[发明专利]基于深度学习的产能计算方法、装置、设备及存储介质

权利要求书

1.一种基于深度学习的产能计算方法，其特征在于，包括：

采集每个迭代分配任务周期内各个任务的初始分值以及各个员工的执行力评估因子；

构建深度学习神经网络模型并对所述深度学习神经网络模型进行训练，获得预训练深度学习神经网络模型；

将所述初始分值和所述执行力评估因子输入所述预训练深度学习神经网络模型中，根据所述初始分值对所述任务进行分配以确定获得所述任务的目标员工以及所述目标员工获得的任务分值，根据所述执行力评估因子计算所述目标员工的执行力，根据所述任务分值和所述执行力计算所述目标员工的产能。

2.根据权利要求1所述的计算方法，其特征在于，根据所述任务分值和所述执行力计算所述目标员工的产能的步骤之前，还包括：

将所述目标员工、所述目标员工获得的所述任务分值以及所述目标员工对应的执行力进行一一对应的关联。

3.根据权利要求1所述的计算方法，其特征在于，所述目标员工的执行力为各个所述执行力评估因子与对应的权重的乘积之和。

4.根据权利要求1所述的计算方法，其特征在于，根据所述初始分值对所述任务进行分配以确定获得所述任务的目标员工以及所述目标员工获得的任务分值的步骤还包括：

根据所述初始分值对所述任务进行分类处理，获得选择每个所述任务的员工数量；

将所述员工数量大于1的任务确定为待分配任务，逐步降低所述待分配任务的初始分值，并根据新的初始分值对所述待分配任务重新进行分类处理，直至获得选择所述待分配任务的员工数量为1为止；

将选择所述待分配任务的员工标记为目标员工，所述待分配任务降低后的初始分值标记为所述目标员工获得的任务分值。

5.根据权利要求4所述的计算方法，其特征在于，根据所述初始分值对所述任务进行分类处理，获得选择每个所述任务的员工数量的步骤之后，还包括：

将所述员工数量为1的任务确定为已分配任务，将选择所述已分配任务的员工确定为目标员工，所述目标员工获得的所述任务分值为所述已分配任务的初始分值。

6.根据权利要求4所述的计算方法，其特征在于，根据所述初始分值对所述任务进行分类处理，获得选择每个所述任务的员工数量的步骤之后，还包括：

将所述员工数量为0的任务确定为再分配任务，逐步提高所述再分配任务的初始分值，并根据新的初始分值对所述再分配任务重新进行分类处理，，直至获得选择所述再分配任务的员工数量至少为1为止。

7.根据权利要求1所述的计算方法，其特征在于，根据所述任务分值和所述执行力计算所述目标员工的产能的步骤包括：

当所述执行力为所述目标员工执行所有任务的执行力的综合评估结果时，所述目标员工的产能为各个所述任务的任务分值的总和与所述综合评估结果的乘积；

当所述执行力为所述目标员工执行单个所述任务的执行力的单个评估结果时，所述目标员工的产能为各个所述任务的任务分值与对应的所述单个评估结果的乘积之和。

8.一种基于深度学习的产能计算装置，其特征在于，包括：

数据采集模块，用于采集每个迭代分配任务周期内各个任务的初始分值以及各个员工的执行力评估因子；

构建及训练模块，用于构建深度学习神经网络模型并对所述深度学习神经网络模型进行训练，获得预训练深度学习神经网络模型；

产能计算模块，用于将所述初始分值和所述执行力评估因子输入所述预训练深度学习神经网络模型中，根据所述初始分值对所述任务进行分配以确定获得所述任务的目标员工以及所述目标员工获得的任务分值，根据所述执行力评估因子计算所述目标员工的执行力，根据所述任务分值和所述执行力计算所述目标员工的产能。

9.一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的基于深度学习的产能计算方法。

10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于深度学习的产能计算方法。