CN116187704A - 用工需求预测方法、装置及电子设备 - Google Patents

用工需求预测方法、装置及电子设备 Download PDF

Info

Publication number
CN116187704A
CN116187704A CN202310212339.7A CN202310212339A CN116187704A CN 116187704 A CN116187704 A CN 116187704A CN 202310212339 A CN202310212339 A CN 202310212339A CN 116187704 A CN116187704 A CN 116187704A
Authority
CN
China
Prior art keywords
sub
historical
predicted
sales data
time period
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
CN202310212339.7A
Other languages
English (en)
Inventor
宋亚军
陈飘
江熙悦
段珂
张珂瑜
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.)
Multipoint Shenzhen Digital Technology Co ltd
Original Assignee
Multipoint Shenzhen Digital Technology 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 Multipoint Shenzhen Digital Technology Co ltd filed Critical Multipoint Shenzhen Digital Technology Co ltd
Priority to CN202310212339.7A priority Critical patent/CN116187704A/zh
Publication of CN116187704A publication Critical patent/CN116187704A/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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • G06Q10/063118—Staff planning in a project environment
    • 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"
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种用工需求预测方法，方法包括：根据预先获取的多个历史时间段分别对应的多个历史总销量数据，构建时间序列分解模型；基于时间序列分解模型，生成多个预测时间段分别对应的多个预测总销量数据；针对每个预测总销量数据，基于该预测总销量数据以及预先获取的多个平均比例，将该预测总销量数据划分每个预测子时间段分别对应的多个预测子销量数据；基于每个预测子销量数据，生成每个预测子时间段分别对应的用工需求信息。该方式通过将时间序列分解模型生成的多个预测时间段的预测总销量数据按照各自对应的平均比例划分，可以对未来的销量进行预测，从而合理地进行人员排班，提高排班的合理性，避免人员冗余或不足。

Description

用工需求预测方法、装置及电子设备
技术领域
本发明涉及用工需求的技术领域，尤其是涉及一种用工需求预测方法、装置及电子设备。
背景技术
收银员是商超门店作业人员的重要组成部分，收银员绩效计算一般以收银扫描商品件数为基础，具有工作量可量化的特点。
当前商超门店收银人员排班主要由店长及部门负责人手工完成，排班效率低，并且排班的准确性、合理性无数据依据，极度依赖排班人员的个人经验，未参考实际工作量变化和员工工作效率，容易导致排班的合理性较低，造成部分日期或时段收银员冗余或不足，人员冗余导致收银员无效工时增加，而人员不足则影响顾客体验。
发明内容
本发明的目的在于提供用工需求预测方法、装置及电子设备，以提高排班的合理性，避免人员冗余或不足。
本发明提供的一种用工需求预测方法，方法包括：
根据预先获取的多个历史时间段分别对应的多个历史总销量数据，构建时间序列分解模型；
基于时间序列分解模型，生成多个预测时间段分别对应的多个预测总销量数据；
针对每个预测总销量数据，基于该预测总销量数据以及预先获取的多个平均比例，将该预测总销量数据划分每个预测子时间段分别对应的多个预测子销量数据；
基于每个预测子销量数据，生成每个预测子时间段分别对应的用工需求信息。
进一步的，其中，每个历史时间段包括多个历史子时间段；针对每个历史时间段，该历史时间段对应的历史总销量数据为该历史时间段的每个历史子时间段分别对应的历史子销量数据之和；每个平均比例通过以下方式计算得到：
获取每个历史子时间段分别对应的历史子销量数据；
基于每个历史子销量数据和每个历史总销量数据，得到每个历史子时间段分别对应的历史子销量数据比例；
基于每个历史子销量数据比例，确定每个历史子时间段分别对应的平均比例。
进一步的，基于每个预测子销量数据，生成每个预测子时间段分别对应的用工需求信息的步骤包括：
获取每个历史子时间段分别对应的目标历史智能购销量比例；
基于每个预测子销量数据和每个目标历史智能购销量比例，确定每个预测子时间段分别对应的人工银台销量数据；
基于每个人工银台销量数据，生成每个预测子时间段分别对应的用工需求信息。
进一步的，获取每个历史子时间段分别对应的目标历史智能购销量比例的步骤包括：
获取每个历史子时间段分别对应的历史智能购销量数据；
基于每个历史智能购销量数据和每个历史子销量数据，得到每个历史子时间段分别对应的历史智能购销量比例；
基于每个历史智能购销量比例，获取每个历史子时间段分别对应的目标历史智能购销量比例。
进一步的，基于每个预测子销量数据和每个目标历史智能购销量比例，确定每个预测子时间段分别对应的人工银台销量数据的步骤包括：
基于每个预测子销量数据和每个目标历史智能购销量比例，确定每个预测子时间段分别对应的预测智能购销量数据；
计算每个预测子销量数据与每个预测智能购销量数据的差值，得到每个预测子时间段分别对应的人工银台销量数据。
进一步的，方法还包括：
基于预先设置的评价指标，评价每个预测子时间段分别对应的用工需求信息的合理性。
进一步的，其中，评价指标包括目标单位工时处理订单量均值和目标离散系数；基于预先设置的评价指标，评价每个预测子时间段分别对应的用工需求信息的合理性的步骤包括：
获取每个预测子时间段分别对应的用工需求信息和每个预测时间段分别对应的实际人工银台销量数据；
基于每个预测子时间段分别对应的用工需求信息，获取每个预测时间段分别对应的总用工需求信息；
基于每个实际人工银台销量数据和每个总用工需求信息，确定每个预测时间段对应的单位工时处理订单量；
基于每个预测时间段对应的单位工时处理订单量，确定单位工时处理订单量均值；
基于单位工时处理订单量均值与每个预测时间段对应的单位工时处理订单量，确定单位工时处理订单量标准差；
计算单位工时处理订单量标准差与单位工时处理订单量均值的比值，得到离散系数；
如果单位工时处理订单量均值大于目标单位工时处理订单量均值且离散系数小于目标离散系数，确定用工需求信息具有合理性。
本发明提供的一种用工需求预测装置，装置包括：
构建模块，用于根据预先获取的多个历史时间段分别对应的多个历史总销量数据，构建时间序列分解模型；
第一生成模块，用于基于时间序列分解模型，生成多个预测时间段分别对应的多个预测总销量数据；
划分模块，用于针对每个预测总销量数据，基于该预测总销量数据以及预先获取的多个平均比例，将该预测总销量数据划分每个预测子时间段分别对应的多个预测子销量数据；
