CN116894653A - 一种基于多预测模型联动的人事管理数据处理方法及系统 - Google Patents
一种基于多预测模型联动的人事管理数据处理方法及系统 Download PDFInfo
- Publication number
- CN116894653A CN116894653A CN202311031131.1A CN202311031131A CN116894653A CN 116894653 A CN116894653 A CN 116894653A CN 202311031131 A CN202311031131 A CN 202311031131A CN 116894653 A CN116894653 A CN 116894653A
- Authority
- CN
- China
- Prior art keywords
- personnel
- request information
- matters
- probability
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 73
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 78
- 230000008094 contradictory effect Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 7
- 238000010206 sensitivity analysis Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 24
- 238000010200 validation analysis Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/105—Human resources
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多预测模型联动的人事管理数据处理方法及系统，该方法包括：获取目标人事系统内的目标员工的历史人事记录数据；将所述历史人事记录数据，输入至预先训练好的多个神经网络模型中，以得到所述目标员工对应的多个人事事项的预测概率；获取所述目标员工的实时传感信息和人事请求信息；根据所述多个人事事项的预测概率，以及所述实时传感信息，基于预设的数据判别算法，确定所述人事请求信息的真实性参数；获取所述目标员工对于所述人事请求信息的反馈信息，将所述反馈信息和所述真实性参数更新到数据库。可见，本发明能够实现更加智能化和高效的人事管理，提高预测的效果。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于多预测模型联动的人事管理数据处理方法及系统。
背景技术
随着企业人事需求的增长和大型企业的数量的增加，越来越多的企业的人事管理工作面临巨大的挑战，尤其是人事管理工作逐渐趋向无纸化数据化的同时，人事数据的数据量也在高速地增长。现有技术很少考虑到有效地利用这些大量的人事数据以及结合预测算法来提高人事管理的效率，一些相关方案也只是探讨了利用算法预测单种人事事项的可能性，没有考虑到利用多模型的联动来实现整体上更加智能化的人事管理。可见，现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种基于多预测模型联动的人事管理数据处理方法及系统，能够有效利用预测算法和人事数据来提前预判员工的人事事项发生概率和人事请求真实程度，以便于更加智能化和高效的人事管理，且更新后的数据库可以持续用于预测模型的训练和更新，以不断提高预测的效果。
为了解决上述技术问题，本发明第一方面公开了一种基于多预测模型联动的人事管理数据处理方法，所述方法包括：
获取目标人事系统内的目标员工的历史人事记录数据；
将所述历史人事记录数据，输入至预先训练好的多个神经网络模型中，以得到所述目标员工对应的多个人事事项的预测概率；
获取所述目标员工的实时传感信息和人事请求信息；
根据所述多个人事事项的预测概率，以及所述实时传感信息，基于预设的数据判别算法，确定所述人事请求信息的真实性参数；
获取所述目标员工对于所述人事请求信息的反馈信息，将所述反馈信息和所述真实性参数更新到数据库；所述数据库用于继续训练和更新所述神经网络模型。
作为一种可选的实施方式，在本发明第一方面中，所述人事事项或所述人事请求信息的类型包括请假、旷工、到岗、工作失误、开会、离职中的至少一种；和/或，所述实时传感信息包括图像信息、声音信息、温度信息、RFID感应信息、红外线传感信息中的至少一种。
作为一种可选的实施方式，在本发明第一方面中，所述历史人事记录数据包括所述目标员工在历史时间段的多个所述人事事项的多个记录数据；所述将所述历史人事记录数据，输入至预先训练好的多个神经网络模型中，以得到所述目标员工对应的多个人事事项的预测概率，包括：
基于预设的多个神经网络模型的训练数据分类规则，将所述历史人事记录数据分组为多个人事事项对应的预测需要的人事数据组；
将每一所述人事数据组输入至对应的所述神经网络模型中，以得到对应的所述人事事项对应预测概率；每一所述神经网络模型通过包括有多个遵循所述训练数据分类规则的训练人事数据和对应的人事事项标注的训练数据集训练得到。
作为一种可选的实施方式，在本发明第一方面中，所述训练数据分类规则通过以下方式确定：
对于每一所述神经网络模型，获取用于训练该神经网络模型的多个员工的多个因素的训练人事记录数据和对应的人事事项标注；
基于PCA分析算法和所述训练人事记录数据，对所述多个因素进行成分分析，得到多个高相关度因素组合；
将每一所述高相关度因素组合对应的训练人事记录数据和对应的人事事项标注输入至该神经网络模型中，基于敏感度分析算法，计算每一所述高相关度因素组合中每一因素的敏感性系数；
计算每一所述高相关度因素组合中所有因素的所述敏感性系数的平均值，并按照所述平均值从大到小对所有所述高相关度因素组合进行排序，得到组合序列；
将所述组合序列的前预设数量个高相关度因素组合对应的因素组合规则，确定为该神经网络模型对应的训练数据分类规则。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述多个人事事项的预测概率，以及所述实时传感信息，基于预设的数据判别算法，确定所述人事请求信息的真实性参数，包括：
确定所述人事请求信息对应的所述人事事项对应的预测概率是否大于预设的第一概率阈值，得到第一判断结果；
根据除所述人事请求信息对应的人事事项以外的其他所述人事事项的预测概率，以及预设的事项矛盾规则，判断所述人事请求信息是否不存在矛盾人事事项，得到第二判断结果；
根据所述实时传感信息，基于预设的传感验证规则，判断所述人事请求信息是否不存在传感矛盾情况，得到第三判断结果；
根据所述第一判断结果、所述第二判断结果和所述第三判断结果，确定所述人事请求信息的真实性参数。
作为一种可选的实施方式，在本发明第一方面中，所述根据除所述人事请求信息对应的人事事项以外的其他所述人事事项的预测概率，以及预设的事项矛盾规则，判断所述人事请求信息是否不存在矛盾人事事项，得到第二判断结果，包括：
从除所述人事请求信息对应的人事事项以外的所有其他所述人事事项中筛选出所述预测概率大于第二概率阈值的多个高概率人事事项；所述第二概率阈值大于所述第一概率阈值；
将任一所述高概率人事事项的预测概率和所述人事请求信息对应的人事事项的预测概率，输入至训练好的矛盾判断神经网络模型，得到输出的该高概率人事事项和所述人事请求信息之间的矛盾预测概率；所述矛盾判断神经网络模型通过包括有多个人事事项概率组合和对应的矛盾可能性标注的训练数据集训练得到；
判断所述多个高概率人事事项中是否不存在所述矛盾预测概率大于第三概率阈值的事项以及不存在符合预设的绝对矛盾规则的事项，得到第二判断结果；所述绝对矛盾规则限定了与所述人事请求信息对应的人事事项形成绝对矛盾关系的人事事项。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述实时传感信息，基于预设的传感验证规则，判断所述人事请求信息是否不存在传感矛盾情况，得到第三判断结果，包括：
基于预设的人事-传感对应的数学关系模型，确定所述人事请求信息对应的特定类型的传感数据区间；
判断所述实时传感信息中每一类型的传感数据值是否处于对应类型的所述传感数据区间中，以得到第三判断结果。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述第一判断结果、所述第二判断结果和所述第三判断结果，确定所述人事请求信息的真实性参数，包括：
当所述第一判断结果、所述第二判断结果和所述第三判断结果均为是时，确定所述人事请求信息的真实性参数为确定真实值；
当所述第一判断结果、所述第二判断结果和所述第三判断结果有至少一项为否时，计算所述人事请求信息对应的所述人事事项对应的预测概率与所述第一概率阈值之间的第一差值，以及计算所述多个高概率人事事项中每一所述矛盾预测概率大于第三概率阈值的事项的矛盾预测概率与第三概率阈值的第二差值的平均值，以及计算所述实时传感信息中每一不处于所述传感数据区间的传感数据值与对应的所述传感数据区间的中心值的第三差值；
计算所述第一差值、所述平均值和所述第三差值的加权求和平均值，得到所述人事请求信息对应的真实判别参数；其中，所述第一差值的权重大于所述平均值和所述第三差值；所述平均值的权重与所述多个高概率人事事项中符合所述绝对矛盾规则的事项的数量成正比；所述第三差值的权重与所述实时传感信息中不处于所述传感数据区间的传感数据值的数量成正比；
判断所述真实判别参数是否大于预设的参数阈值，若是，则确定所述人事请求信息的真实性参数为确认虚假值，否则，确定所述人事请求信息的真实性参数为暂定真实值。
本发明第二方面公开了一种基于多预测模型联动的人事管理数据处理系统，所述系统包括：
第一获取模块，用于获取目标人事系统内的目标员工的历史人事记录数据；
预测模块，用于将所述历史人事记录数据，输入至预先训练好的多个神经网络模型中，以得到所述目标员工对应的多个人事事项的预测概率；
第二获取模块，用于获取所述目标员工的实时传感信息和人事请求信息；
确定模块，用于根据所述多个人事事项的预测概率，以及所述实时传感信息，基于预设的数据判别算法，确定所述人事请求信息的真实性参数；
更新模块，用于获取所述目标员工对于所述人事请求信息的反馈信息，将所述反馈信息和所述真实性参数更新到数据库；所述数据库用于继续训练和更新所述神经网络模型。
作为一种可选的实施方式，在本发明第二方面中，所述人事事项或所述人事请求信息的类型包括请假、旷工、到岗、工作失误、开会、离职中的至少一种；和/或，所述实时传感信息包括图像信息、声音信息、温度信息、RFID感应信息、红外线传感信息中的至少一种。
作为一种可选的实施方式，在本发明第二方面中，所述历史人事记录数据包括所述目标员工在历史时间段的多个所述人事事项的多个记录数据；所述预测模块将所述历史人事记录数据，输入至预先训练好的多个神经网络模型中，以得到所述目标员工对应的多个人事事项的预测概率的具体方式，包括：
基于预设的多个神经网络模型的训练数据分类规则，将所述历史人事记录数据分组为多个人事事项对应的预测需要的人事数据组；
将每一所述人事数据组输入至对应的所述神经网络模型中，以得到对应的所述人事事项对应预测概率；每一所述神经网络模型通过包括有多个遵循所述训练数据分类规则的训练人事数据和对应的人事事项标注的训练数据集训练得到。
作为一种可选的实施方式，在本发明第二方面中，所述训练数据分类规则通过以下方式确定：
对于每一所述神经网络模型，获取用于训练该神经网络模型的多个员工的多个因素的训练人事记录数据和对应的人事事项标注；
基于PCA分析算法和所述训练人事记录数据，对所述多个因素进行成分分析，得到多个高相关度因素组合；
将每一所述高相关度因素组合对应的训练人事记录数据和对应的人事事项标注输入至该神经网络模型中，基于敏感度分析算法，计算每一所述高相关度因素组合中每一因素的敏感性系数；
计算每一所述高相关度因素组合中所有因素的所述敏感性系数的平均值，并按照所述平均值从大到小对所有所述高相关度因素组合进行排序，得到组合序列；
将所述组合序列的前预设数量个高相关度因素组合对应的因素组合规则，确定为该神经网络模型对应的训练数据分类规则。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述多个人事事项的预测概率，以及所述实时传感信息，基于预设的数据判别算法，确定所述人事请求信息的真实性参数的具体方式，包括：
确定所述人事请求信息对应的所述人事事项对应的预测概率是否大于预设的第一概率阈值，得到第一判断结果；
根据除所述人事请求信息对应的人事事项以外的其他所述人事事项的预测概率，以及预设的事项矛盾规则，判断所述人事请求信息是否不存在矛盾人事事项，得到第二判断结果；
根据所述实时传感信息，基于预设的传感验证规则，判断所述人事请求信息是否不存在传感矛盾情况，得到第三判断结果；
根据所述第一判断结果、所述第二判断结果和所述第三判断结果，确定所述人事请求信息的真实性参数。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据除所述人事请求信息对应的人事事项以外的其他所述人事事项的预测概率，以及预设的事项矛盾规则，判断所述人事请求信息是否不存在矛盾人事事项，得到第二判断结果的具体方式，包括：
从除所述人事请求信息对应的人事事项以外的所有其他所述人事事项中筛选出所述预测概率大于第二概率阈值的多个高概率人事事项；所述第二概率阈值大于所述第一概率阈值；
将任一所述高概率人事事项的预测概率和所述人事请求信息对应的人事事项的预测概率，输入至训练好的矛盾判断神经网络模型，得到输出的该高概率人事事项和所述人事请求信息之间的矛盾预测概率；所述矛盾判断神经网络模型通过包括有多个人事事项概率组合和对应的矛盾可能性标注的训练数据集训练得到；
判断所述多个高概率人事事项中是否不存在所述矛盾预测概率大于第三概率阈值的事项以及不存在符合预设的绝对矛盾规则的事项，得到第二判断结果；所述绝对矛盾规则限定了与所述人事请求信息对应的人事事项形成绝对矛盾关系的人事事项。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述实时传感信息，基于预设的传感验证规则，判断所述人事请求信息是否不存在传感矛盾情况，得到第三判断结果的具体方式，包括：
基于预设的人事-传感对应的数学关系模型，确定所述人事请求信息对应的特定类型的传感数据区间；
判断所述实时传感信息中每一类型的传感数据值是否处于对应类型的所述传感数据区间中，以得到第三判断结果。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述第一判断结果、所述第二判断结果和所述第三判断结果，确定所述人事请求信息的真实性参数的具体方式，包括：
当所述第一判断结果、所述第二判断结果和所述第三判断结果均为是时，确定所述人事请求信息的真实性参数为确定真实值；
当所述第一判断结果、所述第二判断结果和所述第三判断结果有至少一项为否时，计算所述人事请求信息对应的所述人事事项对应的预测概率与所述第一概率阈值之间的第一差值，以及计算所述多个高概率人事事项中每一所述矛盾预测概率大于第三概率阈值的事项的矛盾预测概率与第三概率阈值的第二差值的平均值，以及计算所述实时传感信息中每一不处于所述传感数据区间的传感数据值与对应的所述传感数据区间的中心值的第三差值；
计算所述第一差值、所述平均值和所述第三差值的加权求和平均值，得到所述人事请求信息对应的真实判别参数；其中，所述第一差值的权重大于所述平均值和所述第三差值；所述平均值的权重与所述多个高概率人事事项中符合所述绝对矛盾规则的事项的数量成正比；所述第三差值的权重与所述实时传感信息中不处于所述传感数据区间的传感数据值的数量成正比；
判断所述真实判别参数是否大于预设的参数阈值，若是，则确定所述人事请求信息的真实性参数为确认虚假值，否则，确定所述人事请求信息的真实性参数为暂定真实值。
本发明第三方面公开了另一种基于多预测模型联动的人事管理数据处理系统，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于多预测模型联动的人事管理数据处理方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
本发明能够利用目标员工的人事记录预测其多个人事事项的可能概率，再根据预测结果和传感信息综合判断其人事请求的真实性，并对反馈结果进行保存更新，从而能够有效利用预测算法和人事数据来提前预判员工的人事事项发生概率和人事请求真实程度，以便于更加智能化和高效的人事管理，且更新后的数据库可以持续用于预测模型的训练和更新，以不断提高预测的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于多预测模型联动的人事管理数据处理方法的流程示意图；
图2是本发明实施例公开的一种基于多预测模型联动的人事管理数据处理系统的结构示意图；
图3是本发明实施例公开的另一种基于多预测模型联动的人事管理数据处理系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于多预测模型联动的人事管理数据处理方法及系统，能够利用目标员工的人事记录预测其多个人事事项的可能概率，再根据预测结果和传感信息综合判断其人事请求的真实性，并对反馈结果进行保存更新，从而能够有效利用预测算法和人事数据来提前预判员工的人事事项发生概率和人事请求真实程度，以便于更加智能化和高效的人事管理，且更新后的数据库可以持续用于预测模型的训练和更新，以不断提高预测的效果。以下分别进行详细说明。
实施例一，请参阅图1，图1是本发明实施例公开的一种基于多预测模型联动的人事管理数据处理方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该基于多预测模型联动的人事管理数据处理方法可以包括以下操作：
101、获取目标人事系统内的目标员工的历史人事记录数据。
102、将历史人事记录数据，输入至预先训练好的多个神经网络模型中，以得到目标员工对应的多个人事事项的预测概率。
103、获取目标员工的实时传感信息和人事请求信息。
可选的，人事事项或人事请求信息的类型包括请假、旷工、到岗、工作失误、开会、离职中的至少一种。
可选的，实时传感信息包括图像信息、声音信息、温度信息、RFID感应信息、红外线传感信息中的至少一种。
可选的，RFID感应信息可以为员工身上的RFID标签在不同位置的感应线圈上的识别信息，以用于标识员工的不同活动位置或员工的不同活动类型，也即特定类型的活动与特定位置的感应线圈进行了预先的绑定。
可选的，红外线传感信息可以为设置在特定位置的红外线传感器的触发信号，例如设置在特定区域如员工的工作区域的红外线传感器被触发的信号，以用于标识用户的位置或活动空间或活动轨迹。
104、根据多个人事事项的预测概率，以及实时传感信息，基于预设的数据判别算法，确定人事请求信息的真实性参数。
105、获取目标员工对于人事请求信息的反馈信息，将反馈信息和真实性参数更新到数据库。
具体的，数据库用于继续训练和更新神经网络模型，该数据库具体可以用于对数据进行收集整理和预处理，并在后续继续用于训练其他的神经网络模型。
具体的，反馈信息中可以包括人事请求信息的执行结果、提交材料、审核结果和员工对于系统确定出的真实性参数的反应情况，以用于综合统计该人事请求信息对应的相关数据，进一步的，可以将反馈信息中的数据进行归一化和汇总分类后更新到数据库中的相应类目中，后续在训练相关模型可以直接从数据库中调用相关数据进行训练。
可见，实施本发明实施例所描述的方法能够利用目标员工的人事记录预测其多个人事事项的可能概率，再根据预测结果和传感信息综合判断其人事请求的真实性，并对反馈结果进行保存更新，从而能够有效利用预测算法和人事数据来提前预判员工的人事事项发生概率和人事请求真实程度，以便于更加智能化和高效的人事管理，且更新后的数据库可以持续用于预测模型的训练和更新，以不断提高预测的效果。
作为一种可选的实施例，历史人事记录数据包括目标员工在历史时间段的多个人事事项的多个记录数据。相应的，上述步骤中的，将历史人事记录数据，输入至预先训练好的多个神经网络模型中，以得到目标员工对应的多个人事事项的预测概率，包括：
基于预设的多个神经网络模型的训练数据分类规则，将历史人事记录数据分组为多个人事事项对应的预测需要的人事数据组；
将每一人事数据组输入至对应的神经网络模型中，以得到对应的人事事项对应预测概率；每一神经网络模型通过包括有多个遵循训练数据分类规则的训练人事数据和对应的人事事项标注的训练数据集训练得到。
通过上述实施例，能够将人事记录数据进行分组后分别用于输入至不同的神经网络模型进行不同人事事项的概率预测，从而能够有效提高预测的效率和准确性，以便于后续根据预测结果进行更加智能化的人事管理。
作为一种可选的实施例，训练数据分类规则通过以下方式确定：
对于每一神经网络模型，获取用于训练该神经网络模型的多个员工的多个因素的训练人事记录数据和对应的人事事项标注；
基于PCA分析算法和训练人事记录数据，对多个因素进行成分分析，得到多个高相关度因素组合；
将每一高相关度因素组合对应的训练人事记录数据和对应的人事事项标注输入至该神经网络模型中，基于敏感度分析算法，计算每一高相关度因素组合中每一因素的敏感性系数；
计算每一高相关度因素组合中所有因素的敏感性系数的平均值，并按照平均值从大到小对所有高相关度因素组合进行排序，得到组合序列；
将组合序列的前预设数量个高相关度因素组合对应的因素组合规则，确定为该神经网络模型对应的训练数据分类规则。
通过上述实施例，能够基于PCA分析算法先对人事记录数据中的相关度因素进行核算和分组，再根据模型和敏感性分析算法，对分组后的结果进行进一步的筛选，以得到不同人事事项的预测模型对应的分类规则，从而在后续预测时能够有效提高预测的效率和准确性，以便于后续根据预测结果进行更加智能化的人事管理。
