CN116703346A - 一种基于大数据和人工智能的考勤管理系统及管理方法 - Google Patents
一种基于大数据和人工智能的考勤管理系统及管理方法 Download PDFInfo
- Publication number
- CN116703346A CN116703346A CN202310663247.0A CN202310663247A CN116703346A CN 116703346 A CN116703346 A CN 116703346A CN 202310663247 A CN202310663247 A CN 202310663247A CN 116703346 A CN116703346 A CN 116703346A
- Authority
- CN
- China
- Prior art keywords
- attendance
- information
- checking
- module
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000000694 effects Effects 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 238000007726 management method Methods 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 9
- 230000005856 abnormality Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000004080 punching Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000009825 accumulation Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
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
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
- G06Q10/1091—Recording time for administrative or management purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于大数据和人工智能的考勤管理系统及管理方法,包括信息获取模块,区域划定模块,考勤存储模块,考勤统计模块,考勤分析模块,异常分析模块,汇总模块,应用模块。针对学生信息,课程活动信息以及教室信息进行深度学习,对考勤地点进行区域划分,得到考勤区域集;对学生进行考勤信息统计时结合考勤区域集获取当前考勤信息,并对考勤信息进行分类处理,将正常考勤信息进行考勤处理,同时,将异常考勤信息进行异常分析;将考勤处理结果和异常信息分析结果进行汇总处理,并将汇总结果存储考勤存储模块,为考勤管理提供数据依据。本发明实现了对考勤实施更全面的管理以及提高考勤管理效率的技术效果。
Description
技术领域
本发明涉及大数据分析和人工智能技术领域,尤其涉及一种基于大数据和人工智能的考勤管理系统及管理方法。
背景技术
学风是一所大学的灵魂,是其办学思想、管理水平和教育质量的重要标志。学生课堂考勤工作是高校学风建设的根本,是日常教学管理工作的重要环节。切实抓好学生课堂考勤管理工作,是保证高效教育教学秩序正常运行和各项集体活动的顺利开展的重要手段,对于加强学生的组织纪律性,提高教学质量起到重要作用,对推进学校学风建设有着极为深远的意义。
现有技术中,公开了一种课堂考勤管理方法和系统,主要包括:接收客户端发送的识别请求,识别请求包括课程编号、班级编号和教室编号,根据所述识别请求中课程编号和班级编号从数据库获取对应班级学生信息表L;根据所述教室编号调动教室内相应图像采集设备开始进行图像采集;:接收边缘计算设备发送的待识别信息M,所述待识别信息M包括:人脸特征信息F、所述人脸特征信息F是由教室内相应的图像采集设备获取的原始人脸图像P1在边缘计算设备中经检测对齐和特征提取两个操作过程形成的特征向量P3;根据所述学生信息表L调取信息表中所有学生预先采集的信息M0,预先采集的学生信息M0包括:姓名、班级和预先采集人脸特征F0;将预先采集的人脸特征F0与现场获取的人脸特征信息F进行匹配,根据匹配结果显示已出勤学生名单和未出勤学生名单。
