魏葳 耿一婷 呂倩 楊顯軍

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò)；出勤記錄；數(shù)據(jù)校正

1引言

可靠且準(zhǔn)確的職工出勤數(shù)據(jù)可以為企業(yè)的決策和調(diào)度工作提供重要信息，但由于企業(yè)內(nèi)職工的出勤記錄數(shù)量較大，出勤記錄會(huì)不可避免地出現(xiàn)誤差，因此需要對(duì)職工的出勤記錄進(jìn)行核對(duì)和校正[1]。本文基于時(shí)間序列神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，設(shè)計(jì)職工出勤記錄數(shù)據(jù)校正方法，為企業(yè)內(nèi)的出勤數(shù)據(jù)修正提供理論支持。

2顯著誤差檢測(cè)原理約束出勤記錄數(shù)據(jù)未知變量

在變量不可測(cè)的基礎(chǔ)上對(duì)誤差變量進(jìn)行估計(jì)，剔除出冗余性變量。在顯著誤差的檢測(cè)原理下給定統(tǒng)計(jì)函數(shù)，計(jì)算式為：

3基于時(shí)間序列神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型獲取校正最優(yōu)解

按照時(shí)間序列神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)職工的出勤記錄數(shù)據(jù)進(jìn)行誤差誤測(cè)，在反向推導(dǎo)中獲取校正最優(yōu)解。其中最優(yōu)解的計(jì)算精準(zhǔn)度與預(yù)測(cè)誤差有關(guān)，因此需要保證預(yù)測(cè)誤差在最小范圍內(nèi)，即：

4全覆蓋視域流程下實(shí)現(xiàn)職工出勤記錄數(shù)據(jù)校正

在時(shí)間序列神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的相關(guān)性分析下，對(duì)出勤數(shù)據(jù)進(jìn)行核對(duì)和校正。分析校驗(yàn)報(bào)錯(cuò)形式如表1所列。

根據(jù)表1所列，在工作現(xiàn)場(chǎng)需要對(duì)出勤進(jìn)行記錄，按照前置確認(rèn)和過程驗(yàn)證2種形式，對(duì)工作人員的出勤情況進(jìn)行分析?；趯?duì)現(xiàn)場(chǎng)工作中出現(xiàn)的錯(cuò)誤類型的分析，將上文中獲取的預(yù)測(cè)模型最優(yōu)解代人校正過程中，以全覆蓋的形式設(shè)計(jì)校正流程，對(duì)錯(cuò)誤情況或是符合條件的內(nèi)容進(jìn)行覆蓋。

在進(jìn)行職工出勤記錄校正時(shí)需要對(duì)基礎(chǔ)表格進(jìn)行獲取，并對(duì)照職工在不同時(shí)段內(nèi)的出勤記錄和相關(guān)文件，將數(shù)據(jù)導(dǎo)人至模型內(nèi)。按照邏輯和策略在校驗(yàn)過程分類出2個(gè)路徑，即報(bào)錯(cuò)和通過，當(dāng)出現(xiàn)報(bào)錯(cuò)后轉(zhuǎn)入校正環(huán)節(jié)，沒有出現(xiàn)錯(cuò)誤的直接歸納到新的文檔中，在校正完畢后進(jìn)行基礎(chǔ)表格輸出。至此，基于時(shí)間序列神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)校正方法設(shè)計(jì)。

5實(shí)驗(yàn)測(cè)試分析

實(shí)驗(yàn)測(cè)試中選擇動(dòng)態(tài)數(shù)據(jù)校正方法和多層次數(shù)據(jù)校正方法作為對(duì)照組，分別與本文方法進(jìn)行對(duì)比，以驗(yàn)證不同校正方法的有效性。

5.1準(zhǔn)備職工出勤記錄數(shù)據(jù)

