CN115358550A - 排班方法、装置、系统与计算机可读存储介质 - Google Patents
排班方法、装置、系统与计算机可读存储介质 Download PDFInfo
- Publication number
- CN115358550A CN115358550A CN202210934950.6A CN202210934950A CN115358550A CN 115358550 A CN115358550 A CN 115358550A CN 202210934950 A CN202210934950 A CN 202210934950A CN 115358550 A CN115358550 A CN 115358550A
- Authority
- CN
- China
- Prior art keywords
- scheduling
- result
- prediction
- service
- data
- 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
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/219—Managing data history or versioning
-
- 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
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种排班方法、装置、系统和计算机可读存储介质,该方法包括:获取历史业务数据,根据所述历史业务数据确定预测数据集,并将所述预测数据集输入预先创建的预测模型,得到业务量预测结果;获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。本发明通过预先创建的预测模型根据历史业务数据预测得到业务量预测结果,提高了业务量预测的准确度,并根据业务实体属性值、约束条件和业务量预测结果确定目标排班结果,提高了排班结果的合理性。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及排班方法、装置、系统与计算机可读存储介质。
背景技术
目前,各个行业在进行员工的排班时,普遍存在两点困难,一是由于原始数据积累量少且部分存在缺失,对于业务量的预测很大程度上凭借人工经验把控,导致预测结果准确度较低;二是由于业务量的预测结果准确度较低,并且人员数量多,岗位数量多,岗位组合种类多,人岗配置情况变化频繁,导致得到的排班结果的合理性较低。因此,如何提高业务量预测的准确度和排班结果的合理性,是急需解决的问题。
发明内容
本发明的主要目的在于提出一种排班方法、装置、系统与计算机可读存储介质,旨在解决如何提高业务量预测的准确度和排班结果的合理性的问题。
为实现上述目的,本发明提供一种排班方法,所述排班方法包括如下步骤:
获取历史业务数据,根据所述历史业务数据确定预测数据集,并将所述预测数据集输入预先创建的预测模型,得到业务量预测结果;
获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。
可选地,根据所述历史业务数据确定预测数据集,并将所述预测数据集输入预先创建的预测模型,得到业务量预测结果的步骤之前,包括:
根据所述历史业务数据确定训练数据集和验证数据集,并根据所述训练数据集进行模型训练,得到初始模型;
根据所述验证数据集对所述初始模型进行验证,得到验证结果,若所述验证结果满足第一预设条件,则将所述初始模型作为预测模型。
可选地,获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果的步骤包括:
获取当前业务数据,通过业务引擎根据所述当前业务数据确定业务实体属性值;
获取当前排班规则,通过规则引擎根据所述当前排班规则确定约束条件;
通过算法引擎和所述规则引擎根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。
可选地,通过算法引擎和所述规则引擎根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果的步骤包括:
通过算法引擎根据所述业务实体属性值、所述约束条件和所述业务量预测结果计算出第一预排班结果集合,并通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合;
将所述第二预排班结果集合输入所述规则引擎,通过所述规则引擎根据所述约束条件对所述第二预排班结果集合进行评分,得到评分结果集合;
若所述评分结果集合满足第二预设条件,则在所述第二预排班结果集合中选择评分结果最优的第二预排班结果作为目标排班结果;
若所述评分结果集合不满足第二预设条件,则重复执行步骤:通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合。
可选地,通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合的步骤包括:
