CN116757650B - 一种基于机器学习的项目管理及资源调度的方法 - Google Patents
一种基于机器学习的项目管理及资源调度的方法 Download PDFInfo
- Publication number
- CN116757650B CN116757650B CN202311051675.4A CN202311051675A CN116757650B CN 116757650 B CN116757650 B CN 116757650B CN 202311051675 A CN202311051675 A CN 202311051675A CN 116757650 B CN116757650 B CN 116757650B
- Authority
- CN
- China
- Prior art keywords
- item
- project
- task
- sample
- items
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims description 38
- 238000013461 design Methods 0.000 claims description 34
- 238000012795 verification Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/103—Workflow collaboration or project management
-
- 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
- G06Q10/06314—Calendaring for a resource
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种基于机器学习的项目管理及资源调度的方法，应用于项目管理领域，确定待调度资源项目，查询其项目成员组合，确定每个成员的多个关联项目，确定共用实验室资源的第一任务，根据待调度资源项目的项目时程计划确定第一任务的上游任务以及上游任务的计划执行时段，作为目标时段，确定各关联项目在目标时段的阶段及负荷，构造训练样本，训练任务逾期预测模型，将各关联项目在目标时段的负荷输入到任务逾期预测模型中，预测待调度资源项目的上游任务的执行逾期状况，根据逾期状况调整实验室资源的排程计划，通过机器学习训练模型，在预测预期情况时兼顾了关联项目的负荷，根据预测结果调整排程，提高了预测准确率和资源使用效率。
Description
技术领域
本申请涉及项目管理领域，尤其涉及一种基于机器学习的项目管理及资源调度的方法。
背景技术
在进行项目管理时，会涉及到资源的调度，由于有些资源是多个项目共用的资源，比如，研发类制造业在导入新产品项目的时候，由于企业内部往往是多个项目并行开展，而多个项目均需要使用某种实验室资源（比如高温高湿环境下可靠性的测试设备、产品性能测试设备），就导致，实验室资源的紧张导致其调度和排程影响着项目进度。
目前实验室排程多是项目管理者（比如项目经理）根据预先制定的项目时程计划预估一个使用实验室资源的时间，进行申请，从而实现实验室资源的调度。
然而这种方式依赖于项目经理主观经验，实际的项目时程计划，都是假设项目进展正常计算出的时程计划，然而实际在进行项目管理时，项目进度会由于各种原因逾期，从而导致项目无法按照按期使用实验室资源，使实验室资源在原计划的时间点闲置，从而造成浪费，另一方面又需要重新排队，导致项目延期。
因此，有必要提供一种新的方式，以提高共用实验室资源的使用效率。
发明内容
本说明书实施例提供一种基于机器学习的项目管理及资源调度的方法，用以提高共用实验室资源的使用效率。
该方法包括：
构造项目清单并在所述项目清单中存储各项目的成员信息，确定待调度资源项目，查询所述待调度资源项目的项目成员组合，确定所述组合中每个成员的多个关联项目，所述关联项目为每个成员各自承接的多个项目中除去所述待调度资源项目之外的项目；
确定与多个项目共用实验室资源的第一任务，根据所述待调度资源项目的项目时程计划确定第一任务的上游任务以及所述上游任务的计划执行时段，作为目标时段，根据各关联项目的项目时程计划确定各关联项目在所述目标时段的阶段，获取各关联项目在不同阶段的负荷分布信息并根据其确定各关联项目在目标时段对应阶段的负荷；
构造训练样本，训练任务逾期预测模型，将各关联项目在目标时段对应阶段的负荷输入到所述任务逾期预测模型中，预测所述待调度资源项目的所述上游任务的执行逾期状况；
根据所述上游任务的执行逾期状况调整实验室资源的排程计划。
本说明书实施例还提供一种电子设备，其中，该电子设备包括：
处理器；以及，
存储计算机可执行程序的存储器，所述可执行程序在被执行时使所述处理器执行上述任一项方法。
本说明书实施例还提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现上述任一项方法。
