工作数据处理方法、装置、计算机设备及存储介质与流程

1.本发明涉及智慧城市领域，尤其涉及一种工作数据处理方法、装置、计算机设备及存储介质。


背景技术：

2.在现有的物业管理中，为了保证物业服务质量，物业公司需要配备一定的员工，通过这些员工管理物业事务，处理物业工单。也即是，物业公司有一定的用工需求。而对于物业公司工作的员工而言，合理的用工安排也相当重要。不合理的用工安排，可能会影响其提供的物业服务的质量。也即是，员工有一定的工作需求(比如请假、调休等)。如何合理地配置员工的工时，对于物业管理方而言，是一个十分重要且困难的问题。现有的工时配置，往往依赖于物业经理的个人经验。但这种方式存在一个较大的弊端，即物业经理的物业管理水平在很大程度上影响物业服务的质量。显然，这不是物业公司和业主所想看到的。
3.虽然，完善的物业管理制度在一定程度上降低物业经理的重要性，保证物业服务的水平。但在工时配置方面，由于员工的需求存在多样性(不同的员工会有不同的需求)和变动性(同一员工在不同时期的需求是不同的)，不同时间的用工需求也是不同的，导致物业管理制度仍无法满足实际的需求。
4.另外，为了进一步提高物业资源的效率，员工需要在不同的物业单元完成物业工单。由于员工具有一定的流动性，在进行工单分配时，存在工单完成时效性差的问题。
5.因而，需要寻找一种工作数据处理方法，以解决上述工时配置问题和工单分配问题。


技术实现要素：

6.基于此，有必要针对上述技术问题，提供一种工作数据处理方法、装置、计算机设备及存储介质，以解决当前物业管理中工时配置困难的问题，提高物业服务的水平。
7.一种工作数据处理方法，包括：
8.获取指定时间周期的用工需求信息和工作需求信息；
9.根据所述用工需求信息和所述工作需求信息生成工时配置模型的若干参数及其取值范围；
10.接收工时优化指令，根据所述工时优化指令设置所述工时配置模型的工时优化目标；
11.计算基于所述取值范围的所述工时配置模型在所述工时优化目标下的最优解；
12.根据所述最优解生成所述指定时间周期的工时配置方案。
13.可选的，所述根据所述最优解生成所述指定时间周期的工时配置方案之后，还包括：
14.当存在未派发的工单时，从所述工时配置方案获取若干与所述工单适配的员工，以及每个所述员工对应的状态信息；
15.根据所述状态信息生成若干员工状态矩阵，每一员工状态矩阵与一工单影响因子关联；
16.通过预设工单模型处理所述若干员工状态矩阵，以获得所述预设工单模型的最高得分；
17.根据最高得分从若干所述员工确定至少一个目标员工；
18.将所述工单分配给所述目标员工。
19.一种工作数据处理装置，包括：
20.获取需求数据模块，用于获取指定时间周期的用工需求信息和工作需求信息；
21.确定取值范围模块，用于根据所述用工需求信息和所述工作需求信息生成工时配置模型的若干参数及其取值范围；
22.设置优化目标模块，用于接收工时优化指令，根据所述工时优化指令设置所述工时配置模型的工时优化目标；
23.最优解模块，用于计算基于所述取值范围的所述工时配置模型在所述工时优化目标下的最优解；
24.生成配置方案模块，用于根据所述最优解生成所述指定时间周期的工时配置方案。
25.可选的，工作数据处理装置还包括：
26.获取员工状态信息模块，用于当存在未派发的工单时，从所述工时配置方案获取若干与所述工单适配的员工，以及每个所述员工对应的状态信息；
27.生成状态矩阵模块，用于根据所述状态信息生成若干员工状态矩阵，每一员工状态矩阵与一工单影响因子关联；
28.获得最高分模块，用于通过预设工单模型处理所述若干员工状态矩阵，以获得所述预设工单模型的最高得分；
29.确定目标员工模块，用于根据最高得分从若干所述员工确定至少一个目标员工；
30.工单分配模块，用于将所述工单分配给所述目标员工。
31.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机可读指令，所述处理器执行所述计算机可读指令时实现上述工作数据处理方法。
32.一个或多个存储有计算机可读指令的可读存储介质，所述计算机可读指令被一个或多个处理器执行时，使得所述一个或多个处理器执行如上述工作数据处理方法。
33.上述工作数据处理方法、装置、计算机设备及存储介质，通过获取指定时间周期的用工需求信息和工作需求信息，以同时兼顾用工方(企业)和员工的需求。根据所述用工需求信息和所述工作需求信息生成工时配置模型的若干参数及其取值范围，以将两种需求参数化和数值化。接收工时优化指令，根据所述工时优化指令设置所述工时配置模型的工时优化目标，以确定工时配置方案的优化目标。计算基于所述取值范围的所述工时配置模型在所述工时优化目标下的最优解，以通过数学模型计算出最优解，减少人为设置的不合理性。根据所述最优解生成所述指定时间周期的工时配置方案，以获得最优的工时配置方案，提高工时配置的合理性，减少人为安排的不合理性，有利于提高物业服务水平。本发明通过数学模型生成工时配置方案，解决当前物业管理中工时配置困难的问题，排班的复杂度随
着人数的增长呈指数级提升，智能的自动排班极大减少了排班所需的时间、并在数学逻辑层面保证了排班的合理性。另外，本发明还通过数学模型确定工单分配，提高了工单分配的合理性，有利于提高物业服务的水平。简而言之，本发明通过数学模型解决工时配置问题和工单分配问题，大大提高了工时分配和工单分配的效率和合理性，有利于提高物业服务的水平。
附图说明
34.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术员工来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
35.图1是本发明一实施例中工作数据处理方法的一应用环境示意图；
36.图2是本发明一实施例中工作数据处理方法的一流程示意图；
37.图3是本发明一实施例中工作数据处理装置的一结构示意图；
38.图4是本发明一实施例中计算机设备的一示意图。
具体实施方式
39.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术员工在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.本实施例提供的工作数据处理方法，可应用在如图1的应用环境中，其中，客户端与服务端进行通信。其中，客户端包括但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务端可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
41.在一实施例中，如图2所示，提供一种工作数据处理方法，以该方法应用在图1中的服务端为例进行说明，包括如下步骤：
42.s10、获取指定时间周期的用工需求信息和工作需求信息。
43.指定时间周期可以根据实际需要进行设置，如可以是一周、一个月等。用工需求信息可以指企业在不同时间段的用工需求。例如，用工需求信息可以包括工作日白班的员工数量、工作日夜班的员工数量、休息日白班的员工数量、休息日夜班的员工数量等。在一些示例中，用工需求信息还包括了指定类型员工的人数，如电工一名、水工一名等。
44.工作需求信息包括但不限于员工提交的休假或排班偏好信息。例如，员工甲提交了在20号的请假请求，且该请假请求被批准，则在20号无法分配员工甲在岗。而排班偏好信息可以指员工的排班偏好，例如，相同时间段的排班尽量连续。
45.s20、根据所述用工需求信息和所述工作需求信息生成工时配置模型的若干参数及其取值范围。
46.可理解地，可以根据用户需求信息和工作需求信息生成工时配置模型的若干参数，并确定这些参数的取值范围。
47.在一示例中，生成的参数及其取值范围包括：
48.员工序号i，i∈{1,2,...,n}，员工总数为n个；
49.天数序号t，t∈{1,2,...,t}，指定时间周期的总天数为t天；
50.排班序号s，s∈{1,2,3}，例如，排班时间可以设置为：s＝1:早8:00
‑
16:00，s＝2:正8:00
‑
18:00，s＝3:晚16:00
‑
8:00；
51.员工排班矩阵(决策变量)的元素x
ist
，x
ist
∈{1,0}，x
ist
表示第i个员工在第t天上s班，x
ist
＝1表示员工在班，x
ist
＝0表示员工休假；
52.参数u
s
表示工作日s班最多需要的员工数，为自定义的常数；
53.参数l
s
表示工作日s班最少需要的员工数，为自定义的常数；
54.参数表示周末s班最多需要的员工数，为自定义的常数；
55.参数表示周末s班最少需要的员工数，为自定义的常数；
56.参数p
i
表示i个员工在上周时最后一天上了晚班，p
i
∈{0,1}，p
i
＝1表示上了晚班，p
i
＝0表示没有上晚班；
57.参数e
t
表示第t天是否为周末，e
t
∈{0,1}，e
t