但上述技术至少存在如下问题:在多种原因造成出勤不完整问题时,考勤管理不够全面以及考勤管理效率低。
发明内容
本发明实施例通过提供一种基于大数据和人工智能的考勤管理系统及管理方法,解决了现有技术中在多种原因造成出勤不完整问题时,考勤管理不够全面以及考勤管理效率低的问题。实现了对考勤实施更全面的管理以及提高考勤管理效率的技术效果。
本发明提供了一种基于大数据和人工智能的考勤管理系统及管理方法,具体包括以下技术方案:
一种基于大数据和人工智能的考勤管理系统,包括以下部分:
信息获取模块,区域划定模块,考勤存储模块,考勤统计模块,考勤分析模块,异常分析模块,汇总模块,应用模块;
所述信息获取模块,对学生信息,课程活动信息,以及教室信息进行获取,并将获取到的信息数据送至区域划定模块;
所述区域划定模块,将信息获取模块传送的信息数据作为训练样本进行深度学习,对考勤区域进行划定,得到考勤区域集,为考勤统计模块提供参考;
所述考勤存储模块,将每次考勤的结果进行储存,用来为汇总统计或其他操作提供考勤历史数据;
所述考勤统计模块,对当前学生利用各种考勤打卡方式进行考勤统计,包括指纹、人脸、卡片、移动端,结合考勤区域集获取考勤统计结果发送至考勤分析模块,对考勤数据进行分析;
所述考勤分析模块,对考勤数据进行分类,将正常的考勤数据进行考勤分析,将无异常的数据的分析结果传送至汇总模块;将异常考勤数据发送至异常分析模块;所述异常考勤数据,包含学生考勤数据缺失,考勤地点不在考勤区域集;
所述异常分析模块,针对考勤异常的数据进行异常分析,并将异常分析结果传送至汇总模块;
所述汇总模块,将考勤分析模块以及异常分析模块的分析结果进行汇总,并将汇总结果传送至考勤存储模块进行储存;
所述应用模块,针对考勤内容不同的用途,调用考勤存储模块中的考勤记录,形成表格,输送至管理人员;所述用途包含学生监督,评定优秀学生,评定奖学金。
一种基于大数据和人工智能的考勤管理方法,包括以下步骤:
S1.针对学生信息,课程活动信息以及教室信息进行深度学习,对考勤地点进行区域划分,得到考勤区域集;
S2.对学生进行考勤信息统计时结合考勤区域集获取当前考勤信息,并对考勤信息进行分类处理,将正常考勤信息进行考勤处理,同时,将异常考勤信息进行异常分析;
S3.将考勤处理结果和异常信息分析结果进行汇总处理,并将汇总结果存储考勤存储模块,为考勤管理提供数据依据。
进一步,所述S1具体包括:
针对学生信息,课程活动信息以及教室信息进行筛选转换处理,得到便于处理的训练样本;将所述训练样本通过深度学习神经网络模型的训练,对考勤地点进行区域划分,得到考勤区域集。
进一步,所述S1还包括:
构建深度学习神经网络模型对训练样本集合进行训练,对考勤学生,考勤地点,考勤时间进行区域划分,得到考勤区域集,所述考勤区域集包含考勤学生区域集,考勤地点区域集,考勤时间区域集;具体过程如下:将经过筛选转换处理的信息集合/>作为输入层的输入,按照学生,课程活动,教室进行分解,得到输入层的三个输出:/>然后经过第一领域区、第二领域区、第三领域区的作用,所述第一领域区为计算考勤学生区域集的功能区;所述第二领域区为计算考勤地点区域集的功能区;所述第三领域区为计算考勤时间区域集的功能区;最后,将三个领域区得到的考勤学生区域集,考勤地点区域集,考勤时间区域集作为融合层输入,在所述融合层构建通过构建三维空间坐标系,将第一领域区、第二领域区、第三领域区得到的考勤学生区域集,考勤地点区域集,考勤时间区域集中的元素至于所述三维空间坐标系中的三个坐标轴上作为上面的元素,得到三维考勤空间域集,即考勤区域集Space。
进一步,所述S2具体包括:
通过各种考勤方式进行打卡考勤,结合考勤区域集对考勤数据进行统计,并对考勤数据进行分类处理得到正常考勤信息和异常考勤信息,并将所述正常考勤信息,在经考勤分析模块进行考勤处理,得到基于正常考勤信息的考勤结果;以及所述异常考勤信息,经异常分析模块进行异常分析处理,得到基于异常考勤信息的考勤结果。
进一步,所述S2还包括:
通过构建考勤汇总模型对考勤数据进行统计,具体过程如下:
Model={Pe,Space,Os,Ts,Ss,Out}