本说明书实施例提供的各种技术方案，应用于项目管理领域，确定待调度资源项目，查询其项目成员组合，确定每个成员的多个关联项目，确定共用实验室资源的第一任务，根据待调度资源项目的项目时程计划确定第一任务的上游任务以及上游任务的计划执行时段，作为目标时段，确定各关联项目在目标时段的阶段及负荷，构造训练样本，训练任务逾期预测模型，将各关联项目在目标时段的负荷输入到任务逾期预测模型中，预测待调度资源项目的上游任务的执行逾期状况，根据逾期状况调整实验室资源的排程计划，通过机器学习训练模型，在预测预期情况时兼顾了关联项目的负荷，根据预测结果调整排程，提高了预测准确率和资源使用效率。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书一些实施例提供的一种基于机器学习的项目管理及资源调度的系统的结构示意图；
图2为本说明书一些实施例提供的一种基于机器学习的项目管理及资源调度的方法的原理示意图；
图3为本说明书一些实施例提供的一种负荷分布预测模型的结构示意图；
图4为本说明书一些实施例提供的一种电子设备的结构示意图；
图5为本说明书一些实施例提供的一种计算机可读介质的原理示意图。
具体实施方式
现在将参考附图更全面地描述本发明的示例性实施例。然而，示例性实施例能够以多种形式实施，且不应被理解为本发明仅限于在此阐述的实施例。相反，提供这些示例性实施例能够使得本发明更加全面和完整，更加便于将发明构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的元件、组件或部分，因而将省略对它们的重复描述。
在符合本发明的技术构思的前提下，在某个特定的实施例中描述的特征、结构、特性或其他细节不排除可以以合适的方式结合在一个或更多其他的实施例中。
在对于具体实施例的描述中，本发明描述的特征、结构、特性或其他细节是为了使本领域的技术人员对实施例进行充分理解。但是，并不排除本领域技术人员可以实践本发明的技术方案而没有特定特征、结构、特性或其他细节的一个或更多。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解，而有的操作/步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
术语“和/或”或者“及/或”包括相关联的列出项目中的任一个或多者的所有组合。
名词解释:
待调度资源项目：任务逾期预测模型在预测阶段所处理的项目；
主项目：任务逾期预测模型在训练阶段所使用的项目；
关联项目：待调度资源项目或主项目的成员承接的其他项目，在训练任务逾期预测模型的阶段，是指待调度资源项目的成员承接的其他项目，在使用任务逾期预测模型的阶段，是指主项目的成员承接的其他项目；
样本项目：负荷分布预测模型训练阶段所使用的项目；
参考项目：样本项目立项时的已完成项目。
每执行一次图2所示的方法，任务逾期预测模型的调用次数为1，任务逾期预测模型的调用数据取决于、且等于待调度资源项目对应的关联项目个数。
图1为本说明书一些实施例提供的一种基于机器学习的项目管理及资源调度的系统的结构示意图，该系统可以包括：
客户端101，被配置于终端设备，可以是移动终端设备、平板计算机等终端设备或其任意组合，项目经理可以通过客户端上传项目信息，包括：项目名称、项目成员、项目的设计科目和项目时程计划。
部署于服务器的平台102，连接数据库，所述平台基于运营人员的操作构造项目清单，具体可以包括：响应于运营人员触发的页面操作，新建表名为项目清单的数据表，并从历史项目信息中查询历史项目的项目名称，获取其项目成员，将项目名称及项目成员存储在项目清单中。
应该说明的是，下面各种与项目有关的信息、数据，均可以由项目成员通过客户端上传至平台并存储至数据库，后续不一一重复阐述。
所述平台可以被配置为执行以下步骤：
构造项目清单并在所述项目清单中存储各项目的成员信息，确定待调度资源项目，查询所述待调度资源项目的项目成员组合，确定所述组合中每个成员的多个关联项目，所述关联项目为每个成员各自承接的多个项目中除去所述待调度资源项目之外的项目；
确定与多个项目共用实验室资源的第一任务，根据所述待调度资源项目的项目时程计划确定第一任务的上游任务以及所述上游任务的计划执行时段，作为目标时段，根据各关联项目的项目时程计划确定各关联项目在所述目标时段的阶段，获取各关联项目在不同阶段的负荷分布信息并根据其确定各关联项目在目标时段对应阶段的负荷；
构造训练样本，训练任务逾期预测模型，将各关联项目在目标时段对应阶段的负荷输入到所述任务逾期预测模型中，预测所述待调度资源项目的所述上游任务的执行逾期状况；
根据所述上游任务的执行逾期状况调整实验室资源的排程计划。
其中，目标时段对应阶段指的是关联项目在所述目标时段的阶段。
配置该平台的语言为Python语言。
在一些实施例中，该平台可以执行：收集用于训练机器学习模型的数据，构造训练数据集合，以及用所述训练数据集合训练机器学习模型。
模型具体可以是任务逾期预测模型、负荷分布预测模型。
实施时，该平台可通过客户端收集用于训练机器学习模型的数据，也可以从数据库中用于训练机器学习模型的数据，比如，可以上传并存储到数据库的项目信息（比如，项目立项信息、产品设计规书中收集项目的设计科目具体内容），作为示例，设计科目具体内容可以是：led亮度、液晶显示屏的透光率、RGB像素的色彩饱和度、液晶显示屏的工作电压、工作电流、产线各站点生产工艺的设计标准等。
成员信息可以是成员工号或姓名。
待调度资源项目为当前待预测的项目，在项目经理需要提交实验室使用计划时，对应的项目便是待调度资源项目。
查询所述待调度资源项目的项目成员组合，可以先从数据库的项目清单中中标查询该项目的名称，根据该名称索引项目成员。
作为示例项目成员记作项目1（待调度资源项目）的成员为A、B、C和D，A、B、C和D即为项目1的项目成员组合。
