一种电力现场作业人员智能分配应用方法技术

本发明专利技术涉及一种电力现场作业人员智能分配应用方法，属于智能推荐系统技术领域。本发明专利技术基于深度学习SDAE算法和协同过滤推荐算法，通过十个应用方法步骤，实现栈式降噪自编码器科学建模，针对电力工程项目设计，可自动从人员信息及历史工程数据中学习，特别适合电力工程项目快速甄别、优选施工人员操作应用，推荐范围广，推荐结果召回率高，从而可切实保证质量和进度、促进安全可靠地完成电力工程项目的施工。解决了现有技术推荐范围小、推荐结果召回率低，推荐能力和使用范围有限，难以应用于电力工程项目高标准、多项类、海量甄别优选施工人员操作的问题。

【技术实现步骤摘要】
一种电力现场作业人员智能分配应用方法
本专利技术涉及一种电力现场作业人员智能分配应用方法，属于智能推荐系统

技术介绍
电力工程项目和工农业的生产及人们的生活密切相关。一个电力工程项目需要组织协调多个、甚至几十个工种的作业人员进行施工，对施工人员的技术能力、安全意识、职业操守、团队协作能力要求极高。传统方法依靠人工统计分析并借助计算机数据库对施工人员进行筛选，这些方法不能从庞杂、巨大的信息数据量中准确、快速、高效优选施工人员，会严重影响电力工程项目施工质量和进度，甚至会给选择不当的施工人员带来巨大人身安全隐患。本专利技术意在通过人工智能算法提升对电力工程人员调度的能力，自动学习人员信息及历史工程数据，实现电力工程项目快速甄别、优选施工人员。现有的智能人员推荐系统研究主要集中在工作流和工作列表的资源调度上，比如[文献1，名称为《GeneticAlgorithmBasedApproachtoPersonalWorklistResourceScheduling》]中利用遗传算法对个人工作列表进行资源调度，[文献2，名称为《Researchonlevelofhumanresourcessupplychainplatformbasedonhierarchygeneticalgorithm》]中以考虑人力资源成本和生产商用人的总费用最低为目标做出的人力资源规划；然而，这些资源调度方法选择相对简单，没有考虑到人员信息及历史工程数据的影响，推荐范围小、推荐结果召回率低，推荐能力和使用范围都很有限，难以实现电力工程项目需要的高标准、多项类、海量甄别优选施工人员的操作。因此，十分有必要研发一种针对电力工程项目快速甄别、优选施工人员设计，基于深度学习SDAE算法和协同过滤推荐算法，包括十个应用方法步骤，实现栈式降噪自编码器科学建模，自动从人员信息及历史工程数据中学习，推荐结果召回率高，适合电力工程项目快速甄别和优选施工人员，推荐范围广的电力现场作业人员智能分配应用方法，以保证质量和进度及安全可靠的完成电力工程项目施工。
技术实现思路
本专利技术的目的在于，针对现有电力现场作业人员分配技术的不足，提供一种基于深度学习SDAE算法和协同过滤推荐算法，通过本专利技术九个应用方法步骤，实现栈式降噪自编码器科学建模，自动从人员信息及历史工程数据中学习，可准确、高效推荐与电力工程项目契合的优选施工人员，推荐结果召回率高，推荐范围广，为高质量、高进度和安全可靠地完成电力工程项目施工奠定坚实基础的电力现场作业人员智能分配应用方法。本专利技术是通过如下的技术方案来实现上述目的的：一种电力现场作业人员智能分配应用方法，基于深度学习SDAE算法和协同过滤推荐算法，其特征在于，该电力现场作业人员智能分配应用方法的实现包括：A、模型训练阶段，B、人员-任务推荐阶段两大步骤；A、模型训练阶段，它包括如下子步骤：a.1）人员信息及历史工程数据归一化；a.2）人员信息及历史工程数据向量化处理；a.3）设计网络结构(输入层，中间隐层，输出层)，根据神经网络堆叠Autoencoder，进行任务数据特征提取；a.4）将训练样本分为若干组，分别利用随机梯度下降法训练推荐模型；a.5）模型参数调优。B、人员-任务推荐阶段，它包括如下子步骤：b.1）使用SDAE模型提取电力工程任务特征；b.2）准备全部电力工程人员信息；b.3）加载推荐模型，输入施工人员和电力任务特征信息，计算任务匹配评分；b.4）根据评分推荐优选人员。本算法在人员调度的应用，步骤如下：1.构建人员信息及历史工程数据库；2.系统自动对新的工程给出合适的施工人员的合理的建议；3.在新的工程完成后，统计评分，更新人员信息及历史工程数据库；4.定期更新新增人员信息。本专利技术与现有技术相比的有益效果在于：该电力现场作业人员智能分配应用方法，是基于深度学习SDAE算法和协同过滤推荐算法，针对电力工程项目快速甄别、优选施工人员设计，通过本专利技术九个步骤，科学运用栈式降噪自编码器的强大特征提取能力，实现自动学习人员信息及历史工程数据，准确、高效推荐与电力工程项目契合的优选施工人员，特别适合电力工程项目甄别、优选施工人员操作应用，极大缩短审核施工人员时间，甄别、优选施工人员精准，使得施工团队与电力工程项目高度契合、干练，可切实保证高质量、高进度、安全可靠地完成电力工程项目施工。解决了现有技术推荐范围小、推荐结果召回率低，推荐能力和使用范围有限，难以应用于电力工程项目高标准、海量甄别优选施工人员操作的问题。附图说明图1为一种电力现场作业人员智能分配应用方法的任务特征提取模型SDAE网络结构示意图；图2为一种电力现场作业人员智能分配应用方法的协同过滤推荐模型的结构示意图；图3为一种电力现场作业人员智能分配应用方法的模型训练流程示意图；图4为一种电力现场作业人员智能分配应用方法的任务-人员推荐流程示意图；图5为人员信息及历史工程数据准备表；图6为隐式特征提取示意图；图7为显式特征表达示意图。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图1～7及实施例对本专利技术一种电力现场作业人员智能分配应用方法作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。本专利技术应用方法，是在深度学习SDAE算法和协同过滤推荐算法的基础上有针对性设计、构建推出的实用性极强的应用方法。SDAE模型的核心是AutoEncoder自编码器。AutoEncoder自编码器由编码器和解码器组成，其给定一个神经网络，假设其输出与输入相同，然后训练调整其参数，得到每一层中的权重，这些权重即可以作为输入的表示或特征。本专利技术通过包括九个应用方法步骤实现栈式降噪自编码器科学建模，意在通过人工智能算法提升对电力工程人员调度的能力，通过自动学习人员信息及历史工程数据，实现电力工程项目快速甄别、优选施工人员。该电力现场作业人员智能分配应用方法所涉及到的模型结构如下所示：（参见图1）为本实施例的任务特征提取模型SDAE结构示意图；（参见图2）为本实施例的协同过滤推荐模型结构示意图。该电力现场作业人员智能分配应用方法的实现包括以下两大步骤：A、模型训练阶段，B、人员-任务推荐阶段；（参见图3）本实施例的A、模型训练阶段，其具体实现包括以下子步骤：步骤a.1）：收集全部的电力工程历史信息和工程人员信息，电力工程历史信息包括但不限于：工程名、工程类别、起始时间、持续时间、任务规模、承包单位、项目人数、项目经理、施工人员、质量人员、安全人员、人员任务评分、项目总体评分，工程人员信息包括但不限于：姓名、年龄、职称、最高学历、岗位、工龄、职务、特殊工种、安全培训、技能培训、工程总数、工程详细信息、执行工程平均评分,对数据进行归一化。（参见图5）；步骤a.2）：训练数据预处理：对步骤1）收集的数据进行向量化，记x={x0，x1，x2……xp}为任务x的p维显式特征，u={u0，u1……uq}为人员u的q维显式特征，Rij为人员ui在任务xj的评分，Rm*n为m*n维的人员-任务评分矩阵，m为数据集中全部任务的数量，n为全部实施员工的数量。（参见图6）；步骤a.3）：设计网络结构进行数据特征提取，通过SDAE模型从任务信息矩阵X中提取隐本文档来自技高网...

