[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

说明书

本发明公开了一种基于机器学习算法的劳动力需求预测系统及预测方法，本发明可以根据大数据存储系统中的考勤排班信息结合企业内部业务量信息，天气，客流量，节假日等外部公开信息，计算出未来不同时段不同岗位的劳动力需求。与现有计算标准工时的系统相比，基于机器学习算法的劳动力需求计算系统不再那么复杂，只需获取到历史数据记录就可以计算劳动力需求，节约劳动力需求计算成本。机器学习可以采用回归或分类算法对劳动力需求进行计算，方法灵活高效。

技术领域

本发明属于计算机技术领域，具体涉及一种基于机器学习算法的劳动力需求预测系统及预测方法。

背景技术

过去劳动力需求是通过标准工时来计算的。传统的劳动力需求系统结构如图1所示。标准工时指具有一定作业熟练度程度的操作人员，在标准作业条件下，按照品质要求以正常速度完成作业所使用时间，包含观测时间、评比、作业速度、疲劳宽放，私人宽放，管理宽放。标准工时＝人数*测量平均时间*评定系数值*(1+宽放系数)。标准工时制定方法：直接观测(秒表测量法，模特法，简明工作因素法，预定动作标准时间法，工作因素法等)。这种统计劳动力的方式不仅费时费力，而且计算效率较低，错误率较高。目前，一般采用的方式：劳动力需求的计算是通过观察，秒表记录的方法来测算多名员工在1小时内能做多少笔交易，得出一个定值或形成一个范围，最后通过单一型或阶梯型的计算方式来计算劳动力需求。单一型计算劳动力需求的方式如图2，先预测出未来每个时段的业务量，根据测算出来的多名员工在每个时刻内可以做多少交易得出一个定值，然后用预测出来的业务量除以这个定值向上取整得出未来每个时刻的劳动力需求。阶梯型计算劳动力需求的方式如图3，先预测出未来每个时段的业务量，根据测算出来的多名员工在每个时刻内可以做多少交易形成一个范围，然后根据不同的范围分配不同的劳动力需求。无论是单一型还是阶梯型都存在一定的缺陷，都需要人为测算多名员工在1小时内能做多少笔交易，形成一个范围，计算定值和范围的工作量巨大，需要耗费大量的时间成本；同时定值和范围都是固定的，每一天每个时刻都是以相同的定值或范围计算劳动力需求，不够精准；如果某天某个时刻的交易笔数变化了，通过单一型或阶梯型计算的劳动力需求不会发生变化，不够灵活。

发明内容

本发明目的是：提供一种能够灵活，准确，快速进行预测的基于机器学习算法的劳动力需求预测系统及预测方法。

本发明的技术方案是：一种基于机器学习算法的劳动力需求预测系统，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：考勤模块，用于收集企业员工实际上下班时间；排班模块，用于收集员工在上班期间所做的任务信息；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；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。

进一步的，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：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。

进一步的，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；

进一步的，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；

进一步的，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。