其中,Pe表示学生信息;Space表示考勤区域集;Os表示第一区域距离集合;Ts表示第二区域距离集合;Ss表示第三区域距离集合;Out表示模型输出,即学生考勤信息。
进一步,所述S3具体包括:
将考勤处理结果和异常信息处理结果进行汇总形成表格,并将汇总的信息结果存储于考勤存储模块,对考勤记录进行更新,以保障考勤数据的完整性,同时,根据考勤存储模块存储的考勤信息,为各用途提供考勤数据,形成表格由管理人使用。
有益效果:
本发明实施例中提供的多个技术方案,至少具有如下技术效果或优点:
1、本发明通过对学生信息,课程活动信息以及教室信息进行筛选处理为考勤信息的全面性提供数据依据,同时对筛选后的信息集合进行转换处理,为得到考勤区域集提供参数依据,构建深度学习神经网络模型更加准确全面的获取考勤区域集,进一步为考勤实施更全面的管理提供数据依据,同时提高了考勤管理的效率。
2、本发明通过构建对比神经网络模型参照考勤区域集对考勤信息进行统计得到了更准确的考勤信息以便于对考勤实施更全面的管理,同时将统计的考勤信息进行分类处理,及常规处理以及异常处理,节省了考勤管理的时间进一步提高考勤管理效率。
附图说明
图1为本发明所述一种基于大数据和人工智能的考勤管理系统的模块图;
图2为本发明所述一种基于大数据和人工智能的考勤管理方法的流程图。
具体实施方式
本发明实施例通过提供一种基于大数据和人工智能的考勤管理方法,解决了现有技术中在多种原因造成出勤不完整问题时,考勤管理不够全面以及考勤管理效率低的技术问题,总体思路如下:
针对学生信息,课程活动信息以及教室信息进行深度学习,对考勤地点进行区域划分,得到考勤区域集;对学生进行考勤信息统计时结合考勤区域集获取当前考勤信息,并对考勤信息进行分类处理,将正常考勤信息进行考勤处理,同时,将异常考勤信息进行异常分析;将考勤处理结果和异常信息分析结果进行汇总处理,并将汇总结果存储考勤存储模块,为考勤管理提供数据依据。通过对学生信息,课程活动信息以及教室信息进行筛选处理为考勤信息的全面性提供数据依据,同时对筛选后的信息集合进行转换处理,为得到考勤区域集提供参数依据,构建深度学习神经网络模型更加准确全面的获取考勤区域集,进一步为考勤实施更全面的管理提供数据依据,同时提高了考勤管理的效率;通过构建对比神经网络模型参照考勤区域集对考勤信息进行统计得到了更准确的考勤信息以便于对考勤实施更全面的管理,同时将统计的考勤信息进行分类处理,及常规处理以及异常处理,节省了考勤管理的时间进一步提高考勤管理效率。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1,本发明所述的一种基于大数据和人工智能的考勤管理系统包括以下部分:
信息获取模块,区域划定模块,考勤存储模块,考勤统计模块,考勤分析模块,异常分析模块,汇总模块,应用模块;
所述信息获取模块,对学生信息,课程活动信息,以及教室信息进行获取,并将获取到的信息数据送至区域划定模块;
所述学生信息,包含但不限于学生的姓名,年级,学院,专业,宿舍信息;所述课程活动信息,包含但不限于课程活动名称,课程活动属性,课程活动起止时间;所述教室信息,包含但不限于教室地址,教室规模,教室设施,教室所属学院;
所述区域划定模块,将信息获取模块传送的信息数据作为训练样本进行深度学习,对考勤区域进行划定,得到考勤区域集,为考勤统计模块提供参考;
所述考勤存储模块,将每次考勤的结果进行储存,用来为汇总统计或其他操作提供考勤历史数据;
所述考勤统计模块,对当前学生利用各种考勤打卡方式(指纹、人脸,卡片,移动端)进行考勤统计,结合考勤区域集获取考勤统计结果发送至考勤分析模块,对考勤数据进行分析;
所述考勤分析模块,对考勤数据进行分类,将正常的考勤数据进行考勤分析,将无异常的数据的分析结果传送至汇总模块。将异常考勤数据发送至异常分析模块;所述考勤异常数据,包含但不限于学生考勤数据缺失,考勤地点不在考勤区域集;
所述异常分析模块,针对考勤异常的数据进行异常分析,并将异常分析结果传送至汇总模块;
所述汇总模块,将考勤分析模块以及异常分析模块的分析结果进行汇总,并将汇总结果传送至考勤存储模块进行储存;
所述应用模块,针对考勤内容不同的用途,调用考勤存储模块中的考勤记录,形成表格,输送至管理人员;所述用途包含但不限于学生监督,评定优秀学生,评定奖学金。
参照附图2,本发明所述一种基于大数据和人工智能的考勤管理方法包括以下步骤:
S1.针对学生信息,课程活动信息以及教室信息进行深度学习,对考勤地点进行区域划分,得到考勤区域集;