【技术保护点】
1.一种电力现场作业人员智能分配应用方法，基于深度学习SDAE算法和协同过滤推荐算法，其特征在于，该电力现场作业人员智能分配应用方法的实现包括：A、模型训练阶段，B、人员‑任务推荐阶段两大步骤；A、模型训练阶段，它包括如下子步骤：a.1）人员信息及历史工程数据归一化；a.2）人员信息及历史工程数据向量化处理；a.3）设计网络结构 ( 输入层，中间隐层，输出层 )，根据神经网络堆叠 Autoencoder，进行任务数据特征提取；a.4）将训练样本分为若干组，分别利用随机梯度下降法训练推荐模型；a.5）模型参数调优；B、人员‑任务推荐阶段，它包括如下子步骤：b.1）使用SDAE模型提取电力工程任务特征；b.2）准备全部电力工程人员信息；b.3）加载推荐模型，输入施工人员和电力任务特征信息，计算任务匹配评分；b.4）根据评分推荐优选人员。

【技术特征摘要】
1.一种电力现场作业人员智能分配应用方法，基于深度学习SDAE算法和协同过滤推荐算法，其特征在于，该电力现场作业人员智能分配应用方法的实现包括：A、模型训练阶段，B、人员-任务推荐阶段两大步骤；A、模型训练阶段，它包括如下子步骤：a.1）人员信息及历史工程数据归一化；a.2）人员信息及历史工程数据向量化处理；a.3）设计网络结构(输入层，中间隐层，输出层)，根据神...

【专利技术属性】
技术研发人员：胡俊勇，汪波，李凌，伍卫华，曹斌，邵伟，张余，李涛，
申请(专利权)人：国家电网有限公司，国网湖北省电力有限公司荆州供电公司，
类型：发明
国别省市：北京,11