CN114330784A - 一种运维人员排班方法、系统及计算机可读存储介质 - Google Patents
一种运维人员排班方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114330784A CN114330784A CN202210239432.2A CN202210239432A CN114330784A CN 114330784 A CN114330784 A CN 114330784A CN 202210239432 A CN202210239432 A CN 202210239432A CN 114330784 A CN114330784 A CN 114330784A
- Authority
- CN
- China
- Prior art keywords
- maintenance personnel
- time
- scheduling
- vehicle moving
- maintenance
- 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
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及运维排配技术领域,特别涉及一种运维人员排班方法、系统及计算机可读存储介质,一种运维人员排班方法,包括以下步骤:获取车站各个时段的时段挪车需求以及运维人员的出勤信息;基于车站各个时段的时段挪车需求计算所需运维人员数量,并基于出勤信息选择对应于所需运维人员数量的运维人员作为预排班运维人员;在预排班运维人员的基础上,预设最大化挪车量并作为目标函数,以运维人员连续工作时长以及运维人员日工作总时长为约束条件建立数学模型;通过遗传算法对数学模型进行求解生成最终的对预排班运维人员的排班结果。本发明通过算法的方式来得到排班结果,避免了人为管理排班耗时耗力的问题。
Description
技术领域
本发明涉及运维排配技术领域,其特别涉及一种运维人员排班方法、系统及计算机可读存储介质。
背景技术
共享车辆挪车需求在接单过程中损耗较大,履约率较低。其中部分原因是由于需求和运力不匹配导致的。尤其在共享电单车领域,因电单车的重量较重,挪车不便,显得问题更加突出。目前常用的排班方式是人为管理排班,但是人为管理排班,会耗费更多的精力以及时间投入,成本较高,同时无法从全局根据挪车需求进行合理的排班。因此提出一种基于遗传算法的运维排班规划方法,该方法在保证每个运维工作时长、休息时长几乎相等的同时,合理的根据挪车需求进行人员的规划。
发明内容
为了解决目前管理排班方法费时费力问题,本发明提供一种运维人员排班方法、系统及计算机可读存储介质。
本发明为解决上述技术问题,提供如下的技术方案:一种运维人员排班方法,包括以下步骤:
获取各车站各个时段的时段挪车需求以及运维人员的出勤信息;
基于各车站各个时段的时段挪车需求计算所需运维人员数量,并基于出勤信息选择对应于所需运维人员数量的运维人员作为预排班运维人员;
在预排班运维人员的基础上,预设最大挪车量并作为目标函数,以运维人员连续工作时长以及运维人员日工作总时长为约束条件建立数学模型;
通过遗传算法对数学模型进行求解生成最终的对预排班运维人员的排班结果。
优选地,在获取各车站各个时段的时段挪车需求之前还包括以下步骤:
将一天24小时划分为时间相等的多个时段。
优选地,获取车站各个时段的时段挪车需求的具体步骤为:
获取车站各个时段的离线预测数据,所述离线预测数据包括离线预测需求、离线预测流入以及平均留存车辆数;
基于离线预测数据计算得到时段挪车需求。
优选地,各个时段的离线预测需求以及离线预测流入通过xgboost预测模型进行预测。
优选地,获取离线预测数据中的平均留存车辆数的具体步骤为:
获取车站在过去的预设天数内且对应于各个时段的历史留存车辆数;
基于历史留存车辆数计算得到各个时段的平均留存车辆数。
优选地,计算所需运维人员数量的具体步骤为:
获取运维人员的平均挪车时长;
基于所有车站的时段挪车需求获得时段总挪车需求;
基于时段总挪车需求、运维人员平均挪车时长以及预设运维人员日工作时长计算得到所需运维人员数量。
优选地,获取运维人员的平均挪车时长的具体步骤为:
获取各地的运维人员的运维挪车历史信息,所述运维挪车历史信息包括运维挪车总数量以及运维挪车总时间;
基于运维挪车总数量以及运维挪车总时间计算得到运维人员的平均挪车时长。
优选地,基于出勤信息选择对应于所需运维人员数量的运维人员作为预排班运维人员具体步骤为:
获取预设时间范围内的运维人员出勤信息,出勤信息包括运维时间;
按照运维时间的大小顺序对运维人员进行排序;
依次按照运维时间从小到大的顺序筛选出对应于所需运维人员数量的运维人员。
本发明为解决上述技术问题,提供又一技术方案如下:一种运维人员排班系统,包括以下模块:
获取模块:获取车站各个时段的时段挪车需求;
筛选模块:基于车站各个时段的时段挪车需求计算所需运维人员数量,并选择对应于所需运维人员数量的运维人员作为预排班运维人员;
处理模块:在预排班运维人员的基础上,预设最大化挪车量并作为目标函数,以运维人员连续工作时长不超过预设时间以及运维人员日工作总时长不超过预设时间为约束条件建立数学模型并通过遗传算法对数学模型进行求解生成最终的对预排班运维人员的排班结果。
本发明为解决上述技术问题,提供又一技术方案如下:一种计算机可读存储介质,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前述的运维人员排班方法。
与现有技术相比,本发明所提供的一种运维人员排班方法、系统及计算机可读存储介质,具有如下的有益效果:
1.本发明的运维人员排班方法通过先获取车站各个时段的时段挪车需求进而可获得时段总挪车需求,根据时段总挪车需求可进一步得到各个时段需要多少运维人员才能够合理的进行车辆运维安排,并且基于运维人员的出勤信息来筛选出相应数量的运维人员进行排班,从而达到更加合理的对运维人员进行排班规划的目的,同时也可保证每个运维人员的工作时长近乎相等,避免出现一部分运维人员工作时间过长,一部分运维人员工作时间过短的情况,同时通过建立数学模型并通过遗传算法对数学模型进行求解,并且数学模型以最大化挪车数量为目标函数,通过遗传算法中一定的迭代步数,一定会收敛到得到全局最优的排班结果,且通过算法的方式来得到排班结果,也避免了人为管理排班耗时耗力的问题。
2.本发明通过将一天24小时分为多个时间相等的时段,以方便得到不同时段的数据,同时由于各个时段的时间是相等的,也方便后续利用时段以及与各时段相对应的数据建立规范的数学模型以得到更精准的排班结果。
3.本发明通过使用预测模型对各个时段的离线预测需求以及离线预测流入进行预测,以更加准确的计算出时段的挪车需求。
4.本发明通过预测各个时段的数据来计算各个时段的需求数,以方便在各个时段安排不同的运维人员进行工作。
5.本发明基于历史留存车辆数来预测当天各个时段可能存在的留存的车辆数,其结果比较准确,
6.本发明通过预先计算好当天所需的运维人员数量以方便筛选出对应数量的运维人员进行排班,进而保证能够合理的安排运维人员的工作情况。
7.本发明依据运维人员的出勤时间对运维人员进行排序后再筛选对应数量的运维人员,以保证每个运维人员工作时长、休息时长几乎相等的同时,合理的对运维人员进行排班。。
8.本发明实施例还提供一种运维人员排班系统,具有与上述一种运维人员排班方法相同的有益效果,在此不做赘述。
9.本发明实施例还提供一种计算机可读存储介质,具有与上述一种运维人员排班方法相同的有益效果,在此不做赘述。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明第一实施例提供的一种运维人员排班方法的步骤流程图一。
图2是本发明第一实施例提供的一种运维人员排班方法的步骤流程图二。
图3是本发明第一实施例提供的一种运维人员排班方法之步骤S1的具体步骤流程图。
图4是本发明第一实施例提供的一种运维人员排班方法之步骤S11的步骤流程图。
图5是本发明第一实施例提供的一种运维人员排班方法之步骤S2的步骤流程图一。
图6是本发明第一实施例提供的一种运维人员排班方法之步骤S21的具体步骤流程图。
图7是本发明第一实施例提供的一种运维人员排班方法之步骤S2的步骤流程图二。
图8是本发明第二实施例提供的一种运维人员排班系统的框图。
附图标识说明:
1、运维人员排班系统;
10、获取模块;20、筛选模块;30、处理模块。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施实例,对本发明进行进一步详细说明。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。
请参阅图1,本发明第一实施例提供一种运维人员排班方法,包括以下步骤:
S1:获取各车站各个时段的时段挪车需求以及运维人员的出勤信息;
S2:基于各车站各个时段的时段挪车需求计算所需运维人员数量,并基于出勤信息选择对应于所需运维人员数量的运维人员作为预排班运维人员;
S3:在预排班运维人员的基础上,预设最大挪车量并作为目标函数,以运维人员连续工作时长以及运维人员日工作总时长为约束条件建立数学模型;
S4:通过遗传算法对数学模型进行求解生成最终的对预排班运维人员的排班结果。
可以理解地,通过先获取车站各个时段的时段挪车需求进而可获得时段总挪车需求,根据总挪车需求可进一步得到各个时段需要多少运维人员才能够合理的进行车辆运维安排,并且基于运维人员的出勤信息来筛选出相应数量的运维人员进行排班,从而达到更加合理的对运维人员进行排班规划的目的,同时也可保证每个运维人员的工作时长近乎相等,避免出现一部分运维人员工作时间过长,一部分运维人员工作时间过短的情况,同时通过建立数学模型并通过遗传算法对数学模型进行求解,并且数学模型以最大化挪车数量为目标函数,通过遗传算法中一定的迭代步数,一定会收敛到得到全局最优的排班结果,且通过算法的方式来得到排班结果,也避免了人为管理排班耗时耗力的问题。
其中的“车站”是停放车辆的一个地理区域或者是一处建筑,其中每个车站都应该包括唯一车站标识以用于区分车站,可以是车站的唯一编号、唯一名号、车站的唯一标识等等。
可以理解地,通过车站的唯一标识可知车站位于哪个城市,同时也可知哪个城市具有哪些车站。
可以理解地,步骤S2中可基于各车站的唯一标识信息以及各车站的各个时段的时段挪车需求进一步获得各个城市的各个时段的时段总挪车需求,并且基于各个城市中的运维人员的出勤信息筛选出相应数量的运维人员进行排班;示例性的如,基于A城市的时段总挪车需求以及A城市的运维人员筛选出对应数量的运维人员进行排班。
其中的预排班运维人员表示的是筛选出来的将会进行排班的运维人员。
其中步骤S4中的最大挪车量可理解为预测的当天可能达到的最大挪车数量。
请参阅图2,在步骤S1之前还包括以下步骤:
S0:将一天24小时划分为时间相等的多个时段。
可以理解地,通过将一天划分为多个时间相等的时段,然后根据各个时段的时段需求对运维人员进行排班,同时基于各个时段的需求对运维人员进行排班也非常合理。
同时由于一个运维人员一天工作总时间不会达到24小时,所以通过将一天划分为多个时段可根据运维人员的工作情况在不同的时段安排不同的运维人员,以保证各个运维人员的工作时间,休息时间近乎相等,同时也保证一天24小时都能够安排到运维人员进行车辆运维。
请参阅图3,步骤S1的具体步骤为:
S11:获取车站各个时段的离线预测数据,所述离线预测数据包括离线预测需求、离线预测流入以及平均留存车辆数;
S12:基于离线预测数据计算得到时段挪车需求。
进一步地,各个时段的离线预测需求以及离线预测流入通过xgboost预测模型进行预测。
在一具体实施例中,xgboost预测模型基于城市的订单数据、天气数据、路网信息进行预测的,其中的订单数据是城市中用户的骑行数据,包括用户骑行的起点及出发时间,终点及到达时间。
可以理解地,通过用户骑行的起点以及终点信息即可知道用户是从哪个车站出发并且是到达哪个车站的,并且通过出发时间以及到达时间即可知道用户骑行的车辆是在哪个时段进入哪个车站的,并且用户的骑行也会受天气的影响,比如雨天则会导致需要骑行的用户较少,进而影响车站的车辆流入流出数量;通过基于这些信息数据来进行预测得到的结果也比较接近于实际情况。
其中步骤S11可以理解为提前获取当天的各个时段的预测数据,进而以方便按照当天各个时段的预测需求对运维人员进行排班。
其中的离线预测需求可理解为预测的车站在各个时段内可能需要被使用的车辆数,离线预测流入可理解为预测的在各个时段内可能会进入到车站的车辆数,而平均留存车辆数则可理解为在各个时段内车站剩余的车辆数。
则步骤S12的获得时段挪车需求的具体计算过程为:时段挪车需求=离线预测需求-离线预测流入-平均车辆数。
请参阅图4,步骤S11中还包括以下步骤:
S111:获取车站在过去的预设天数内且对应于各个时段的历史留存车辆数;
S112:基于历史留存车辆数计算得到各个时段的平均留存车辆数。
可以理解地,其中的历史留存车辆数可理解为过去的每个时段的实时车辆留存数,其中平均车辆数只是作为一个预测的数据以方便对各个时段的运维人员进行排班。比如说当天已经对运维人员进行排班了,但是在当天的各个时段时会获取各个车站的实时留存车辆数以作为后续时间预测各个时段的平均车辆数的基本数据,示例性的如:预测当天3点这个时段的平均车辆数时,可基于过去7天内的3点这个时段的车辆留存数的均值来得到当天3点这个时段的平均留存车辆数。
其中的平均留存车辆数作为一个数据来表示的是预测的需要排班的当天各车站各个时段可能留存的车辆数。
其中的步骤S112就是取过去的预设天数内的各个时段的留存车辆数的平均值。
请参阅图5,步骤S2中包括以下步骤:
S21:获取运维人员的平均挪车时长;
S22:基于所有车站的时段挪车需求获得时段总挪车需求;
S23:基于时段总挪车需求、运维人员平均挪车时长以及预设运维人员日工作时长计算得到所需运维人员数量。
可以理解地,城市以及车站都有对应的唯一标识,通过将城市中包含的所有车站的时段挪车需求相加即可得到城市的时段总挪车需求;比如在某个时段某个城市的各个车站的时段挪车需求分别为3、6、9辆,则该城市的该时段的时段总挪车需求为18辆。
其中步骤S23中的所需运维人员数量表示为需要排班的当天所需要的运维人员数量。
基于时段总挪车需求、运维人员平均挪车时长以及预设运维人员日工作时长可计算得到当日所需要的运维人员数量,其中基于时段总挪车需求可得到当日的总挪车需求;其中预设运维人员日工作时长可根据具体的实际情况来确定;比如:预设一个时段为30分钟,运维人员日工作时长为8小时,则运维人员最多可在16个时段分别进行工作,具体计算当天的所需运维人员数量的步骤为:
所需运维数量=(∑时段总挪车需求*运维人员平均挪车时长)/预设运维人员日工作时长
可理解为先计算得到当天挪车所需要的总时间,再除以每个运维人员当天能够工作的时间即可得到当天所需的运维人员数量。
进一步地,在步骤S23中还可基于时段总挪车需求以及运维人员平均挪车需求先计算得到时段所需运维人员数量;示例性的如:预设一个时段为30分钟,时段总挪车需求为10辆,运维平均挪车时长为5分钟;30/5=6(辆),即一个运维人员在该时段可以挪6辆车;10/6=1余4,即表示该时段需要两个运维人员。
可以理解地,通过当天所需的运维人员数量以及各个时段所需运维人员数量以方便对各个时段安排运维人员进行工作。
通过预先计算好当天所需的运维人员数量以方便筛选出对应数量的运维人员进行排班,进而保证能够合理的安排运维人员的工作情况。
请参阅图6,在步骤S21中还包括以下具体步骤:
S211:获取各地的运维人员的运维挪车历史信息,所述运维挪车历史信息包括运维挪车总数量以及运维挪车总时间;
S212:基于运维挪车总数量以及运维挪车总时间计算得到运维人员的平均挪车时长。
其中的各地的运维人员的平均挪车时长可基于运维人员的历史总挪车数量以及历史挪车总时间计算得到,平均挪车时长也就是运维人员平均挪动一个车的时间。
其中的各地可理解为各个城市,步骤S212中的平均挪车时长可理解为各地的运维人员的平均挪车时长,由于各地的地理位置等情况不同而导致各地运维人员的平均挪车时长也不同。
基于各地的运维人员的平均挪车时长来计算按的各地所需的运维人员数量结果也比较精准。
其中的历史总挪车数量以及历史挪车总时间可基于对运维人员的历史排班信息获得,通过历史的排班信息即可知道运维人员在哪些时段在哪些车站进行相应的挪车工作。
请参阅图7,步骤S2还包括以下步骤:
S24:获取预设时间范围内的运维人员出勤信息,出勤信息包括运维时间;
S25:按照运维时间的大小顺序对运维人员进行排序;
S26:依次按照运维时间从小到大的顺序筛选出对应于所需运维人员数量的运维人员。
可以理解的,其中的出勤信息也可基于历史的排班信息进行统计,并且依据运维人员的出勤时间对运维人员进行排序后再筛选对应数量的运维人员,以保证每个运维人员工作时长、休息时长几乎相等的同时,合理的对运维人员进行排班。
其中的预设时间范围可根据具体的实际情况进行确定,比如说一周内或者一个月内。
可以理解的,通过按照运维时间对运维人员进行排序,以方便能够更快捷的对运维人员进行筛选。
在一具体实施例中,通过遗传算法对数学模型进行求解的步骤为:
步骤一:建立数学模型
(A)符号表示:
将24小时分为48个时段,每30分钟一个时段。
i:表示第i个时段;J:表示第j个运维人员;t1:表示最早上班时间;t2:表示最晚下班时间;Xij:表示决策变量,取0或1;Xij=0表示在i时段运维人员j不工作;Xij=1表示在i时段运维j工作。
运维人员时段挪车量(Rij)=30/运维人员时段平均挪车时长。
i时段挪车需求数(Oi):城市挪车目标*(i-2)时段订单占比。
(B)目标函数:
最大挪车量:
其中的
表示i时段的时段挪车需求。
(C)约束条件:
运维人员日工作时长满10小时:
运维人员工作时间连续:
时段挪车量不超过时段挪车需求数:
步骤二:设计遗传算法
(a)编码:自然数编码
y=(n1,n2,n3,...,nN),Y为N维向量。N=运维人员数,一个Y代表一个模型对解,其中n1表示第一个运维从n1点开始工作,ni表示第i个运维人员从ni点开始工作;0<=ni<=47。
(b) 初始种群:
随机创建每位运维人员对工作时间,Y={y1,y2,...,ym},共m个解。
(c)适应度函数:适应度函数为目标函数。
(d)选择算子:轮盘赌策略。
(e)交叉算子:点式交叉。
(f)变异算子:个体分量独立变异。
(g)迭代步数:500,根据收敛性分析,发现迭代500步后数据达到收敛。
可以理解地,经过一定的迭代步数一定会收敛得到最优的排班结果,其中迭代可理解为反复多次计算矫正结果,使结果逐步精准。
综上所述,本发明提供的一种运维人员排班方法是提前预测好需要排班的当天的各个时段的时段挪车需求,然后根据各个时段的挪车需求数计算所需要的运维人员数量,最后再根据每个时段的需求数对这些运维人员进行排班。
请参阅图8,本发明第二实施例提供一种运维人员排班系统1,包括以下模块:
获取模块10:获取车站各个时段的时段挪车需求;
筛选模块20:基于车站各个时段的时段挪车需求计算城市所需运维人员数量,并选择对应于城市所需运维人员数量的运维人员作为预排班运维人员;
处理模块30:在预排班运维人员的基础上,预设最大化挪车量并作为目标函数,以运维人员连续工作时长不超过预设时间以及运维人员日工作总时长不超过预设时间为约束条件建立数学模型;并通过遗传算法对数学模型进行求解生成最终的对预排班运维人员的排班结果。
可以理解,该运维人员排班系统1的各个模块在运作时,需要利用到实施例一所述的一种运维人员排班方法,因此无论将获取模块10、筛选模块20、处理模块30以及生成模块予于整合或者配置不同的硬件产生与本发明所实现效果相似的功能,均属于本发明的保护范围内。
本发明另一种实施例还提供一种计算机可读存储介质,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上述所述的运维人员排班方法。
在本发明所提供的实施例中,应理解,“与A对应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定特征、结构或特性可以以任意适合的方式结合在一个或多个实施例中。本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本发明所必须的。
在本发明的各种实施例中,应理解,上述各过程的序号的大小并不意味着执行顺序的必然先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在本发明的附图中的流程图和框图,图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方案中,方框中所标注的功能也可以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,在此基于涉及的功能而确定。需要特别注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
与现有技术相比,本发明所提供给的一种运维人员排班方法、系统及计算机可读存储介质具有如下的有益效果:
1.本发明的运维人员排班方法通过先获取车站各个时段的时段挪车需求进而可获得时段总挪车需求,根据时段总挪车需求可进一步得到各个时段需要多少运维人员才能够合理的进行车辆运维安排,并且基于运维人员的出勤信息来筛选出相应数量的运维人员进行排班,从而达到更加合理的对运维人员进行排班规划的目的,同时也可保证每个运维人员的工作时长近乎相等,避免出现一部分运维人员工作时间过长,一部分运维人员工作时间过短的情况,同时通过建立数学模型并通过遗传算法对数学模型进行求解,并且数学模型以最大化挪车数量为目标函数,通过遗传算法中一定的迭代步数,一定会收敛到得到全局最优的排班结果,且通过算法的方式来得到排班结果,也避免了人为管理排班耗时耗力的问题。
2.本发明通过将一天24小时分为多个时间相等的时段,以方便得到不同时段的数据,同时由于各个时段的时间是相等的,也方便后续利用时段以及与各时段相对应的数据建立规范的数学模型以得到更精准的排班结果。
3.本发明通过使用预测模型对各个时段的离线预测需求以及离线预测流入进行预测,以更加准确的计算出时段的挪车需求。
4.本发明通过预测各个时段的数据来计算各个时段的需求数,以方便在各个时段安排不同的运维人员进行工作。
5.本发明基于历史留存车辆数来预测当天各个时段可能存在的留存的车辆数,其结果比较准确,
6.本发明通过预先计算好当天所需的运维人员数量以方便筛选出对应数量的运维人员进行排班,进而保证能够合理的安排运维人员的工作情况。
7.本发明依据运维人员的出勤时间对运维人员进行排序后再筛选对应数量的运维人员,以保证每个运维人员工作时长、休息时长几乎相等的同时,合理的对运维人员进行排班。。
8.本发明实施例还提供一种运维人员排班系统,具有与上述一种运维人员排班方法相同的有益效果,在此不做赘述。
9.本发明实施例还提供一种计算机可读存储介质,具有与上述一种运维人员排班方法相同的有益效果,在此不做赘述。
以上对本发明实施例公开的一种运维人员排班方法、系统及计算机可读存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制,凡在本发明的原则之内所作的任何修改,等同替换和改进等均应包含本发明的保护范围之内。
Claims (10)
1.一种运维人员排班方法,其特征在于:包以下步骤:
获取各车站各个时段的时段挪车需求以及运维人员的出勤信息;
基于各车站各个时段的时段挪车需求计算所需运维人员数量,并基于出勤信息选择对应于所需运维人员数量的运维人员作为预排班运维人员;
在预排班运维人员的基础上,预设最大挪车量并作为目标函数,以运维人员连续工作时长以及运维人员日工作总时长为约束条件建立数学模型;
通过遗传算法对数学模型进行求解生成最终的对预排班运维人员的排班结果。
2.如权利要求1所述的运维人员排班方法,其特征在于:在获取各车站各个时段的时段挪车需求之前还包括以下步骤:
将一天24小时划分为时间相等的多个时段。
3.如权利要求1所述的运维人员排班方法,其特征在于:获取车站各个时段的时段挪车需求的具体步骤为:
获取车站各个时段的离线预测数据,所述离线预测数据包括离线预测需求、离线预测流入以及平均留存车辆数;
基于离线预测数据计算得到时段挪车需求。
4.如权利要求3所述的运维人员排班方法,其特征在于:各个时段的离线预测需求以及离线预测流入通过xgboost预测模型进行预测。
5.如权利要求3所述的运维人员排班方法,其特征在于:获取离线预测数据中的平均留存车辆数的具体步骤为:
获取车站在过去的预设天数内且对应于各个时段的历史留存车辆数;
基于历史留存车辆数计算得到各个时段的平均留存车辆数。
6.如权利要求3所述的运维人员排班方法,其特征在于:计算所需运维人员数量的具体步骤为:
获取运维人员的平均挪车时长;
基于所有车站的时段挪车需求获得时段总挪车需求;
基于时段总挪车需求、运维人员平均挪车时长以及预设运维人员日工作时长计算得到所需运维人员数量。
7.如权利要求6所述的运维人员排班方法,其特征在于:获取运维人员的平均挪车时长的具体步骤为:
获取各地的运维人员的运维挪车历史信息,所述运维挪车历史信息包括运维挪车总数量以及运维挪车总时间;
基于运维挪车总数量以及运维挪车总时间计算得到运维人员的平均挪车时长。
8.如权利要求6所述的运维人员排班方法,其特征在于:选择对应于所需运维人员数量的运维人员的具体步骤为:
获取预设时间范围内的运维人员出勤信息,出勤信息包括运维时间;
按照运维时间的大小顺序对运维人员进行排序;
依次按照运维时间从小到大的顺序筛选出对应于所需运维人员数量的运维人员。
9.一种运维人员排班系统,其特征在于:包括以下模块:
获取模块:获取车站各个时段的时段挪车需求;
筛选模块:基于车站各个时段的时段挪车需求计算城市所需运维人员数量,并选择对应于城市所需运维人员数量的运维人员作为预排班运维人员;
处理模块:在预排班运维人员的基础上,预设最大化挪车量并作为目标函数,以运维人员连续工作时长不超过预设时间以及运维人员日工作总时长不超过预设时间为约束条件建立数学模型;并通过遗传算法对数学模型进行求解生成最终的对预排班运维人员的排班结果。