第二生成模块，用于基于每个预测子销量数据，生成每个预测子时间段分别对应的用工需求信息。
本发明提供的一种电子设备，电子设备包括处理器和存储器，存储器存储有能够被处理器执行的计算机可执行指令，处理器执行计算机可执行指令以实现上述任一项的方法。
本发明提供的一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现上述任一项的方法。
上述用工需求预测方法，方法包括：根据预先获取的多个历史时间段分别对应的多个历史总销量数据，构建时间序列分解模型；基于时间序列分解模型，生成多个预测时间段分别对应的多个预测总销量数据；针对每个预测总销量数据，基于该预测总销量数据以及预先获取的多个平均比例，将该预测总销量数据划分每个预测子时间段分别对应的多个预测子销量数据；基于每个预测子销量数据，生成每个预测子时间段分别对应的用工需求信息。该方式通过将时间序列分解模型生成的多个预测时间段的预测总销量数据按照各自对应的平均比例划分，可以对未来的销量进行预测，从而合理地进行人员排班，提高排班的合理性，避免人员冗余或不足。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种用工需求预测方法的流程图；
图2为本发明实施例提供的一种门店人效与门店规模、销售额、排班工时的相关性示意图；
图3为本发明实施例提供的另一种用工需求预测方法的流程图；
图4为本发明实施例提供的一种时段销量及智能购时段销量比例示意图；
图5为本发明实施例提供的一种用工需求预测装置的结构示意图；
图6为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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。
连锁零售企业，包括大型商超、便利店等，门店多、地域跨度大、从业人员多、门店管理复杂程度很高。面对庞大而复杂的企业组织结构，实现门店人员的高效管理是连锁零售企业迫切需要解决的难题，而门店作业人员排班是人员管理中的重要一环。
当前商超门店人员排班主要由店长及部门负责人手工完成，因此，一方面，人员排班效率较低，一次排班需要耗费2～3个小时，另一方面排班准确性依赖于门店排班人的经验，容易造成部分日期或时段收银员冗余或不足，从而导致排班的合理性较低，人员冗余导致收银员无效工时增加，而人员不足则影响顾客体验。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种用工需求预测方法进行详细介绍，如图1所示，该方法包括如下步骤：
步骤S102，根据预先获取的多个历史时间段分别对应的多个历史总销量数据，构建时间序列分解模型。
上述历史时间段可以理解为当前日期之前的一段时间，一般为当前日期之前的某一天；多个历史时间段可以理解为当前日期之前的多段时间，一般为当前日期之前的多天；当前日期之前的每一天即每个历史时间段，均对应一个历史总销量数据，当前日期之前的多天即多个历史时间段，对应多个历史总销量数据。
在实际实现时，可以根据当前日期获取最近一个月的门店历史销量数据，如果该月有30天，可以获取这30天(30个历史时间段)分别对应的30个历史总销量数据(其中，每一天对应一个历史总销量数据)，然后构建时间序列分解模型。具体获取时，对时间跨越长度不进行限制，可以为一年、半年、三个月、一个月等。
具体的，为了对门店线下销量预测(订单、SKU、EA)，可以使用时间序列分解算法(STL)，也即时间序列分解模型：该算法(模型)可以理解为是一个以天为单位的销量预测模型，复杂度较低，可解释性强，并且可以充分考虑促销、节假日等的影响，方便人工干预。时间序列分解算法(STL)主要分为两种：
其中一种为加性模型分解算法：
对于一个时间序列{y(t),t＝1,2…}，假设它是加性模型(an additivedecomposition)，则可以写成：
y(t)＝S(t)+T(t)+R(t)
其中，y(t)为原始数据，S(t)、T(t)、R(t)分别是周期成分(seasonal component)、趋势成分(trend-cycle component)、残差成分(remainder component)。
在实际实现时，假设当前日期为2022年12月1日，如果想要预测接下来一个星期(即2022年12月1日至2022年12月7)的线下销量。则可以获取该当前日期之前的一个月(2022年11月1日至2022年11月30日)也即30天中的每天的历史总销量数据；对应的时间序列为{y(t),t＝1,2…30}；其中，y(1)为2022年11月1日的历史总销量数据，y(2)为2022年11月2日的历史总销量数据，以此类推，直到y(30)为2022年11月30日的历史总销量数据。
加性模型分解步骤：
步骤一：时间序列的长期趋势T(t)
在原时间序列内依次求连续若干期的平均数作为其某一期的趋势值，如此逐项递移求得一系列的移动平均数，形成一个平均数时间序列。
如果想要预测接下来一个星期(2022年12月1日至2022年12月7)的线下销量，则上述连续若干期包括连续的7天分别对应的总历史销量数据，假设上述原时间序列仍为{y(t),t＝1,2…30}，则可以求y(1)到y(7)的平均数作为y(7)的趋势值；y(2)到y(8)的平均数作为y(8)的趋势值；以此类推，直到求得y(24)到y(30)的平均数作为y(30)的趋势值；
计算方式如下：
T(t)＝(yt+yt-1+…yt-N+1)/N
如果原时间序列为{y(t),t＝1,2…30}，则N＝7，平均数时间序列{T(t),t＝7,8…30}为{y(t),t＝7,8…30}的趋势值；其中，{y(t),t＝7,8…30}为原时间序列{y(t),t＝1,2…30}除去y(1)、y(2)、y(3)、y(4)、y(5)和y(6)之后剩下的序列。
实际实现时，需要从2022年11月1日，即y(1)开始，依次求连续7天的历史总销量数据的平均数，直到2022年11月30日，即y(30)结束。因此，y(1)、y(2)、y(3)、y(4)、y(5)和y(6)均没有对应的趋势值。
从y(7)开始有对应的趋势值，y(7)对应的趋势值T(7)，y(8)对应的趋势值T(8)，以此类推，直到y(30)对应的趋势值T(30)。具体的，y(7)到y(30)的趋势值均可以利用上述公式T(t)＝(yt+yt-1+…yt-N+1)/N求得。
下面分别以求取y(7)、y(8)、y(30)对应的趋势值T(7)、T(8)、T(30)为例，进行计算：
T(7)＝(y7+y6+y5+y4+y3+y2+y1)/7
T(8)＝(y8+y7+y6+y5+y4+y3+y2)/7
T(30)＝(y24+y2+y26+y27+y28+y29+y30)/7
基于上述可知，{y(t),t＝1,2…30}，与{T(t),t＝7,8…30}的对应关系如下：
Figure BDA0004113193850000081
Figure BDA0004113193850000091
步骤二：计算去掉趋势成分的时间序列D(t)＝y(t)-T(t)。
因为没有T(1)、T(2)、T(3)、T(4)、T(5)、T(6)；所以也没有D(1)、D(2)、D(3)、D(4)、D(5)、D(6)，即去掉趋势成分的时间序列为{D(t),t＝7,8…30},
步骤三：估计周期成分S(t)
基于上述可知，{y(t),t＝1,2…30}，与{D(t),t＝7,8…30}的对应关系如下：
Figure BDA0004113193850000092
实际实现时，可以对同一周期的数据取均值求周期性成分，例如,对于原时间序列{y(t),t＝1,2…30}，如果想要根据该原时间序列预测接下来一个星期(2022年12月1日至2022年12月7)的线下销量，可以对所有D(t)中的周一的数据进行求均值，对所有D(t)中的周二的数据进行求均值、对所有D(t)中的周三的数据进行求均值、对所有D(t)中的周四的数据进行求均值、对所有D(t)中的周一的数据进行求均值、对所有D(t)中的周六的数据进行求均值、对所有D(t)中的周七的数据进行求均值。周期性成分会被调整(加上一个偏置)以使得它们的和为0。对周期性成分复制到D(t)的长度，即得到D(t)的所有周期性成分，记作S(t)。
具体的，D(7)至D(30)对应的日期为2022年11月7日至2022年11月30日，通过查询日历可知，2022年11月7日至2022年11月30日共有四个星期一，对应的D(t)分别为D(7)、D(14)、D(21)和D(28)，因此周一的周期性成分为S(1)＝[D(7)+D(14)+D(21)+D(28)]/4；共有四个星期二，对应的D(t)分别为D(8)、D(15)、D(22)和D(29)，因此周二的周期性成分为S(2)＝[D(8)+D(15)+D(22)+D(29)]/4；共有四个星期三，对应的D(t)分别为D(9)、D(16)、D(23)和D(30)，因此周三的周期性成分为S(3)＝[D(9)+D(16)+D(23)+D(30)]/3；共有三个星期四，对应的D(t)分别为D(10)、D(17)、D(24)，因此周四的周期性成分为S(4)＝[D(10)+D(17)+D(24)]/4；共有三个星期五，对应的D(t)分别为D(11)、D(18)、D(25)，因此周五的周期性成分为S(5)＝[D(11)+D(18)+D(25)]/3；共有三个星期六，对应的D(t)分别为D(12)、D(19)、D(26)，因此周六的周期性成分为S(6)＝[D(12)+D(119)+D(26)]/3；共有三个星期七(星期日)，对应的D(t)分别为D(13)、D(20)、D(27)，因此周七的周期性成分为S(7)＝[D(13)+D(20)+D(27)]/3。
基于上述可知，{S(t),t＝1,2…7}，{D(t),t＝7,8…30}中，所有的周一对应的D(t)均为S(1)，所有的周二对应的D(t)均为S(2)，所有的周三对应的D(t)均为S(3)，所有的周四对应的D(t)均为S(4)，所有的周五对应的D(t)均为S(5)，所有的周六对应的D(t)均为S(6)，所有的周七对应的D(t)均为S(7)。
步骤四：残差成分R(t)＝y(t)-T(t)-S(t)。
残差成分可以理解为节假日、促销、天气等影响因素对总历史销量数据产生的影响，引起的差异性变化。
基于上述可知，{y(t),t＝1,2…30}与{D(t),t＝7,8…30}、{S(t),t＝1,2…7}、{R(t),t＝1,2…30}、星期的对应关系如下：
Figure BDA0004113193850000111
另一种时间序列分解算法(STL)为乘法模型分解算法，类似地，一个乘性模型可以写成:
y(t)＝S(t)×T(t)×R(t)
对于乘性模型，可以取对数(当然是有意义的前提下)，将其转化为加性模型。
乘性模型和加性模型的思想很类似，区别在于可以把上述加性模型的步骤二改成D(t)＝y(t)÷T(t)，步骤四改成R(t)＝y(t)÷(T(t)×S(t))。
上述方法构建了以天为单位的销量预测模型(时间序列分解模型)。相比直接以小时为单位进行销量预测，以天为单位可预测性更高，并且方便加入各种影响因素，比如节假日、天气、促销等。
实际实现时，通过统计某门店在2019～2020年的订单维度日销量情况、sku维度日销量情况及EA维度日销量情况，可以发现SKU维度的统计规律性(即可预测性)最强，EA维度次之，然后是订单维度。其中，订单维度可以理解为订单的数量；sku维度可以理解为某一个订单包括的商品种类的个数，EA维度可以理解为某一个订单包括的商品的个数；假设某一个订单包括2瓶水和一个蛋糕，则该订单对应的sku为2，对应的EA为3。
步骤S104，基于时间序列分解模型，生成多个预测时间段分别对应的多个预测总销量数据。
通过步骤S102可知，时间序列分解模型有两种，假设为y(t)＝S(t)+T(t)+R(t)，当前日期为2022年12月1日，如果要预测接下来一个星期(2022年12月1日至2022年12月7)也就是七天(七个预测时间段)分别对应的七个预测总销量数据，可以根据y(t)＝S(t)+T(t)+R(t)预测，T(t)可以取距离当前日期最近的一个星期对应的均值，也就是T(30)，S(t)可以根据2022年12月1日至2022年12月7分别是星期几，取对应的周期成分，R(t)可以根据2022年12月1日至2022年12月7对应的天气，以及是否有节假日、促销活动等进一步确定。
具体的，假设2022年12月1日至2022年12月7(周四至周三)对应的七个预测总销量数据分别为y(31)、y(32)、y(33)、y(34)、y(35)、y(36)、y(37)，如果不考虑天气，节假日、促销活动的影响，则y(31)＝S(4)+T(30)+R(30)，y(32)＝S(5)+T(30)+R(30)，y(33)＝S(6)+T(30)+R(30)，y(34)＝S(7)+T(30)+R(30)，y(35)＝S(1)+T(30)+R(30)，y(36)＝S(2)+T(30)+R(30)，y(37)＝S(3)+T(30)+R(30)。
如果考虑天气，节假日、促销活动的影响，以天气为例，假设2022年12月1日至2022年12月7均为雨天，则可以先获取2022年11月1日至2022年11月30中所有雨天分别对应的R(t)，然后再求平均值，将该平均值作为计算y(31)、y(32)、y(33)、y(34)、y(35)、y(36)、y(37)时的R(t)。
步骤S106，针对每个预测总销量数据，基于该预测总销量数据以及预先获取的多个平均比例，将该预测总销量数据划分每个预测子时间段分别对应的多个预测子销量数据。
上述每个预测子时间段可以理解为每个小时，每个预测时间段可以包括多个预测子时间段，相当于每天的工作时间，比如一天当中，规定的上班时间为早晨八点(8:00)至晚上十点(22:00)，中午不休息，则每天有14个预测子时间段。每个预测时间段(每天)包括的预测子时间段个数通常是相同的。上述每个平均比例可以理解为历史时间段中对应的历史子时间段的历史子销量数据占历史总销量数据的百分比。
实际实现时，为了提高预测的准确度，从而安排合适的工时，合理排班，可以以小时为单位预测门店线下销量(订单、SKU或EA)，将一天的销量(预测总销量数据)按一定比例(多个平均比例)拆分成以小时为单位的多个时段的销量(多个预测子销量数据)，一次给出一个星期的预测结果。
假设2022年12月1日对应的预测总销量数据为y(31)＝1000，2022年12月1日包括14个预测子时间段，预先获取的14个预测子时间段的平均比例分别为:8:00-9:00为4.49％、9:00-10:00为8.24％、10:00-11:00为9.83％、11:00-12:00为9.08％、12:00-13:00为6.62％、13:00-14:00为5.52％、14:00-15:00为6.47％、15:00-16:00为7.87％、16:00-17:00为8.60％、17:00-18:00为8.51％、18:00-19:00为7.56％、19:00-20:00为7.10％、20:00-21:00为6.53％、21:00-22:00为3.58％，则14个预测子时间段分别对应的预测子销量数据为8:00-9:00为44.9(1000×4.49％＝44.9)、9:00-10:00为82.4(1000×8.24％＝82.4)、10:00-11:00为98.3、11:00-12:00为90.8、12:00-13:00为66.2％、13:00-14:00为55.2、14:00-15:00为64.7、15:00-16:00为78.7、16:00-17:00为86.0、17:00-18:00为85.1、18:00-19:00为75.6、19:00-20:00为71.0、20:00-21:00为65.3、21:00-22:00为35.8。
实际实现时，通过获取某门店2019年6月-2021年3月的订单维度、sku维度及EA维度的时段平均销量比例(该时段销量占全天销量的百分比)情况，可以发现总体规律性非常明显，每天的变化趋势是大概一致的，先上升，然后下降，接着再次上升，然后再下降；两次的峰值分别为10:00点到11：00、16：00点到17:00点，而且相同的时间段，比如每天的8点到9点时段平均销量比例变化差异不大，可近似认为相同。当然在特定的时段，平均销量比例可能会有差异，因此可以考虑特定时段的天气、促销、节假日等，在平均销量比例的基础上结合实际情况进行调整。
步骤S108，基于每个预测子销量数据，生成每个预测子时间段分别对应的用工需求信息。
实际实现时，可以理解为根据时段销量及相关排班规则进行智能排班，比如某一个预测子时间段(16:00-17:00)的预测子销量数据为86个订单，排班规则规定每个收银员一个小时(也可以理解为1个工时)最多可以处理45个订单，则该预测子时间段(8点-9点)可以安排两个收银员，也即对应的用工需求信息(收银员数量或排班工时)为2。
人效是零售企业的一个非常重要的核心指标，根据门店的经营情况进行合理的人员配置，可以提升工作效率、降低用人成本，在竞争中有更强的生存能力，而合理的人员排班是提高人效的有效方式。
标准日人效＝当天销售额/(员工实际出勤打卡总工时/标准日工时)/1000
标准月人效＝上月销售金额/(员工上月全部工时/标准月工时)/1000
门店人效与门店的销售额以及门店排班工时直接相关，增加销售额以及优化门店排班可以提高门店人效。
如图2所示的一种门店人效与门店规模、销售额、排班工时的相关性示意图，通过对相似规模门店的人效进行对比分析发现，相同规模下门店的排班工时和门店的销售额总体呈正相关关系，基于以上现象，可以进行门店排班的合理性分析：
(1)门店销量大，排班工时少，人效高
这种情况虽然人效高，但是需要关注是否有员工工作压力过大的问题，员工工作压力过大一方面影响顾客体验，另一方面可能导致离职率高。
(2)门店销量小，排班工时高，人效低
这种情况说明员工工作量较小，可以适度减少排班量，从而降低用人成本，使得门店在竞争中有更强的生存能力。
而本申请的上述实施例可以准确对未来销量进行预测，从而合理地进行人员排班，一方面可以节省人工排班的时间耗费，另一方面可以缓解排班不合理造成的人员冗余导致员无效工时增加或者人员不足则影响顾客体验、员工压力增大的情况。
上述用工需求预测方法，包括根据预先获取的多个历史时间段分别对应的多个历史总销量数据，构建时间序列分解模型；基于时间序列分解模型，生成多个预测时间段分别对应的多个预测总销量数据；针对每个预测总销量数据，基于该预测总销量数据以及预先获取的多个平均比例，将该预测总销量数据划分每个预测子时间段分别对应的多个预测子销量数据；基于每个预测子销量数据，生成每个预测子时间段分别对应的用工需求信息。该方式通过将时间序列分解模型生成的多个预测时间段的预测总销量数据按照各自对应的平均比例划分，可以对未来的销量进行预测，从而合理地进行人员排班，提高排班的合理性，避免人员冗余或不足。
本发明实施例还提供了另一种用工需求预测方法，该方法在上述实施例方法的基础上实现；如图3所示，该方法包括如下步骤：
步骤S202，根据预先获取的多个历史时间段分别对应的多个历史总销量数据，构建时间序列分解模型。
实际实现时，每个历史时间段包括多个历史子时间段；针对每个历史时间段，该历史时间段对应的历史总销量数据为该历史时间段的每个历史子时间段分别对应的历史子销量数据之和。
具体的，每个历史时间段一般包括14个历史子时间段，假设其中一个历史时间段为2022年11月23日，14个历史子时间段为(8:00-22:00)，其中，从8:00开始到22:00结束，每个小时对应一个历史子时间段，每个历史子时间段(比如8:00-9:00)的销售量，为该历史子时间段对应的历史子销量数据，则8:00-22:00中的14个历史子时间段对应的历史子销量数据之和为该历史时间段对应的历史总销量数据。
步骤S204，基于时间序列分解模型，生成多个预测时间段分别对应的多个预测总销量数据。
步骤S206，针对每个预测总销量数据，基于该预测总销量数据以及预先获取的多个平均比例，将该预测总销量数据划分每个预测子时间段分别对应的多个预测子销量数据。
具体的，每个平均比例可以通过以下步骤五至步骤七计算得到：
步骤五：获取每个历史子时间段分别对应的历史子销量数据。
在实际实现时，假设多个历史时间段为2022年11月1日至2022年11月30日，也即30个历史时间段，这30个历史时间段中的每个历史时间段可以包括14个历史子时间段(也即一天当中的8:00-22:00)；然后获取30个历史时间段中每个历史时间段包括的14个历史子时间段对应的历史子销量数据。
步骤六：基于每个历史子销量数据和每个历史总销量数据，得到每个历史子时间段分别对应的历史子销量数据比例。
在实际实现时，可以根据当前日期，获取最近的30个历史总销量数据，以及30个历史总销量数据对应的420个历史子销量数据(时段销量数据)，然后根据这420个历史子销量数据和30个历史总销量数据(每个历史总销量数据对应14个历史子销量数据)可以计算出每个历史子销量数据占其对应的历史总销量数据的比例(相当于每个历史子时间段分别对应的历史子销量数据比例)，得到420个历史子销量数据比例。
上述420个历史子销量数据比例中包括30个8:00-9:00(2022年11月1日至2022年11月30日这30天中每天的8:00-9:00)对应的历史子销量数据比例、30个9:00-10:00对应的历史子销量数据比例、30个10:00-11:00对应的历史子销量数据比例、30个11:00-12:00对应的历史子销量数据比例、30个12:00-13:00对应的历史子销量数据比例、30个13:00-14:00对应的历史子销量数据比例、30个14:00-15:00对应的历史子销量数据比例、30个15:00-16:00对应的历史子销量数据比例、30个16:00-17:00对应的历史子销量数据比例、30个17:00-18:00对应的历史子销量数据比例、30个18:00-19:00对应的历史子销量数据比例、30个19:00-20:00对应的历史子销量数据比例、30个20:00-21:00对应的历史子销量数据比例、30个21:00-22:00对应的历史子销量数据比例。
步骤七：基于每个历史子销量数据比例，确定每个历史子时间段分别对应的平均比例。
在实际实现时，可以计算出30个8:00-9:00对应的历史子销量数据比例的平均值作为8:00-9:00这个历史子时间段对应的平均比例；计算出30个9:00-10:00对应的历史子销量数据比例的平均值作为9:00-10:00这个历史子时间段对应的平均比例；计算出30个10:00-11:00对应的历史子销量数据比例的平均值作为10:00-11:00这个历史子时间段对应的平均比例；计算出30个11:00-12:00对应的历史子销量数据比例的平均值作为11:00-12:00这个历史子时间段对应的平均比例；计算出30个12:00-13:00对应的历史子销量数据比例的平均值作为12:00-13:00这个历史子时间段对应的平均比例；计算出30个13:00-14:00对应的历史子销量数据比例的平均值作为13:00-14:000这个历史子时间段对应的平均比例；计算出30个14:00-15:00对应的历史子销量数据比例的平均值作为14:00-15:00这个历史子时间段对应的平均比例；计算出30个15:00-16:00对应的历史子销量数据比例的平均值作为15:00-16:00这个历史子时间段对应的平均比例；计算出30个16:00-17:00对应的历史子销量数据比例的平均值作为16:00-17:00这个历史子时间段对应的平均比例；计算出30个17:00-18:00对应的历史子销量数据比例的平均值作为17:00-18:00这个历史子时间段对应的平均比例；计算出30个18:00-19:00对应的历史子销量数据比例的平均值作为18:00-19:00这个历史子时间段对应的平均比例；计算出30个19:00-20:00对应的历史子销量数据比例的平均值作为19:00-20:00这个历史子时间段对应的平均比例；计算出30个20:00-21:00对应的历史子销量数据比例的平均值作为20:00-21:00这个历史子时间段对应的平均比例；计算出30个21:00-22：00对应的历史子销量数据比例的平均值作为21:00-22:00这个历史子时间段对应的平均比例。
假设获取到7个预测总销量数据，对于每个预测总销量数据，可以将该预测总销量数据分别乘以上述14个历史子时间段分别对应的平均比例，得到14预测子时间段分别对应的预测子销量数据，其中，14个历史子时间段和14预测子时间段相同，均为8:00-9:00、9:00-10:00、10:00-11:00、11:00-12:00、12:00-13:00、13:00-14:00、14:00-15:00、15:00-16:00、16:00-17:0017:00-18:00、18:00-19:00、19:00-20:00、20:00-21:00、21:00-22:00。
步骤S208，获取每个历史子时间段分别对应的目标历史智能购销量比例。
实际实现时，收银员是商超门店作业人员的重要组成部分，一般需求波动较大，拉长到全年有各大节日，缩短到1天还分人流的波峰波谷，并且随着各种智能购设备的引入，包括自助购、自由购、智能购物车等，排班需要兼顾智能购和人工收银，使得收银作业人员的排班更加复杂。
具体的，每个历史子销量数据可以包括智能购销量数据和人工银台销量数据，其中，每个智能购销量数据占其对应的历史子销量数据的比例为历史智能购销量比例。智能购可以理解为多点收银产品核心,提供多种收银方式，满足线下多场景下收银需求,较大程度提高收银效率,提升用户体验，包括DPOS，自助购、自由购、智能购物车等；人工银台可以理解为商超门店、便利店的人工收银台。
参见图4所示的一种时段销量(历史子销量数据)及智能购时段销量比例(历史智能购销量比例)示意图，具体的图4为某门店2020年3月12日到2020年3月18日一个星期的时段销量及智能购时段销量比例，从图4中可以看出智能购时段销量比例存在两个高峰，一个是11点-13点，另一个是16点以后；智能购的销量比例峰值滞后于时段销量的峰值。
具体的，该步骤S208可以通过以下步骤八至步骤十实现：
步骤八：获取每个历史子时间段分别对应的历史智能购销量数据。
假设获取到30个历史时间段，针对每个历史时间段，该历史时间段可以有14个历史子时间段，其中，每个历史子时间段对应的历史子销量数据为该历史子时间段对应的智能购销量数据(相当于历史智能购销量数据)和人工银台销量数据之和。
实际实现时，可以获取30个历史时间段中每个历史时间段包括的14个历史子时间段分别对应的历史智能购销量数据，得到420个历史智能购销量数据。
步骤九：基于每个历史智能购销量数据和每个历史子销量数据，得到每个历史子时间段分别对应的历史智能购销量比例。
实际实现时，可以计算出420个历史智能购销量数据占其对应的历史子销量数据的比例(相当于每个历史子时间段分别对应的历史智能购销量比例)，得到420个历史智能购销量比例。
步骤十：基于每个历史智能购销量比例，获取每个历史子时间段分别对应的目标历史智能购销量比例。
实际实现时，上述420个历史智能购销量比例包括30个8:00-9:00(2022年11月1日至2022年11月30日这30天中每天的8:00-9:00)对应的历史智能购销量比例、30个9:00-10:00对应的历史智能购销量比例、30个10:00-11:00对应的历史智能购销量比例、30个11:00-12:00对应的历史智能购销量比例、30个12:00-13:00对应的历史智能购销量比例、30个13:00-14:00对应的历史智能购销量比例、30个14:00-15:00对应的历史智能购销量比例、30个15:00-16:00对应的历史智能购销量比例、30个16:00-17:00对应的历史智能购销量比例、30个17:00-18:00对应的历史智能购销量比例、30个18:00-19:00对应的历史智能购销量比例、30个19:00-20:00对应的历史智能购销量比例、30个20:00-21:00对应的历史智能购销量比例、30个21:00-22:00对应的历史智能购销量比例。
具体的，可以从30个8:00-9:00对应的历史智能购销量比例中筛选出最大值(相当于同时段智能购最大比例)作为8:00-9:00这个历史子时间段对应的目标历史智能购销量比例；从30个9:00-10:00对应的历史智能购销量比例中筛选出最大值作为9:00-10:00这个历史子时间段对应的目标历史智能购销量比例；从30个10:00-11:00对应的历史智能购销量比例中筛选出最大值作为10:00-11:00这个历史子时间段对应的目标历史智能购销量比例；从30个11:00-12:00对应的历史智能购销量比例中筛选出最大值作为11:00-12:00这个历史子时间段对应的目标历史智能购销量比例；从30个12:00-13:00对应的历史智能购销量比例中筛选出最大值作为12:00-13:00这个历史子时间段对应的目标历史智能购销量比例；从30个13:00-14:00对应的历史智能购销量比例中筛选出最大值作为13:00-14:00这个历史子时间段对应的目标历史智能购销量比例；从30个14:00-15:00对应的历史智能购销量比例中筛选出最大值作为14:00-15:00这个历史子时间段对应的目标历史智能购销量比例；从30个15:00-16:00对应的历史智能购销量比例中筛选出最大值作为15:00-16:00这个历史子时间段对应的目标历史智能购销量比例；从30个16:00-17:00对应的历史智能购销量比例中筛选出最大值作为16:00-17:00这个历史子时间段对应的目标历史智能购销量比例；从30个17:00-18:00对应的历史智能购销量比例中筛选出最大值作为17:00-18:00这个历史子时间段对应的目标历史智能购销量比例；从30个18:00-19:00对应的历史智能购销量比例中筛选出最大值作为18:00-19:00这个历史子时间段对应的目标历史智能购销量比例；从30个19:00-20:00对应的历史智能购销量比例中筛选出最大值作为19:00-20:00这个历史子时间段对应的目标历史智能购销量比例；从30个20:00-21:00对应的历史智能购销量比例中筛选出最大值作为20:00-21:00这个历史子时间段对应的目标历史智能购销量比例；从30个21:00-22:00对应的历史智能购销量比例中筛选出最大值作为21:00-22:00这个历史子时间段对应的目标历史智能购销量比例。
步骤S210，基于每个预测子销量数据和每个目标历史智能购销量比例，确定每个预测子时间段分别对应的人工银台销量数据。
具体的，该步骤S210可以通过以下步骤十一至步骤十二实现：
步骤十一：基于每个预测子销量数据和每个目标历史智能购销量比例，确定每个预测子时间段分别对应的预测智能购销量数据。
实际实现时，以某一个预测时间段(比如2022年12月1号)为例，该预测时间段包括14个预测子时间段(与14个历史子时间段相同)，假设获取到14个预测子时间段分别对应的14个预测子销量数据，该14个预测子销量数据分别对应上述14个目标历史智能购销量比例，可以将该14个预测子销量数据分别乘以对应的目标历史智能购销量比例，得到14个预测子时间段分别对应的预测智能购销量数据。
步骤十二：计算每个预测子销量数据与每个预测智能购销量数据的差值，得到每个预测子时间段分别对应的人工银台销量数据。
实际实现时，仍以某一个预测时间段(比如2022年12月1号)为例，通过计算上述14个预测子销量数据分别与其对应的预测智能购销量数据的差值，可以得到14个预测子时间段分别对应的人工银台销量数据。
具体的，人工银台时段工作量(每个预测子时间段对应的人工银台销量数据)等于时段总销量(每个预测子时间段对应的预测子销量数据)减去智能购的销量(每个预测子时间段对应的预测智能购销量数据)。比如，预测得到2022年12月1号的8:00-9:00的时段总销量为100、智能购的销量为20(即8:00-9:00这个历史子时间段对应的目标历史智能购销量比例为20％)，则人工银台时段工作量为80(100-20)。
步骤S212，基于每个人工银台销量数据，生成每个预测子时间段分别对应的用工需求信息。
实际实现时，如果2022年12月1号的8:00-9:00的人工银台时段工作量为80，而每个收银员一个工时(小时)最多可以处理45个订单，则至少需要两名收银员完成，即可以在2022年12月1号的8:00-9:00排班生成两名收银员。
具体的，上述实施例可以理解为是基于智能购效能最大化的一种用工需求预测方法，智能购效能最大化的目标是使一天内各个时段智能购占线下订单量的销售比例最大化。可以使用历史(比如最近一个月内)同时段智能购最大比例作为该时段的效能进行计算，相当于一定程度上高估智能购的销售比例，低估人工银台销售量，减少用工需求，从而降低用人成本，合理排班。
上述用工需求预测方法结合门店历史总销售数据、历史子销售数据、历史子销量数据比例、历史智能购销量数据、历史智能购销量比例，以及节假日、促销、天气等因素可以以自动化、智能化的方式对未来门店的销量(人工银台销量数据)进行预测，从而对未来用工需求进行预估，为实现门店人员智能排班提供数据依据，兼顾智能购和人工收银，提高了收银作业人员的排班合理性，该文方法同样适用于其他岗位的用工需求预测。
步骤S214，基于预先设置的评价指标，评价每个预测子时间段分别对应的用工需求信息的合理性。
上述评价指标包括目标单位工时处理订单量均值和目标离散系数；实际实现时，为了对当前门店的排班合理性进行评价，可以首先定义排班合理性的评价指标，通过量化指标对排班状况进行客观、合理、统一的评价，发现当前门店排班的问题并进行针对性优化。具体的，可以先计算门店一定时间范围内(周、月、等)单位工时处理订单量均值，以及单位工时处理订单量均值的离散系数，然后与目标单位工时处理订单量均值和目标离散系数两个评价指标相比较，衡量门店排班的合理性，离散系数表示波动程度(稳定性)。
具体的，该步骤S214可以通过以下步骤十三至步骤十九实现：
步骤十三：获取每个预测子时间段分别对应的用工需求信息和每个预测时间段分别对应的实际人工银台销量数据。
实际实现时，根据每个预测子时间段分别对应的用工需求信息可以进行排班，生成排班数据，然后根据该排班数据安排收银员完成工作。虽然，根据上述实施例可以预测每个预测子时间段分别对应的人工银台销量数据，但是门店实际运营时，由于各种突发因素，得到的实际人工银台销量数据有可能与预测的人工银台销量数据差别很大，从而造成排班不合理，因此，门店实际运营完成后，需要对排班数据的合理性进行评价。
步骤十四：基于每个预测子时间段分别对应的用工需求信息，获取每个预测时间段分别对应的总用工需求信息。
实际实现时，假设获取到七个预测时间段(2022年12月1日至2022年12月7日)中，每个预测时间段包括的14个预测子时间段分别对应的用工需求信息(排班工时)，那么，针对每个预测时间段，可以求取该预测时间段的14个预测子时间段分别对应的用工需求信息的和，得到七个预测时间段分别对应的总用工需求信息(日排班工时)。
步骤十五：基于每个实际人工银台销量数据和每个所述总用工需求信息，确定每个预测时间段对应的单位工时处理订单量。
实际实现时，针对每个所述预测时间段，可以计算其对应的实际人工银台销量数据(日订单量)与对应的总用工需求信息的比值(日排班工时)，得到单位工时处理订单量，如下所示：
Figure BDA0004113193850000241
假设，2022年12月1日至2022年12月7日包括的7个预测时间段分别对应的实际人工银台销量数据(日订单量)为700、800、1000、900、1200、1400、1600；2022年12月1日至2022年12月7日包括的7个预测时间段分别对应的总用工需求信息(日排班工时)为35、20、40、30、25、40、50；则2022年12月1日至2022年12月7日包括的7个预测时间段分别对应的单位工时处理订单量为20、40、25、30、48、35、32。
步骤十六：基于每个预测时间段对应的单位工时处理订单量，确定单位工时处理订单量均值。
根据上述7个预测时间段分别对应的单位工时处理订单量，可以计算得到单位工时处理订单量均值为33，即(20+40+25+30+48+35+32)÷7＝33，计算时，根据四舍五入原则保留整数即可。
步骤十七：基于单位工时处理订单量均值与每个预测时间段对应的单位工时处理订单量，确定单位工时处理订单量标准差。
实际实现时，可以先求取每个单位工时处理订单量与单位工时处理订单量均值的绝对值的平方，接着计算多个绝对值的平方和，最后再将平方和开方得到对单位工时处理订单量标准差，具体如下所示：
Figure BDA0004113193850000251
其中，i为第i个预测时间段；a为单位工时处理订单量均值；fi为第i个预测时间段对应的单位工时处理订单量；b为单位工时处理订单量标准差。
因此，当2022年12月1日至2022年12月7日包括的7个预测时间段分别对应的单位工时处理订单量为20、40、25、30、48、35、32；单位工时处理订单量均值为33时，可以计算得到的单位工时处理订单量标准差为23，具体如下所示：
Figure BDA0004113193850000252
步骤十八：计算单位工时处理订单量标准差与单位工时处理订单量均值的比值，得到离散系数。
实际实现时，公式如下所示：
Figure BDA0004113193850000253
因此，当单位工时处理订单量标准差为23，单位工时处理订单量均值为33时，离散系数为0.7，计算时，根据四舍五入计算原则，保留1位小数即可。
步骤十九：如果单位工时处理订单量均值大于目标单位工时处理订单量均值且离散系数小于目标离散系数，确定用工需求信息具有合理性。
实际实现时，目标单位工时处理订单量均值和目标离散系数可以预先设置，如果单位工时处理订单量均值小于目标单位工时处理订单量均值，或着离散系数大于目标离散系数，或者单位工时处理订单量均值小于目标单位工时处理订单量均值且离散系数大于目标离散系数，可以确定用工需求信息不合理，从而确定排班数据不合理。如果单位工时处理订单量均值大于目标单位工时处理订单量均值且离散系数小于目标离散系数，确定用工需求信息具有合理性，从而确定排班数据合理。
当离散系数值小于目标离散系数，说明门店每天的排班与订单量的变化趋势一致，即订单量多排班多，订单量少排班少；当离散系数值大于目标离散系数，说明门店每天的排班与订单量的变化趋势不一致。当单位工时处理订单量均值大于目标单位工时处理订单量均值时说明工作量饱和，而单位工时处理订单量均值小于目标单位工时处理订单量均值时说明排班工时过多，员工工作量不够饱和。
因此，当排班与订单量不一致时可以合理优化排班，从而提高排班合理性，进而提高门店人效，而合理的排班依赖于精准的订单量预测；当单位工时处理订单量小时，可以分析原因看是否可以适当减少人数(排班工时)，从而节省人力成本。
上述用工需求预测方法，提供了针对排班合理性评价的量化指标，门店可以根据该指标对排班合理性进行监控、发现排班问题，同时该方法自动化运行，能够对大规模门店进行销量预测及自动排班，并且该方法能够根据业务反馈持续对算法进行优化。
本发明实施例还提供了一种用工需求预测装置，如图5所示，装置包括：构建模块50，用于根据预先获取的多个历史时间段分别对应的多个历史总销量数据，构建时间序列分解模型；第一生成模块51，用于基于时间序列分解模型，生成多个预测时间段分别对应的多个预测总销量数据；划分模块52，用于针对每个预测总销量数据，基于该预测总销量数据以及预先获取的多个平均比例，将该预测总销量数据划分每个预测子时间段分别对应的多个预测子销量数据；第二生成模块53，用于基于每个预测子销量数据，生成每个预测子时间段分别对应的用工需求信息。
上述用工需求预测装置，包括：根据预先获取的多个历史时间段分别对应的多个历史总销量数据，构建时间序列分解模型；基于时间序列分解模型，生成多个预测时间段分别对应的多个预测总销量数据；针对每个预测总销量数据，基于该预测总销量数据以及预先获取的多个平均比例，将该预测总销量数据划分每个预测子时间段分别对应的多个预测子销量数据；基于每个预测子销量数据，生成每个预测子时间段分别对应的用工需求信息。该装置通过将时间序列分解模型生成的多个预测时间段的预测总销量数据按照各自对应的平均比例划分，可以对未来的销量进行预测，从而合理地进行人员排班，提高排班的合理性，避免人员冗余或不足。
进一步的，每个历史时间段包括多个历史子时间段；针对每个历史时间段，该历史时间段对应的历史总销量数据为该历史时间段的每个历史子时间段分别对应的历史子销量数据之和；装置还包括获取模块，获取模块用于获取每个历史子时间段分别对应的历史子销量数据；基于每个历史子销量数据和每个历史总销量数据，得到每个历史子时间段分别对应的历史子销量数据比例；基于每个历史子销量数据比例，确定每个历史子时间段分别对应的平均比例。
进一步的，第二生成模块还用于：获取每个历史子时间段分别对应的目标历史智能购销量比例；基于每个预测子销量数据和每个目标历史智能购销量比例，确定每个预测子时间段分别对应的人工银台销量数据；基于每个人工银台销量数据，生成每个预测子时间段分别对应的用工需求信息。
进一步的，第二生成模块还用于：获取每个历史子时间段分别对应的历史智能购销量数据；基于每个历史智能购销量数据和每个历史子销量数据，得到每个历史子时间段分别对应的历史智能购销量比例；基于每个历史智能购销量比例，获取每个历史子时间段分别对应的目标历史智能购销量比例。
进一步的，第二生成模块还用于：基于每个预测子销量数据和每个目标历史智能购销量比例，确定每个预测子时间段分别对应的预测智能购销量数据；计算每个预测子销量数据与每个预测智能购销量数据的差值，得到每个预测子时间段分别对应的人工银台销量数据。
进一步的，装置还包括评价模块，评价模块用于：基于预先设置的评价指标，评价每个预测子时间段分别对应的用工需求信息的合理性。
进一步的，评价指标包括目标单位工时处理订单量均值和目标离散系数；评价模块还用于：获取每个预测子时间段分别对应的用工需求信息和每个预测时间段分别对应的实际人工银台销量数据；基于每个预测子时间段分别对应的用工需求信息，获取每个预测时间段分别对应的总用工需求信息；基于每个实际人工银台销量数据和每个总用工需求信息，确定每个预测时间段对应的单位工时处理订单量；基于每个预测时间段对应的单位工时处理订单量，确定单位工时处理订单量均值；基于单位工时处理订单量均值与每个预测时间段对应的单位工时处理订单量，确定单位工时处理订单量标准差；计算单位工时处理订单量标准差与单位工时处理订单量均值的比值，得到离散系数；如果单位工时处理订单量均值大于目标单位工时处理订单量均值且离散系数小于目标离散系数，确定用工需求信息具有合理性。
本发明实施例所提供的用工需求预测装置，其实现原理及产生的技术效果和前述用工需求预测方法实施例相同，用工需求预测装置实施例部分，可参考前述用工需求预测方法实施例中相应内容。
本发明实施例还提供了一种电子设备，参见图6所示，该电子设备包括处理器130和存储器131，该存储器131存储有能够被处理器130执行的机器可执行指令，该处理器130执行机器可执行指令以实现上述用工需求预测方法。
进一步地，图6所示的电子设备还包括总线132和通信接口133，处理器130、通信接口133和存储器131通过总线132连接。
其中，存储器131可能包含高速随机存取存储器(RAM，Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口133(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。总线132可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
处理器130可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器130中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器130可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processor，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器131，处理器130读取存储器131中的信息，结合其硬件完成前述实施例的方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令在被处理器调用和执行时，该计算机可执行指令促使处理器实现上述用工需求预测方法，具体实现可参见方法实施例，在此不再赘述。
本发明实施例所提供的用工需求预测方法、装置及电子设备，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：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。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种用工需求预测方法，其特征在于，所述方法包括：
根据预先获取的多个历史时间段分别对应的多个历史总销量数据，构建时间序列分解模型；
基于所述时间序列分解模型，生成多个预测时间段分别对应的多个预测总销量数据；
针对每个所述预测总销量数据，基于该预测总销量数据以及预先获取的多个平均比例，将该预测总销量数据划分每个预测子时间段分别对应的多个预测子销量数据；
基于每个所述预测子销量数据，生成每个所述预测子时间段分别对应的用工需求信息。
2.根据权利要求1所述的方法，其特征在于，其中，每个历史时间段包括多个历史子时间段；针对每个所述历史时间段，该历史时间段对应的历史总销量数据为该历史时间段的每个历史子时间段分别对应的历史子销量数据之和；每个所述平均比例通过以下方式计算得到：
获取每个所述历史子时间段分别对应的历史子销量数据；
基于每个所述历史子销量数据和每个所述历史总销量数据，得到每个所述历史子时间段分别对应的历史子销量数据比例；
基于每个所述历史子销量数据比例，确定每个所述历史子时间段分别对应的平均比例。
3.根据权利要求2所述的方法，其特征在于，所述基于每个所述预测子销量数据，生成每个所述预测子时间段分别对应的用工需求信息的步骤包括：
获取每个所述历史子时间段分别对应的目标历史智能购销量比例；
基于每个所述预测子销量数据和每个所述目标历史智能购销量比例，确定每个预测子时间段分别对应的人工银台销量数据；
基于每个所述人工银台销量数据，生成每个所述预测子时间段分别对应的用工需求信息。
4.根据权利要求3所述的方法，其特征在于，所述获取每个所述历史子时间段分别对应的目标历史智能购销量比例的步骤包括：
获取每个所述历史子时间段分别对应的历史智能购销量数据；
基于每个所述历史智能购销量数据和每个所述历史子销量数据，得到每个所述历史子时间段分别对应的历史智能购销量比例；
基于每个历史智能购销量比例，获取每个所述历史子时间段分别对应的目标历史智能购销量比例。
5.根据权利要求3所述的方法，其特征在于，所述基于每个所述预测子销量数据和每个所述目标历史智能购销量比例，确定每个预测子时间段分别对应的人工银台销量数据的步骤包括：
基于每个所述预测子销量数据和每个所述目标历史智能购销量比例，确定每个所述预测子时间段分别对应的预测智能购销量数据；
计算每个所述预测子销量数据与每个所述预测智能购销量数据的差值，得到每个预测子时间段分别对应的人工银台销量数据。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于预先设置的评价指标，评价每个所述预测子时间段分别对应的用工需求信息的合理性。
7.根据权利要求6所述的方法，其特征在于，其中，所述评价指标包括目标单位工时处理订单量均值和目标离散系数；所述基于预先设置的评价指标，评价每个所述预测子时间段分别对应的用工需求信息的合理性的步骤包括：
获取每个所述预测子时间段分别对应的用工需求信息和每个所述预测时间段分别对应的实际人工银台销量数据；
基于每个所述预测子时间段分别对应的用工需求信息，获取每个所述预测时间段分别对应的总用工需求信息；
基于每个所述实际人工银台销量数据和每个所述总用工需求信息，确定每个所述预测时间段对应的单位工时处理订单量；
基于每个所述预测时间段对应的单位工时处理订单量，确定单位工时处理订单量均值；
基于所述单位工时处理订单量均值与每个所述预测时间段对应的单位工时处理订单量，确定单位工时处理订单量标准差；
计算所述单位工时处理订单量标准差与所述单位工时处理订单量均值的比值，得到离散系数；
如果所述单位工时处理订单量均值大于所述目标单位工时处理订单量均值且所述离散系数小于所述目标离散系数，确定所述用工需求信息具有合理性。
8.一种用工需求预测装置，其特征在于，所述装置包括：
构建模块，用于根据预先获取的多个历史时间段分别对应的多个历史总销量数据，构建时间序列分解模型；
第一生成模块，用于基于所述时间序列分解模型，生成多个预测时间段分别对应的多个预测总销量数据；
划分模块，用于针对每个所述预测总销量数据，基于该预测总销量数据以及预先获取的多个平均比例，将该预测总销量数据划分每个预测子时间段分别对应的多个预测子销量数据；
第二生成模块，用于基于每个所述预测子销量数据，生成每个所述预测子时间段分别对应的用工需求信息。
9.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器存储有能够被所述处理器执行的计算机可执行指令，所述处理器执行所述计算机可执行指令以实现权利要求1至7任一项所述的方法。
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存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，计算机可执行指令促使处理器实现权利要求1至7任一项所述的方法。
CN202310212339.7A 2023-02-24 2023-02-24 用工需求预测方法、装置及电子设备 Pending CN116187704A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310212339.7A CN116187704A (zh) 2023-02-24 2023-02-24 用工需求预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310212339.7A CN116187704A (zh) 2023-02-24 2023-02-24 用工需求预测方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN116187704A true CN116187704A (zh) 2023-05-30

Family

ID=86447407

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310212339.7A Pending CN116187704A (zh) 2023-02-24 2023-02-24 用工需求预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN116187704A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117436709A (zh) * 2023-12-20 2024-01-23 四川宽窄智慧物流有限责任公司 一种跨区域订单数据统筹预警方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117436709A (zh) * 2023-12-20 2024-01-23 四川宽窄智慧物流有限责任公司 一种跨区域订单数据统筹预警方法
CN117436709B (zh) * 2023-12-20 2024-03-19 四川宽窄智慧物流有限责任公司 一种跨区域订单数据统筹预警方法

Similar Documents

Publication Publication Date Title
EP1529329B1 (en) Energy consumption monitoring
Paraskevopoulos et al. Robust capacity planning under uncertainty
US8631040B2 (en) Computer-implemented systems and methods for flexible definition of time intervals
Lam et al. Retail sales force scheduling based on store traffic forecasting
Shvartser et al. Forecasting hourly water demands by pattern recognition approach
Geurts et al. Forecasting retail sales using alternative models
JP2001084239A (ja) 商品販売数量の分析方法、その予測方法、商品発注量の決定方法、及びプログラムを記憶した記憶媒体
JP2004519021A (ja) 動的値付けシステム
CN109978230B (zh) 一种基于深度卷积神经网络的电力销售金额智能预测方法
EP0954814A1 (en) System and method for weather adapted, business performance forecasting
CN116187704A (zh) 用工需求预测方法、装置及电子设备
CN115099842A (zh) 一种商品销量预测模型、构建方法及其应用
Urban A periodic-review model with serially-correlated, inventory-level-dependent demand
CN115860800A (zh) 一种节假日商品销量预测方法、装置及计算机存储介质
Adur Kannan et al. Forecasting spare parts sporadic demand using traditional methods and machine learning-a comparative study
CN114240473A (zh) 基于sku智能补货的方法及系统
Raheem et al. Forecasting foreign exchange rate: Use of FbProphet
JP2007316758A (ja) 来店客数予測サーバ及び来店客数予測プログラム
CN112488418B (zh) 一种全拓扑负荷预测方法、装置及计算机设备
JP2001243401A (ja) 受注予測システム
CN113283844A (zh) 时效敏感物料的库存确定方法、装置、电子设备
CN116308465B (zh) 一种基于移动支付的大数据分析系统
CN114862312A (zh) 一种基于时间序列算法的合理库存管理方法
Kuang Research on Vegetable Pricing Strategy Based on Simplified Single-Factor Optimization Model
Zhang Automatic Pricing and Replenishment Decision for Vegetable Products Based on ARIMA Model and Intelligent Algorithm

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