由于A、B、C和D分别还承接了其他项目，因此，A、B、C和D并不能把所有的工作时间都放在项目A上，因此，A、B、C和D承接的其他项目对待调度资源项目的进度会有一定影响。
由于A、B、C和D承接的其他项目可能分别处于不同的阶段，有些阶段的项目需要较大的工作量，比如画图，而有些阶段的项目则需要较小的工作量，比如，修改图纸中的部分尺寸。因此，A、B、C和D承接的其他项目在未来所处的阶段不同，其在未来对A、B、C和D完成所述待调度资源项目的分工工作的影响也不同。
因此，可以预测A、B、C和D承接的其他项目在未来占用于A、B、C和D的工作量，占用的工作量可以称作负荷，承接的其他项目可以称作关联项目。
作为示例，A还承接了项目2、3、4，B还承接了项目3、5、6，诸如此类，则2、3、4、5和6均为项目1的关联项目。
确定与多个项目共用实验室资源的第一任务，即企业内部多个项目共用的实验室资源，由于具有稀缺性，因此，错过排程之后往往需要重新预约，而重新预约往往要预约到2周之后，而如果能提前预测到逾期（比如逾期2天）就能够提前调整实验室排程计划，即避免了实验室在当天出现空闲，又提高了预约时间的准确性，避免项目测试的进度再次逾期。
在一些实施例中，第一任务为需要占用实验室资源的任务，第一任务往往有一些前置任务，比如，对于对试生产的样品进行可靠性实验而言需要先测试其性能，在可靠性试验结束之后，再次测试性能，从而确定该样品的可靠性。
因此，第一任务的上游任务，可以是对试制生产的样品进行性能测试。
性能测试需要占用项目成员的时间，因此，如果项目成员的关联项目的负荷较大，往往占用的时间更长，因而容易出现执行逾期的情况。
性能测试可以是多个成员顺序测试，也可以是分别用不同序号的样品并行测试。
项目时程计划是项目管理者和其他项目成员预先制定的计划，形式可以是甘特图，表征项目各环节、各任务的预期开始时间和完成时间，项目时程计划可以通过客户端上传至平台并存储到数据库中。
平台通过从数据库读取项目时程计划，可以识别其中的时间信息，比如，8月7号开始执行第一任务，而上游任务的计划执行时段为8月1号至8月6号（即目标时段），为了预测该上游任务能否按期完成，匆匆数据库读取关联项目的项目时程计划，确定各关联项目在8月1号至8月6号处于哪个阶段，再根据所处的阶段确定各关联项目在目标时段对应阶段的负荷。
在一些实施例中，所述阶段包括:初步设计阶段、设计定版阶段、产品验证阶段和制程验证阶段。
在一些实施例中，所述负荷分布为项目在各阶段的工作量，负荷分布形式可以是多个工作量数值构成的序列。
工作量的形式可以为比例，小数的形式，作为示例，对于机械工程师（其任务包括画图、测尺寸），某个关联项目在初步设计阶段的负荷为0.25,表示还有四分之三的工作时间可以使用，在设计定版阶段的负荷为三分之一，表征还有三分之二的工作时间可以使用，如果成员A的多个关联项目的负荷之和为0.95，那么就表明，成员A大部分工作时间已被其他项目占用，在执行项目1的上游任务时，需要的天数就会延长。
因此，可以通过构造训练样本，训练任务逾期预测模型，将各关联项目在目标时段对应阶段的负荷输入到所述任务逾期预测模型中，预测所述待调度资源项目的所述上游任务的执行逾期状况。
工作量的形式还可以是工作耗时，比如，光学测试需要16h，即2个工作日。
可以根据经验，预先为关联项目的不同阶段配置不同的负荷，形成负荷分布信息。
当然，还可以通过机器学习预测的方式，预测关联项目在未来目标时段的负荷。训练的模型称为负荷分布预测模型，具体在后面介绍。
构造训练样本，训练任务逾期预测模型的方式将在后面介绍，将各关联项目在目标时段对应阶段的负荷输入到所述任务逾期预测模型中，作为示例，将多个负荷作为输入传递给所述任务逾期预测模型，所述任务逾期预测模型对输入进行特征提取，得到最终的预测结果，即执行逾期状况。
执行逾期状况可以是，逾期2天，调整排程可以包括：根据逾期的具体天数延迟排程中预约的实验室使用日期，由平台中配置的程序执行。
图2为本说明书一些实施例提供的一种基于机器学习的项目管理及资源调度的方法的原理示意图，该方法包括：
S201：构造项目清单并在所述项目清单中存储各项目的成员信息，确定待调度资源项目，查询所述待调度资源项目的项目成员组合，确定所述组合中每个成员的多个关联项目，所述关联项目为每个成员各自承接的多个项目中除去所述待调度资源项目之外的项目；
S202：确定与多个项目共用实验室资源的第一任务，根据所述待调度资源项目的项目时程计划确定第一任务的上游任务以及所述上游任务的计划执行时段，作为目标时段，根据各关联项目的项目时程计划确定各关联项目在所述目标时段的阶段，获取各关联项目在不同阶段的负荷分布信息并根据其确定各关联项目在目标时段对应阶段的负荷；
S203：构造训练样本，训练任务逾期预测模型，将各关联项目在目标时段对应阶段的负荷输入到所述任务逾期预测模型中，预测所述待调度资源项目的所述上游任务的执行逾期状况；
S204：根据所述上游任务的执行逾期状况调整实验室资源的排程计划。
该方法应用于项目管理领域，通过确定待调度资源项目，查询其项目成员组合，确定每个成员的多个关联项目，确定共用实验室资源的第一任务，根据待调度资源项目的项目时程计划确定第一任务的上游任务以及上游任务的计划执行时段，作为目标时段，确定各关联项目在目标时段的阶段及负荷，构造训练样本，训练任务逾期预测模型，将各关联项目在目标时段的负荷输入到任务逾期预测模型中，预测待调度资源项目的上游任务的执行逾期状况，根据逾期状况调整实验室资源的排程计划，通过机器学习训练模型，在预测预期情况时兼顾了关联项目的负荷，根据预测结果调整排程，提高了预测准确率和资源使用效率。
