一种基于制造技术

本发明专利技术涉及计算机数据处理技术领域，尤指一种基于

【技术实现步骤摘要】
一种基于AI的智能排班大数据预测系统与方法


[0001]本专利技术涉及计算机数据处理
，尤指一种基于
AI
的智能排班大数据预测系统与方法
。

技术介绍

[0002]在现代连锁零售业和服务业中，灵活的排班管理显得尤为关键
。
不同时间段，甚至同一天内的不同小时，客流量都可能存在巨大的变化
。
例如，餐饮店在下班时期的客流量通常会远大于非下班时期，还有商家的促销活动或某些特殊事件（例如节假日或大型活动）可能会引起短时期内的客流量激增
。
过多的员工可能导致人力成本上升，而人手不足则可能影响服务质量和客户满意度，同时人流量大的时候人手不足也会降低店内客流量从而影响营业收入
。
[0003]传统的排班方式通常基于人工经验，而这种方法在面对大规模
、
多店铺的情境时很难保证效率和准确性
。
尤其是在客流量存在明显波动或季节性变化时，如何合理安排员工，确保既不造成人手不足，也不造成人员浪费，是企业管理者亟待解决的问题
。
同时，个店的管理人员经验的判断具有局限性，无法判断客人数量同比增加时是属于个店特征还是连锁店的共同特征，因此导致难以对未来的客流实现精准的判断
。

技术实现思路

[0004]为解决上述问题，本专利技术提供一种基于
AI
的智能排班大数据预测系统与方法
。
[0005]为实现上述目的，本专利技术采用的技术方案是：一种基于
AI
的智能排班大数据预测方法，包括以下步骤：收集并整合各个连锁店的客流量数据；基于大数据算法，对整合后的客流量数据进行第一聚类分析，获取共性时间段；生成个店客流量副本数据，从个店客流量数副本数据中减去共性时间段记录的客流量得到个性客流量；基于人工智能算法对个性客流量进行第二聚类分析，得到个性时间段；基于长短时记忆网络，对共性时间段和个性时间段分别进行融合分析，生成总预测结果；根据总预测结果生成排班人数；所述第一聚类分析包括以下步骤：对整合后的客流量数据进行标准化；对标准化后的客流量数据进行初聚类；根据初聚类的结果确定聚类数目；根据聚类数目进行聚类分析，得到各个聚类的中心点；基于各个聚类的中心点将时间段按照客流量的分布进行分类，生成共性时间段；所述第二聚类分析包括以下步骤：
使用深度自编码器对个性客流量数据进行特征学习，获得嵌入表示；使用
K
‑
means
算法对深度自编码器的输出进行再聚类；根据再聚类的结果，进行数据点的类别分配；对嵌入表示的每个维度进行标注；根据嵌入表示和聚类的结果，确定个性时间段的聚类特性
。
[0006]进一步地，所述标准化包括采用
Z
‑
score
进行标准化
。
[0007]进一步地，所述从个店客流量数副本数据中减去共性时间段记录的客流量包括以下步骤：将共性时间段的客流量数据与每家连锁店的客流量数据副本进行匹配并标记；从每家连锁店的客流量数据副本中删除标记的共性时间段客流量数据
。
[0008]进一步地，所述人工智能算法包括深度嵌入聚类算法
。
[0009]进一步地，所述对嵌入表示的每个维度进行标注包括：基于深度自编码器的输出特征权重和各维度的方差贡献率进行标注
。
[0010]进一步地，所述对共性时间段和个性时间段分别进行融合分析包括以下步骤：分别对共性时间段和个性时间段的数据进行时间序列数据整合；使用时间序列分解技术，将共性时间段和个性时间段的数据分别分解为趋势数据
、
季节性数据和随机性数据；基于长短时记忆网络模型，分别针对共性时间段和个性时间段进行预测；其中，长短时记忆网络模型的输入包括趋势数据
、
季节性数据和嵌入表示；将共性时间段的预测结果和个性时间段的预测结果进行合成去重，生成总预测结果
。
[0011]进一步地，所述根据总预测结果生成排班人数包括以下步骤：基于各个店的客流量数据与对应时间段的实时员工数量生成数量关系；根据数量关系与总预测结果得出排班人数
。
[0012]进一步地，所述排班人数小于或等于预设值，所述预设值为客流量数据的最大值时实时员工数量的最小值
。
[0013]一种基于
AI
的智能排班大数据预测系统，包括：数据采集模块，用于收集并整合各个连锁店的客流量数据；共性分析模块，基于大数据算法，对整合后的客流量数据进行第一聚类分析，获取共性时间段；个性分析模块，用于生成个店客流量副本数据，从个店客流量数副本数据中减去共性时间段记录的客流量得到个性客流量；个性分析模块，还用于基于人工智能算法对个性客流量进行第二聚类分析，得到个性时间段；融合预测模块，基于长短时记忆网络，对共性时间段和个性时间段分别进行融合分析，生成总预测结果；排班模块，用于根据总预测结果生成排班人数
。
[0014]本专利技术的有益效果在于：本专利技术通过收集客流量数据并对整合后的客流量数据使用大数据算法进行第一聚类分析，实现对连锁店客流量共同特征的捕捉，再通过生成了个
店客流量的副本数据，并从中去除了共性时间段记录的客流量，从而得到每个店的个性客流量，再对这些个性客流量使用人工智能算法进行第二聚类分析，得到了更加精细的个性时间段信息
。
最后通过利用长短时记忆网络对共性和个性时间段进行融合分析，生成了总预测结果
。
总预测结果不仅包括对个店客流量特征的预测，还包括对连锁店共同客流量特征的预测，对不同个店实现了更精准的客流量预测，避免了因预测与实际客流相差太大造成的人手不足或人员资源浪费
。
附图说明
[0015]图
1 是本专利技术中一种基于
AI
的智能排班大数据预测方法的步骤流程图
。
[0016]图
2 是
S2
的步骤流程图
。
[0017]图
3 是
S3
的步骤流程图
。
具体实施方式
[0018]请参阅图1‑3所示，本专利技术关于一种基于
AI
的智能排班大数据预测系统与方法
。
[0019]具体地，本专利技术提供一种基于
AI
的智能排班大数据预测方法，包括以下步骤：
S1、
收集并整合各个连锁店的客流量数据；具体地，为确保数据的准确性和完整性，需要从多种数据源进行收集
。
常见的数据收集工具可以是店内摄像头
、
门禁系统
、POS
系统以及
Wi
‑
Fi
追踪系统
。
例如，通过店内摄像头可以实时捕获客户进出店铺的影像，进一步利用图像识别技术分析客流；门禁系统可以记录进店的人数；
POS...

【技术保护点】

【技术特征摘要】
1.
一种基于
AI
的智能排班大数据预测方法，其特征在于，包括以下步骤：收集并整合各个连锁店的客流量数据；基于大数据算法，对整合后的客流量数据进行第一聚类分析，获取共性时间段；生成个店客流量副本数据，从个店客流量数副本数据中减去共性时间段记录的客流量得到个性客流量；基于人工智能算法对个性客流量进行第二聚类分析，得到个性时间段；基于长短时记忆网络，对共性时间段和个性时间段分别进行融合分析，生成总预测结果；根据总预测结果生成排班人数；所述第一聚类分析包括以下步骤：对整合后的客流量数据进行标准化；对标准化后的客流量数据进行初聚类；根据初聚类的结果确定聚类数目；根据聚类数目进行聚类分析，得到各个聚类的中心点；基于各个聚类的中心点将时间段按照客流量的分布进行分类，生成共性时间段；所述第二聚类分析包括以下步骤：使用深度自编码器对个性客流量数据进行特征学习，获得嵌入表示；使用
K
‑
means
算法对深度自编码器的输出进行再聚类；根据再聚类的结果，进行数据点的类别分配；对嵌入表示的每个维度进行标注；根据嵌入表示和聚类的结果，确定个性时间段的聚类特性
。2.
根据权利要求1所述的一种基于
AI
的智能排班大数据预测方法，其特征在于，所述标准化包括采用
Z
‑
score
进行标准化
。3.
根据权利要求1所述的一种基于
AI
的智能排班大数据预测方法，其特征在于，所述从个店客流量数副本数据中减去共性时间段记录的客流量包括以下步骤：将共性时间段的客流量数据与每家连锁店的客流量数据副本进行匹配并标记；从每家连锁店的客流量数据副本中删除标记的共性时间段客流量数据
。4.
根据权利要求1所述的一种基于
AI
的智能排班大数据预测方法，其特征在于，所述人工智能算法包括深度嵌入聚类算法
。5.
根据权利要求4所述的一种基于
AI
的智能排班大数据预测方法，其特征在于，所述...

【专利技术属性】
技术研发人员：喻伟，吴琼，喻文涌，张炳凯，贺麟茹，苏洁琼，邓琼慧，钟洋，
申请(专利权)人：湖南小翅科技有限公司，
类型：发明
国别省市：