＝0表示不为周末，e
t
＝1表示为周末。
58.示意性的，以上部分参数的取值范围可以是由管理员工自由选定，或者对历史工单数据建立数学模型得出。
59.s30、接收工时优化指令，根据所述工时优化指令设置所述工时配置模型的工时优化目标。
60.工时优化指令可以是用户输入的配置指令。工时优化目标指的是工时配置方案的优化目标，如最大程度满足员工的偏好(属于员工的工作需求)。在一些情况下，员工的工作需求是多样化的，而在工时优化目标中，则包含了多个工作需求的优先程度，具体体现为多个优化参数的不同权值。通过工时优化指令可以配置工时配置模型的工时优化目标。
61.在一示例中，工时优化目标定义为：让员工排班尽量地连续。可以定义变量w
ist
，该变量用于记录排班的连续天数，
62.w
ist
的约束条件包括：
63.条件1：w
ist
≤tx
ist
，
64.条件2：w
ist
‑
w
is(t
‑
1)
≤1，
65.条件3：w
ist
‑
w
is(t
‑
1)
≥1
‑
t(1
‑
x
ist
)，
66.对以上约束条件进行分析，可知：
67.对于特定的i,s,并且t＝1,2,3,...,7，如果x
ist
＝[0,0,1,1,1,1,0],则w
ist
＝[0,0,1,2,3,4,0]；
[0068]
如果x
ist
＝0，则约束条件(1)保证w
ist
＝0,(2)(3)对w
ist
取值无影响；
[0069]
如果x
ist
＝1，则约束条件(2)(3)保证w
ist
＝w
is(t
‑
1)
+1，条件(1)对w
ist
取值无影响。
[0070]
s40、计算基于所述取值范围的所述工时配置模型在所述工时优化目标下的最优解。
[0071]
由于在工时配置模型中，变量存在有限个数的取值，一些情况下，可以通过穷举法计算出模型的多个计算结果。基于工时优化目标从多个计算结果中选出最优解。
[0072]
在另一些情况下，可以根据工时优化目标构建目标函数，求解该目标函数以获取最优解。
[0073]
s50、根据所述最优解生成所述指定时间周期的工时配置方案。
[0074]
可理解地，可以根据最优解中变量的取值确定工时配置方案。在工时配置方案中，包含了在指定时间周期内不同时间段的工时分配。
[0075]
在一示例中，工时配置方案可表示为：员工1，第1天，早班；员工2，第1天，正班；员工3，第1天，晚班；员工4，第1天，晚班；
……
员工n，第t天，休息。
[0076]
步骤s10
‑
s50中，获取指定时间周期的用工需求信息和工作需求信息，以同时兼顾用工方(企业)和员工的需求。根据所述用工需求信息和所述工作需求信息生成工时配置模型的若干参数及其取值范围，以将两种需求参数化和数值化。接收工时优化指令，根据所述工时优化指令设置所述工时配置模型的工时优化目标，以确定工时配置方案的优化目标。计算基于所述取值范围的所述工时配置模型在所述工时优化目标下的最优解，以通过数学模型计算出最优解，减少人为设置的不合理性。根据所述最优解生成所述指定时间周期的工时配置方案，以获得最优的工时配置方案，提高工时配置的合理性，减少人为安排的不合理性，有利于提高物业服务水平。
[0077]
可选的，步骤s50，即所述根据所述最优解生成所述指定时间周期的工时配置方案之后，还包括：
[0078]
s51、当存在未派发的工单时，从所述工时配置方案获取若干与所述工单适配的员工，以及每个所述员工对应的状态信息。
[0079]
可理解地，未派发的工单可以指待完成的作业计划或维修计划，用于执行某项作业任务或维修任务。一般情况下，一项作业任务或维修任务包括一个或多个工单。工时配置方案包含了指定时间周期内的员工的排班数据，可以基于当前的日期从工时配置方案获取与工单适配的员工。在一示例中，与工单适配的员工，可以指当前在工单发生地点所在区域内处于值班状态的所有员工。
[0080]
在另一示例中，未派发的工单包括但不限更换水管的工单、更换水龙头的工单、更换灯泡的工单。基于工单的工作属性，不同的工单适配不同的员工。例如，更换水管的工单和更换水龙头的工单，适配的员工为水工；更换灯泡的工单，适配的员工为电工。需要注意的是，一些员工可能同时兼具水工和电工的身份。
[0081]
状态信息指的是员工完成工单的相关信息，包括一些工单影响因子。示意性的，工单影响因子包括但不限于工单距离、工单完成能力、工单完成熟练度、工作效率。其中，工单距离指的是员工与工单发生地点的距离；工单完成能力指的是员工是否具备承接工单的能力；工单完成熟悉度指的是员工完成此类工单的熟悉程度；工作效率可以指员工完成工单的预估时间。