在一些实施例中，所述构造训练样本，训练任务逾期预测模型，包括：
收集多个项目的开发过程信息，包括：各任务的计划执行时段、项目各成员、所述项目各成员承接的多个关联项目、所述各关联项目在所述计划执行时段的阶段、各关联项目在不同阶段的负荷分布信息和所述各任务的执行逾期状况；
从所述多个项目中确定主项目及所述主项目的关联项目，确定各关联项目在所述主项目各任务的计划执行时段的负荷和主项目的各任务的执行逾期状况；
从所述主项目的多个任务中选取样本任务，确定所述样本任务的计划执行时段，并确定所述多个关联项目在所述计划执行时段各自的负荷，以多个关联项目在所述计划执行时段各自的负荷为第一训练数据，根据所述样本任务的执行逾期状况设置标签，用批量的具有标签的第一训练数据对第一机器学习模型进行训练，得到任务逾期预测模型。
开发过程信息的载体可以是excel，开发过程信息内容由项目管理者记录到excel中并通过客户端上传至平台，excel中具有：各任务的计划执行时段、项目各成员、所述项目各成员承接的多个关联项目、所述各关联项目在所述计划执行时段的阶段、各关联项目在不同阶段的负荷分布信息和所述各任务的执行逾期状况。
从所述多个项目中确定主项目，可以是随机确定，也可以是筛选具有执行逾期状况的项目作为主项目，不同的项目，可以轮流作为主项目。
其中，选取样本任务，可以是选取使用实验室资源任务的上游任务作为样本任务。
上游任务是指前置的串行任务。
在任务逾期预测模型的输入层，设置多个数据通道，从而将多个所述负荷输入到该模型中，执行逾期状况的内容可以是逾期时间，比如，2天。根据所述样本任务的执行逾期状况设置训练标签，可以是，将逾期时间归一化，用归一化结果作为标签。
在一些实施例中，平台中的处理器可以基于任务逾期预测模型对多个负荷构成的组合进行处理，预测在该组合下上游任务的执行逾期状况。
任务逾期预测模型可以指用于确定负荷组合对应的预估执行逾期状况的机器学习模型。在一些实施例中，任务逾期预测模型可以包括循环神经网络（RecurrentNeuralNetwork, RNN）模型、深度神经网络（Deep Neural Network,DNN）模型、卷积神经网络（Convolutional Neural Network, CNN）模型等各种可行的模型中的任意一种或组合。
任务逾期预测模型的输入可以包括：多个关联项目在未来某阶段的负荷（作为特征值），输出为第一任务的上游任务的执行逾期状况。
在一些实施例中，任务逾期预测模型可以通过多个标有标签的第一训练数据训练得到。例如，可以将其输入初始任务逾期预测模型，通过标签和初始任务逾期预测模型的结果构建第一损失函数（比如计算差值的函数），基于第一损失函数迭代更新初始任务逾期预测模型的参数。当初始任务逾期预测模型的损失函数满足训练结束的预设条件时模型训练完成，得到训练好的任务逾期预测模型。其中，训练结束的预设条件可以是第一损失函数收敛、迭代的次数达到阈值等。
其中，标签可以基于人工标注确定。
本说明书一些实施例中，通过模型预估关联项目的负荷组合对应的预估执行逾期状况，既可以保证预估结果的准确度，又可以提升预估工作的效率。
目前预测项目未来负荷的方式多是人为主观预测，准确性低，为了准确地预测关联项目在未来时段的负荷，可以借助模型进行预测，并且利用和其他项目的相似度进行预测。
在一些实施例中，该方法还可以包括：
确定不同时间点的立项项目作为样本项目，确定样本项目的参考项目，所述参考项目为样本项目立项时的已完成项目，计算所述样本项目与所述参考项目的相似度特征，得到多个相似度特征，将所述多个相似度特征构造为样本项目特征，收集所述样本项目在各阶段的实际工作量；
根据所述样本项目特征和各阶段的实际工作量构造第二训练数据集合，用所述第二训练数据集合对第二机器学习模型进行训练，得到负荷分布预测模型；
确定每个所述关联项目立项时的参考项目，为每个关联项目分别计算其与对应的参考项目的项目特征，依次将单个关联项目对应的所有项目特征输入到所述负荷分布预测模型中，得到各关联项目在其各阶段的工作量。
实际工作量是指该任务实际花费工作了多长时间，实际工作量可以由成员通过客户端上传平台并存储至数据库。
样本项目是训练负荷分布预测模型所选定的样本，已完成项目由于已经开发完成，因此样本项目的管理过程会进行一定的参考，因此，样本项目立项时已完成项目的多少，影响着样本项目的实际工作量，因此，可以利用这种关联训练负荷分布预测模型并利用该模型预测各阶段的负荷。
由于将所述多个相似度特征构造为样本项目特征，因此，样本项目特征不仅兼顾了样本项目的自身，还兼顾了对其他项目可参考程度大小，因此，预测准确度更高。
在一些实施例中，所述根据所述样本项目特征和各阶段的实际工作量构造第二训练数据集合，包括：
对每个样本项目，获取其特征集合Gi，Gi=[g1，g2，……，gj]，Gi为第i个样本项目的样本项目特征，gj为该样本项目与其对应的第j个参考项目的相似度特征，构造该样本项目的训练数据Rt=(Gi,B)，B为该样本项目各阶段的实际工作量构成的工作量序列，汇集多个样本项目的训练数据，得到训练数据集合。
在一些实施例中，所述计算所述样本项目与所述参考项目的相似度特征，包括：
对项目的多个产品设计科目和多个制程设计科目分别配置特征值，确定样本项目与所述参考项目的相同设计科目，根据相同设计科目对应的特征值计算所述样本项目与所述参考项目的相似度特征，所述设计科目包括产品设计科目和制程设计科目。
可以从数据库中查询项目的文件（比如可行性报告、规格书），从文件中识别科目，进而计算相似度特征。
具体的特征值可以根据经验设置，范围0~1，设计科目相同，表明任务可参考，因此完成该工作量就接近标签。
相似度特征是指将可描述相似度的信息作为特征。
制程设计科目是指工艺设计，比如，自动OTP和手动OTP对应的工艺不同，工艺上线验证所需的工作量也不同。
相似度特征的形式，可以是数值，也可以是向量。
在一些实施例中，所述根据相同设计科目对应的特征值计算所述样本项目与所述参考项目的相似度特征，包括：
将相同的设计科目对应的特征值的求和，求和结果作为相似度特征。
在一些实施例中，所述根据相同设计科目对应的特征值计算所述样本项目与所述参考项目的相似度特征，包括：
构造具有多个待赋值变量的一维特征向量，将相同科目的特征值赋值给对应的变量，到一维特征向量，得到相似度特征。
作为示例，构造的向量里有4个待赋值规格，（a1,a2，a3,a4）,查询到样本项目与参考项目在第3个和第4个规格上是相同的，因此可以将相同的规格对应的变量赋值为1，将不同的规格对应的变量赋值为0，得到向量（0,0,1,1）。
图3为本说明书一些实施例提供的一种负荷分布预测模型的结构示意图。在一些实施例中，平台中的处理器可以基于负荷分布预测模型对计算出的相似度特征进行处理，预测出关联项目在未来各阶段的负荷。
负荷分布预测模型可以是指用于预测关联项目在未来各阶段的负荷分布的机器学习模型，在一些实施例中，负荷分布预测模型可以为多目标预测模型，通过多目标预测实现预测各阶段的负荷。使用的机器学习模型可以包括循环神经网络（Recurrent NeuralNetwork,RNN）模型、深度神经网络（Deep Neural Network,DNN）模型、卷积神经网络（ConvolutionalNeural Network, CNN）模型等各种可行的模型中的任意一种或组合。
如图3所示，负荷分布预测模型320的输入可以包括相似度特征310，作为示例，具有四个参考项目，则可以计算得到4个相似度特征，分别是相似度特征一311、相似度特征二312、相似度特征三313和相似度特征四314，省略号表示，输入可以包括更多的相似度特征，也反映了该项目具有更多的参考项目，输出为关联项目各阶段负荷330。
一些实施例中，负荷分布预测模型320可以通过多个标有标签的第二训练数据集合训练得到。例如，可以将多个标有标签的第二训练数据输入初始负荷分布预测模型，通过标签和初始负荷分布预测模型的预测结果计算第二损失函数，基于第二损失函数迭代更新初始负荷分布预测模型的参数。当初始负荷分布预测模型的损失函数满足训练结束的预设条件时模型训练完成，得到训练好的负荷分布预测模型。其中，训练结束的预设条件可以是第二损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，第二训练数据的标签为B，即该样本项目各阶段的实际工作量构成的工作量序列，可以通过多目标预测，实现序列的处理。
本说明书一些实施例中，通过模型确定关联项目的负荷分布，可以保证确定结果的准确度。
基于同一发明构思，本说明书实施例还提供一种电子设备。
下面描述本发明的电子设备实施例，该电子设备可以视为对于上述本发明的方法和装置实施例的具体实体实施方式。对于本发明电子设备实施例中描述的细节，应视为对于上述方法或装置实施例的补充；对于在本发明电子设备实施例中未披露的细节，可以参照上述方法或装置实施例来实现。
图4为本说明书实施例提供的一种电子设备的结构示意图。下面参照图4来描述根据本发明该实施例的电子设备400。图4显示的电子设备400仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，电子设备400以通用计算设备的形式表现。电子设备400的组件可以包括但不限于：至少一个处理单元410、至少一个存储单元420、连接不同系统组件（包括存储单元420和处理单元410）的总线430、显示单元440等。
其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元410执行，使得所述处理单元410执行本说明书上述处理方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元410可以执行如图2所示的步骤。
所述存储单元420可以包括易失性存储单元形式的可读介质，例如随机存取存储单元（RAM）4201和/或高速缓存存储单元4202，还可以进一步包括只读存储单元（ROM）4203。
所述存储单元420还可以包括具有一组（至少一个）程序模块4205的程序/实用工具4204，这样的程序模块4205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线430可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备400也可以与一个或多个外部设备500（例如键盘、指向设备、蓝牙设备等）通信，还可与一个或者多个使得用户能与该电子设备400交互的设备通信，和/或与使得该电子设备400能与一个或多个其它计算设备进行通信的任何设备（例如路由器、调制解调器等等）通信。这种通信可以通过输入/输出（I/O）接口450进行。并且，电子设备400还可以通过网络适配器460与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。网络适配器460可以通过总线430与电子设备400的其它模块通信。应当明白，尽管图4中未示出，可以结合电子设备400使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，本发明描述的示例性实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读的存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干指令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本发明的上述方法。当所述计算机程序被一个数据处理设备执行时，使得该计算机可读介质能够实现本发明的上述方法，即：如图2所示的方法。
图5为本说明书实施例提供的一种计算机可读介质的原理示意图。
实现图2所示方法的计算机程序可以存储于一个或多个计算机可读介质上。计算机可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
综上所述，本发明可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）等通用数据处理设备来实现根据本发明实施例中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，本发明不与任何特定计算机、虚拟装置或者电子设备固有相关，各种通用装置也可以实现本发明。以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种基于机器学习的项目管理及资源调度的方法，其特征在于，包括：
构造项目清单并在所述项目清单中存储各项目的成员信息，确定待调度资源项目，查询所述待调度资源项目的项目成员组合，确定所述组合中每个成员的多个关联项目，所述关联项目为每个成员各自承接的多个项目中除去所述待调度资源项目之外的项目；
确定与多个项目共用实验室资源的第一任务，根据所述待调度资源项目的项目时程计划确定第一任务的上游任务以及所述上游任务的计划执行时段，作为目标时段，根据各关联项目的项目时程计划确定各关联项目在所述目标时段的阶段，获取各关联项目在不同阶段的负荷分布信息并根据其确定各关联项目在目标时段对应阶段的负荷，所述负荷为占用的工作量；
构造训练样本，训练任务逾期预测模型，将各关联项目在目标时段对应阶段的负荷输入到所述任务逾期预测模型中，预测所述待调度资源项目的所述上游任务的执行逾期状况；
根据所述上游任务的执行逾期状况调整实验室资源的排程计划；
其中，所述构造训练样本，训练任务逾期预测模型，包括：
收集多个项目的开发过程信息，包括：各任务的计划执行时段、项目各成员、所述项目各成员承接的多个关联项目、所述各关联项目在所述计划执行时段的阶段、各关联项目在不同阶段的负荷分布信息和所述各任务的执行逾期状况；
从所述多个项目中确定主项目及所述主项目的关联项目，确定各关联项目在所述主项目各任务的计划执行时段的负荷和主项目的各任务的执行逾期状况；
从所述主项目的多个任务中选取样本任务，确定所述样本任务的计划执行时段，并确定所述多个关联项目在所述计划执行时段各自的负荷，以多个关联项目在所述计划执行时段各自的负荷为第一训练数据，根据所述样本任务的执行逾期状况设置标签，用批量的具有标签的第一训练数据对第一机器学习模型进行训练，得到任务逾期预测模型。
2.根据权利要求1所述的方法，其特征在于，所述负荷分布为项目在各阶段的工作量。
3.根据权利要求2所述的方法，其特征在于，还包括：
确定不同时间点的立项项目作为样本项目，确定样本项目的参考项目，所述参考项目为样本项目立项时的已完成项目，计算所述样本项目与所述参考项目的相似度特征，得到多个相似度特征，将所述多个相似度特征构造为样本项目特征，收集所述样本项目在各阶段的实际工作量；
根据所述样本项目特征和各阶段的实际工作量构造第二训练数据集合，用所述第二训练数据集合对第二机器学习模型进行训练，得到负荷分布预测模型；
确定每个所述关联项目立项时的参考项目，为每个关联项目分别计算其与对应的参考项目的项目特征，依次将单个关联项目对应的所有项目特征输入到所述负荷分布预测模型中，得到各关联项目在其各阶段的工作量。
4.根据权利要求3所述的方法，其特征在于，所述根据所述样本项目特征和各阶段的实际工作量构造第二训练数据集合，包括：
对每个样本项目，获取其特征集合Gi，Gi＝[g1，g2，……，gj]，Gi为第i个样本项目的样本项目特征，gj为该样本项目与其对应的第j个参考项目的相似度特征，构造该样本项目的训练数据Rt＝(Gi,B)，B为该样本项目各阶段的实际工作量构成的工作量序列，汇集多个样本项目的训练数据，得到第二训练数据集合。
5.根据权利要求4所述的方法，其特征在于，所述计算所述样本项目与所述参考项目的相似度特征，包括：
对项目的多个产品设计科目和多个制程设计科目分别配置特征值，确定样本项目与所述参考项目的相同设计科目，根据相同设计科目对应的特征值计算所述样本项目与所述参考项目的相似度特征，所述设计科目包括产品设计科目和制程设计科目。
6.根据权利要求5所述的方法，其特征在于，所述根据相同设计科目对应的特征值计算所述样本项目与所述参考项目的相似度特征，包括：
将相同的设计科目对应的特征值的求和，求和结果作为相似度特征。
7.根据权利要求5所述的方法，其特征在于，所述根据相同设计科目对应的特征值计算所述样本项目与所述参考项目的相似度特征，包括：
构造具有多个待赋值变量的一维特征向量，将相同科目的特征值赋值给对应的变量，到一维特征向量，得到相似度特征。
8.根据权利要求1-7中任一项所述的方法，其特征在于，所述阶段包括:初步设计阶段、设计定版阶段、产品验证阶段和制程验证阶段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311051675.4A CN116757650B (zh) | 2023-08-21 | 2023-08-21 | 一种基于机器学习的项目管理及资源调度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311051675.4A CN116757650B (zh) | 2023-08-21 | 2023-08-21 | 一种基于机器学习的项目管理及资源调度的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757650A CN116757650A (zh) | 2023-09-15 |
| CN116757650B true CN116757650B (zh) | 2023-11-14 |
Family
ID=87948266
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311051675.4A Active CN116757650B (zh) | 2023-08-21 | 2023-08-21 | 一种基于机器学习的项目管理及资源调度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757650B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074487B (zh) * | 2023-10-16 | 2023-12-26 | 深圳豪威显示科技有限公司 | 光电性能检测分析设备和方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006330820A (ja) * | 2005-05-23 | 2006-12-07 | Mitsubishi Electric Corp | 生産計画策定方法 |
| CN106485393A (zh) * | 2015-09-01 | 2017-03-08 | 波音公司 | 平台管理系统、装置以及方法 |
| WO2020123993A2 (en) * | 2018-12-14 | 2020-06-18 | Peaas, Llc | Systems and methods for collaborative product engineering and management |
| WO2021068617A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安国际智慧城市科技股份有限公司 | 任务处理时间自动预测方法、装置、电子设备及介质 |
| CN114416313A (zh) * | 2022-01-05 | 2022-04-29 | 腾讯科技（深圳）有限公司 | 基于资源预测模型的任务调度方法和装置 |
| CN116109260A (zh) * | 2022-12-23 | 2023-05-12 | 浙江绿色慧联有限公司 | 一种基于关键链法的toc多项目管理方法及系统 |
-
2023
- 2023-08-21 CN CN202311051675.4A patent/CN116757650B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006330820A (ja) * | 2005-05-23 | 2006-12-07 | Mitsubishi Electric Corp | 生産計画策定方法 |
| CN106485393A (zh) * | 2015-09-01 | 2017-03-08 | 波音公司 | 平台管理系统、装置以及方法 |
| WO2020123993A2 (en) * | 2018-12-14 | 2020-06-18 | Peaas, Llc | Systems and methods for collaborative product engineering and management |
| WO2021068617A1 (zh) * | 2019-10-12 | 2021-04-15 | 平安国际智慧城市科技股份有限公司 | 任务处理时间自动预测方法、装置、电子设备及介质 |
| CN114416313A (zh) * | 2022-01-05 | 2022-04-29 | 腾讯科技（深圳）有限公司 | 基于资源预测模型的任务调度方法和装置 |
| CN116109260A (zh) * | 2022-12-23 | 2023-05-12 | 浙江绿色慧联有限公司 | 一种基于关键链法的toc多项目管理方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 有限资源约束的产品开发多项目协同排程;郭钢;李光锐;邓晓刚;;计算机工程与应用(第33期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757650A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110782129B (zh) | 一种业务进度监控方法、装置、系统及计算机可读存储介质 | |
| Vinod et al. | Simulation modeling and analysis of due-date assignment methods and scheduling decision rules in a dynamic job shop production system | |
| CN116757650B (zh) | 一种基于机器学习的项目管理及资源调度的方法 | |
| CN112508723B (zh) | 基于自动择优建模的金融风险预测方法、装置和电子设备 | |
| Abdous et al. | Assembly line balancing problem with ergonomics: a new fatigue and recovery model | |
| Kia et al. | Scheduling a dynamic flexible flow line with sequence-dependent setup times: a simulation analysis | |
| CN113052696B (zh) | 金融业务任务处理方法、装置、计算机设备和存储介质 | |
| Framinan et al. | Guidelines for the deployment and implementation of manufacturing scheduling systems | |
| US20090192844A1 (en) | Autonomic business process platform and method | |
| Joseph et al. | Effects of flexibility and scheduling decisions on the performance of an FMS: simulation modelling and analysis | |
| CN116069300A (zh) | 工作流控制代码生成方法、装置、电子设备及存储介质 | |
| Korde et al. | State-of-the-art review of construction performance models and factors | |
| CN116820714A (zh) | 一种算力设备的调度方法、装置、设备和存储介质 | |
| CN117540870A (zh) | 一种产品的缺料预测方法、系统、设备及可读介质 | |
| US9312695B2 (en) | Condition-based management of power transformers | |
| CN117235527A (zh) | 端到端容器化的大数据模型构建方法、装置、设备及介质 | |
| CN113570114B (zh) | 一种资源服务智能匹配方法、系统和计算机设备 | |
| Ounnar et al. | Study of an intelligent and multicriteria scheduling service, using academic benchmarks | |
| Pfeiffer et al. | Simulation as one of the core technologies for digital enterprises: assessment of hybrid rescheduling methods | |
| Mutke et al. | Towards an integrated simulation approach for planning logistics service systems | |
| Haughton et al. | Flow control in capacity-constrained queueing systems with non-stationary arrivals | |
| CN109754175B (zh) | 用于对行政审批事项的办结时限进行压缩预测的计算模型及其应用 | |
| Prasetyo et al. | Optimizing Decision Making on Business Processes Using a Combination of Process Mining, Job Shop, and Multivariate Resource Clustering | |
| Soyuer et al. | Scheduling jobs through multiple parallel channels using an expert system | |
| US20150149239A1 (en) | Technology Element Risk Analysis |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |