[发明专利]基于机器学习算法的劳动力需求预测系统及预测方法

权利要求书

1.一种基于机器学习算法的劳动力需求预测系统，其特征在于，包括

考勤模块，排班模块，大数据存储模块，机器学习算法模块；其中：

所述考勤模块，用于收集企业员工实际上下班时间；

所述排班模块，用于收集员工在上班期间所做的任务信息；

所述大数据存储模块，保存来自考勤模块和排班模块产生的历史劳动力数据、实际任务、实际工时；

所述机器学习算法模块，根据大数据存储模块中的考勤排班信息结合企业内部业务量信息计算出未来不同时段不同岗位的劳动力需求。

2.根据权利要求1所述的基于机器学习算法的劳动力需求预测系统，其特征在于，所述机器学习算法模块，包括：数据预处理模块，模型训练模块，模型测试模块，预测模块，其中：

所述数据预处理模块获取到的历史排班数据和企业业务量数据进行特征构造并处理，生成可用于构建机器学习模型的数据集，数据集中包含训练模型所需的特征字段labor，sales，traffic，items，store，timeGroup，date字段，将数据切分为训练集，测试集和验证集；

所述模型训练模块包括多个训练模型，采用这些训练模型对训练集的数据进行训练，确定最优回归模型；

所述模型测试模块，将测试集放入训练好的回归模型中进行测试，如果按照各时段去预测的误差在20%以下，并且验证集放入模型训练中按各时段去预测的误差也在20%以下，则可以提供给排班模块去使用，否则就要重新进行特征构造和模型选择与调优；

所述预测模块，根据训练好的回归模型预测业务量，得出每个时段的业务量数据，计算不同岗位的劳动力，将每个时段的预测出的业务量传给机器学习的多变量预测模型，得出每个时段的劳动力需求。

3.根据权利要求2所述的基于机器学习算法的劳动力需求预测系统，其特征在于，所述模型训练模块还设置了影响因子，将影响因子信息作为预测劳动力的相关特征，放入模型中去训练回归模型。

4.根据权利要求3所述的基于机器学习算法的劳动力需求预测系统，其特征在于，所述模型训练模块，采用XGBoost模型，lightGBM算法模型和Sklearn算法模型寻找最优分割点；通过MSE（均方误差）对各个模型进行评估，选出对应各个数据的最优模型。

5.采用权利要求1-4中任一项所述的基于机器学习算法的劳动力需求预测系统进行劳动力需求的预测方法，其特征在于，包括以下步骤：

1）用于收集企业员工实际上下班时间以及员工在上班期间所做的任务信息；

2）将上述收集到的信息保存到大数据存储系统；

3）对获取到的历史排班数据和企业业务量数据进行特征构造，生成可用于构建机器学习模型的数据集，将数据切分为训练集，测试集和验证集；所述训练集选择的历史数据是一段整体趋势比较稳定的区间；

4）采用机器学习算法训练回归模型，并将所采用的模型并做评比，以确定最好的用于预测的回归模型；

5）将测试集放入训练好的回归模型中进行测试，如果按照各时段去预测的误差在20%以下，并且验证集放入模型训练中按各时段去预测的误差也在20%以下，则可以提供给排班系统去使用，否则就要重新进行特征构造和模型选择与调优；

6）根据训练好的回归模型预测业务量，得出每个时段的业务量数据；

7）将每个时段的预测出的业务量传给机器学习的多变量预测模型，得出每个时段的劳动力需求，其中劳动力需求为模型的因变量，业务量和其他相关因子为模型的自变量；如果所有时段所有岗位的劳动力需求数量均为个位数，机器学习模型使用多分类算法，否则机器学习模型将自动采用回归算法；根据机器学习模型选择的算法计算得出每个时段的劳动力需求，排班系统根据不同的岗位去分配劳动力。

6.根据权利要求5所述的基于机器学习算法的劳动力需求预测系统进行劳动力需求的预测方法，其特征在于，所述步骤3）中的特征构造方法为：将历史排班数据和企业业务量数据处理生成可用于构建机器学习模型的数据集，数据集中包含训练模型所需的特征字段labor，sales，traffic，items，store，timeGroup，date字段。