【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
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。