[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

说明书

本发明公开了一种基于深度学习的产能计算方法、装置、设备及存储介质，该方法包括：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；将初始分值和执行力评估因子输入预训练深度学习神经网络模型中，根据初始分值对任务进行分配以确定获得任务的目标员工以及目标员工获得的任务分值，根据执行力评估因子计算目标员工的执行力，根据任务分值和执行力计算目标员工的产能。通过上述方式，本发明能够提高产能评估的准确率和计算效率，使任务得到合理分配，分配效率高且能够避免任务错分、漏分的情况。

技术领域

本发明涉及数据处理技术领域，特别是涉及一种基于深度学习的产能计算方法、装置、设备及存储介质。

背景技术

随着互联网技术(Internet Technology，简称IT)的快速发展，各IT企业的技术部门需要对业务部门提出的需求快速响应，为了解决自有技术资源不足的情况，需要从外部引入外员投入项目开发任务，协助完成开发、测试，推向市场。

为了做好成本控制，发挥外员的最大效益，需要在项目实施过程中，根据任务的工作量大小，监控分析现有技术资源的产能、产出情况，分析技术资源是紧缺还是过剩，提前准备引入或者释放外员，以便在确保完成任务的同时，降低用人成本。但目前对于判断项目组开发人员是否足够的方法通常是依靠管理人员进行人工判断，没有具体的量化工具，而这种人工判断的方式，主观性强、难以量化，判断的效率和准确率均较低。

目前统计项目组开发人员的产能大多通过时间、任务量由人工来计算，然而一方面通过时间计算，只能计算员工在岗时间，并不是有效工作时间，很多在岗时间并不能帮助提高产能，通过任务量和时间的计算难以估计产能；另一方面，人工计算的方式计算效率低且容易出错。。

因此，有必要提供一种新的基于深度学习的产能计算方法、装置、设备及存储介质以克服上述缺陷。

发明内容

本发明提供一种基于深度学习的产能计算方法、装置、设备及存储介质，能够提高产能评估的准确率和计算效率，使任务得到合理分配，分配效率高且能够避免任务错分、漏分的情况。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于深度学习的产能计算方法，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。

根据本发明的一个实施例，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。

根据本发明的一个实施例，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。

根据本发明的一个实施例，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；