通过所述算法引擎在所述第一预排班结果集合中搜索出预设数量的第一预排班结果,并通过所述算法引擎根据预设搜索动作,对预设数量的第一预排班结果中的每个第一预排班结果进行岗位随机变换和/或员工随机交换,以得到第二预排班结果集合。
可选地,获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果的步骤之后,包括:
根据预设周期,获取当前任务量数据,并根据所述当前任务量数据、所述业务实体属性值和所述业务量预测结果对所述目标排班结果进行调整;
根据调整后的目标排班结果进行排班。
可选地,根据所述当前任务量数据、所述业务实体属性值和所述业务量预测结果对所述目标排班结果进行调整的步骤包括:
根据所述当前任务量数据、所述业务实体属性值和所述业务量预测结果,计算出分流阈值;
根据所述当前任务量数据和所述业务实体属性值计算出压力指数,并根据所述分流阈值和所述压力指数对所述目标排班结果进行调整。
此外,为实现上述目的,本发明还提供一种排班装置,所述排班装置包括:
获取模块,用于获取历史业务数据,根据所述历史业务数据确定预测数据集,并将所述预测数据集输入预先创建的预测模型,得到业务量预测结果;
确定模块,用于获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。
优选地,所述获取模块还用于:
根据所述历史业务数据确定训练数据集和验证数据集,并根据所述训练数据集进行模型训练,得到初始模型;
根据所述验证数据集对所述初始模型进行验证,得到验证结果,若所述验证结果满足第一预设条件,则将所述初始模型作为预测模型。
优选地,所述确定模块还用于:
获取当前业务数据,通过业务引擎根据所述当前业务数据确定业务实体属性值;
获取当前排班规则,通过规则引擎根据所述当前排班规则确定约束条件;
通过算法引擎和所述规则引擎根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。
优选地,所述确定模块还用于:
通过算法引擎根据所述业务实体属性值、所述约束条件和所述业务量预测结果计算出第一预排班结果集合,并通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合;
将所述第二预排班结果集合输入所述规则引擎,通过所述规则引擎根据所述约束条件对所述第二预排班结果集合进行评分,得到评分结果集合;
若所述评分结果集合满足第二预设条件,则在所述第二预排班结果集合中选择评分结果最优的第二预排班结果作为目标排班结果;
若所述评分结果集合不满足第二预设条件,则重复执行步骤:通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合。
优选地,所述确定模块还用于:
通过所述算法引擎在所述第一预排班结果集合中搜索出预设数量的第一预排班结果,并通过所述算法引擎根据预设搜索动作,对预设数量的第一预排班结果中的每个第一预排班结果进行岗位随机变换和/或员工随机交换,以得到第二预排班结果集合。
优选地,所述确定模块还包括调整模块,所述调整模块用于:
根据预设周期,获取当前任务量数据,并根据所述当前任务量数据、所述业务实体属性值和所述业务量预测结果对所述目标排班结果进行调整;
根据调整后的目标排班结果进行排班。
优选地,所述调整模块还用于:
根据所述当前任务量数据、所述业务实体属性值和所述业务量预测结果,计算出分流阈值;
根据所述当前任务量数据和所述业务实体属性值计算出压力指数,并根据所述分流阈值和所述压力指数对所述目标排班结果进行调整。
此外,为实现上述目的,本发明还提供一种排班系统,所述排班系统包括: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排班程序,所述排班程序被所述处理器执行时实现如上所述的排班方法的步骤。
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排班程序,所述排班程序被处理器执行时实现如上所述的排班方法的步骤。
本发明提出的排班方法,获取历史业务数据,根据所述历史业务数据确定预测数据集,并将所述预测数据集输入预先创建的预测模型,得到业务量预测结果;获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。本发明通过预先创建的预测模型根据历史业务数据预测得到业务量预测结果,提高了业务量预测的准确度,并根据业务实体属性值、约束条件和业务量预测结果确定目标排班结果,提高了排班结果的合理性。
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设备结构示意图;
图2为本发明排班方法第一实施例的流程示意图。
本发明目的的实现、功能特点及优点将集合实施例,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。
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设备结构示意图。
本发明实施例设备可以是PC机或服务器设备。
