【技术实现步骤摘要】
本申请涉及考勤，尤其是涉及一种基于机器学习模型对考勤异常的预测及处理方法。
技术介绍
1、目前，大部分企业为了实现对员工的管理，通常会设置考勤制度，员工在手机端或电脑端登录访问考勤系统并进行签到或签退，而现有的考勤系统具有存储各员工的考勤数据的功能，企业管理人员能够通过调取历史时期（如过去一整个月）的考勤数据来获知员工的考勤情况；并在出现考勤异常时，分析异常原因，并采取处理措施，如让员工提出补卡请求，再由管理人员审批补卡请求。
2、然而，上述考勤数据将随着企业内考勤员工数量、以及考勤天数的增大而持续积累存储在考勤系统内，而企业内考勤员工数量的激增，也易导致出现考勤异常数据的数量的增大，相应的补卡审批流程增多，继而也将导致管理人员需要频繁审批补卡请求，增大了管理人员的工作负担，故有待改善。
技术实现思路
1、为了减少因频繁出现考勤异常而增加管理人员工作负担的技术问题，本申请提供一种基于机器学习模型对考勤异常的预测及处理方法。
2、第一方面，本申请提供了一种基于机器学习模型对考勤异常的预测及处理方法，采用如下的技术方案：
3、获取指定历史时期的考勤数据，对所述考勤数据进行预处理得到考勤结果；
4、根据所述考勤结果，以及预设的特征集，获取与所述特征集内的每一特征相对应的第一特征数据；
5、将所述第一特征数据输入预构建的预测模型，对预测模型进行训练，以使得所述预测模型输出与所述考勤结果相对应的预测结果；其中，所述预测结果至少包括是
6、接收预测指令，根据所述预测指令中的未来时段，获取每一特征在所述未来时段内所对应的第二特征数据，将所述第二特征数据输入预测模型，通过所述预测模型输出预测结果。
7、通过采用上述技术方案，以历史考勤数据作为训练集来训练预构建的预测模型，再通过预测模型来对预测时段进行预测，以得出预测结果，其中，预测结果至少包含了对未来时段内是否会存在考勤异常情况的内容，以便管理人员提前制定好处理方案，如提前提示考勤员工注意考勤规范，从而减少出现考勤异常的数量，进而减少因考勤异常繁多而增大管理人员对补卡审批流程的处理负担。
8、可选的，所述考勤数据至少包括考勤人员、实际打卡时间；若所述判定内容为存在考勤异常，则所述预测结果还包括异常数量、异常原因和异常时间；
9、所述对所述考勤数据进行预处理得到考勤结果，包括：
10、根据每一所述考勤数据，判定所述考勤数据的结果类型，所述结果类型分为异常和正常；
11、根据所述实际打卡时间，确定所述结果类型为异常的每一考勤数据的异常原因，所述异常原因至少包括漏签、考勤错误；
12、为结果类型为正常的每一考勤数据生成第一考勤结果，所述第一考勤结果至少包括考勤人员、结果类型；
13、为结果类型为异常的每一考勤数据生成第二考勤结果，所述第二考勤结果至少包括考勤人员、结果类型、异常原因和异常时间；其中，所述考勤结果包括第一考勤结果和/或第二考勤结果。
14、通过采用上述技术方案，在对预测模型进行训练，或利用预测模型对未来时段的考勤情况进行预测之前，本申请将对考勤数据进行预处理，而预处理的内容具体包括判定考勤数据是否为异常，若异常则判定其异常原因，在利用该考勤结果以及获取到的第一特征数据来对预测模型进行训练，以使得最终训练后的预测模型不仅可以判定是否异常，还能够判定异常原因和异常时间，且当将所有考勤员工的第一特征数据均输入预测模型时，自然也就能够预测出所有考勤员工中出现异常的异常数量。
15、可选的，所述考勤数据至少包括考勤人员、应打卡时段、实际打卡时间；
16、所述方法还包括：
17、接收缺勤申请，根据所述缺勤申请中的申请人员、缺勤时段，生成缺勤数据，存储至预设的缺勤数据库中；
18、所述对所述考勤数据进行预处理，包括：
19、若所述考勤数据中存在第一考勤数据，则将所述第一考勤数据移除所述考勤数据；其中，所述第一考勤数据满足：在所述缺勤数据库中存在缺勤数据，且该缺勤数据的缺勤人员、缺勤时段与所述第一考勤数据的考勤人员以及应打卡时段相对应。
20、通过采用上述技术方案，缺勤申请是指考勤人员因请假或因外勤而无法正常考勤时所提出的申请，提出缺勤申请的人员其对应的缺勤时段的考勤数据势必是异常的，而该异常的考勤数据（即第一考勤数据）并不能作为预测模型的输入，因此，在对预测模型进行训练之前，将预先剔除第一考勤数据，以确保预测模型的训练准确度。
21、可选的，所述特征集中所包含的特征分为恒定特征和可变特征两类，所述恒定特征是指不会变动的特征，所述可变特征是指随时间变化的特征，所述可变特征至少可以包括人流量、网络拥塞度；
22、所述方法还包括：
