[发明专利]基于机器学习的数据处理方法、装置、设备及存储介质

说明书

本发明涉及人工智能领域，公开了一种基于机器学习的数据处理方法、装置、设备及存储介质。该方法包括：获取待考核对象的工时数据，并对所述工时数据进行预处理，得到第一实际工时数据；对所述第一实际工时数据进行工作量积分计算，得到第一工作量积分；根据所述第一工作量积分，构建所述待考核对象平均工时分布的第一工时分布向量；将所述第一工时分布向量输入预置工时数据处理模型进行工作饱和度计算，得到第一工作饱和度，其中，所述工时数据处理模型包括嵌入层、GRU网络和全连接层；根据所述第一工作饱和度，生成所述待考核对象的工作饱和度考核结果。本发明通过机器学习方式进行工作饱和度计算，大大提高了工作饱和度的计算效率。

技术领域

本发明涉及人工智能领域，尤其涉及一种基于机器学习的数据处理方法、装置、设备及存储介质。

背景技术

随着计算机技术的高速发展，计算机技术被应用于生活的各个方面，工时记录和工作状态监测也广泛采用计算机技术。工时记录和工作状态监测的检测结果常用工作饱和度表示，工作饱和度是指员工的有效工作时间与规定的工作时间之比。在正常的工作日采用8小时工作制，有的员工可能无所事事，而有的员工一直在从事与工作相关的事情，后者的工作饱和度自然就比后者高很多。

传统的工时管理技术无法将工时自动记入工时系统，造成工时数据分析的不全面，工时的记录需要人工每日花费不少时间进行编辑，在项目执行本身外额外增加工时录入增加人工负担，使得工作效率降低。通常在计算工作饱和度时主要依赖于人工，但是人工计算的工作饱和度错误率很高，而且计算效率很低。

发明内容

本发明的主要目的在于解决目前工作饱和度的计算效率低的技术问题。

本发明第一方面提供了一种基于机器学习的数据处理方法，所述基于机器学习的数据处理方法包括：

获取待考核对象的工时数据，并对所述工时数据进行预处理，得到第一实际工时数据；

对所述第一实际工时数据进行工作量积分计算，得到第一工作量积分；

根据所述第一工作量积分，构建所述待考核对象平均工时分布的第一工时分布向量；

将所述第一工时分布向量输入工时数据处理模型进行工作饱和度计算，得到第一工作饱和度，其中，所述工时数据处理模型包括嵌入层、GRU网络和全连接层；

根据所述第一工作饱和度，生成所述待考核对象的工作饱和度考核结果。

可选的，在本发明第一方面的第一种实现方式中，所述方法还包括：训练所述工时数据处理模型，具体包括如下步骤：

获取多个考核对象的工时数据样本，并对所述工时数据样本进行预处理，得到第二实际工时数据；

对所述第二实际工时数据进行工作量积分计算，得到第二工作量积分；

根据所述第二工作量积分，构建所述待考核对象平均工时分布的第二工时分布向量；

将所述第二工时分布向量输入所述嵌入层进行向量转换，得到第一工时编码向量；

将所述第一工时编码向量输入所述GRU网络进行特征提取，得到第一工时特征向量；

将所述第一工时特征向量输入所述全连接层进行分类整合，得到第二工作饱和度；

根据所述第二工作饱和度，调用预置损失函数对所述GRU网络进行参数优化，直至所述GRU网络收敛，得到所述工时数据处理模型。

可选的，在本发明第一方面的第二种实现方式中，所述获取待考核对象的工时数据，并对所述工时数据进行预处理，得到第一实际工时数据包括：

获取待考核对象的工时数据；

基于预置无操作定义，提取所述工时数据中的无操作工时数据；