[0082]
s52、根据所述状态信息生成若干员工状态矩阵，每一员工状态矩阵与一工单影响因子关联。
[0083]
可理解地，若与工单适配的员工的人数为n，则可以生成多个n*1阶的员工状态矩阵。员工状态矩阵的个数与工单影响因子的个数相同。每个员工状态矩阵与一工单影响因子关联。
[0084]
在一示例中，员工状态矩阵包括但不限于员工维修效率矩阵、熟悉程度矩阵、员工
归属矩阵、员工距离矩阵。以员工维修效率矩阵、熟悉程度矩阵为例，员工维修效率矩阵、熟悉程度矩阵是根据历史工单数据生成的。
[0085]
熟悉程度矩阵由sigmoid函数转化而来，可通过以下公式计算矩阵中各个元素的值，公式如下：
[0086][0087]
其中，f
is
表示第i个员工在s技能上的工作熟悉程度；
[0088]
o
is
表示第i个员工在s工作类型上的工单量；
[0089]
表示第s工作类型上的工单量均值；
[0090]
e为自然对数。
[0091]
员工维修效率矩阵也可由sigmoid函数转化而来，可通过以下公式计算矩阵中各个元素的值，公式如下：
[0092][0093]
其中，e
is
表示第i个员工在s技能上的工作效率；
[0094]
t
is
表示第i个员工在s工作类型上平均每单的处理时间；
[0095]
表示第s工作类型上的工单平均处理时间。
[0096]
s53、通过预设工单模型处理所述若干员工状态矩阵，以获得所述预设工单模型的最高得分。
[0097]
可理解地，可通过预设工单模型对从员工状态矩阵提取状态数据，根据这些状态数据计算出每个员工的得分，选取其中的最高得分。
[0098]
在一示例中，在一个共享区域内有项目p∈{p1,p2...p
i
}。每一个项目代表一个独立的物业单元。在t时刻，有一个工作类型为t
j
，所属项目为p
k
的工单，对此工单有n个可用维修人员。
[0099]
可通过以下预设工单模型计算各个维修人员的得分，预设工单模型表示为：
[0100][0101]
其中，n为员工总数；
[0102]
i为员工序号；
[0103]
x
i
为第i个员工派单状态，其值为0或1；
[0104]
e
ip
为第i个员工对维修类型为p的工单的工作效率，e
ip
的取值范围可以根据实际需要设置，例如可以设置为e
ip
∈[0,10]；
[0105]
f
ip
为第i个员工对维修类型为p的工单的熟悉度，f
ip
的取值范围可以根据实际需要设置，例如可以设置为f
ip
∈[0,10]；
[0106]
l
i
为第i个员工的项目归属，其值为0或1；
[0107]
d
i
为第i个员工与工单所在项目的距离分数；d
i
的取值范围可以根据实际需要设置，例如可以设置为d
i
∈[0,10]；
[0108]
w0、w1、w2、w3为自定义的权重因子。
[0109]
其中，第一项为员工对该类型维修的维修效率，第二项为员工对该维修项目的熟悉程度，第三项为员工是否来自该工单所属项目(以物业单元为项目)，最后一项为派单时员工距离该工单所属项目的距离。这四个项目前面的w
i
(i＝1,2,3)代表权重因子，权重因子越大表示该项的重要程度越高。求解的时候会有优先考虑最大化权重因子大的一项。在一些情况下，权重因子可以根据实际需要动态设定。例如，可以根据工单信息动态改变。在一示例中，输入的工单为紧急单，则时效优先，此时可以提高第四项距离项的权重w3，或者减少其他三项的权重值。若为紧急单且客户要求本项目员工接单，则在提升距离权重w3的同时，提升第三项项目归属的权重w2。
[0110]
在一示例中，w0、w1、w2、w3可设置为：
[0111]
w0＝1
[0112][0113][0114]
w3＝cw2[0115]
其中，c为常数。
[0116]
预设工单模型属于整数规划问题，可以使用glpk开源求解器求解，获得使目标函数最大的x
i
。由于目标函数为线性且约束条件较弱，所以预设工单模型在可行域内存在最优解。
[0117]
在一示例中，x
i
可表示为：{0,0,0,1,0,0，
……
，0}。可以根据工单需要的人数确定最高得分的个数。若工单需要的人数为1个，则选取最高的得分作为最高得分。若工单需要的人数为n个，则可以将得分按从大到小排序，选取得分排序在先的前n个作为最高得分。
[0118]
s54、根据最高得分从若干所述员工确定至少一个目标员工。
[0119]