作为一种可选的实施例，上述步骤中的，根据多个人事事项的预测概率，以及实时传感信息，基于预设的数据判别算法，确定人事请求信息的真实性参数，包括：
确定人事请求信息对应的人事事项对应的预测概率是否大于预设的第一概率阈值，得到第一判断结果；
根据除人事请求信息对应的人事事项以外的其他人事事项的预测概率，以及预设的事项矛盾规则，判断人事请求信息是否不存在矛盾人事事项，得到第二判断结果；
根据实时传感信息，基于预设的传感验证规则，判断人事请求信息是否不存在传感矛盾情况，得到第三判断结果；
根据第一判断结果、第二判断结果和第三判断结果，确定人事请求信息的真实性参数。
通过上述实施例，能够基于多种判定方式来综合得到不同的判断结果，并根据多个判断结果来确定人事请求信息的真实性参数，从而能够有效提高对人事请求的真实性判断的效果和准确性，以便于后续根据预测结果进行更加智能化的人事管理。
作为一种可选的实施例，上述步骤中的，根据除人事请求信息对应的人事事项以外的其他人事事项的预测概率，以及预设的事项矛盾规则，判断人事请求信息是否不存在矛盾人事事项，得到第二判断结果，包括：
从除人事请求信息对应的人事事项以外的所有其他人事事项中筛选出预测概率大于第二概率阈值的多个高概率人事事项；第二概率阈值大于第一概率阈值；
将任一高概率人事事项的预测概率和人事请求信息对应的人事事项的预测概率，输入至训练好的矛盾判断神经网络模型，得到输出的该高概率人事事项和人事请求信息之间的矛盾预测概率；矛盾判断神经网络模型通过包括有多个人事事项概率组合和对应的矛盾可能性标注的训练数据集训练得到；
判断多个高概率人事事项中是否不存在矛盾预测概率大于第三概率阈值的事项以及不存在符合预设的绝对矛盾规则的事项，得到第二判断结果；绝对矛盾规则限定了与人事请求信息对应的人事事项形成绝对矛盾关系的人事事项。
可选的，特定人事事项之间存在绝对矛盾的关系，这些关系可以由操作人员根据经验或实验统计来得出，例如请假或旷工的人事事项和到岗之间则存在这种关系。
可选的，特定人事事项之间存在可能矛盾的关系，尤其是在概率不同的情况下，因此本发明的方案采取了神经网络模型来实现这一判定，可以由操作人员实现进行数据准备和标注以得到矛盾判断神经网络模型的训练数据集。
通过上述实施例，能够基于矛盾判断神经网络模型和绝对矛盾关系，来有效判断一些高概率发生的人事事项中是否存在和人事请求相矛盾的事项，从而能够有效提高对人事请求的真实性判断的效果和准确性，以便于后续根据预测结果进行更加智能化的人事管理。
作为一种可选的实施例，上述步骤中的，根据实时传感信息，基于预设的传感验证规则，判断人事请求信息是否不存在传感矛盾情况，得到第三判断结果，包括：
基于预设的人事-传感对应的数学关系模型，确定人事请求信息对应的特定类型的传感数据区间；
判断实时传感信息中每一类型的传感数据值是否处于对应类型的传感数据区间中，以得到第三判断结果。
可选的，人事-传感对应的数学关系模型可以用于限定人事请求信息的信息参数值与不同类型的传感信息的数据区间之间的数学对应关系，从而能够根据人事请求信息的信息参数来得到对应的传感数据区间，在一些实例中，可以由操作人员通过实验统计来得到多个数据并基于多项式拟合算法来计算得到这一数学关系模型，或是由操作人员根据经验来得到特定的数据区间，或是通过神经网络模型算法来训练并构建一个数据区间预测模型，以作为该数学关系模型。
可选的，本发明中的数据区间并不严格指代单一连续的数据区间，也不用于严格指代数据的值区间，在一些数据类型如图像数据中，本发明中的数据区间也用于指示图像中的特定位置的数据的特定维度值的值区间，其包括了位置和维度和限定。
通过上述实施例，能够根据预设的数学关系模型和传感信息来判断员工的传感信息相对于该人事请求信息是否存在异常情况，从而能够有效提高对人事请求的真实性判断的效果和准确性，以便于后续根据预测结果进行更加智能化的人事管理。
作为一种可选的实施例，上述步骤中的，根据第一判断结果、第二判断结果和第三判断结果，确定人事请求信息的真实性参数，包括：
当第一判断结果、第二判断结果和第三判断结果均为是时，确定人事请求信息的真实性参数为确定真实值；
当第一判断结果、第二判断结果和第三判断结果有至少一项为否时，计算人事请求信息对应的人事事项对应的预测概率与第一概率阈值之间的第一差值，以及计算多个高概率人事事项中每一矛盾预测概率大于第三概率阈值的事项的矛盾预测概率与第三概率阈值的第二差值的平均值，以及计算实时传感信息中每一不处于传感数据区间的传感数据值与对应的传感数据区间的中心值的第三差值；
计算第一差值、平均值和第三差值的加权求和平均值，得到人事请求信息对应的真实判别参数；其中，第一差值的权重大于平均值和第三差值；平均值的权重与多个高概率人事事项中符合绝对矛盾规则的事项的数量成正比；第三差值的权重与实时传感信息中不处于传感数据区间的传感数据值的数量成正比；
判断真实判别参数是否大于预设的参数阈值，若是，则确定人事请求信息的真实性参数为确认虚假值，否则，确定人事请求信息的真实性参数为暂定真实值。
可选的，确认真实值、暂定真实值和确认虚假值可以用不同的具体数据值，但一般情况下三者的值的大小是顺序递减的，如1、0.5、0这样的三个取值，在一些情况下该值并不用于后续的计算或评估，则不必遵循递减的规律。
可选的，确认真实值、暂定真实值和确认虚假值可以再后续直接用于标识并展现给相关人员，以用于明确系统对于该人事请求信息的判断。
可选的，第一差值的权重大于平均值和第三差值的设置目的在于直接用于预测人事事项的模型的预测准确率比遵循人事矛盾关系或传感信息的方式要更高，尤其是在一些为了节约成本的场景中，传感信息的获取精度和判断精度都会较低，因此其重要性也较低。
通过上述实施例，能够根据三种判断结果以及具体的数据值计算来对人事请求的真实性进行判断，从而能够有效提高对人事请求的真实性判断的效果和准确性，以便于后续根据预测结果进行更加智能化的人事管理。
实施例二，请参阅图2，图2是本发明实施例公开的一种基于多预测模型联动的人事管理数据处理系统的结构示意图。其中，图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该系统可以包括：
第一获取模块201，用于获取目标人事系统内的目标员工的历史人事记录数据。
预测模块202，用于将历史人事记录数据，输入至预先训练好的多个神经网络模型中，以得到目标员工对应的多个人事事项的预测概率。
第二获取模块203，用于获取目标员工的实时传感信息和人事请求信息。
可选的，人事事项或人事请求信息的类型包括请假、旷工、到岗、工作失误、开会、离职中的至少一种。
可选的，实时传感信息包括图像信息、声音信息、温度信息、RFID感应信息、红外线传感信息中的至少一种。
可选的，RFID感应信息可以为员工身上的RFID标签在不同位置的感应线圈上的识别信息，以用于标识员工的不同活动位置或员工的不同活动类型，也即特定类型的活动与特定位置的感应线圈进行了预先的绑定。
可选的，红外线传感信息可以为设置在特定位置的红外线传感器的触发信号，例如设置在特定区域如员工的工作区域的红外线传感器被触发的信号，以用于标识用户的位置或活动空间或活动轨迹。
确定模块204，用于根据多个人事事项的预测概率，以及实时传感信息，基于预设的数据判别算法，确定人事请求信息的真实性参数。
更新模块205，用于获取目标员工对于人事请求信息的反馈信息，将反馈信息和真实性参数更新到数据库。
具体的，数据库用于继续训练和更新神经网络模型，该数据库具体可以用于对数据进行收集整理和预处理，并在后续继续用于训练其他的神经网络模型。
具体的，反馈信息中可以包括人事请求信息的执行结果、提交材料、审核结果和员工对于系统确定出的真实性参数的反应情况，以用于综合统计该人事请求信息对应的相关数据，进一步的，可以将反馈信息中的数据进行归一化和汇总分类后更新到数据库中的相应类目中，后续在训练相关模型可以直接从数据库中调用相关数据进行训练。
可见，实施本发明实施例所描述的装置能够利用目标员工的人事记录预测其多个人事事项的可能概率，再根据预测结果和传感信息综合判断其人事请求的真实性，并对反馈结果进行保存更新，从而能够有效利用预测算法和人事数据来提前预判员工的人事事项发生概率和人事请求真实程度，以便于更加智能化和高效的人事管理，且更新后的数据库可以持续用于预测模型的训练和更新，以不断提高预测的效果。
作为一种可选的实施例，历史人事记录数据包括目标员工在历史时间段的多个人事事项的多个记录数据；预测模块202将历史人事记录数据，输入至预先训练好的多个神经网络模型中，以得到目标员工对应的多个人事事项的预测概率的具体方式，包括：
基于预设的多个神经网络模型的训练数据分类规则，将历史人事记录数据分组为多个人事事项对应的预测需要的人事数据组；
将每一人事数据组输入至对应的神经网络模型中，以得到对应的人事事项对应预测概率；每一神经网络模型通过包括有多个遵循训练数据分类规则的训练人事数据和对应的人事事项标注的训练数据集训练得到。
通过上述实施例，能够将人事记录数据进行分组后分别用于输入至不同的神经网络模型进行不同人事事项的概率预测，从而能够有效提高预测的效率和准确性，以便于后续根据预测结果进行更加智能化的人事管理。
作为一种可选的实施例，训练数据分类规则通过以下方式确定：
对于每一神经网络模型，获取用于训练该神经网络模型的多个员工的多个因素的训练人事记录数据和对应的人事事项标注；
基于PCA分析算法和训练人事记录数据，对多个因素进行成分分析，得到多个高相关度因素组合；
将每一高相关度因素组合对应的训练人事记录数据和对应的人事事项标注输入至该神经网络模型中，基于敏感度分析算法，计算每一高相关度因素组合中每一因素的敏感性系数；
计算每一高相关度因素组合中所有因素的敏感性系数的平均值，并按照平均值从大到小对所有高相关度因素组合进行排序，得到组合序列；
将组合序列的前预设数量个高相关度因素组合对应的因素组合规则，确定为该神经网络模型对应的训练数据分类规则。
通过上述实施例，能够基于PCA分析算法先对人事记录数据中的相关度因素进行核算和分组，再根据模型和敏感性分析算法，对分组后的结果进行进一步的筛选，以得到不同人事事项的预测模型对应的分类规则，从而在后续预测时能够有效提高预测的效率和准确性，以便于后续根据预测结果进行更加智能化的人事管理。
作为一种可选的实施例，确定模块204根据多个人事事项的预测概率，以及实时传感信息，基于预设的数据判别算法，确定人事请求信息的真实性参数的具体方式，包括：
确定人事请求信息对应的人事事项对应的预测概率是否大于预设的第一概率阈值，得到第一判断结果；
根据除人事请求信息对应的人事事项以外的其他人事事项的预测概率，以及预设的事项矛盾规则，判断人事请求信息是否不存在矛盾人事事项，得到第二判断结果；
根据实时传感信息，基于预设的传感验证规则，判断人事请求信息是否不存在传感矛盾情况，得到第三判断结果；
根据第一判断结果、第二判断结果和第三判断结果，确定人事请求信息的真实性参数。
通过上述实施例，能够基于多种判定方式来综合得到不同的判断结果，并根据多个判断结果来确定人事请求信息的真实性参数，从而能够有效提高对人事请求的真实性判断的效果和准确性，以便于后续根据预测结果进行更加智能化的人事管理。
作为一种可选的实施例，确定模块204根据除人事请求信息对应的人事事项以外的其他人事事项的预测概率，以及预设的事项矛盾规则，判断人事请求信息是否不存在矛盾人事事项，得到第二判断结果的具体方式，包括：
从除人事请求信息对应的人事事项以外的所有其他人事事项中筛选出预测概率大于第二概率阈值的多个高概率人事事项；第二概率阈值大于第一概率阈值；
将任一高概率人事事项的预测概率和人事请求信息对应的人事事项的预测概率，输入至训练好的矛盾判断神经网络模型，得到输出的该高概率人事事项和人事请求信息之间的矛盾预测概率；矛盾判断神经网络模型通过包括有多个人事事项概率组合和对应的矛盾可能性标注的训练数据集训练得到；
判断多个高概率人事事项中是否不存在矛盾预测概率大于第三概率阈值的事项以及不存在符合预设的绝对矛盾规则的事项，得到第二判断结果；绝对矛盾规则限定了与人事请求信息对应的人事事项形成绝对矛盾关系的人事事项。
可选的，特定人事事项之间存在绝对矛盾的关系，这些关系可以由操作人员根据经验或实验统计来得出，例如请假或旷工的人事事项和到岗之间则存在这种关系。
可选的，特定人事事项之间存在可能矛盾的关系，尤其是在概率不同的情况下，因此本发明的方案采取了神经网络模型来实现这一判定，可以由操作人员实现进行数据准备和标注以得到矛盾判断神经网络模型的训练数据集。
通过上述实施例，能够基于矛盾判断神经网络模型和绝对矛盾关系，来有效判断一些高概率发生的人事事项中是否存在和人事请求相矛盾的事项，从而能够有效提高对人事请求的真实性判断的效果和准确性，以便于后续根据预测结果进行更加智能化的人事管理。
作为一种可选的实施例，确定模块204根据实时传感信息，基于预设的传感验证规则，判断人事请求信息是否不存在传感矛盾情况，得到第三判断结果的具体方式，包括：
基于预设的人事-传感对应的数学关系模型，确定人事请求信息对应的特定类型的传感数据区间；
判断实时传感信息中每一类型的传感数据值是否处于对应类型的传感数据区间中，以得到第三判断结果。
可选的，人事-传感对应的数学关系模型可以用于限定人事请求信息的信息参数值与不同类型的传感信息的数据区间之间的数学对应关系，从而能够根据人事请求信息的信息参数来得到对应的传感数据区间，在一些实例中，可以由操作人员通过实验统计来得到多个数据并基于多项式拟合算法来计算得到这一数学关系模型，或是由操作人员根据经验来得到特定的数据区间，或是通过神经网络模型算法来训练并构建一个数据区间预测模型，以作为该数学关系模型。
可选的，本发明中的数据区间并不严格指代单一连续的数据区间，也不用于严格指代数据的值区间，在一些数据类型如图像数据中，本发明中的数据区间也用于指示图像中的特定位置的数据的特定维度值的值区间，其包括了位置和维度和限定。
通过上述实施例，能够根据预设的数学关系模型和传感信息来判断员工的传感信息相对于该人事请求信息是否存在异常情况，从而能够有效提高对人事请求的真实性判断的效果和准确性，以便于后续根据预测结果进行更加智能化的人事管理。
作为一种可选的实施例，确定模块204根据第一判断结果、第二判断结果和第三判断结果，确定人事请求信息的真实性参数的具体方式，包括：
当第一判断结果、第二判断结果和第三判断结果均为是时，确定人事请求信息的真实性参数为确定真实值；
当第一判断结果、第二判断结果和第三判断结果有至少一项为否时，计算人事请求信息对应的人事事项对应的预测概率与第一概率阈值之间的第一差值，以及计算多个高概率人事事项中每一矛盾预测概率大于第三概率阈值的事项的矛盾预测概率与第三概率阈值的第二差值的平均值，以及计算实时传感信息中每一不处于传感数据区间的传感数据值与对应的传感数据区间的中心值的第三差值；
计算第一差值、平均值和第三差值的加权求和平均值，得到人事请求信息对应的真实判别参数；其中，第一差值的权重大于平均值和第三差值；平均值的权重与多个高概率人事事项中符合绝对矛盾规则的事项的数量成正比；第三差值的权重与实时传感信息中不处于传感数据区间的传感数据值的数量成正比；
判断真实判别参数是否大于预设的参数阈值，若是，则确定人事请求信息的真实性参数为确认虚假值，否则，确定人事请求信息的真实性参数为暂定真实值。
可选的，确认真实值、暂定真实值和确认虚假值可以用不同的具体数据值，但一般情况下三者的值的大小是顺序递减的，如1、0.5、0这样的三个取值，在一些情况下该值并不用于后续的计算或评估，则不必遵循递减的规律。
可选的，确认真实值、暂定真实值和确认虚假值可以再后续直接用于标识并展现给相关人员，以用于明确系统对于该人事请求信息的判断。
可选的，第一差值的权重大于平均值和第三差值的设置目的在于直接用于预测人事事项的模型的预测准确率比遵循人事矛盾关系或传感信息的方式要更高，尤其是在一些为了节约成本的场景中，传感信息的获取精度和判断精度都会较低，因此其重要性也较低。
通过上述实施例，能够根据三种判断结果以及具体的数据值计算来对人事请求的真实性进行判断，从而能够有效提高对人事请求的真实性判断的效果和准确性，以便于后续根据预测结果进行更加智能化的人事管理。
实施例三，请参阅图3，图3是本发明实施例公开的另一种基于多预测模型联动的人事管理数据处理系统的结构示意图。如图3所示，该系统可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的基于多预测模型联动的人事管理数据处理方法中的部分或全部步骤。
实施例四，本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于多预测模型联动的人事管理数据处理方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式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。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种基于多预测模型联动的人事管理数据处理方法及系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述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项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种基于多预测模型联动的人事管理数据处理方法，其特征在于，所述方法包括：
获取目标人事系统内的目标员工的历史人事记录数据；
将所述历史人事记录数据，输入至预先训练好的多个神经网络模型中，以得到所述目标员工对应的多个人事事项的预测概率；
获取所述目标员工的实时传感信息和人事请求信息；
根据所述多个人事事项的预测概率，以及所述实时传感信息，基于预设的数据判别算法，确定所述人事请求信息的真实性参数；
获取所述目标员工对于所述人事请求信息的反馈信息，将所述反馈信息和所述真实性参数更新到数据库；所述数据库用于继续训练和更新所述神经网络模型。
2.根据权利要求1所述的基于多预测模型联动的人事管理数据处理方法，其特征在于，所述人事事项或所述人事请求信息的类型包括请假、旷工、到岗、工作失误、开会、离职中的至少一种；和/或，所述实时传感信息包括图像信息、声音信息、温度信息、RFID感应信息、红外线传感信息中的至少一种。
3.根据权利要求1所述的基于多预测模型联动的人事管理数据处理方法，其特征在于，所述历史人事记录数据包括所述目标员工在历史时间段的多个所述人事事项的多个记录数据；所述将所述历史人事记录数据，输入至预先训练好的多个神经网络模型中，以得到所述目标员工对应的多个人事事项的预测概率，包括：
基于预设的多个神经网络模型的训练数据分类规则，将所述历史人事记录数据分组为多个人事事项对应的预测需要的人事数据组；
将每一所述人事数据组输入至对应的所述神经网络模型中，以得到对应的所述人事事项对应预测概率；每一所述神经网络模型通过包括有多个遵循所述训练数据分类规则的训练人事数据和对应的人事事项标注的训练数据集训练得到。
4.根据权利要求3所述的基于多预测模型联动的人事管理数据处理方法，其特征在于，所述训练数据分类规则通过以下方式确定：
对于每一所述神经网络模型，获取用于训练该神经网络模型的多个员工的多个因素的训练人事记录数据和对应的人事事项标注；
基于PCA分析算法和所述训练人事记录数据，对所述多个因素进行成分分析，得到多个高相关度因素组合；
将每一所述高相关度因素组合对应的训练人事记录数据和对应的人事事项标注输入至该神经网络模型中，基于敏感度分析算法，计算每一所述高相关度因素组合中每一因素的敏感性系数；
计算每一所述高相关度因素组合中所有因素的所述敏感性系数的平均值，并按照所述平均值从大到小对所有所述高相关度因素组合进行排序，得到组合序列；
将所述组合序列的前预设数量个高相关度因素组合对应的因素组合规则，确定为该神经网络模型对应的训练数据分类规则。
5.根据权利要求4所述的基于多预测模型联动的人事管理数据处理方法，其特征在于，所述根据所述多个人事事项的预测概率，以及所述实时传感信息，基于预设的数据判别算法，确定所述人事请求信息的真实性参数，包括：
确定所述人事请求信息对应的所述人事事项对应的预测概率是否大于预设的第一概率阈值，得到第一判断结果；
根据除所述人事请求信息对应的人事事项以外的其他所述人事事项的预测概率，以及预设的事项矛盾规则，判断所述人事请求信息是否不存在矛盾人事事项，得到第二判断结果；
根据所述实时传感信息，基于预设的传感验证规则，判断所述人事请求信息是否不存在传感矛盾情况，得到第三判断结果；
根据所述第一判断结果、所述第二判断结果和所述第三判断结果，确定所述人事请求信息的真实性参数。
6.根据权利要求5所述的基于多预测模型联动的人事管理数据处理方法，其特征在于，所述根据除所述人事请求信息对应的人事事项以外的其他所述人事事项的预测概率，以及预设的事项矛盾规则，判断所述人事请求信息是否不存在矛盾人事事项，得到第二判断结果，包括：
从除所述人事请求信息对应的人事事项以外的所有其他所述人事事项中筛选出所述预测概率大于第二概率阈值的多个高概率人事事项；所述第二概率阈值大于所述第一概率阈值；
将任一所述高概率人事事项的预测概率和所述人事请求信息对应的人事事项的预测概率，输入至训练好的矛盾判断神经网络模型，得到输出的该高概率人事事项和所述人事请求信息之间的矛盾预测概率；所述矛盾判断神经网络模型通过包括有多个人事事项概率组合和对应的矛盾可能性标注的训练数据集训练得到；
判断所述多个高概率人事事项中是否不存在所述矛盾预测概率大于第三概率阈值的事项以及不存在符合预设的绝对矛盾规则的事项，得到第二判断结果；所述绝对矛盾规则限定了与所述人事请求信息对应的人事事项形成绝对矛盾关系的人事事项。
7.根据权利要求6所述的基于多预测模型联动的人事管理数据处理方法，其特征在于，所述根据所述实时传感信息，基于预设的传感验证规则，判断所述人事请求信息是否不存在传感矛盾情况，得到第三判断结果，包括：
基于预设的人事-传感对应的数学关系模型，确定所述人事请求信息对应的特定类型的传感数据区间；
判断所述实时传感信息中每一类型的传感数据值是否处于对应类型的所述传感数据区间中，以得到第三判断结果。
