CN111881193A - 一种基于机器学习的绩效方案测算***、设备及介质 - Google Patents

一种基于机器学习的绩效方案测算***、设备及介质 Download PDF

Info

Publication number
CN111881193A
CN111881193A CN202010533025.3A CN202010533025A CN111881193A CN 111881193 A CN111881193 A CN 111881193A CN 202010533025 A CN202010533025 A CN 202010533025A CN 111881193 A CN111881193 A CN 111881193A
Authority
CN
China
Prior art keywords
data
performance
machine learning
module
original data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010533025.3A
Other languages
English (en)
Other versions
CN111881193B (zh
Inventor
黄家昌
邱道椿
林敦龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujian Ecan Information Technology Co ltd
Original Assignee
Fujian Ecan Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fujian Ecan Information Technology Co ltd filed Critical Fujian Ecan Information Technology Co ltd
Priority to CN202010533025.3A priority Critical patent/CN111881193B/zh
Publication of CN111881193A publication Critical patent/CN111881193A/zh
Application granted granted Critical
Publication of CN111881193B publication Critical patent/CN111881193B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/258—Data format conversion from or to a database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • Bioethics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

本发明提供了医院绩效管控领域的一种基于机器学习的绩效方案测算***、设备及介质，***包括：初始化模块、用于创建数据中心、数据库表以及绩效方案，定义数据转换规则以及数据分组规则；原始数据采集模块、用于接收绩效的原始数据；原始数据存储模块、用于接收的原始数据并存储于数据中心；数据格式转换模块、用于将原始数据转换为格式统一的基础数据并存储于数据库表；工作量数据分组模块、用于从基础数据中获取工作量数据，利用数据分组规则进行分组存储于缓存中；机器学习模块、用于利用机器学习技术，读取缓存中的各所述分组数据对各绩效方案进行测算。本发明的优点在于：极大的提升了绩效方案测算的效率、简化了绩效方案测算的过程。