可以根据取得最高得分时的x
i
确定目标员工。也即是，在x
i
中，将取值为1的员工确定为目标员工。目标员工的个数可以为一个或多个。目标员工的数量与工单需要的人数相等。
[0120]
s55、将所述工单分配给所述目标员工。
[0121]
在确定目标员工之后，可以通过工单分配系统将工单分配给目标员工，以完成工单的分配。
[0122]
步骤s51
‑
s55中，当存在未派发的工单时，从所述工时配置方案获取若干与所述工单适配的员工，以及每个所述员工对应的状态信息，以获得员工状态信息。根据所述状态信息生成若干员工状态矩阵，每一员工状态矩阵与一工单影响因子关联，以将状态信息矩阵化，便于进行数据处理。通过预设工单模型处理所述若干员工状态矩阵，以获得所述预设工单模型的最高得分，以确定最高得分。根据最高得分从若干所述员工确定至少一个目标员工，以确定目标员工。将所述工单分配给所述目标员工，以完成工单派发。
[0123]
可选的，步骤s10，即所述获取指定时间周期的用工需求信息和工作需求信息之
前，还包括：
[0124]
s11、获取历史工单信息；
[0125]
s12、通过预设的多个概率分布模型对所述历史工单信息进行拟合，获得各自的拟合结果，将最好的拟合结果所对应的概率分布模型确定为最优模型，并获取所述最优模型的分布参数，以根据所述分布参数生成所述用工需求信息；或，
[0126]
s13、根据所述历史工单信息构建时间序列模型，通过所述时间序列模型生成预测数据，以根据所述预测数据生成所述工作需求信息。
[0127]
可理解地，历史工单信息包括了历史每天各个班次时间范围内的工单量。可用多个概率分布模型对不同时间的工单量进行拟合，获得拟合结果，选择最好的拟合结果，将最好的拟合结果所对应的概率分布模型确定为最优模型。在此处，概率分布模型可以使用正态分布模型、泊松分布模型等。在确定最优模型之后，可以获得最优模型的分布参数，如均值μ和方差σ。这些分布参数可以作为用工需求信息的一部分，用于生成工时配置模型的参数。例如，基于用工需求信息生成的参数包括每个班次的人数上限和人数下限，其中，人数上限为：u
s
＝μ+σ，人数下限为：l
s
＝μ
‑
σ。
[0128]
在另一示例中，则可以根据历史工单信息构建时间序列模型，通过时间序列模型解析工单的发生规律。在时间序列模型中，可以加入环境变量，如气候变化数据等。通过时间序列模型，可以预测在指定时间周期内每天每个班次的工单数量范围(包括工单上限和工单下限)，这些工单数量范围可以作为用工需求信息的一部分，用于生成工时配置模型的参数。
[0129]
可选的，步骤s40，即所述计算基于所述取值范围的所述工时配置模型在所述工时优化目标下的最优解，包括：
[0130]
s401、根据所述工时优化目标构建目标函数；
[0131]
s402、若所述目标函数为非线性函数，将所述目标函数转化为线性目标函数；
[0132]
s403、通过预设求解器处理所述线性目标函数，生成所述最优解。
[0133]
可理解地，可以基于工时优化目标构建目标函数。不同的工时优化目标，生成的目标函数是不同的。
[0134]
在一示例中，目标函数包括：
[0135][0136]
其中，n为员工总数，t为指定时间周期的总天数，i为员工序号，s为排班序号，t为天数序号，w
ist
为第i个员工第s个排班的连续排班天数的累加和，max表示取最大值，maximize表示使累加和最大化。
[0137]
上述目标函数为非线性函数，需要对其线性化。可以构造变量z
ist
，变量z
ist
具有如下约束：
[0138]
[0139]
再构造变量y
is
，使得并满足
[0140][0141]
该约束在z
ist
＝0时，没有约束效果；并且对于任意i,s，有且仅有一个t使得z
ist
＝1，从而使得y
ist
≤w
ist
，求解器会自动选择使w
ist
取值为最大的t,在此处，i＝1,2,...,n,s＝1,2,3。
[0142]
由此，线性目标函数可表示为：
[0143][0144]
该线性目标函数需要同时满足以下约束：
[0145]
约束a：
[0146]
约束b：
[0147]
约束c：
[0148]
约束d：
[0149]
约束e：
[0150]
约束f：
[0151]
约束g：
[0152]
约束h：
[0153]
约束i：
[0154]
约束j：
[0155]
约束k：
[0156]
约束l：
[0157]
约束m：
[0158]
约束n：
[0159]