23、获取每一所述可变特征随时间变化的第三特征数据，基于所述第三特征数据，为每一所述可变特征拟合生成变化曲线，所述变化曲线是指可变特征所对应的第三特征数据随时间变化的曲线；
24、所述获取每一特征在所述未来时段内所对应的第二特征数据，将所述第二特征数据输入预测模型，通过所述预测模型输出预测结果，包括：
25、确定未来时段内的每一所述可变特征所对应的变化曲线，并基于所有所述可变特征在未来时段内的变化曲线，确定最小分割时长；
26、根据所述最小分割时长，将所述未来时段分给为若干个子时段；
27、按照子时段的时间先后顺序，分别执行：将每一所述恒定特征所对应的第五特征数据，以及同一目标子时段内的所有可变特征所对应的第四特征数据输入预测模型，通过预测模型输出所述目标子时段所对应的预测结果，直至通过预测模型输出所有所述子时段所对应的预测结果；其中，所述目标子时段指任一子时段。
28、通过采用上述技术方案，由于可变特征所对应的数据数值是随时间变化的，即，在预测指令所规定的未来时段内，可变特征所对应的数据数值不一定是定值，如作为网络拥塞度的可变特征，网络拥塞度将影响出勤人员能否成功访问打卡系统并打卡，但网络拥塞度在不同时刻时的数值不一定相同，因此，可将未来时段分割为多个子时段，并分别预测对每一子时段内是否存在异常考勤的情况进行预测，提高预测精准度。
29、可选的，所述方法还包括：
30、若所述预测结果中包含了存在异常的判定内容，则基于所述预测结果，确定潜在异常人员，所述目标考勤人员是指在对应的考勤数据在未来时段的结果类型为异常的考勤人员；
31、向所述潜在异常人员发送提示信息。
32、通过采用上述技术方案，根据预测模型预测得出的预测结果，若预测得出在未来时段存在异常，那么可找到该异常发生的考勤人员（即潜在异常人员），并对该潜在异常人员进行预警，以便降低其在未来时段产生异常的考勤数据的可能。
33、可选的，所述方法还包括：
34、若存在第二考勤数据，本文档来自技高网...
【技术保护点】
1.一种基于机器学习模型对考勤异常的预测及处理方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习模型对考勤异常的预测及处理方法，其特征在于，所述考勤数据至少包括考勤人员、实际打卡时间；若所述判定内容为存在考勤异常，则所述预测结果还包括异常数量、异常原因和异常时间；
3.根据权利要求1所述的基于机器学习模型对考勤异常的预测及处理方法，其特征在于，所述考勤数据至少包括考勤人员、应打卡时段、实际打卡时间；
4.根据权利要求1所述的基于机器学习模型对考勤异常的预测及处理方法，其特征在于，所述特征集中所包含的特征分为恒定特征和可变特征两类，所述恒定特征是指不会变动的特征，所述可变特征是指随时间变化的特征，所述可变特征至少可以包括人流量、网络拥塞度；
5.根据权利要求1所述的基于机器学习模型对考勤异常的预测及处理方法，其特征在于，所述方法还包括：
6.根据权利要求1所述的基于机器学习模型对考勤异常的预测及处理方法，其特征在于，所述方法还包括：
7.根据权利要求1所述的基于机器学习模型对考勤异常的预测及处理方法
8.一种基于机器学习模型对考勤异常的预测及处理系统，其特征在于，包括，
9.一种基于机器学习模型对考勤异常的预测及处理装置，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。
10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至7中任一种方法的计算机程序。
...【技术特征摘要】
1.一种基于机器学习模型对考勤异常的预测及处理方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习模型对考勤异常的预测及处理方法，其特征在于，所述考勤数据至少包括考勤人员、实际打卡时间；若所述判定内容为存在考勤异常，则所述预测结果还包括异常数量、异常原因和异常时间；
3.根据权利要求1所述的基于机器学习模型对考勤异常的预测及处理方法，其特征在于，所述考勤数据至少包括考勤人员、应打卡时段、实际打卡时间；
4.根据权利要求1所述的基于机器学习模型对考勤异常的预测及处理方法，其特征在于，所述特征集中所包含的特征分为恒定特征和可变特征两类，所述恒定特征是指不会变动的特征，所述可变特征是指随时间变化的特征，所述可变特征至少可以包括人流量、网络拥塞度；
5.根据权利要...
【专利技术属性】
技术研发人员：刘庆婷，
申请(专利权)人：苏州盖雅信息技术有限公司，
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。