Description

一种基于机器学习的绩效方案测算***、设备及介质
技术领域
本发明涉及医院绩效管控领域，特别指一种基于机器学习的绩效方案测算***、设备及介质。
背景技术
绩效是指组织、团队或个人，在一定的资源、条件和环境下，完成任务的出色程度，是对目标实现程度及达成效率的衡量与反馈。而一个合理的绩效方案有助于提升工作人员的积极性并降低医院的管控成本，因此有必要对绩效方案进行测算。
针对医院绩效方案的测算，传统上采用如下方法：
1、采用excel进行操作：将原始数据导入excel，设置与数据对应的excel公式用于快速取数，设置数据的勾稽关系以及绩效方案，基于绩效方案、勾稽关系以及原始数据计算出绩效的测算结果，并将不同的测算结果存储于不同的sheet，依据绩效评价规则以及历史数据对各测算结果进行评估。2、采用excel结合应用***进行操作：通过应用***进行数据的采集、加工、转换，通过sql一条一条的设定好相应的绩效总额以及绩效方案后，算出绩效方案的测算结果，并将测算结果导出到excel与历史数据进行比较评估。3、采用应用***进行操作：通过应用***进行数据的采集、加工、转换，通过sql一条一条的设定好相应的绩效总额以及绩效方案后，算出绩效方案的测算结果，将历史数据导入应用***，直接在应用***里面通过相关的报表功能进行评估。
但是，传统的方法存在如下缺点：方法1采用excel操作效率相对低下，难以应付大数据的处理，excel的勾稽关系的设置并不直观，当出现错误时排查错误原因比较困难，需要从头排查到尾；方法2和3采用应用***操作，存在通用性的问题，需要医院人员对绩效方案的编写、sql语言、应用***的表结构具有一定的基础，使得医院人员的参与度比较低；对于数据量大的时候会拖慢计算速度。
因此，如何提供一种基于机器学习的绩效方案测算***、设备及介质，实现提升绩效方案测算的效率、简化绩效方案测算的过程，成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题，在于提供一种基于机器学习的绩效方案测算***、设备及介质，实现提升绩效方案测算的效率、简化绩效方案测算的过程。
第一方面，本发明提供了一种基于机器学习的绩效方案测算***，包括如下模块：
初始化模块，用于在服务器创建一数据中心、一数据库表以及复数个绩效方案，并定义一数据转换规则以及一数据分组规则；
原始数据采集模块，用于服务器接收通过前置终端基于ETL工具从各医院采集绩效的原始数据；所述原始数据利用CA证书进行加密，并通过HTTP协议进行传输；
原始数据存储模块，用于服务器利用CA证书解密接收的所述原始数据并存储于数据中心；
数据格式转换模块，用于服务器利用所述数据转换规则，基于多线程技术将各医院的原始数据转换为格式统一的基础数据，并将所述基础数据存储于数据库表；
工作量数据分组模块，用于服务器从所述基础数据中获取工作量数据，利用所述数据分组规则对工作量数据进行分组生成分组数据，利用redis技术将各所述分组数据存储于缓存中；
机器学习模块，用于服务器利用机器学习技术以及多线程技术，读取缓存中的各所述分组数据对各绩效方案进行测算，输出各所述分组数据对应的最佳绩效方案。
进一步地，所述初始化模块中，所述定义一数据转换规则以及一数据分组规则具体为：
利用基于VUE前端开发的图形化界面定义一数据转换规则以及一数据分组规则；所述数据转换规则用于将各医院的原始数据一一对照，转换为格式统一的基础数据；所述数据分组规则用于将工作量数据按医生、护士、医技以及收费项目进行分组。
进一步地，所述原始数据采集模块中，所述服务器接收通过前置终端基于ETL工具从各医院采集绩效的原始数据具体为：
服务器定时接收通过前置终端基于ETL工具从各医院采集绩效的原始数据。
进一步地，所述工作量数据分组模块中，所述利用redis技术将各所述分组数据存储于缓存中具体为：
利用redis技术设置各所述分组数据的缓存时间后，将各所述分组数据存储于缓存中。
进一步地，所述机器学习模块具体为：
服务器利用多线程技术读取缓存中的各所述分组数据，利用机器学习技术将各所述分组数据输入对应的绩效方案进行训练学习，进而输出各所述分组数据对应的最佳绩效方案。
第二方面，本发明提供了一种基于机器学习的绩效方案测算设备，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程序，所述处理器执行所述程序时实现第一方面所述的***。
第三方面，本发明提供了一种基于机器学习的绩效方案测算介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的***。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、通过定义所述数据转换规则以及数据分组规则，将获取的所述原始数据通过多线程技术转换为统一格式，并进行分组生成分组数据后存储于缓存中，即将常用的结果数据存储于redis缓存中，相对于传统上采用EXCEL操作，极大的提高了绩效方案的测算效率。
2、利用图形化界面定义所述数据转换规则以及数据分组规则，利用机器学习技术对各绩效方案进行测算，极大的简化了绩效方案测算的过程，进而减少了测算的错误率。
3、通过建立所述数据中心，加强了原始数据质量的控制，做到一次采集多个***共用，且有力的保证了数据的一致性。
4、通过前置终端基于ETL工具从各医院采集所述原始数据，减少了人工的干预，减轻了工作人员的工作量；利用CA证书对所述原始数据进行加密解密，保证了所述原始数据的安全性以及可靠性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种基于机器学习的绩效方案测算***的结构示意图。
图2是本发明一种基于机器学习的绩效方案测算***的流程图。
图3是本发明一种基于机器学习的绩效方案测算设备的结构示意图。
图4是本发明一种基于机器学习的绩效方案测算介质的结构示意图。
具体实施方式
本申请实施例通过提供一种基于机器学习的绩效方案测算***、设备及介质，实现提升绩效方案测算的效率、简化绩效方案测算的过程。
本申请实施例中的技术方案，总体思路如下：
利用多线程技术对所述原始数据进行格式转换，将常用的所述分组数据存储于缓存中，并利用机器学习对所述绩效方案进行测算，进而提升绩效方案测算的效率；通过图形化界面定义所述数据转换规则以及数据分组规则，利用机器学习技术对各绩效方案进行测算，进而简化绩效方案测算的过程。