S11.针对学生信息,课程活动信息以及教室信息进行筛选转换处理,得到便于处理的训练样本;
针对获取的信息进行筛选转换得到便宜处理的训练样本,具体过程如下:记信息集合为Data,Data={Datax,Datak,Dataj};Datax表示学生信息集合;Datak表示课程活动信息集合;Dataj表示教室信息集合;
第一步:利用选择法,筛选出与考勤相关的信息;
作为一个具体实施例,以学生信息集合为例,将学生年级信息、学生专业信息等筛选出,而舍弃学生家庭组成等与考勤无关的信息;
第二步:将经筛选处理后的信息集合,转换为便与处理的训练样本;
作为一个具体实施例,同样以经筛选处理后的学生息集合中的学生年级信息转换为偏于处理的经常在校,偶尔出校,外出实习,分别用00,01,02标识进行标记,以便于进行训练学习。
最后,得到便于训练处理的训练样本集合
S12.将上述训练样本通过深度学习神经网络模型的训练,对考勤地点进行区域划分,得到考勤区域集;
构建深度学习神经网络模型对训练样本集合进行训练,对考勤学生,考勤地点,考勤时间进行区域划分,得到考勤区域集,所述考勤区域集包含考勤学生区域集,考勤地点区域集,考勤时间区域集;具体过程如下:
输入层:
将经过筛选转换处理的信息集合作为输入层的输入,按照学生,课程活动,教室进行分解,得到输入层的三个输出:/>
第一领域区:
所述第一领域区为计算考勤学生区域集的功能区,具体包括:
分类层:
将输入层的输出学生信息部分作为输入,根据学生年级信息,专业信息,兼职信息或其他类别信息进行分类得到学生信息分类集合,得到学生信息分类集合Data′x={Data′x1,Data′x2,…Data′xL},其中,L表示总分类数,集合Data′x中的任意一个元素可由Data′xl表示,Data′xl表示第l类别学生信息集合;将所述学生信息分类集合作为分类层的输出;
排列层:
将分类层的输出作为提取层的输入,根据学校具体考勤管理制度对输入的各个分类集合的学生信息进行自适应优先排列,得到排序后的学生信息分类集合Data″x,将所述集合作为排列层的输出;
权重层:
将排列层的输出作为权重层的输入,根据学校文化以及学校相关制度,由相关人员对输入集合中的元素进行权重赋值,得到学生信息的分类权重集合,将分类权重集合作为权重层的输出;
累加层:
将学生信息部分和学生信息分类权重集合作为累加层的输入,以学生信息编号为参考,对权重进行累加,得到学生属性集合,具体计算公式如下:
其中,atti表示第i个学生的属性值;qil表示第i个学生在第l类别中的权重值;最终,得到学生属性集合Att={att1,att2,…,attN},N表示学生总数;将所述学生属性集合作为累加层的输出;
分段层:
将累加层的输出学生属性集合作为分段层的输入,取属性集合中的最大值max(Att)和最小值min(Att),将学生属性集合分为M段,则任意段的最大值为m∈[1,M],最终得到考勤学生区域集/>
第二领域区:
所述第二领域区为计算考勤地点区域集的功能区,具体包括:
提取层:
将输入层的输出学生信息部分课程活动信息部分/>教室信息部分作为提取层的输入,将输入信息中与地点地址相关信息采用现有技术进行提取,构成地点集合,并将地点集合作为提取层的输出;
区域划定层:
将提取层的输出作为区域划定层的输入,调用学校地图相关数据,人工确定每个地点的原点,并根据所述地点的大小划定区域大小,进一步,确定打卡区域距原点位置,即为所述地点的区域,将所有地点的区域构成地点区域集,即最终得到考勤地点区域集Spaced;
第三领域区:
所述第三领域区为计算考勤时间区域集的功能区,具体包括:
提取层:
将输入层的输出课程活动信息部分教室信息部分/>第一领域区的累加层输出学生属性集合和第二领域区的输出考勤地点区域集Spaced作为输入作为提取层的输入,以考勤地点区域集Spaced为参考,将课程活动信息部分/>教室信息部分/>中相关学校的课程时间的相关信息采用现有技术进行提取,构成时间集合,并将时间集合和考勤地点区域集作为提取层的输出;即得到最终得到考勤时间区域集Spacet;所述工作时间为每天的上课时间段,时间点;
特别地,在第三领域区设置特殊说明层对特殊情况进行说明,具体地:
所述特殊说明层:
将学生属性和考勤地点区域集Spaced作为特殊说明层的输入,根据经验法设定属性阈值δ,高于阈值的学生作为特殊学生,在考勤地点区域集中对应的考勤地址可不受考勤约束,并将特殊性构成特殊集合作为特殊说明层的输出;