约束o：
[0160]
约束p：
[0161]
其中，约束a表示每个工人每天只安排一班；
[0162]
约束b表示工作日每班的员工数要求上限；
[0163]
约束c表示工作日每班的员工数要求下限；
[0164]
约束d为周末每班的员工数要求上限；
[0165]
约束e为周末每班的员工数要求下限；
[0166]
约束f表示员工安排了晚班则不在第二天安排早班和正班；
[0167]
约束g表示前一周期最后一天上晚班则这周期第一天不上早班和正班；
[0168]
约束h表示本周期每个员工最多工作天数；
[0169]
约束i表示本周期每个员工最少工作天数；
[0170]
约束j表示连续排班天数小于指定时间周期t；
[0171]
约束k表示连续排班天数大于或等于0；
[0172]
约束l表示连续排班天数小于或等于排班天数序号与当前排班状态的乘积；
[0173]
约束m表示当天连续排班天数与前一天连续排班天数的差值不大于1；
[0174]
约束n表示前一天连续排班天数与当天连续排班天数的差值不大于排班天数序号减一；
[0175]
约束o表示定义的变量z
ist
的约束；
[0176]
约束p表示定义的变量y
is
的约束。
[0177]
需要注意的是，此处的求解器可以采用开源的gnu线性规划工具集(gnu linear programming kit,glpk)。glpk是用来求解大规模的线性规划(lp)、混合整数规划(mip)，跟其他相关问题的软件包。
[0178]
可选的，所述预设工单模型包括：
[0179][0180]
其中，n为员工总数；
[0181]
i为员工序号；
[0182]
x
i
为第i个员工派单状态，其值为0或1；
[0183]
e
ip
为第i个员工对维修类型为p的工单的工作效率；
[0184]
f
ip
为第i个员工对维修类型为p的工单的熟悉度；
[0185]
l
i
为第i个员工的项目归属，其值为0或1；
[0186]
d
i
为第i个员工与工单所在项目的距离分数；
[0187]
w0、w1、w2、w3为自定义的权重因子。
[0188]
可理解地，可通过以上预设工单模型求解出最高得分。
[0189]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0190]
在一实施例中，提供一种工作数据处理装置，该工作数据处理装置与上述实施例中工作数据处理方法一一对应。如图3所示，该工作数据处理装置包括获取需求数据模块10、确定取值范围模块20、设置优化目标模块30、最优解模块40和生成配置方案模块50。各功能模块详细说明如下：
[0191]
获取需求数据模块10，用于获取指定时间周期的用工需求信息和工作需求信息；
[0192]
确定取值范围模块20，用于根据所述用工需求信息和所述工作需求信息生成工时配置模型的若干参数及其取值范围；
[0193]
设置优化目标模块30，用于接收工时优化指令，根据所述工时优化指令设置所述工时配置模型的工时优化目标；
[0194]
最优解模块40，用于计算基于所述取值范围的所述工时配置模型在所述工时优化目标下的最优解；
[0195]
生成配置方案模块50，用于根据所述最优解生成所述指定时间周期的工时配置方案。
[0196]
可选的，工作数据处理装置，还包括：
[0197]
获取员工状态信息模块，用于当存在未派发的工单时，从所述工时配置方案获取若干与所述工单适配的员工，以及每个所述员工对应的状态信息；
[0198]
生成状态矩阵模块，用于根据所述状态信息生成若干员工状态矩阵，每一员工状态矩阵与一工单影响因子关联；
[0199]
获得最高分模块，用于通过预设工单模型处理所述若干员工状态矩阵，以获得所述预设工单模型的最高得分；
[0200]
确定目标员工模块，用于根据最高得分从若干所述员工确定至少一个目标员工；
[0201]
工单分配模块，用于将所述工单分配给所述目标员工。
[0202]
可选的，工作数据处理装置，还包括：
[0203]
获取历史工单模块，用于获取历史工单信息；
[0204]
概率模块拟合模块，用于通过预设的多个概率分布模型对所述历史工单信息进行拟合，获得各自的拟合结果，将最好的拟合结果所对应的概率分布模型确定为最优模型，并获取所述最优模型的分布参数，以根据所述分布参数生成所述用工需求信息；或，
[0205]
时间序列模块，用于根据所述历史工单信息构建时间序列模型，通过所述时间序列模型生成预测数据，以根据所述预测数据生成所述工作需求信息。