如图1所示,该设备可以包括: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中示出的设备结构并不构成对设备的限定,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、用户接口模块以及排班程序。
其中,操作系统是管理和控制排班系统与软件资源的程序,支持网络通信模块、用户接口模块、排班程序以及其他程序或软件的运行;网络通信模块用于管理和控制网络接口1002;用户接口模块用于管理和控制用户接口1003。
在图1所示的排班系统中,所述排班系统通过处理器1001调用存储器1005中存储的排班程序,并执行下述排班方法各个实施例中的操作。
基于上述硬件结构,提出本发明排班方法实施例。
参照图2,图2为本发明排班方法第一实施例的流程示意图,所述方法包括:
步骤S10,获取历史业务数据,根据所述历史业务数据确定预测数据集,并将所述预测数据集输入预先创建的预测模型,得到业务量预测结果;
步骤S20,获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。
本实施例排班方法可运用于金融机构的排班系统中,排班系统可应用于终端设备,终端设备可以是pc设备、智能终端等;为描述方便,以排班系统为例进行描述;排班系统获取历史业务数据,根据历史业务数据确定预测数据集,并将预测数据集输入预先创建的预测模型,得到业务量预测结果;排班系统获取当前业务数据,通过业务引擎根据当前业务数据确定业务实体属性值;排班系统获取当前排班规则,通过规则引擎根据当前业务数据和当前排班规则确定约束条件;排班系统通过算法引擎和规则引擎根据业务实体属性值、约束条件和业务量预测结果确定目标排班结果,并根据目标排班结果进行排班。需要说明的是,排班系统中包括预测模型和引擎系统,其中引擎系统分为了三个相对独立又互相联系的引擎,分别是业务引擎、算法引擎和规则引擎。
本实施例的排班方法,获取历史业务数据,根据历史业务数据确定预测数据集,并将预测数据集输入预先创建的预测模型,得到业务量预测结果;获取业务实体属性值和约束条件,并根据业务实体属性值、约束条件和业务量预测结果确定目标排班结果。本发明通过预先创建的预测模型根据历史业务数据预测得到业务量预测结果,提高了业务量预测的准确度,并根据业务实体属性值、约束条件和业务量预测结果确定目标排班结果,提高了排班结果的合理性。
以下将对各个步骤进行详细说明:
步骤S10,获取历史业务数据,根据所述历史业务数据确定预测数据集,并将所述预测数据集输入预先创建的预测模型,得到业务量预测结果;
在本实施例中,排班系统在数据库中获取历史业务数据,历史业务数据包括:员工数据,岗位数据,岗位节点映射数据以及对应的业务量数据;排班系统根据历史业务数据,在历史业务数据中筛选出预设数量的数据,并对数据进行预处理,得到预测数据集,并将预测数据集输入预先创建的预测模型中,得到业务量预测结果;进一步地,排班系统在历史业务数据中筛选出预设数量的数据时,根据预设选择规则,在历史业务数据中选择距离当前时间较近的历史业务数据,以提高得到的业务量预测结果的准确性。需要说明的是,预先创建的预测模型是排班系统通过在历史业务数据中确定的训练数据集和验证数据集,进行训练和验证得到的,能够显著提高得到的业务量预测结果的准确性。
在一可行的实施例中,排班系统在数据库中获取历史业务数据,并获取历史业务数据的存储时间戳,根据存储时间戳和当前时间,在历史业务数据中选择距离当前时间较近的历史业务数据,再对选择到的历史业务数据进行预处理:首先对其中一些历史业务数据的字段进行格式化,对其中一些不需要的或不合规范的历史业务数据进行检查和过滤,再对经过检查和过滤的历史业务数据进行数据聚合,对不完整的历史业务数据进行数据缺失值填充,最后通过LSTM捕捉历史业务数据的全局特征和通过CNN挖掘历史业务数据的局部关联信息,最终得到预测数据集;排班系统将预测数据集输入预先创建的预测模型,通过预测模型对预测数据集进行处理,输出业务量预测结果。
步骤S20,获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。
在本实施例中,排班系统根据当前业务数据获取业务实体属性值,根据当前排班规则获取约束条件,并根据业务实体属性值、约束条件和业务量预测结果确定目标排班结果;需要说明的是,不同的业务可以看作是一个个实体,进而从当前业务数据中抽取出员工、岗位、日期、时间段等实体,每个实体都有对应的属性值,如员工-岗位实体中有表示该员工在该岗位上的效率的属性值,时间段实体有起止时间的属性值等;由于各个团队有着不同的排班规则,有些周末要排班,有些中午要在指定时间段内休息等,这些规则纷繁复杂,参数众多,因此,排班系统可在当前排班规则中提取出约束条件。
具体地,步骤S20包括:
步骤a,获取当前业务数据,通过业务引擎根据所述当前业务数据确定业务实体属性值;
在该步骤中,排班系统获取当前业务数据,通过业务引擎根据当前业务数据进行建模,抽象出每种业务中实体与实体之间的关系,确定每种业务中的实体与实体之间的属性值,进而确定业务实体属性值;可以理解的是,当前业务数据中包含多种不同业务的当前业务数据,每种业务对应的业务数据中包含员工数据、岗位数据、岗位节点映射数据、业务时间段数据以及对应的业务量数据等,排班系统通过业务引擎根据员工数据和岗位数据,可以确定员工和岗位实体之间有表示该员工在该岗位上的效率的属性值,根据员工数据和业务量数据,可以确定员工与业务量实体之间有表示所有员工处理业务量的时间的属性值等。
步骤b,获取当前排班规则,通过规则引擎根据所述当前排班规则确定约束条件;
在该步骤中,排班系统获取当前排班规则,通过规则引擎根据当前排班规则确定约束条件;可以理解的是,由于各个团队有着不同的排班规则,有些周末要排班,有些中午要在指定时间段内休息等,这些规则纷繁复杂,参数众多,排班系统通过规则引擎,抽取当前排班规则中的每种规则的共性,保留特殊性,进而确定约束条件。进一步地,排班系统将所有的约束条件划分为两类:一类是硬约束,另一类是软约束。硬约束表示排班过程中必须要保证,如果无法排班,则这次排班是有问题的;而软约束表示排班时应该尽量去满足,如果没满足,则影响也不大,仍然可以正常排班。
步骤c,通过算法引擎和所述规则引擎根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。
在该步骤中,排班系统通过算法引擎和规则引擎根据业务实体属性值、约束条件和业务量预测结果确定目标排班结果;如:排班系统将业务实体属性值、约束条件和业务量预测结果输入算法引擎中,算法引擎根据业务实体属性值、约束条件和业务量预测结果计算出包含大量预排班结果的第一预排班结果集合,算法引擎从第一预排班结果集合中抽取部分的第一预排班结果,输入规则引擎,规则引擎根据约束条件对输入的第一预排班结果进行评分,若评分结果满足预设条件,则在输入的第一预排班结果中确定评分最高的第一预排班结果作为目标排班结果;若评分结果不满足预设条件,则将评分结果返回算法引擎,算法引擎根据评分结果,从第一预排班结果集合中重新抽取部分的第一预排班结果,输入规则引擎;一直进行循环,直到评分结果满足预设条件,或评分结果在一定时间内未改变,则停止循环,并在对应的第一预排班结果中确定评分最高的第一预排班结果作为目标排班结果。
进一步地,步骤c包括:
步骤c1,通过算法引擎根据所述业务实体属性值、所述约束条件和所述业务量预测结果计算出第一预排班结果集合,并通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合;
在该步骤中,排班系统通过算法引擎根据业务实体属性值、约束条件和业务量预测结果计算出第一预排班结果集合,并通过算法引擎根据预设搜索动作,在第一预排班结果集合中确定第二预排班结果集合,需要说明的是,预设搜索动作是提前设置在算法引擎中的;算法引擎在第一预排班结果集合中确定第二预排班结果集合的过程中,使用的是搜索禁忌算法,搜索禁忌算法是由局部搜索算法发展而来的,由于局部搜索的缺点在于太过于对某一局部区域及其邻域的搜索,容易导致一叶障目,因此,使用搜索禁忌能避免在第一预排班结果集合中对某一局部区域及其邻域的搜索,从而在第一预排班结果集合中国的更多的搜索区域进行搜索得到第二预排班结果结合。
进一步地,通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合的步骤包括:
步骤c11,通过所述算法引擎在所述第一预排班结果集合中搜索出预设数量的第一预排班结果,并通过所述算法引擎根据预设搜索动作,对预设数量的第一预排班结果中的每个第一预排班结果进行岗位随机变换和/或员工随机交换,以得到第二预排班结果集合。
在该步骤中,排班系统通过算法引擎基于搜索禁忌算法,在第一预排班结果集合中搜索出预设数量的第一预排班结果,并根据预设搜索动作,对搜索得到的预设数量的第一预排班结果中的每个第一预排班结果进行岗位随机变换和/或员工随机交换,以得到第二预排班结果集合;如:预设搜索动作包括Change,Swap,Pillar Change,Pillar Swap等。Change的逻辑是将某个员工在某个时间段分配到的某个岗位,Swap则是随机交换某两个员工所分到的岗位,而pillar表示同时进行相应的change或swap操作。排班系统通过算法引擎随机根据预设搜索动作,在预设数量的第一预排班结果中的每个第一预排班结果进行岗位随机变换和/或员工随机交换,以得到第二预排班结果集合。
步骤c2,将所述第二预排班结果集合输入所述规则引擎,通过所述规则引擎根据所述约束条件对所述第二预排班结果集合进行评分,得到评分结果集合;
在该步骤中,排班系统将第二预排班结果集合输入规则引擎,通过规则引擎根据约束条件对第二预排班结果集合进行评分,得到评分结果集合;如:规则引擎中的约束条件包括硬约束和软约束,规则引擎先根据硬约束对第二预排班结果集合中的每个第二预排班结果进行评分,得到每个第二预排班结果对应的硬约束分数,再根据软约束对第二预排班结果集合中的每个第二预排班结果进行评分,得到每个第二预排班结果对应的软约束分数,最后将每个第二预排班结果对应的硬约束分数与预设硬约束分数阈值进行对比,将每个第二预排班结果对应的软约束分数与预设软约束分数阈值进行对比,得到评分结果集合。
步骤c3,若所述评分结果集合满足第二预设条件,则在所述第二预排班结果集合中选择评分结果最优的第二预排班结果作为目标排班结果;
在该步骤中,排班系统若确定评分结果集合满足第二预设条件,即评分结果集合中存在一个或多个第二预排班结果的硬约束分数大于预设硬约束分数阈值,并且软约束分数也大于预设软约束分数阈值;当只有一个第二预排班结果的硬约束分数大于预设硬约束分数阈值,并且软约束分数也大于预设软约束分数阈值时,则直接将该第二预排班结果作为目标排班结果;当有多个第二预排班结果的硬约束分数大于预设硬约束分数阈值,并且软约束分数也大于预设软约束分数阈值时,则先对比多个第二预排班结果对应的硬约束分数,确定将硬约束分数最高的第二预排班结果作为目标排班结果,当出现多个硬约束分数相同的第二预排班结果,则再比较这些第二预排班结果的软约束分数,确定将软约束分数最高的第二预排班结果作为目标排班结果。
进一步地,第二预设条件还可以为在循环多次后,得到评分结果集合中不存在硬约束分数大于预设硬约束分数阈值并且软约束分数也大于预设软约束分数阈值的第二预排班结果,但是循环次数达到阈值,或循环时长达到阈值,或硬约束分数和软约束分数在预设时间段内未改变,此时排班系统先对比第二预排班结果集合中的每个第二预排班结果对应的硬约束分数,确定将硬约束分数最高的第二预排班结果作为目标排班结果,当出现多个硬约束分数相同的第二预排班结果,则再比较这些第二预排班结果的软约束分数,确定将软约束分数最高的第二预排班结果作为目标排班结果。
步骤c4,若所述评分结果集合不满足第二预设条件,则重复执行步骤:通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合。
在该步骤中,排班系统若确定评分结果集合不满足第二预设条件,则重复执行通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合,以及后续步骤,直到评分结果集合满足第二预设条件,在第二预排班结果集合中选择评分结果最优的第二预排班结果作为目标排班结果。
本实施例的排班系统获取历史业务数据,根据历史业务数据确定预测数据集,并将预测数据集输入预先创建的预测模型,得到业务量预测结果;排班系统获取当前业务数据,通过业务引擎根据当前业务数据确定业务实体属性值;排班系统获取当前排班规则,通过规则引擎根据当前业务数据和当前排班规则确定约束条件;排班系统通过算法引擎和规则引擎根据业务实体属性值、约束条件和业务量预测结果确定目标排班结果,并根据目标排班结果进行排班;本发明通过预先创建的预测模型根据历史业务数据预测得到业务量预测结果,提高了业务量预测的准确度,并根据业务实体属性值、约束条件和业务量预测结果确定目标排班结果,提高了排班结果的合理性。
进一步地,基于本发明排班方法第一实施例,提出本发明排班方法第二实施例。
排班方法的第二实施例与排班方法的第一实施例的区别在于,根据所述历史业务数据确定预测数据集,并将所述预测数据集输入预先创建的预测模型,得到业务量预测结果的步骤之前,包括:
步骤d,根据所述历史业务数据确定训练数据集和验证数据集,并根据所述训练数据集进行模型训练,得到初始模型;
步骤e,根据所述验证数据集对所述初始模型进行验证,得到验证结果,若所述验证结果满足第一预设条件,则将所述初始模型作为预测模型。
在本实施例中,排班系统在获取到历史业务数据后,根据历史业务数据确定训练数据集和验证数据集,并根据训练数据集进行模型训练,得到初始模型;排班系统根据验证数据集对初始模型进行验证,得到验证结果,若验证结果满足第一预设条件,则将初始模型作为预测模型。
在一可行的实施例中,排班系统在历史业务数据中筛选出预设数量的数据,对选择到的历史业务数据进行预处理:首先对其中一些历史业务数据的字段进行格式化,对其中一些不需要的或不合规范的历史业务数据进行检查和过滤,再对经过检查和过滤的历史业务数据进行数据聚合,对不完整的历史业务数据进行数据缺失值填充,最后通过LSTM捕捉历史业务数据的全局特征和通过CNN挖掘历史业务数据的局部关联信息,最终得到训练数据集和验证数据集;排班系统通过训练数据集,对基于Prophet和LSTM的混合模型进行模型训练,得到初始模型,再将验证数据集输入初始模型中,得到初始模型的预测结果,根据该预测结果计算出初始模型的预测准确率,将预测准确率与预设预测准确率阈值进行对比,得到对比结果,若对比结果满足第一预设条件时,即预测准确率大于预设预测准确率阈值,则将初始模型作为预测模型;若对比结果不满足第一预设条件时,即预测准确率不大于预设预测准确率阈值,则排班系统重新根据历史业务数据确定训练数据集和验证数据集,对基于Prophet和LSTM的混合模型进行模型训练和验证,直到对比结果满足第一预设条件时,将初始模型作为预测模型。
本实施例的排班系统在获取到历史业务数据后,根据历史业务数据确定训练数据集和验证数据集,并根据训练数据集进行模型训练,得到初始模型;排班系统根据验证数据集对初始模型进行验证,得到验证结果,若验证结果满足第一预设条件,则将初始模型作为预测模型。通过历史业务数据记性迷行训练和验证,提高了预测模型的预测准确性,有助于提高业务量预测的准确度和排班结果的合理性。
进一步地,基于本发明排班方法第一实施例和第二实施例,提出本发明排班方法第三实施例。
排班方法的第三实施例与排班方法的第一实施例和第二实施例的区别在于,在步骤S20之后,所述排班方法包括:
步骤f,根据预设周期,获取当前任务量数据,并根据所述当前任务量数据、所述业务实体属性值和所述业务量预测结果对所述目标排班结果进行调整;
步骤g,根据调整后的目标排班结果进行排班。
在本实施例中,排班系统在确定目标排班结果后,根据目标排班结果进行排班,在排班完成后,排班系统根据预设周期,获取当前业务量数据,并根据当前任务量数据、业务实体属性值和业务量预测结果对目标排班结果进行调整,并根据调整后的目标排班结果进行排班。可以理解的是,由于业务量预测结果和实际的业务量存在一定的差异,并且员工在工作时效率也不能一致保持,这样就需要对目标排班结果进行调整,再根据调整后的目标排班结果进行排班。
具体地,步骤f包括:
步骤f1,根据所述当前任务量数据、所述业务实体属性值和所述业务量预测结果,计算出分流阈值;
步骤f2,根据所述当前任务量数据和所述业务实体属性值计算出压力指数,并根据所述分流阈值和所述压力指数对所述目标排班结果进行调整。
在步骤f1至步骤f2中,排班系统根据当前任务量数据、业务实体属性值和业务量预测结果,计算出分流阈值,根据当前任务量数据和业务实体属性值计算出压力指数,并根据分流阈值和压力指数对目标排班结果进行调整;如:排班系统根据预设周期,获取当前任务量数据,并在当前任务量数据中读取当前每个岗位的积压业务量;排班系统根据业务实体属性值确定岗位敏感度,并根据当前每个岗位的积压业务量、岗位敏感度和业务量预测结果,计算出分流阈值;排班系统在当前任务量数据中读取当前每个岗位的积压业务量,根据业务实体属性值确定员工效率,并根据员工效率和每个岗位的积压业务量,可以计算出各岗位的压力指数;排班系统对岗位按压力指数记进行排序,对于压力指数最大且积压业务量超过阈值的岗位,需要进行一次分流。被分流人员来源于其他岗位,优先选择从压力指数和积压业务量减小的岗位抽取员工。每次抽取后,根据员工效率计算预计完成时间,达到去除积压业务目标后,停止抽取。同时,也要保证被抽取员工的岗位留有足够员工数量。排班系统在抽取完员工后,在被抽取的员工中选择可以完成对应岗位工作的员工,指派新的工作和时长,在抽取员工时,根据员工上次调动时间记录,依据公平原则,以尽量少的人次进行调动,进而完成对目标排班结果的调整。
本实施例的排班系统排班系统在确定目标排班结果后,根据目标排班结果进行排班,在排班完成后,排班系统根据预设周期,获取当前业务量数据,并根据当前任务量数据、业务实体属性值和业务量预测结果对目标排班结果进行调整,并根据调整后的目标排班结果进行排班;使得目标排班结果能够根据实际情况进行调整,进一步提高排班结果的合理性。
本发明还提供一种排班装置,排班装置包括:
获取模块,用于获取历史业务数据,根据所述历史业务数据确定预测数据集,并将所述预测数据集输入预先创建的预测模型,得到业务量预测结果;
确定模块,用于获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。
优选地,所述获取模块还用于:
根据所述历史业务数据确定训练数据集和验证数据集,并根据所述训练数据集进行模型训练,得到初始模型;
根据所述验证数据集对所述初始模型进行验证,得到验证结果,若所述验证结果满足第一预设条件,则将所述初始模型作为预测模型。
优选地,所述确定模块还用于:
获取当前业务数据,通过业务引擎根据所述当前业务数据确定业务实体属性值;
获取当前排班规则,通过规则引擎根据所述当前排班规则确定约束条件;
通过算法引擎和所述规则引擎根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。
优选地,所述确定模块还用于:
通过算法引擎根据所述业务实体属性值、所述约束条件和所述业务量预测结果计算出第一预排班结果集合,并通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合;
将所述第二预排班结果集合输入所述规则引擎,通过所述规则引擎根据所述约束条件对所述第二预排班结果集合进行评分,得到评分结果集合;
若所述评分结果集合满足第二预设条件,则在所述第二预排班结果集合中选择评分结果最优的第二预排班结果作为目标排班结果;
若所述评分结果集合不满足第二预设条件,则重复执行步骤:通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合。
优选地,所述确定模块还用于:
通过所述算法引擎在所述第一预排班结果集合中搜索出预设数量的第一预排班结果,并通过所述算法引擎根据预设搜索动作,对预设数量的第一预排班结果中的每个第一预排班结果进行岗位随机变换和/或员工随机交换,以得到第二预排班结果集合。
优选地,所述确定模块还包括调整模块,所述调整模块用于:
根据预设周期,获取当前任务量数据,并根据所述当前任务量数据、所述业务实体属性值和所述业务量预测结果对所述目标排班结果进行调整;
根据调整后的目标排班结果进行排班。
优选地,所述调整模块还用于:
根据所述当前任务量数据、所述业务实体属性值和所述业务量预测结果,计算出分流阈值;
根据所述当前任务量数据和所述业务实体属性值计算出压力指数,并根据所述分流阈值和所述压力指数对所述目标排班结果进行调整。
本发明还提供一种排班系统。
本发明的排班系统包括: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排班程序,所述排班程序被所述处理器执行时实现如上所述的排班方法的步骤。