8.根据权利要求7所述的基于多预测模型联动的人事管理数据处理方法，其特征在于，所述根据所述第一判断结果、所述第二判断结果和所述第三判断结果，确定所述人事请求信息的真实性参数，包括：
当所述第一判断结果、所述第二判断结果和所述第三判断结果均为是时，确定所述人事请求信息的真实性参数为确定真实值；
当所述第一判断结果、所述第二判断结果和所述第三判断结果有至少一项为否时，计算所述人事请求信息对应的所述人事事项对应的预测概率与所述第一概率阈值之间的第一差值，以及计算所述多个高概率人事事项中每一所述矛盾预测概率大于第三概率阈值的事项的矛盾预测概率与第三概率阈值的第二差值的平均值，以及计算所述实时传感信息中每一不处于所述传感数据区间的传感数据值与对应的所述传感数据区间的中心值的第三差值；
计算所述第一差值、所述平均值和所述第三差值的加权求和平均值，得到所述人事请求信息对应的真实判别参数；其中，所述第一差值的权重大于所述平均值和所述第三差值；所述平均值的权重与所述多个高概率人事事项中符合所述绝对矛盾规则的事项的数量成正比；所述第三差值的权重与所述实时传感信息中不处于所述传感数据区间的传感数据值的数量成正比；
判断所述真实判别参数是否大于预设的参数阈值，若是，则确定所述人事请求信息的真实性参数为确认虚假值，否则，确定所述人事请求信息的真实性参数为暂定真实值。
9.一种基于多预测模型联动的人事管理数据处理系统，其特征在于，所述系统包括：
第一获取模块，用于获取目标人事系统内的目标员工的历史人事记录数据；
预测模块，用于将所述历史人事记录数据，输入至预先训练好的多个神经网络模型中，以得到所述目标员工对应的多个人事事项的预测概率；
第二获取模块，用于获取所述目标员工的实时传感信息和人事请求信息；
确定模块，用于根据所述多个人事事项的预测概率，以及所述实时传感信息，基于预设的数据判别算法，确定所述人事请求信息的真实性参数；
更新模块，用于获取所述目标员工对于所述人事请求信息的反馈信息，将所述反馈信息和所述真实性参数更新到数据库；所述数据库用于继续训练和更新所述神经网络模型。
10.一种基于多预测模型联动的人事管理数据处理系统，其特征在于，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-8任一项所述的基于多预测模型联动的人事管理数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311031131.1A CN116894653B (zh) | 2023-08-16 | 2023-08-16 | 一种基于多预测模型联动的人事管理数据处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311031131.1A CN116894653B (zh) | 2023-08-16 | 2023-08-16 | 一种基于多预测模型联动的人事管理数据处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116894653A true CN116894653A (zh) | 2023-10-17 |
| CN116894653B CN116894653B (zh) | 2024-02-23 |
Family
ID=88310904
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311031131.1A Active CN116894653B (zh) | 2023-08-16 | 2023-08-16 | 一种基于多预测模型联动的人事管理数据处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116894653B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117632905A (zh) * | 2023-11-28 | 2024-03-01 | 广州视声智能科技有限公司 | 基于云端使用记录的数据库管理方法及系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897743A (zh) * | 2017-02-22 | 2017-06-27 | 广州市勤思网络科技有限公司 | 基于贝叶斯模型的移动考勤防作弊大数据检测方法 |
| CN107993301A (zh) * | 2018-02-28 | 2018-05-04 | 广州市勤思网络科技有限公司 | 基于WiFi的人脸识别考勤系统 |
| CN109858217A (zh) * | 2018-12-03 | 2019-06-07 | 国网江苏省电力有限公司 | 电子档案真实性验证方法及系统 |
| CN110517025A (zh) * | 2019-09-02 | 2019-11-29 | 江苏艾格理企业服务有限公司 | 一种企业人事管理方法及系统 |
| CN111967761A (zh) * | 2020-08-14 | 2020-11-20 | 国网电子商务有限公司 | 一种基于知识图谱的监控预警方法、装置及电子设备 |
| CN112381338A (zh) * | 2021-01-14 | 2021-02-19 | 北京新唐思创教育科技有限公司 | 事件概率预测模型训练、事件概率预测方法及相关装置 |
| US20210174072A1 (en) * | 2018-11-21 | 2021-06-10 | Tencent Technology (Shenzhen) Company Limited | Microexpression-based image recognition method and apparatus, and related device |
| CN113012311A (zh) * | 2021-02-24 | 2021-06-22 | 湖南汽车工程职业学院 | 一种基于智能控制的人事考勤管理系统 |
| CN114757472A (zh) * | 2022-03-08 | 2022-07-15 | 南京墨橙信息科技有限公司 | 一种用于人事管理的综合评分系统 |
| CN114862270A (zh) * | 2022-06-06 | 2022-08-05 | 天翼数字生活科技有限公司 | 一种考勤数据处理方法和系统 |
| CN115002199A (zh) * | 2022-05-25 | 2022-09-02 | 中国平安财产保险股份有限公司 | 用户标签推送方法及相关装置 |
| CN115188046A (zh) * | 2022-07-06 | 2022-10-14 | 浙江运动家体育发展有限公司 | 一种学员出入管控方法及系统 |
| CN115471200A (zh) * | 2022-08-05 | 2022-12-13 | 广州红海云计算股份有限公司 | 基于云计算的人力资源数据管理系统、方法及装置 |
| CN116524578A (zh) * | 2023-07-05 | 2023-08-01 | 广东星马电子科技有限公司 | 一种基于大数据的人脸识别系统及其识别方法 |
-
2023
