基于時間序列神經(jīng)網(wǎng)絡預測模型的職工出勤記錄數(shù)據(jù)校正方法

魏葳 耿一婷 呂倩 楊顯軍

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

1引言

可靠且準確的職工出勤數(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，出勤記錄會不可避免地出現(xiàn)誤差，因此需要對職工的出勤記錄進行核對和校正[1]。本文基于時間序列神經(jīng)網(wǎng)絡預測模型，設計職工出勤記錄數(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顯著誤差檢測原理約束出勤記錄數(shù)據(jù)未知變量

在變量不可測的基礎上對誤差變量進行估計，剔除出冗余性變量。在顯著誤差的檢測原理下給定統(tǒng)計函數(shù)，計算式為：

3基于時間序列神經(jīng)網(wǎng)絡預測模型獲取校正最優(yōu)解

按照時間序列神經(jīng)網(wǎng)絡預測模型對職工的出勤記錄數(shù)據(jù)進行誤差誤測，在反向推導中獲取校正最優(yōu)解。其中最優(yōu)解的計算精準度與預測誤差有關，因此需要保證預測誤差在最小范圍內(nèi)，即：

4全覆蓋視域流程下實現(xiàn)職工出勤記錄數(shù)據(jù)校正

在時間序列神經(jīng)網(wǎng)絡預測模型的相關性分析下，對出勤數(shù)據(jù)進行核對和校正。分析校驗報錯形式如表1所列。

根據(jù)表1所列，在工作現(xiàn)場需要對出勤進行記錄，按照前置確認和過程驗證2種形式，對工作人員的出勤情況進行分析?；趯ΜF(xiàn)場工作中出現(xiàn)的錯誤類型的分析，將上文中獲取的預測模型最優(yōu)解代人校正過程中，以全覆蓋的形式設計校正流程，對錯誤情況或是符合條件的內(nèi)容進行覆蓋。

在進行職工出勤記錄校正時需要對基礎表格進行獲取，并對照職工在不同時段內(nèi)的出勤記錄和相關文件，將數(shù)據(jù)導人至模型內(nèi)。按照邏輯和策略在校驗過程分類出2個路徑，即報錯和通過，當出現(xiàn)報錯后轉(zhuǎn)入校正環(huán)節(jié)，沒有出現(xiàn)錯誤的直接歸納到新的文檔中，在校正完畢后進行基礎表格輸出。至此，基于時間序列神經(jīng)網(wǎng)絡模型實現(xiàn)校正方法設計。

5實驗測試分析

實驗測試中選擇動態(tài)數(shù)據(jù)校正方法和多層次數(shù)據(jù)校正方法作為對照組，分別與本文方法進行對比，以驗證不同校正方法的有效性。

5.1準備職工出勤記錄數(shù)據(jù)

以某電網(wǎng)企業(yè)作為測試對象，對其工作人員的現(xiàn)場工作活動進行數(shù)據(jù)調(diào)取，以保證出勤記錄數(shù)據(jù)的真實性。隨機選擇15名工作人員的打卡時間，并將其作為數(shù)據(jù)來源。該企業(yè)的正常上班時間為8：00，下班時間為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，在隨機選擇的工作人員中出現(xiàn)了出勤打卡記錄錯誤的情況，具體情況如下。

（1）12月15日：編號為#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#34的工作人員在下班打卡時出現(xiàn)異常，表現(xiàn)為早退狀態(tài)。

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

基于上述情況，需要對工作人員的打卡記錄進行校正，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)校正準確性比較及分析

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

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

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

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

根據(jù)圖1測試結(jié)果可知，本文方法的打卡記錄校正結(jié)果準確性高于99%，而2組方法在不同日期內(nèi)的校準結(jié)果與實際數(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)校正效率對比及分析

上文驗證了新方法的校正準確性，為進一步驗證新方法的有效性，對多組職工出勤數(shù)據(jù)進行校正效率測試。仍將上班打卡和下班打卡的數(shù)據(jù)記錄作為測試對象，調(diào)取該企業(yè)2022年內(nèi)所有錯誤數(shù)據(jù)，測試結(jié)果如表3所列。

根據(jù)表3所列，在不同月份中產(chǎn)生的錯誤出勤記錄有所不同，在本文方法應用下能夠在20s內(nèi)完成校正，而動態(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

本文通過時間序列預測模型的應用并結(jié)合實驗驗證了新方法的有效性，其能夠?qū)β毠さ某銮谟涗涍M行有效校正。但由于時間有限，在研究中只選擇了較少的數(shù)據(jù)完成測試，具有一定的不足，后續(xù)研究中會增加校正的數(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。