实施例一
本实施例提供一种基于机器学习的绩效方案测算***，如图1至图2所示，包括如下模块：
初始化模块，用于在服务器创建一数据中心、一数据库表以及复数个绩效方案，并定义一数据转换规则以及一数据分组规则；所述数据中心的容量为TB级别；所述绩效方案根据医院的类型分为大三甲医院绩效方案、三甲医院绩效方案、县级医院绩效方案、卫生院绩效方案以及医共体绩效方案；定义的所述数据转换规则以及数据分组规则存储至数据库表中；
所述绩效方案包括如下字段：
Figure BDA0002536073700000051
Figure BDA0002536073700000061
原始数据采集模块，用于服务器接收通过前置终端基于ETL工具从各医院的数据库采集绩效的原始数据；所述原始数据利用CA证书进行加密，并通过HTTP协议进行传输；所述原始数据至少包括病案首页数据、业务***基础数据、门诊收费明细数据、住院收费明细数据、成本控制数据、中间数据、疾病诊断分类数据(DRGS)以及规则数据；HTTP是一个简单的请求-响应协议，它通常运行在TCP之上，它指定了客户端可能发送给服务器什么样的消息以及得到什么样的响应；
原始数据存储模块，用于服务器利用CA证书解密接收的所述原始数据并存储于数据中心；
所述利用CA证书进行加密和解密具体为：
利用RSA定义签名的算法为MD5withRSA，定义公钥的算法为RSAPublicKey，定义私钥的算法为RSAPrivateKey，初始化密钥生成公钥和私钥，用公钥对数据进行加密后，用私钥对加密的数据进行解密，或者用私钥对数据进行数字签名后，用公钥对数字签名进行验证。
数据格式转换模块，用于服务器利用所述数据转换规则，基于多线程技术将各医院的原始数据转换为格式统一的基础数据，并将所述基础数据存储于数据库表；由于所述基础数据的数据量可能比较大，因此采用分库分表的方式，对所述基础数据进行水平切割存储；
工作量数据分组模块，用于服务器从所述基础数据中获取工作量数据，利用所述数据分组规则对工作量数据进行分组生成分组数据，利用redis技术将各所述分组数据存储于缓存中；
机器学习模块，用于服务器利用机器学习技术(卷积神经网络)以及多线程技术，读取缓存中的各所述分组数据对各绩效方案进行测算，输出各所述分组数据对应的最佳绩效方案。
所述初始化模块中，所述定义一数据转换规则以及一数据分组规则具体为：
利用基于VUE前端开发的图形化界面定义一数据转换规则以及一数据分组规则；所述数据转换规则用于将各医院的原始数据一一对照，转换为格式统一的基础数据；所述数据分组规则用于将工作量数据按医生、护士、医技以及收费项目进行分组；图形化界面支持所见即所得的操作。
所述数据转换规则举例如下：
Figure BDA0002536073700000071
Figure BDA0002536073700000081
所述原始数据采集模块中，所述服务器接收通过前置终端基于ETL工具从各医院采集绩效的原始数据具体为：
服务器定时接收通过前置终端基于ETL工具从各医院采集绩效的原始数据。
所述工作量数据分组模块中，所述利用redis技术将各所述分组数据存储于缓存中具体为：
利用redis技术设置各所述分组数据的缓存时间后，将各所述分组数据存储于缓存中。
所述机器学习模块具体为：
服务器利用多线程技术读取缓存中的各所述分组数据，利用机器学习技术将各所述分组数据输入对应的绩效方案进行训练学习，动态调整各所述绩效方案的参数，进而输出各所述分组数据对应的最佳绩效方案，并利用商业智能分析工具(BI)将各所述最佳绩效方案计算出来的绩效与历史数据进行多维度比较，以图表的方式进行展示，进而进行验证。
所述利用机器学习技术将各所述分组数据输入对应的绩效方案进行训练学习具体为：
从所述原始数据中提炼出特征构建、特征提取以及特征选择；所述特征包括包括医生、护士、行政后勤、医技、药剂等人员类别，包括内科、外科的科室类别，所做的医疗服务项目相关的工分，所开展的病种情况，所扶持的开展的项目等；利用算法工具包sklearn基于特征进行模型的训练、诊断以及调优；通过交叉验证、绘制学习曲线来判断过拟合、欠拟合的模型状态；通过增加训练的数据量、降低模型的复杂度来达到过拟合的调优；通过提高特征的数量以及质量、增加模型的复杂度来达到欠拟合的调优；紧接着是模型的验证、误差的分析，通过观察误差样本，分析误差产生的原因；最后就是模型的融合、上线运行，利用模型对各绩效方案进行测算。
基于同一发明构思，本申请还提供了与实施例一中的***对应的设备，详见实施例二。
实施例二
本实施例提供一种基于机器学习的绩效方案测算设备，如图3所示，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程序，处理器执行计算机程序时，可以实现实施例一中任一实施方式。
由于本实施例所介绍的设备为实施本申请实施例一中***所采用的设备，故而基于本申请实施例一中所介绍的***，本领域所属技术人员能够了解本实施例的设备的具体实施方式以及其各种变化形式，所以在此对于该设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中的***所采用的设备，都属于本申请所欲保护的范围。
基于同一发明构思，本申请还提供了与实施例一中的***对应的介质，详见实施例三。
实施例三
本实施例提供一种基于机器学习的绩效方案测算介质，如图4所示，其上存储有计算机程序，该计算机程序被处理器执行时，可以实现实施例一中任一实施方式。
本申请实施例中提供的技术方案，至少具有如下技术效果或优点：
1、通过定义所述数据转换规则以及数据分组规则，将获取的所述原始数据通过多线程技术转换为统一格式，并进行分组生成分组数据后存储于缓存中，即将常用的结果数据存储于redis缓存中，相对于传统上采用EXCEL操作，极大的提高了绩效方案的测算效率。
2、利用图形化界面定义所述数据转换规则以及数据分组规则，利用机器学习技术对各绩效方案进行测算，极大的简化了绩效方案测算的过程，进而减少了测算的错误率。
3、通过建立所述数据中心，加强了原始数据质量的控制，做到一次采集多个***共用，且有力的保证了数据的一致性。
4、通过前置终端基于ETL工具从各医院采集所述原始数据，减少了人工的干预，减轻了工作人员的工作量；利用CA证书对所述原始数据进行加密解密，保证了所述原始数据的安全性以及可靠性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

Claims (7)

1.一种基于机器学习的绩效方案测算***，其特征在于：包括如下模块：
初始化模块，用于在服务器创建一数据中心、一数据库表以及复数个绩效方案，并定义一数据转换规则以及一数据分组规则；
原始数据采集模块，用于服务器接收通过前置终端基于ETL工具从各医院采集绩效的原始数据；所述原始数据利用CA证书进行加密，并通过HTTP协议进行传输；
原始数据存储模块，用于服务器利用CA证书解密接收的所述原始数据并存储于数据中心；
数据格式转换模块，用于服务器利用所述数据转换规则，基于多线程技术将各医院的原始数据转换为格式统一的基础数据，并将所述基础数据存储于数据库表；
工作量数据分组模块，用于服务器从所述基础数据中获取工作量数据，利用所述数据分组规则对工作量数据进行分组生成分组数据，利用redis技术将各所述分组数据存储于缓存中；
机器学习模块，用于服务器利用机器学习技术以及多线程技术，读取缓存中的各所述分组数据对各绩效方案进行测算，输出各所述分组数据对应的最佳绩效方案。
2.如权利要求1所述的一种基于机器学习的绩效方案测算***，其特征在于：所述初始化模块中，所述定义一数据转换规则以及一数据分组规则具体为：
利用基于VUE前端开发的图形化界面定义一数据转换规则以及一数据分组规则；所述数据转换规则用于将各医院的原始数据一一对照，转换为格式统一的基础数据；所述数据分组规则用于将工作量数据按医生、护士、医技以及收费项目进行分组。
3.如权利要求1所述的一种基于机器学习的绩效方案测算***，其特征在于：所述原始数据采集模块中，所述服务器接收通过前置终端基于ETL工具从各医院采集绩效的原始数据具体为：
服务器定时接收通过前置终端基于ETL工具从各医院采集绩效的原始数据。
4.如权利要求1所述的一种基于机器学习的绩效方案测算***，其特征在于：所述工作量数据分组模块中，所述利用redis技术将各所述分组数据存储于缓存中具体为：
利用redis技术设置各所述分组数据的缓存时间后，将各所述分组数据存储于缓存中。
5.如权利要求1所述的一种基于机器学习的绩效方案测算***，其特征在于：所述机器学习模块具体为：
服务器利用多线程技术读取缓存中的各所述分组数据，利用机器学习技术将各所述分组数据输入对应的绩效方案进行训练学习，进而输出各所述分组数据对应的最佳绩效方案。
6.一种基于机器学习的绩效方案测算设备，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程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的***。
7.一种基于机器学习的绩效方案测算介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任一项所述的***。
CN202010533025.3A 2020-06-12 2020-06-12 一种基于机器学习的绩效方案测算***、设备及介质 Active CN111881193B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010533025.3A CN111881193B (zh) 2020-06-12 2020-06-12 一种基于机器学习的绩效方案测算***、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010533025.3A CN111881193B (zh) 2020-06-12 2020-06-12 一种基于机器学习的绩效方案测算***、设备及介质

Publications (2)

Publication Number Publication Date
CN111881193A true CN111881193A (zh) 2020-11-03
CN111881193B CN111881193B (zh) 2022-08-05

Family

ID=73158294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010533025.3A Active CN111881193B (zh) 2020-06-12 2020-06-12 一种基于机器学习的绩效方案测算***、设备及介质

Country Status (1)