- 2023-08-16 CN CN202311031131.1A patent/CN116894653B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106897743A (zh) * | 2017-02-22 | 2017-06-27 | 广州市勤思网络科技有限公司 | 基于贝叶斯模型的移动考勤防作弊大数据检测方法 |
| CN107993301A (zh) * | 2018-02-28 | 2018-05-04 | 广州市勤思网络科技有限公司 | 基于WiFi的人脸识别考勤系统 |
| US20210174072A1 (en) * | 2018-11-21 | 2021-06-10 | Tencent Technology (Shenzhen) Company Limited | Microexpression-based image recognition method and apparatus, and related device |
| CN109858217A (zh) * | 2018-12-03 | 2019-06-07 | 国网江苏省电力有限公司 | 电子档案真实性验证方法及系统 |
| CN110517025A (zh) * | 2019-09-02 | 2019-11-29 | 江苏艾格理企业服务有限公司 | 一种企业人事管理方法及系统 |
| CN111967761A (zh) * | 2020-08-14 | 2020-11-20 | 国网电子商务有限公司 | 一种基于知识图谱的监控预警方法、装置及电子设备 |
| CN112381338A (zh) * | 2021-01-14 | 2021-02-19 | 北京新唐思创教育科技有限公司 | 事件概率预测模型训练、事件概率预测方法及相关装置 |
| CN113012311A (zh) * | 2021-02-24 | 2021-06-22 | 湖南汽车工程职业学院 | 一种基于智能控制的人事考勤管理系统 |
| CN114757472A (zh) * | 2022-03-08 | 2022-07-15 | 南京墨橙信息科技有限公司 | 一种用于人事管理的综合评分系统 |
| CN115002199A (zh) * | 2022-05-25 | 2022-09-02 | 中国平安财产保险股份有限公司 | 用户标签推送方法及相关装置 |
| CN114862270A (zh) * | 2022-06-06 | 2022-08-05 | 天翼数字生活科技有限公司 | 一种考勤数据处理方法和系统 |
| CN115188046A (zh) * | 2022-07-06 | 2022-10-14 | 浙江运动家体育发展有限公司 | 一种学员出入管控方法及系统 |
| CN115471200A (zh) * | 2022-08-05 | 2022-12-13 | 广州红海云计算股份有限公司 | 基于云计算的人力资源数据管理系统、方法及装置 |
| CN116524578A (zh) * | 2023-07-05 | 2023-08-01 | 广东星马电子科技有限公司 | 一种基于大数据的人脸识别系统及其识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 路娜;: "论人事档案专项审核工作对现实工作的指导", 黑龙江档案, no. 03, 15 June 2020 (2020-06-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117632905A (zh) * | 2023-11-28 | 2024-03-01 | 广州视声智能科技有限公司 | 基于云端使用记录的数据库管理方法及系统 |
| CN117632905B (zh) * | 2023-11-28 | 2024-05-17 | 广州视声智能科技有限公司 | 基于云端使用记录的数据库管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116894653B (zh) | 2024-02-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110832499B (zh) | 通过稀疏时间池化网络的弱监督动作定位 | |
| Cahill et al. | Detecting fraud in the real world | |
| CN103294592B (zh) | 利用用户工具交互来自动分析其服务交付中的缺陷的方法与系统 | |
| US8615420B2 (en) | Automatic self-optimizing queue management system | |
| US7113932B2 (en) | Artificial intelligence trending system | |
| CN116894653B (zh) | 一种基于多预测模型联动的人事管理数据处理方法及系统 | |
| CA2471013A1 (en) | Method and system for analyzing and predicting the behavior of systems | |
| CN112581182B (zh) | 自动售货设备的销售管理方法及系统 | |
| CN110717358B (zh) | 访客人数统计方法、装置、电子设备及存储介质 | |
| CN113095927B (zh) | 一种反洗钱可疑交易识别方法及设备 | |
| CN113626502A (zh) | 基于集成学习的电网数据异常检测方法及装置 | |
| CN112308638A (zh) | 一种虚开发票行为检测方法、装置、电子设备及存储介质 | |
| CN117632905B (zh) | 基于云端使用记录的数据库管理方法及系统 | |
| CN114626898A (zh) | 一种销量预测方法、工具、系统、设备及存储介质 | |
| CN116703455B (zh) | 基于时间序列的混合模型的医药数据销售预测方法及系统 | |
| CN115935279B (zh) | 一种层级分类模型的训练、层级分类的方法及装置 | |
| KR20210091591A (ko) | 원천 기술의 평가 방법을 포함하는 전자 장치 | |
| KR102639188B1 (ko) | 딥러닝 기반의 동적 가격 산정 방법 및 동적 가격 산정 시스템 | |
| CN114492657A (zh) | 植物疾病分类方法、装置、电子设备及存储介质 | |
| CN114219630A (zh) | 服务风险预测方法、装置、设备及介质 | |
| CN113657945A (zh) | 用户价值预测方法、装置、电子设备和计算机存储介质 | |
| CN113034284A (zh) | 基于算法，大数据和区块链的股票走势分析及预警系统 | |
| CN118037046B (zh) | 基于历史记录的资产数据处理方法及系统 | |
| CN113191819B (zh) | 用于线下作业的方法及装置 | |
| CN117057719B (zh) | 一种基于大数据的预制食品仓储补货管理方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |