述第二时间戳与所述第一时间戳的差值，将所述差值确定为单位工作时长，进而将所述第二时间戳替换所述第一时间戳，并反复执行所述排序后的时间戳对应的第一个时间戳确定为第一时间戳至将所述第二时间戳替换所述第一时间戳的步骤，直至获取所有的单位工作时长。例如，待统计人员A完成一项任务的完成时间点为2020年10月10日16时38分20秒，完成一项任务的完成时间点为2020年10月10日16时39分10秒，完成一项任务的完成时间点为2020年10月10日16时41分20秒，则所述待统计人员A完成一项任务对应的其中一个单位工作时长为30s，另一个单位时长为2分10秒，以此类推，进而获取所有待统计人员的单位工作时长。
需要说明的是，所述获取所有所述待统计人员的单位工作时长是将所述待统计人员的工作数据信息进行降维，所述工作数据信息包括至少两个以上维度，若根据所述工作数据信息进行效率统计，计算复杂且需要大量的计算能力，并且因为数据的庞大，进行效率统计的效率不高。基于此，本申请实施例对所述待统计人员的工作数据进行降维，以获取单位工作时长，所述单位工作时长为一维的数据，基于所述一维的单位工作时长进行效率统计，可降低效率统计的计算复杂度，并且所述一维的单位工作时长能够最大效率的呈现所述待统计人员的工作数据的有效信息，提高效率统计的准确度，同时通过去除冗余信息，减少效率统计中不必要的计算过程，提高了效率统计的效率。
可选地，所述待统计人员包括至少两个以上待统计人员，所述待统计人员对应的单位工作时长的个数可以为一个，也可以为多个。
在获取所有所述待统计人员的单位工作时长后，所述步骤S20之前还包括：
将所述单位工作时间转换为预设格式的单位工作时间；
获取所述预设格式的单位工作时间对应的特殊值，其中，所述特殊值包括奇异值以及空值；
将所述特殊值进行删除处理。
在本申请实施例中，在输入所述预设聚类模型前，需将所述单位工作时长进行预处理，所述待统计人员的单位工作时长对应的的时间格式可能不同。例如，某个单位工作时长为1分30秒，某个单位工作时长为70秒，为了方便统计，需将所述所有待统计人员的单位工作时长转换为预设格式的单位工作时长，其中，所述预设格式可以是分格式，还可以是秒格式，还可以是时格式，所述预设格式包括但不限于上述三种格式。
在将所述单位工作时长转换为预设格式的单位工作时长后，获取所述预设格式的单位工作时长对应的特殊值，所述特殊值可以是奇异值，奇异值指的是与其他单位工作时长相差最大的单位工作时长，所述空值为不包括单位工作时长的数据点。
可选地，所述获取所述特殊值后，将所述特殊值进行删除处理。
可选地，所述将所述特殊值进行删除处理的步骤包括：
获取所述特殊值对应的数量在所述所有待统计人员的单位工作时长对应的数量中的占比；
在所述占比小于或等于预设占比阈值时，删除所述特殊值；
在所述占比大于预设占比阈值时，保留所述特殊值。
可选地，所述特殊值对应的数量为所述特殊值的总数，例如所述特殊值为100,1000,10000,99999，所述特殊值对应的数量为4；所述待统计人员的单位工作时长对应的数量为所有单位工作时长的总数，例如，所述所有待统计人员的单位工作时长对应的数量可以是十万，还可以是1000。可选地，所述占比为所述特殊值对应的总数占所有所述单位工作时长的总数的比值，例如，所述特殊值对应的数量为1000，所述所有待统计人员的单位工作时长对应的数量为50000，所述占比为1000/50000＝2％。
可选地，在获取所述占比后，根据所述占比判断所述特殊值是否需要做删除处理，在所述占比小于或等于预设占比阈值时，代表所述特殊值在所述所有的单位工作时长的占比较小，因此可删除所述特殊值。在所述占比大于预设占比阈值时，代表所述特殊值在所述所有的单位工作时长的占比较大，将所述特殊值删除影响效率统计的准确性，因此将所述特殊值保留，其中，所述预设占比阈值可以是5％，还可以是3％。
可选地，保留所述特殊值之后，可对所述特殊值进行处理。在所述所有待统计人员的单位工作时长对应的数量较少时，可获取所述所有待统计人员的单位工作时长对应的平均值，将所述平均值替代所述特殊值。在所述所有待统计人员的单位工作时长对应的数量较大时，可获取与所述特殊值最相邻的单位工作时长，将所述单位工作时长替代所述特殊值。可以理解的是，所述对所述特殊值进行处理的方式包括但不限于上述两种方式。
可选地，在对所述单位工作时长进行预处理后，以所有所述待统计人员的单位工作时长确定为输入参数，进而将所述输入参数输入所述预设模型，以供所述预设聚类模型根据所述输入参数进行计算(聚类分析)。所述预设聚类模型基于所述输入参数输出对应的目标聚类，所述目标聚类为根据所述输入参数对应的各个聚类，各个聚类中包括至少一个单位工作时长，所述聚类对应的单位工作时长对应的相似度最高，其中，所述目标聚类包括至少一个聚类。
可选地，所述根据所述目标聚类确定工作效率的方式可以是确定各个目标聚类分别对应的单位工作时长的总量以及确定各个目标聚类对应的单位工作时长的总和，基于所述数量以及所述总和确定各个所述目标聚类对应的平均单位工作时长，基于所述平均单位工作时长确定各个所述目标聚类对应的工作效率。
所述根据所述目标聚类确定工作效率的方式还可以是获取各个所述目标聚类分别对应的单位工作时长最小值与单位工作时长最大值，基于各个所述目标聚类对应的单位工作时长最小值与单位工作时长最大值确定各个所述目标聚类对应的单位工作时长区间，基于所述单位工作效率区间确定工作效率区间，基于所述工作效率区间确定工作效率。
在本申请实施例中，通过获取所有待统计人员对应的单位工作时长，进而将所述单位工作时长进行预处理，以删除特殊值，进而将所述单位工作时长作为输入参数输入所述预设聚类模型，以供所述预设聚类模型根据所述输入参数确定各个目标聚类，进而根据所述各个目标聚类确定各个所述目标聚类对应的工作效率，通过预设聚类模型统计所有的待统计人员的单位工作时长，并输出对应的目标聚类并根据所述目标聚类获取工作效率，提升了效率统计的精确性。
可选地，参照图3，基于第一实施例，所述预设聚类模型根据所述输入参数极端目标聚类的方法包括：
步骤S31，根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类；
步骤S32，按照划分后的单位工作时长确定每个聚类的平均单位工作时；
步骤S33，将每个聚类的所述平均单位工作时长与对应的聚类中心进行比较；
步骤S34，判断所述聚类中心与所述平均单位工作时长的差值是否小于或等于预设差值阈值；
步骤S34，若是，将各个所述聚类作为目标聚类输出。
在本申请实施例中，在根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类前，需获取对应的预设聚类个数，其中，所述预设聚类个数与所述各个聚类的数量相同，例如，所述预设个数个数为4个，所述各个聚类的数量为4。
可选地，所述预设聚类个数可以是效率统计人员根据经验自行设定，所述预设聚类个数可以为2个，可以为3个，还可以为4个；所述预设聚类个数还可以是根据预设算法确定。具体地，所述预设算法的方式包括：将预设聚类个数确定为k值，选取预设区间的k值区间，所述k值区间包括多个k值，进而计算各个所述k值对应的误差平方和，进而根据各个所述误差平方和确定目标k值，所述根据各个所述误差平方和确定目标k值的方式可以是比对各个误差平方和的大小关系，确定目标误差平方和，所述目标误差平方和最小，进而将所述目标误差平方和对应的k值确定为目标k值；所述根据各个所述误差平方和确定目标k值的方式还可以是根据所述k值与所述误差平方和的对应关系中获取最先趋向平方的误差平方和，进而将所述误差平方和对应的k值确定为目标k值。例如，k值区间为{1，2，3，4，5，6，7，8}，各个所述k值对应的误差平方和为{150,100,80,65，64，63,62,61}所述k值为4时，对应的误差平方和为最先趋向平方的误差平方和，进而将4确定为目标k值，进而将所述目标k值确定为预设聚类个数。
可选地，在获取预设聚类个数后，根据所述预设聚类个数从所述所有待统计人员的单位工作时长确定聚类中心，所述聚类中心的个数与所述预设聚类个数相同。其中，所述确定所述聚类中心的方式可以是采用最大间距法对所有待统计人员的单位工作时长进行处理，进而获取预设聚类个数个聚类中心点作为聚类中心点，其中，最大间距法用于计算数据之间的相似度距离是否满足预设要求。
可选地，本申请中的距离用于描述数据之间的相似度，可以为下述任一项距离：欧式距离、马氏距离、曼哈顿距离、余弦距离、切比雪夫距离等，可以根据用户需要确定，在此并不做任何限制。需要说明的是，所述待统计人员的单位工作时长对应的待聚类数据集中距离相对较远的数据点被分到同一个类别的概率很小。同理，距离相对较近的数据点被分到同一个类别的概率大。那么在这样的前提下，采用最大间距法计算聚类中心，这样选择的聚类中心点即为两个距离最远的点，是最佳的聚类中心点，这样就可以有效的克服随机选择聚类中心的不确定性，从而提高了算法的稳定性和收敛速度。
可选地，在获取预设聚类个数对应的聚类中心后，根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类，以形成对应的聚类，进而将各个所述聚类中心与各个所述聚类中心分别对应的单位工作时长形成所述预设聚类个数个聚类。
可选地，所述根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类的步骤包括：
获取每个聚类对应的聚类中心；
比对每个所述单位工作时长与所述聚类中心之间的距离；
将所述单位工作时长分别划分到距离所述聚类中心最近的聚类。
可选地，在确定每个聚类对应的聚类中心后，计算每个所述单位工作时长与各个所述聚类中心的距离，进而比对所述单位工作时长到各个所述聚类中心的距离，获取距离最小时对应的聚类中心，进而将所述单位工作时长划分到所述距离最小时对应的聚类中心对应的聚类中。例如，各个所述聚类中心分别为聚类中心A，聚类中心B，聚类中心C，聚类中心D，单位工作时长为单位工作时长a，所述单位工作时长a与聚类中心A，聚类中心B，聚类中心C，聚类中心D的距离分别为1,2,3,4，进而确定所述距离最小是对应的聚类中心为聚类中心A，进而将所述单位工作时长a划分到所述聚类中心对应的聚类中。
在确定各个所述聚类后，获取各个所述聚类中的平均单位工作时长，进而将所述平均单位工作时长替代所述聚类中心，以更新各个聚类对应的聚类中心，进而根据各个所述聚类对应的更新后的聚类中心以及所述单位工作时长的距离对所有所述单位工作时长重新进行进行聚类，进而按照划分后的单位工作时长确定每个聚类的平均单位时长，进而根据所述平均单位时长迭代更新所述聚类中心，以使所述预设聚类模型根据更新后的聚类中心继续对所有所述单位工作时长进行聚类。
可选地，所述预设聚类模型会对所有所述单位工作时长进行多次聚类，以获取最优的聚类结果，在获取最优的聚类结果后，将当前进行聚类后生成的各个聚类作为目标聚类输出。可以理解的是，在没有获取最优的聚类结果前，将各个所述聚类对应的各个平均单位时长作为下一次进行聚类的聚类中心，进而继续执行根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类的步骤，直至获取最优的聚类结果，即获取到目标聚类。
可选地，在所述预设聚类模型对所有所述单位工作时长进行聚类后，生成对应的各个聚类，此时，需判断当前的各个聚类是否为最优的聚类结果。其中，所述判断各个所述聚类是否为最优的聚类结果的方式可以是获取各个所述聚类对应的平均单位工作时长，进而将所述平均单位工作时长与所述聚类对应的聚类中心进行比较，若所述平均单位工作时长与所述聚类中心的差值小于或等于预设差值阈值时，则确定各个所述聚类为最优的聚类结果，进而将各个所述聚类作为目标聚类输出。若所述平均单位工作时长与所述聚类中心的差值大于预设差值阈值时，判断所述聚类中心与所述平均单位工作时长不相同，返回执行所述根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类的步骤，直至获取最优的聚类结果，其中，所述预设差值阈值可根据当前的待聚类数据集确定，所述预设差值阈值可以是一个定值，所述待聚类数据集包括所有所述待统计人员的单位工作时长。
可选地，所述判断当前的各个所述聚类是否为最优的聚类结果的判断方式还可以是判断当前聚类的次数是否到达预设聚类次数，若是，则判断各个所述聚类为最优聚类结果；
可选地，所述判断当前的各个所述聚类是否为最优的聚类结果的判断方式还可以是根据所述平均单位工作时长确定为所述各个聚类的聚类中心，根据所述聚类中心以及所述所有待统计人员的单位工作时长计算当前各个聚类的当前误差平方和，进而将所述当前误差平方和与上一次误差平方和比对，在所述当前误差平方和与上一次误差平方和的差值小于或等于收敛条件时，则判断各个当前聚类为最优的聚类结果，其中，所述收敛条件可以根据当前的待聚类数据集进行确定，一般地，当修正误差平方和与初始误差平方和之间的差值小于一个定值或稳定为一个定值时，则可以认为满足收敛条件。
可以理解的是，所述判断各个所述聚类类别是否满足预设阈值的方式包括但不限于上述三种方式。
可选地，在若所述聚类中心与所述平均工作时长的差值小于或等于预设差值阈值，判断各个聚类为最优的聚类结果，进而将各个所述聚类作为目标聚类输出时，将各个所述聚类确定为所述目标聚类并输出所述目标聚类。
可选地，所述输出所述目标聚类的方式可以是获取各个所述目标聚类对应的各个单位工作时长，获取各个所述目标聚类对应的单位工作时长最小值与单位工作时长最大值，根据所述最小值与所述最大值确定各个所述目标聚类对应的范围区间，进而输出各个所述目标聚类对应的范围区间。例如，在当前的聚类中，预设聚类个数为2时，目标聚类A对应的单位工作时长最小值为30s，单位工作时长最大值为300s，所述目标聚类A对应的范围区间为[30s-300s]，目标聚类B对应的单位工作时长最小值为360s，目标聚类B对应的单位工作时长最大值为900s，则所述目标聚类B对应的范围区间为[360s-900s]，进而同时输出所述两个范围区间，以供用户根据所述范围区间获取对应的目标聚类。
可选地，所述输出所述目标聚类的方式还可以是输出各个所述目标聚类对应的平均单位工作时长，具体地，在确定各个所述目标聚类后，确定各个所述目标聚类的平均单位工作时长，进而同时输出各个目标聚类对应的平均单位工作时长。
可选地，所述输出所述目标聚类的方式还可以是获取各个所述目标聚类对应的单位工作时长的总量、所述各个所述目标聚类对应的范围区间、以及各个所述目标聚类对应的平均单位工作时长，进而将所述单位工作时长的总量、范围区间以及平均单位工作时长同时输出，例如，目标聚类A对应的单位工作时长的总量为100个，所述范围区间为[300s,800s],所述平均单位工作时长为400s，进而输出目标聚类A：sum＝100,range＝[300s,800s]，average＝400s。
可以理解的是，所述输出所述目标聚类的方式包括但不限于上述三种方式，还可以包括输出所有待统计人员的单位时长的总量。
在本申请实施例中，通过将所有所述待统计人员的单位工作时长作为输入参数输入预设聚类模型，进而控制所述预设聚类模型根据所述输入参数确定至少一个目标聚类，进而输出所述目标聚类，以供后续统计工作效率时，直接调用各个所述目标聚类，进而根据各个所述目标聚类快速确定工作效率。
可选地，参照图4，基于上述所有实施例，所述步骤S40还包括：
步骤S41，获取各个所述目标聚类对应的各个单位工作时长；
步骤S42，根据各个所述单位工作时长确定各个所述目标聚类的平均单位工作时长；
步骤S43，根据所述平均单位工作时长确定各个所述目标聚类对应的工作效率。
在本申请实施例中，在获取各个所述目标聚类后，进而根据各个所述目标聚类确定各个所述目标聚类对应的各个单位工作时长，其中，各个所述目标聚类对应的聚类类别中包括至少一个单位工作时长。
可选地，在获取各个所述目标聚类对应的单位工作时长后，通过各个所述目标聚类对应的单位工作时长确定各个所述目标聚类对应的平均单位工作时长，需要说明的是，不同的所述目标聚类对应的单位工作时长是不同的，基于此，各个所述目标聚类对应的平均单位工作时长也是不同的。
可选地，在获取各个所述目标聚类对应的平均单位工作时长后，根据各个所述平均单位工作时长确定各个所述目标聚类对应的工作效率，其中，所述工作效率对应的数值与所述平均单位工作时长对应的数值相等。例如，目标聚类A对应的输入参数均值为300s，则所述目标聚类A对应的工作效率为300s/次。
可选地，在又一实施例中，所述根据所述目标聚类确定工作效率的步骤还可以包括：
比对各个所述目标聚类的单位工作时长并获取比对结果；
根据所述比对结果确定各个所述目标聚类对应的单位工作时长最小值与单位工作时长最大值；
根据所述单位工作时长最小值与所述单位工作时长最大值确定工作效率。
可选地，所述工作效率为工作效率区间，所述工作效率区间对应的边界值分别是单位工作时长最小值和单位工作时长最大值。例如，目标聚类A对应的单位工作时长最小值为300s，单位工作时长最大值为900s，进而确定工作效率为[300s/次，900s/次]。
在本申请实施例中，通过输出的各个目标聚类确定各个目标聚类对应的单位工作时长，进而根据所述单位工作时长对应的平均单位工作时长确定各个所述目标聚类对应的工作效率，进而将所述工作效率向用户输出，以供用户根据所述输出的工作效率选取目标工作效率，进而根据所述目标工作效率进行绩效统计，基于所述目标聚类获取工作效率，提高效率统计的精确性。
可选地，参照图5，基于上述所有实施例，所述步骤S40之后还包括：
步骤S50，根据各个所述目标聚类对应的单位工作时长的总量以及所述单位工作时长的总量确定所述待统计人员的工作状态。
在本申请实施例中，在获取各个所述目标聚类后，获取各个所述目标聚类对应的单位工作时长的总量。可以理解的是，各个所述目标聚类对应的单位工作时长的总量可以相同，也可以不同。例如，目标聚类A对应的单位工作时长的总量为500个。
可选地，在获取各个所述目标聚类对应的单位工作时长的总量后，获取所述所有待统计人员的单位工作时长的总量。例如，所述待统计人员的单位工作时长的总量为50000个。
可选地，根据各个所述目标聚类对应的单位工作时长的总量以及所述所有待统计人员的单位工作时长的总量确定所述待统计人员的工作状态的方式为获取各个所述目标聚类对应的单位工作时长的总量在所述所有待统计人员单位工作时长的总量的占比，进而基于所述占比确定所述待统计人员的工作状态，所述基于所述占比确定所述待统计人员的工作状态包括例如，目标聚类A对应的单位工作时长的总量为500个，所述目标聚类A对应的工作效率为[100s/次，200s/次]，目标聚类B对应的单位工作时长的总量为3000，所述目标聚类B对应的工作效率为[1000s/次，1200s/次]，目标聚类C对应的单位工作时长的总量为6500个，所述目标聚类C对应的工作效率为[300s/次，900s/次]，所述所有待统计人员的单位工作时长的总量为10000个，进而通过计算各个所述目标聚类对应的占比，即所述目标聚类A对应的占比为5％，所述目标聚类B对应的占比为30％，所述目标聚类C对应的占比为65％，进而确定在所述所有的待统计人员中，5％的待统计人员的工作效率为[100s/次，200s/次]，30％的待统计人员的工作效率为[1000s/次，1200s/次]，65％的待统计人员的工作效率为[300s/次，900s/次]。
在本申请实施例中，通过各个所述目标聚类对应的输入参数的总量以及所述输入参数的总量确定所述待统计人员的工作状态，以供管理者根据所述工作状态掌握待统计人员的工作情况，方便管理者进行绩效考核。
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效率统计程序，所述效率统计程序被处理器执行时实现如上所述的效率统计方法的步骤。
需要说明的是，在本文中，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、方法、物品或者系统不仅包括那些要素，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、方法、物品或者系统所固有的要素。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、方法、物品或者系统中还存在另外的相同要素。
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。
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，空调器，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 (10)

1.一种效率统计方法，其特征在于，所述效率统计方法的步骤包括：
获取所有待统计人员的单位工作时长；
以所有所述待统计人员的单位工作时长作为输入参数，输入预设聚类模型；
获取所述预设聚类模型根据所述输入参数进行计算后输出的目标聚类；
根据所述目标聚类确定工作效率。
2.如权利要求1所述的效率统计方法，其特征在于，所述获取所有待统计人员的单位工作时长的步骤包括：
获取所有待统计人员的工作数据信息，所述工作数据信息包括待统计人员的用户标识，工作时间信息以及工作状态信息的至少一个；
将所述工作数据信息进行降维处理，以获取对应的特征值，所述特征值包括工作时间信息；
根据所述特征值生成所有待统计人员的单位工作时长。
3.如权利要求1所述的效率统计方法，其特征在于，所述预设聚类模型根据所述输入参数计算目标聚类的方法包括：
根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类；
按照划分后的单位工作时长确定每个聚类的平均单位工作时长；
将每个聚类的所述平均单位工作时长与对应的聚类中心进行比较；
若所述聚类中心与所述平均单位工作时长的差值大于预设差值阈值，更新所述聚类中心后，返回执行所述根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类的步骤；
若所述聚类中心与所述平均工作时长的差值小于或等于预设差值阈值，将各个所述聚类作为所述目标聚类输出。
4.如权利要求3所述的效率统计方法，其特征在于，所述根据所述单位工作时长与各个聚类的聚类中心的距离对所有所述单位工作时长进行聚类的步骤包括：
获取每个聚类对应的聚类中心；
比对每个所述单位工作时长与所述聚类中心之间的距离；
将所述单位工作时长分别划分到距离所述聚类中心最近的聚类。
5.如权利要求1所述的效率统计方法，其特征在于，所述根据所述目标聚类确定工作效率的步骤包括：
获取各个所述目标聚类对应的各个单位工作时长；
根据各个所述单位工作时长分别确定各个所述目标聚类的平均单位工作时长；
根据所述平均单位工作时长分别确定各个所述目标聚类对应的工作效率。
6.如权利要求1所述的效率统计方法，其特征在于，所述根据所述目标聚类确定工作效率的步骤之后还包括：
根据各个所述目标聚类分别对应的单位工作时长的总量以及所述所有待统计人员的单位工作时长的总量确定所述待统计人员的工作状态。
7.如权利要求1所述的效率统计方法，其特征在于，所述以待统计人员的单位工作时长作为输入参数，输入预设聚类模型的步骤之前，还包括：
将所述单位工作时长转换为预设格式的单位工作时长；
获取所述预设格式的单位工作时长对应的特殊值，其中，所述特殊值包括奇异值以及空值；
将所述特殊值进行删除处理。
8.如权利要求7所述的效率统计方法，其特征在于，所述将所述特殊值进行删除处理的步骤包括：
获取所述特殊值对应的数量在所述所有待统计人员的单位工作时长对应的数量中的占比；
在所述占比小于或等于预设占比阈值时，删除所述特殊值；
在所述占比大于预设占比阈值时，保留所述特殊值。
9.一种效率统计装置，其特征在于，所述效率统计装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的效率统计程序，所述效率统计程序被所述处理器执行时实现如权利要求1至8中任一项所述的效率统计方法的步骤。
10.一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效率统计程序，所述效率统计程序被处理器执行时实现如权利要求1至8中任一项所述的效率统计方法的步骤。
CN202110952792.2A 2021-08-18 2021-08-18 效率统计方法、装置及计算机可读存储介质 Pending CN113792981A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110952792.2A CN113792981A (zh) 2021-08-18 2021-08-18 效率统计方法、装置及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110952792.2A CN113792981A (zh) 2021-08-18 2021-08-18 效率统计方法、装置及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN113792981A true CN113792981A (zh) 2021-12-14

Family

ID=78876142

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110952792.2A Pending CN113792981A (zh) 2021-08-18 2021-08-18 效率统计方法、装置及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113792981A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314243A (zh) * 2023-09-28 2023-12-29 北京工商大学 一种基于聚类分析进行作业人员效率评价方法
CN117314091A (zh) * 2023-09-28 2023-12-29 北京工商大学 一种考虑行为的作业任务单分配方法
CN117314092A (zh) * 2023-09-28 2023-12-29 北京工商大学 一种考虑行为的劳动密集型作业任务单分配方法
CN117314243B (zh) * 2023-09-28 2024-09-03 北京工商大学 一种基于聚类分析进行作业人员效率评价方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578148A (zh) * 2017-08-16 2018-01-12 深信服科技股份有限公司 估计上网时长对工作效率影响的方法、装置及存储介质
CN109583769A (zh) * 2018-12-03 2019-04-05 深圳市酷开网络科技有限公司 评估工作效率的方法、设备和存储介质
CN111724051A (zh) * 2020-06-11 2020-09-29 苏州汇川技术有限公司 员工画像生成方法、设备及可读存储介质
CN112132384A (zh) * 2020-08-10 2020-12-25 成都安易迅科技有限公司 工作效率评估方法、装置、存储介质及计算机设备
CN112988724A (zh) * 2021-02-19 2021-06-18 北京明略软件系统有限公司 一种工作效率数据获取方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578148A (zh) * 2017-08-16 2018-01-12 深信服科技股份有限公司 估计上网时长对工作效率影响的方法、装置及存储介质
CN109583769A (zh) * 2018-12-03 2019-04-05 深圳市酷开网络科技有限公司 评估工作效率的方法、设备和存储介质
CN111724051A (zh) * 2020-06-11 2020-09-29 苏州汇川技术有限公司 员工画像生成方法、设备及可读存储介质
CN112132384A (zh) * 2020-08-10 2020-12-25 成都安易迅科技有限公司 工作效率评估方法、装置、存储介质及计算机设备
CN112988724A (zh) * 2021-02-19 2021-06-18 北京明略软件系统有限公司 一种工作效率数据获取方法及系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117314243A (zh) * 2023-09-28 2023-12-29 北京工商大学 一种基于聚类分析进行作业人员效率评价方法
CN117314091A (zh) * 2023-09-28 2023-12-29 北京工商大学 一种考虑行为的作业任务单分配方法
CN117314092A (zh) * 2023-09-28 2023-12-29 北京工商大学 一种考虑行为的劳动密集型作业任务单分配方法
CN117314091B (zh) * 2023-09-28 2024-08-13 北京工商大学 一种考虑行为的作业任务单分配方法
CN117314243B (zh) * 2023-09-28 2024-09-03 北京工商大学 一种基于聚类分析进行作业人员效率评价方法

Similar Documents

Publication Publication Date Title
CN108446210B (zh) 系统性能的度量方法、存储介质和服务器
CN109615129B (zh) 房地产客户成交概率预测方法、服务器及计算机存储介质
US20060100969A1 (en) Learning-based method for estimating cost and statistics of complex operators in continuous queries
CN113792981A (zh) 效率统计方法、装置及计算机可读存储介质
CN111666492A (zh) 基于用户行为的信息推送方法、装置、设备及存储介质
CN111796957B (zh) 基于应用日志的交易异常根因分析方法及系统
CN116305076B (zh) 基于签名的身份信息注册样本在线更新方法、系统及存储介质
CN111400663B (zh) 模型训练方法、装置、设备及计算机可读存储介质
CN117576823A (zh) 一种排队叫号系统终端
CN111311025B (zh) 一种基于气象相似日的负荷预测方法
CN113159326A (zh) 基于人工智能的智能业务决策方法
CN112100177A (zh) 数据存储方法、装置、计算机设备及存储介质
CN116955182A (zh) 异常指标分析方法、设备、存储介质及装置
CN111652525A (zh) 风险尾端客户分析方法、装置、设备及计算机存储介质
CN115564276A (zh) 项目统计储备管理系统、方法及存储介质
CN113918577B (zh) 数据表识别方法、装置、电子设备及存储介质
CN112463964B (zh) 文本分类及模型训练方法、装置、设备及存储介质
CN109919811B (zh) 基于大数据的保险代理人培养方案生成方法及相关设备
CN114495137A (zh) 票据异常检测模型生成方法与票据异常检测方法
CN111191291B (zh) 一种基于攻击概率的数据库属性敏感度量化方法
CN113095064A (zh) 代码字段识别方法、装置、电子设备及存储介质
CN115617790A (zh) 数据仓库创建方法、电子设备及存储介质
CN116484230B (zh) 识别异常业务数据的方法及ai数字人的训练方法
CN117785973B (zh) 社区用户信息集成方法、装置、设备及存储介质
CN116993307B (zh) 一种具有人工智能学习能力的协同办公方法及系统

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