融合层:
通过构建三维空间坐标系,将第一领域区、第二领域区、第三领域区得到的考勤学生区域集,考勤地点区域集,考勤时间区域集中的元素至于所述三维空间坐标系中的三个坐标轴上作为上面的元素,最后得到三维考勤区域集Space={Spacey,Spaced,Spacet}。
本发明通过对学生信息,课程活动信息以及教室信息进行筛选处理为考勤信息的全面性提供数据依据,同时对筛选后的信息集合进行转换处理,为得到考勤区域集提供参数依据,构建深度学习神经网络模型更加准确全面的获取考勤区域集,进一步为考勤实施更全面的管理提供数据依据,同时提高了考勤管理的效率。
S2.对学生进行考勤信息统计时结合考勤区域集获取当前考勤信息,并对考勤信息进行分类处理,将正常考勤信息进行考勤处理,同时,将异常考勤信息进行异常分析;
S21.通过各种考勤方式进行打卡考勤,结合考勤区域集进行考勤统计获取考勤数据,并对考勤数据进行分类处理得到正常考勤信息和异常考勤信息;
通过构建考勤汇总模型对考勤数据进行统计,具体过程如下:
Model={Pe,Space,Os,Ts,Ss,Out}
其中,Pe表示学生信息;Space表示考勤区域集;Os表示第一区域(学生区域)距离集合;Ts表示第二区域(地点区域)距离集合;Ss表示第三区域(时间区域)距离集合;Out表示模型输出,即学生考勤信息;
具体计算过程如下:通过学生信息调用考勤区域集直接获取对应的第一、第二、第三区域距离集合,根据对比神经网络模型的输出,即三区域的距离集合,可直接得到对应在区域集中的位置,最后根据所在位置结合考勤相关制度得到学生考勤信息。
S22.针对正常考勤信息,在经考勤分析模块进行考勤处理,得到基于正常考勤信息的考勤结果;
针对正常考勤信息,调用学校对应的考勤管理制度对学生的考勤信息进行考勤处理,进一步实现对考勤的管理。
S23.针对异常考勤信息,经异常分析模块进行异常分析处理,得到基于异常考勤信息的考勤结果;
针对异常考勤信息,进行异常分析处理,具体分析过程如下:根据异常考勤信息,对考勤异常项进行对比筛选,并根据异常考勤信息中的异常项利用现有计数追踪到考勤具体项,并将异常原因反馈至考勤管理人员,由考勤管理人员通过对异常考勤的反馈进行手动修订或者查询考勤管理系统进行线上修改等处理。
本发明通过构建对比神经网络模型参照考勤区域集对考勤信息进行统计得到了更准确的考勤信息以便于对考勤实施更全面的管理,同时将统计的考勤信息进行分类处理,及常规处理以及异常处理,节省了考勤管理的时间进一步提高考勤管理效率。
S3.将考勤处理结果和异常信息分析结果进行汇总处理,并将汇总结果存储考勤存储模块,为考勤管理提供数据依据。
S31.根据步骤S2得到的考勤结果进行汇总处理,将考勤汇总结果存储与考勤存储模块;
将考勤处理结果和异常信息处理结果进行汇总形成表格,并将汇总的信息结果存储于考勤存储模块,对考勤记录进行更新,以便于考勤数据的调用。
S32.根据考勤存储模块存储的考勤信息,为各用途提供考勤数据,形成表格由管理人使用。
综上所述,便完成了本发明所述的一种基于大数据和人工智能的考勤管理方法。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.一种基于大数据和人工智能的考勤管理系统,其特征在于,包括以下部分:
信息获取模块,区域划定模块,考勤存储模块,考勤统计模块,考勤分析模块,异常分析模块,汇总模块,应用模块;
所述信息获取模块,对学生信息,课程活动信息,以及教室信息进行获取,并将获取到的信息数据送至区域划定模块;
所述区域划定模块,将信息获取模块传送的信息数据作为训练样本进行深度学习,对考勤区域进行划定,得到考勤区域集,为考勤统计模块提供参考;
所述考勤存储模块,将每次考勤的结果进行储存,用来为汇总统计或其他操作提供考勤历史数据;
所述考勤统计模块,对当前学生利用各种考勤打卡方式进行考勤统计,包括指纹、人脸、卡片、移动端,结合考勤区域集获取考勤统计结果发送至考勤分析模块,对考勤数据进行分析;
所述考勤分析模块,对考勤数据进行分类,将正常的考勤数据进行考勤分析,将无异常的数据的分析结果传送至汇总模块;将异常考勤数据发送至异常分析模块;所述异常考勤数据,包含学生考勤数据缺失、考勤地点不在考勤区域集;
所述异常分析模块,针对考勤异常的数据进行异常分析,并将异常分析结果传送至汇总模块;
所述汇总模块,将考勤分析模块以及异常分析模块的分析结果进行汇总,并将汇总结果传送至考勤存储模块进行储存;
所述应用模块,针对考勤内容不同的用途,调用考勤存储模块中的考勤记录,形成表格,输送至管理人员;所述用途包含学生监督、评定优秀学生、评定奖学金。
2.一种基于大数据和人工智能的考勤管理方法,其特征在于,包括以下步骤:
S1.针对学生信息,课程活动信息以及教室信息进行深度学习,对考勤地点进行区域划分,得到考勤区域集;
S2.对学生进行考勤信息统计时结合考勤区域集获取当前考勤信息,并对考勤信息进行分类处理,将正常考勤信息进行考勤处理,同时,将异常考勤信息进行异常分析;
S3.将考勤处理结果和异常信息分析结果进行汇总处理,并将汇总结果存储至考勤存储模块,为考勤管理提供数据依据。
3.根据权利要求2所述一种基于大数据和人工智能的考勤管理方法,其特征在于,所述S1具体包括:
针对学生信息,课程活动信息以及教室信息进行筛选转换处理,得到便于处理的训练样本;将所述训练样本通过深度学习神经网络模型的训练,对考勤地点进行区域划分,得到考勤区域集。
4.根据权利要求3所述一种基于大数据和人工智能的考勤管理方法,其特征在于,所述S1还包括:
构建深度学习神经网络模型对训练样本集合进行训练,对考勤学生,考勤地点,考勤时间进行区域划分,得到考勤区域集,所述考勤区域集包含考勤学生区域集,考勤地点区域集,考勤时间区域集;具体过程如下:将经过筛选转换处理的信息集合/>作为输入层的输入,按照学生,课程活动,教室进行分解,得到输入层的三个输出:/>然后经过第一领域区、第二领域区、第三领域区的作用,所述第一领域区为计算考勤学生区域集的功能区;所述第二领域区为计算考勤地点区域集的功能区;所述第三领域区为计算考勤时间区域集的功能区;最后,将三个领域区得到的考勤学生区域集,考勤地点区域集,考勤时间区域集作为融合层输入,在所述融合层构建通过构建三维空间坐标系,将第一领域区、第二领域区、第三领域区得到的考勤学生区域集,考勤地点区域集,考勤时间区域集中的元素至于所述三维空间坐标系中的三个坐标轴上作为上面的元素,得到三维考勤空间域集,即考勤区域集Space。
5.根据权利要求2所述一种基于大数据和人工智能的考勤管理方法,其特征在于,所述S2具体包括:
通过各种考勤方式进行打卡考勤,结合考勤区域集对考勤数据进行统计,并对考勤数据进行分类处理得到正常考勤信息和异常考勤信息,并将所述正常考勤信息,在经考勤分析模块进行考勤处理,得到基于正常考勤信息的考勤结果;以及所述异常考勤信息,经异常分析模块进行异常分析处理,得到基于异常考勤信息的考勤结果。
6.根据权利要求5所述一种基于大数据和人工智能的考勤管理方法,其特征在于,所述S2还包括:
通过构建考勤汇总模型对考勤数据进行统计,具体过程如下:
Model={Pe,Space,Os,Ts,Ss,Out}
其中,Pe表示学生信息;Space表示考勤区域集;Os表示第一区域距离集合;Ts表示第二区域距离集合;Ss表示第三区域距离集合;Out表示模型输出,即学生考勤信息。
7.根据权利要求2所述一种基于大数据和人工智能的考勤管理方法,其特征在于,所述S3具体包括:
将考勤处理结果和异常信息处理结果进行汇总形成表格,并将汇总的信息结果存储于考勤存储模块,对考勤记录进行更新,以保障考勤数据的完整性,同时,根据考勤存储模块存储的考勤信息,为各用途提供考勤数据,形成表格由管理人使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663247.0A CN116703346A (zh) | 2023-06-06 | 2023-06-06 | 一种基于大数据和人工智能的考勤管理系统及管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663247.0A CN116703346A (zh) | 2023-06-06 | 2023-06-06 | 一种基于大数据和人工智能的考勤管理系统及管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116703346A true CN116703346A (zh) | 2023-09-05 |
Family
ID=87842773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310663247.0A Withdrawn CN116703346A (zh) | 2023-06-06 | 2023-06-06 | 一种基于大数据和人工智能的考勤管理系统及管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703346A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117636496A (zh) * | 2024-01-26 | 2024-03-01 | 四川航空股份有限公司 | 一种基于体征数据的考勤管理系统 |
-
2023
- 2023-06-06 CN CN202310663247.0A patent/CN116703346A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117636496A (zh) * | 2024-01-26 | 2024-03-01 | 四川航空股份有限公司 | 一种基于体征数据的考勤管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992227B (zh) | 一种校企结合职业技能人才培养系统和方法 | |
CN109784721B (zh) | 一种就业数据分析与数据挖掘分析的平台系统 | |
CN109409430B (zh) | 交通事故数据智能分析与综合应用系统 | |
CN111080241A (zh) | 一种基于互联网平台的数据化人才管理分析系统 | |
CN111695747A (zh) | 智能派工方法、装置及计算机可读储存介质 | |
CN116703346A (zh) | 一种基于大数据和人工智能的考勤管理系统及管理方法 | |
CN109800354A (zh) | 一种基于区块链存储的简历修改意图识别方法及系统 | |
CN111444792B (zh) | 票据识别方法、电子设备、存储介质及装置 | |
CN109242431B (zh) | 一种基于数据体系的企业管理方法及其系统 | |
CN114298604A (zh) | 一种基于大数据动态监测分析的孵化器入住企业智能综合评价管理系统 | |
CN110111011A (zh) | 一种教学质量监管方法、装置及电子设备 | |
CN116452212B (zh) | 一种智能客服商品知识库信息管理方法及系统 | |
CN112465457A (zh) | 监理项目管理方法、系统、装置及计算机存储介质 | |
CN116681410A (zh) | 基于云计算的人力资源数据管理系统及管理方法 | |
KR102469474B1 (ko) | 건설 현장의 영상입력장치를 이용한 공사일보 자동 작성 시스템 | |
CN116431828A (zh) | 一种基于神经网络技术构建的电网中台数据资产知识图谱数据库的构建方法 | |
CN112687380B (zh) | 一种医师评价系统的数据加载方法及质控平台 | |
CN114626654A (zh) | 基于职业技能培训人员管理系统的人员培训预警分析方法 | |
CN114328667A (zh) | 一种基于履职数据的大学院系画像模型的构建及系统 | |
CN114219663A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
CN112906683A (zh) | 文本标注方法、装置及设备 | |
CN111177283A (zh) | 一种基于强化学习的智能人事模型构建方法及装置 | |
CN113160018A (zh) | 一种社会救助统筹与预警分析系统 | |
EP3624421A1 (en) | Method for monitoring activities performed by user groups in online digital environments | |
CN117575862B (zh) | 一个基于知识图谱的学生个性化实训指导方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230905 |
|
WW01 | Invention patent application withdrawn after publication |