其中,在所述处理器上运行的排班程序被执行时所实现的方法可参照本发明排班方法各个实施例,此处不再赘述。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有排班程序,所述排班程序被处理器执行时实现如上所述的排班方法的步骤。
其中,在所述处理器上运行的排班程序被执行时所实现的方法可参照本发明排班方法各个实施例,此处不再赘述。
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,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与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)
1.一种排班方法,其特征在于,所述排班方法包括如下步骤:
获取历史业务数据,根据所述历史业务数据确定预测数据集,并将所述预测数据集输入预先创建的预测模型,得到业务量预测结果;
获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。
2.如权利要求1所述的排班方法,其特征在于,所述根据所述历史业务数据确定预测数据集,并将所述预测数据集输入预先创建的预测模型,得到业务量预测结果的步骤之前,包括:
根据所述历史业务数据确定训练数据集和验证数据集,并根据所述训练数据集进行模型训练,得到初始模型;
根据所述验证数据集对所述初始模型进行验证,得到验证结果,若所述验证结果满足第一预设条件,则将所述初始模型作为预测模型。
3.如权利要求1所述的排班方法,其特征在于,所述获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果的步骤包括:
获取当前业务数据,通过业务引擎根据所述当前业务数据确定业务实体属性值;
获取当前排班规则,通过规则引擎根据所述当前排班规则确定约束条件;
通过算法引擎和所述规则引擎根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。
4.如权利要求3中所述的排班方法,其特征在于,所述通过算法引擎和所述规则引擎根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果的步骤包括:
通过算法引擎根据所述业务实体属性值、所述约束条件和所述业务量预测结果计算出第一预排班结果集合,并通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合;
将所述第二预排班结果集合输入所述规则引擎,通过所述规则引擎根据所述约束条件对所述第二预排班结果集合进行评分,得到评分结果集合;
若所述评分结果集合满足第二预设条件,则在所述第二预排班结果集合中选择评分结果最优的第二预排班结果作为目标排班结果;
若所述评分结果集合不满足第二预设条件,则重复执行步骤:通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合。
5.如权利要求4所述的排班方法,其特征在于,所述通过所述算法引擎根据预设搜索动作,在所述第一预排班结果集合中确定第二预排班结果集合的步骤包括:
通过所述算法引擎在所述第一预排班结果集合中搜索出预设数量的第一预排班结果,并通过所述算法引擎根据预设搜索动作,对预设数量的第一预排班结果中的每个第一预排班结果进行岗位随机变换和/或员工随机交换,以得到第二预排班结果集合。
6.如权利要求1所述的排班方法,其特征在于,所述获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果的步骤之后,包括:
根据预设周期,获取当前任务量数据,并根据所述当前任务量数据、所述业务实体属性值和所述业务量预测结果对所述目标排班结果进行调整;
根据调整后的目标排班结果进行排班。
7.如权利要求6所述的排班方法,其特征在于,所述根据所述当前任务量数据、所述业务实体属性值和所述业务量预测结果对所述目标排班结果进行调整的步骤包括:
根据所述当前任务量数据、所述业务实体属性值和所述业务量预测结果,计算出分流阈值;
根据所述当前任务量数据和所述业务实体属性值计算出压力指数,并根据所述分流阈值和所述压力指数对所述目标排班结果进行调整。
8.一种排班装置,其特征在于,所述排班装置包括:
获取模块,用于获取历史业务数据,根据所述历史业务数据确定预测数据集,并将所述预测数据集输入预先创建的预测模型,得到业务量预测结果;
确定模块,用于获取业务实体属性值和约束条件,并根据所述业务实体属性值、所述约束条件和所述业务量预测结果确定目标排班结果。
9.一种排班系统,其特征在于,所述排班系统包括: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排班程序,所述排班程序被所述处理器执行时实现如权利要求1至7中任一项所述的排班方法的步骤。
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排班程序,所述排班程序被处理器执行时实现如权利要求1至7中任一项所述的排班方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210934950.6A CN115358550A (zh) | 2022-08-03 | 2022-08-03 | 排班方法、装置、系统与计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210934950.6A CN115358550A (zh) | 2022-08-03 | 2022-08-03 | 排班方法、装置、系统与计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115358550A true CN115358550A (zh) | 2022-11-18 |
Family
ID=84033458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210934950.6A Pending CN115358550A (zh) | 2022-08-03 | 2022-08-03 | 排班方法、装置、系统与计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358550A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118095815A (zh) * | 2024-04-29 | 2024-05-28 | 厦门国际银行股份有限公司 | 一种银行人员的智能排班方法、装置以及设备 |
-
2022
- 2022-08-03 CN CN202210934950.6A patent/CN115358550A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118095815A (zh) * | 2024-04-29 | 2024-05-28 | 厦门国际银行股份有限公司 | 一种银行人员的智能排班方法、装置以及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110292775B (zh) | 获取差异数据的方法及装置 | |
CN109522967A (zh) | 一种商品定位识别方法、装置、设备以及存储介质 | |
CN103778148B (zh) | Hadoop分布式文件系统数据文件的生命周期管理方法和设备 | |
CN105718490A (zh) | 一种用于更新分类模型的方法及装置 | |
CN111127105A (zh) | 用户分层模型构建方法及系统、运营分析方法及系统 | |
CN110991871A (zh) | 风险监测方法、装置、设备与计算机可读存储介质 | |
CN112115276B (zh) | 基于知识图谱的智能客服方法、装置、设备及存储介质 | |
CN109710665A (zh) | 报表下载方法、装置、设备及可读存储介质 | |
CN115358550A (zh) | 排班方法、装置、系统与计算机可读存储介质 | |
CN104662564A (zh) | 数据分析装置以及程序 | |
CN109819098A (zh) | 菜单选项显示方法、服务器、系统及计算机可读存储介质 | |
KR101975272B1 (ko) | 협업 의존성 기반 컴포넌트 재사용 추천 시스템 및 방법 | |
CN110263136B (zh) | 基于强化学习模型向用户推送对象的方法和装置 | |
CN111325422B (zh) | 一种工单派发方法及系统 | |
KR20140081721A (ko) | 텍스트마이닝을 이용한 중요 키워드 도출 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 매체 | |
US20190332439A1 (en) | Machine Learning Task Compartmentalization And Classification | |
CN111124791A (zh) | 一种系统测试方法及装置 | |
CN117632905B (zh) | 基于云端使用记录的数据库管理方法及系统 | |
CN112101823B (zh) | 多维度情绪识别管理方法、系统、处理器、终端及介质 | |
CN117827434A (zh) | 基于多维资源预测的混合弹性伸缩方法 | |
CN114817589B (zh) | 一种消防建筑图纸智能审核方法、系统、装置及存储介质 | |
CN109829048A (zh) | 电子装置、访谈辅助方法和计算机可读存储介质 | |
CN111967671B (zh) | 基于支持向量数据域描述的跨境活跃用户识别方法及装置 | |
CN114862098A (zh) | 资源分配方法以及装置 | |
CN113688317A (zh) | 一种基于区块链的信息推荐方法及系统 |
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 |