[0206]
可选的，最优解模块40包括：
[0207]
构建目标函数单元，用于根据所述工时优化目标构建目标函数；
[0208]
线性化单元，用于若所述目标函数为非线性函数，将所述目标函数转化为线性目标函数；
[0209]
生成最优解单元，用于通过预设求解器处理所述线性目标函数，生成所述最优解。
[0210]
可选的，所述目标函数包括：
[0211][0212]
其中，n为员工总数，t为指定时间周期的总天数，i为员工序号，s为排班序号，t为天数序号，w
ist
为第i个员工第s个排班的连续排班天数的累加和，max表示取最大值，maximize表示使累加和最大化。
[0213]
可选的，所述预设工单模型包括：
[0214][0215]
其中，n为员工总数；
[0216]
i为员工序号；
[0217]
x
i
为第i个员工派单状态，其值为0或1；
[0218]
e
ip
为第i个员工对维修类型为p的工单的工作效率；
[0219]
f
ip
为第i个员工对维修类型为p的工单的熟悉度；
[0220]
l
i
为第i个员工的项目归属，其值为0或1；
[0221]
d
i
为第i个员工与工单所在项目的距离分数；
[0222]
w0、w1、w2、w3为自定义的权重因子。
[0223]
关于工作数据处理装置的具体限定可以参见上文中对于工作数据处理方法的限定，在此不再赘述。上述工作数据处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0224]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括可读存储介质、内存储器。该可读存储介质存储有操作系统、计算机可读指令和数据库。该内存储器为可读存储介质中的操作系统和计算机可读指令的运行提供环境。该计算机设备的数据库用于存储工作数据处理方法所涉及的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机可读指令被处理器执行时以实现一种工作数据处理方法。本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。
[0225]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令，处理器执行计算机可读指令时实现以下步骤：
[0226]
获取指定时间周期的用工需求信息和工作需求信息；
[0227]
根据所述用工需求信息和所述工作需求信息生成工时配置模型的若干参数及其取值范围；
[0228]
接收工时优化指令，根据所述工时优化指令设置所述工时配置模型的工时优化目标；
[0229]
计算基于所述取值范围的所述工时配置模型在所述工时优化目标下的最优解；
[0230]
根据所述最优解生成所述指定时间周期的工时配置方案。
[0231]
在一个实施例中，提供了一个或多个存储有计算机可读指令的计算机可读存储介质，本实施例所提供的可读存储介质包括非易失性可读存储介质和易失性可读存储介质。可读存储介质上存储有计算机可读指令，计算机可读指令被一个或多个处理器执行时实现以下步骤：
[0232]
获取指定时间周期的用工需求信息和工作需求信息；
[0233]
根据所述用工需求信息和所述工作需求信息生成工时配置模型的若干参数及其取值范围；
[0234]
接收工时优化指令，根据所述工时优化指令设置所述工时配置模型的工时优化目标；
[0235]
计算基于所述取值范围的所述工时配置模型在所述工时优化目标下的最优解；
[0236]
根据所述最优解生成所述指定时间周期的工时配置方案。
[0237]
本领域普通技术员工可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，所述的计算机可读指令可存储于一非易失性可读取存储介质或易失性可读存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0238]
所属领域的技术员工可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0239]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术员工应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。