以某電網(wǎng)企業(yè)作為測(cè)試對(duì)象，對(duì)其工作人員的現(xiàn)場(chǎng)工作活動(dòng)進(jìn)行數(shù)據(jù)調(diào)取，以保證出勤記錄數(shù)據(jù)的真實(shí)性。隨機(jī)選擇15名工作人員的打卡時(shí)間，并將其作為數(shù)據(jù)來源。該企業(yè)的正常上班時(shí)間為8：00，下班時(shí)間為17：00，超過5min為遲到，提前打卡為早退。調(diào)取2022年12月無遲到和早退人員的數(shù)據(jù)記錄如表2所列。

根據(jù)表2所列，在隨機(jī)選擇的工作人員中出現(xiàn)了出勤打卡記錄錯(cuò)誤的情況，具體情況如下。

（1）12月15日：編號(hào)為#16和#32工作人員在上班打卡日寸出現(xiàn)記錄異常，表現(xiàn)為遲到狀態(tài)；而編號(hào)#34的工作人員在下班打卡時(shí)出現(xiàn)異常，表現(xiàn)為早退狀態(tài)。

（2）12月27日：編號(hào)為#28的工作人員表現(xiàn)為遲到狀態(tài)；編號(hào)為#40工作人員表現(xiàn)為早退狀態(tài)。

基于上述情況，需要對(duì)工作人員的打卡記錄進(jìn)行校正，使其在工資記賬前修正為正確形式，不影響工作人員的全勤保障。

5.2出勤數(shù)據(jù)校正準(zhǔn)確性比較及分析

將上述出現(xiàn)問題的數(shù)據(jù)上傳至測(cè)試平臺(tái)中，分別連接3組校正方法，以驗(yàn)證不同方法校正的準(zhǔn)確性。調(diào)取視頻監(jiān)控整理上述人員的實(shí)際打卡時(shí)間，具體情況如下。

（1）12月15日：編號(hào)#32工作人員上班打卡時(shí)間分別為7：58;編號(hào)#34工作人員下班打卡時(shí)間為17：05。

（2）12月27日：編號(hào)#28工作人員上班打卡時(shí)間分別為7：55;編號(hào)#40工作人員下班打卡時(shí)間分別為17：15。

以視頻調(diào)取數(shù)據(jù)作為校正對(duì)照，分別驗(yàn)證不同方法的校正準(zhǔn)確性，具體如圖1所示。

根據(jù)圖1測(cè)試結(jié)果可知，本文方法的打卡記錄校正結(jié)果準(zhǔn)確性高于99%，而2組方法在不同日期內(nèi)的校準(zhǔn)結(jié)果與實(shí)際數(shù)據(jù)存在較大誤差，綜合結(jié)果可知本文方法更有效。

5.3出勤數(shù)據(jù)校正效率對(duì)比及分析

上文驗(yàn)證了新方法的校正準(zhǔn)確性，為進(jìn)一步驗(yàn)證新方法的有效性，對(duì)多組職工出勤數(shù)據(jù)進(jìn)行校正效率測(cè)試。仍將上班打卡和下班打卡的數(shù)據(jù)記錄作為測(cè)試對(duì)象，調(diào)取該企業(yè)2022年內(nèi)所有錯(cuò)誤數(shù)據(jù)，測(cè)試結(jié)果如表3所列。

根據(jù)表3所列，在不同月份中產(chǎn)生的錯(cuò)誤出勤記錄有所不同，在本文方法應(yīng)用下能夠在20s內(nèi)完成校正，而動(dòng)態(tài)數(shù)據(jù)校正方法和多層次數(shù)據(jù)校正方法所需的時(shí)間明顯比本文方法更多，說明本文方法的數(shù)據(jù)校正效率更高。

6結(jié)束語

本文通過時(shí)間序列預(yù)測(cè)模型的應(yīng)用并結(jié)合實(shí)驗(yàn)驗(yàn)證了新方法的有效性，其能夠?qū)β毠さ某銮谟涗涍M(jìn)行有效校正。但由于時(shí)間有限，在研究中只選擇了較少的數(shù)據(jù)完成測(cè)試，具有一定的不足，后續(xù)研究中會(huì)增加校正的數(shù)據(jù)類型，為企業(yè)員工的出勤記錄數(shù)據(jù)校正提供理論支持。