10.一种计算机可读存储介质,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权利要求1-8任一项所述的运维人员排班方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210239432.2A CN114330784A (zh) | 2022-03-11 | 2022-03-11 | 一种运维人员排班方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210239432.2A CN114330784A (zh) | 2022-03-11 | 2022-03-11 | 一种运维人员排班方法、系统及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330784A true CN114330784A (zh) | 2022-04-12 |
Family
ID=81034047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210239432.2A Pending CN114330784A (zh) | 2022-03-11 | 2022-03-11 | 一种运维人员排班方法、系统及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330784A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050947A (zh) * | 2023-03-29 | 2023-05-02 | 北京阿帕科蓝科技有限公司 | 车辆调度效果的评价方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160342929A1 (en) * | 2015-05-22 | 2016-11-24 | Percolata Corporation | Method for determining staffing needs based in part on sensor inputs |
CN106952034A (zh) * | 2017-03-17 | 2017-07-14 | 携程旅游信息技术(上海)有限公司 | 利用遗传算法实现的自动排班方法及系统 |
CN110598998A (zh) * | 2019-08-20 | 2019-12-20 | 广东工业大学 | 一种智慧车站乘务人员自动排班方法 |
CN113052467A (zh) * | 2021-03-29 | 2021-06-29 | 武汉小安科技有限公司 | 基于运维成本的共享车辆调度方法及装置 |
CN113408862A (zh) * | 2021-05-26 | 2021-09-17 | 深圳市富能新能源科技有限公司 | 运维排班方法、设备以及存储介质 |
CN114118691A (zh) * | 2021-10-21 | 2022-03-01 | 上海浦东发展银行股份有限公司 | 基于业务量的排班方案处理方法、装置、设备和介质 |
CN114118832A (zh) * | 2021-11-30 | 2022-03-01 | 信雅达科技股份有限公司 | 一种基于历史数据预测的银行排班方法和系统 |
-
2022
- 2022-03-11 CN CN202210239432.2A patent/CN114330784A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160342929A1 (en) * | 2015-05-22 | 2016-11-24 | Percolata Corporation | Method for determining staffing needs based in part on sensor inputs |
CN106952034A (zh) * | 2017-03-17 | 2017-07-14 | 携程旅游信息技术(上海)有限公司 | 利用遗传算法实现的自动排班方法及系统 |
CN110598998A (zh) * | 2019-08-20 | 2019-12-20 | 广东工业大学 | 一种智慧车站乘务人员自动排班方法 |
CN113052467A (zh) * | 2021-03-29 | 2021-06-29 | 武汉小安科技有限公司 | 基于运维成本的共享车辆调度方法及装置 |
CN113408862A (zh) * | 2021-05-26 | 2021-09-17 | 深圳市富能新能源科技有限公司 | 运维排班方法、设备以及存储介质 |
CN114118691A (zh) * | 2021-10-21 | 2022-03-01 | 上海浦东发展银行股份有限公司 | 基于业务量的排班方案处理方法、装置、设备和介质 |
CN114118832A (zh) * | 2021-11-30 | 2022-03-01 | 信雅达科技股份有限公司 | 一种基于历史数据预测的银行排班方法和系统 |
Non-Patent Citations (1)
Title |
---|
王燕: "共享汽车异地还车车辆调度模型研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050947A (zh) * | 2023-03-29 | 2023-05-02 | 北京阿帕科蓝科技有限公司 | 车辆调度效果的评价方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866649B (zh) | 一种短期地铁客流预测方法、系统及电子设备 | |
He et al. | Optimal scheduling for charging and discharging of electric vehicles | |
CN104504229B (zh) | 一种基于混合启发式算法的智能公交调度方法 | |
CN104183119B (zh) | 基于路段od反推的实时交通流分布预测方法 | |
CN109934391B (zh) | 一种纯电动公交车辆的智能调度方法 | |
CN111564053B (zh) | 车辆调度方法、装置、车辆调度设备和存储介质 | |
CN103632212A (zh) | 一种时变用户均衡动态网络演化客流预测系统和方法 | |
CN109612488B (zh) | 基于大数据微服务的混合出行方式路径规划系统及方法 | |
CN115547052B (zh) | 改进自适应大邻域算法的动态需求响应电动公交调度方法 | |
CN110084382B (zh) | 一种配电网检修车辆调度方法及系统 | |
CN111754336A (zh) | 一种网点排班方法和装置 | |
CN112508306A (zh) | 一种电力生产配置的自适应方法及系统 | |
CN104077634A (zh) | 基于多目标优化的主动-反应式动态项目调度方法 | |
CN114330784A (zh) | 一种运维人员排班方法、系统及计算机可读存储介质 | |
CN111445094B (zh) | 一种结合时间要求的快递车辆路径优化的方法及系统 | |
CN103345663A (zh) | 考虑爬坡速率约束的电力系统机组组合优化方法 | |
CN114914923B (zh) | 基于网格法的变时长两阶段电动汽车调度方法及系统 | |
CN115577938A (zh) | 一种电气化按需移动调度方法、装置及系统 | |
CN109552370A (zh) | 基于客流量的列车运行图生成方法 | |
CN113112076A (zh) | 一种客流集散模式发现及预测方法 | |
Zhao et al. | Robust Optimization of Mixed-Load School Bus Route Based on Multi-Objective Genetic Algorithm. | |
CN113033928B (zh) | 一种基于深度强化学习的公交排班模型的设计方法、装置及系统 | |
CN117134380A (zh) | 一种基于云边协同分布式储能分层级优化运行方法及系统 | |
CN111244990A (zh) | 一种配电网v2g辅助服务日前调度方法 | |
CN111160384A (zh) | 一种移动储能车调度优化方法、系统及装置 |
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 |