Country Link
CN (1) CN111881193B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112783478A (zh) * 2021-02-19 2021-05-11 合肥海赛信息科技有限公司 一种基于自动机器学习的软件设计方法
CN114037288A (zh) * 2021-11-11 2022-02-11 青岛民航凯亚***集成有限公司 基于机器学习的绩效调整***与方法
CN116092655A (zh) * 2023-04-04 2023-05-09 山东顺成科技有限公司 一种基于大数据的医院绩效管理方法及***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1484182A (zh) * 2003-08-01 2004-03-24 威盛电子股份有限公司 员工绩效评核***
US20140019387A1 (en) * 2012-04-01 2014-01-16 Empire Technology Development Llc Machine learning for database migration source
CN109492858A (zh) * 2018-09-25 2019-03-19 平安科技（深圳）有限公司 基于机器学习的员工绩效预测方法及装置、设备、介质
CN110109922A (zh) * 2019-04-04 2019-08-09 平安普惠企业管理有限公司 绩效数据获取方法、装置、计算机设备及存储介质
CN111160715A (zh) * 2019-12-10 2020-05-15 青岛海信网络科技股份有限公司 基于bp神经网络新旧动能转换绩效评价方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1484182A (zh) * 2003-08-01 2004-03-24 威盛电子股份有限公司 员工绩效评核***
US20140019387A1 (en) * 2012-04-01 2014-01-16 Empire Technology Development Llc Machine learning for database migration source
CN109492858A (zh) * 2018-09-25 2019-03-19 平安科技（深圳）有限公司 基于机器学习的员工绩效预测方法及装置、设备、介质
CN110109922A (zh) * 2019-04-04 2019-08-09 平安普惠企业管理有限公司 绩效数据获取方法、装置、计算机设备及存储介质
CN111160715A (zh) * 2019-12-10 2020-05-15 青岛海信网络科技股份有限公司 基于bp神经网络新旧动能转换绩效评价方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CONGRAN6617: "《绩效评估、绩效审计与绩效优化》", 《HTTPS://BLOG.CSDN.NET/CONGRAN6617/ARTICLE/DETAILS/100368099》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112783478A (zh) * 2021-02-19 2021-05-11 合肥海赛信息科技有限公司 一种基于自动机器学习的软件设计方法
CN114037288A (zh) * 2021-11-11 2022-02-11 青岛民航凯亚***集成有限公司 基于机器学习的绩效调整***与方法
CN116092655A (zh) * 2023-04-04 2023-05-09 山东顺成科技有限公司 一种基于大数据的医院绩效管理方法及***

Also Published As

Publication number Publication date
CN111881193B (zh) 2022-08-05

Similar Documents

Publication Publication Date Title
CN111881193B (zh) 一种基于机器学习的绩效方案测算***、设备及介质
JP6243080B1 (ja) プリプロセッサおよび異常予兆診断システム
US9542255B2 (en) Troubleshooting based on log similarity
CN110162516A (zh) 一种基于海量数据处理的数据治理的方法及***
CN104937548A (zh) 动态图的性能监视
CN112949865A (zh) 一种基于sigma协议的联邦学习贡献度评估方法
US20220367057A1 (en) Missing medical diagnosis data imputation method and apparatus, electronic device and medium
Mikuła et al. Magnushammer: A transformer-based approach to premise selection
CN108460068A (zh) 报表导入导出的方法、装置、存储介质及终端
CN112435755A (zh) 疾病分析方法、装置、电子设备及存储介质
Liu et al. Enabling SQL-based training data debugging for federated learning
CN112667723B (zh) 一种数据采集的方法及终端设备
CN117789983A (zh) 基于人工智能的血栓性微血管疾病多源数据处理方法
CN112686773A (zh) 一种基于融合业务拓扑的电力计量全链路关键业务异常定位模型构建方法
CN116506230A (zh) 基于rsa非对称加密的数据采集方法、***
CN110660450A (zh) 一种基于加密基因组数据的安全计数查询与完整性验证装置和方法
CN113642669B (zh) 基于特征分析的防欺诈检测方法、装置、设备及存储介质
CN116095110A (zh) 一种基于区块链技术的医疗信息安全管理***及方法
CN115580484A (zh) 适用能耗数据的安全联合计算方法、***及存储介质
CN113704697A (zh) 基于多元回归模型的医疗数据缺失处理方法、装置及设备
Kleniati et al. Partitioning procedure for polynomial optimization
CN114462750A (zh) 医院发热门诊电子病历统一上报的方法及***
CN113792114A (zh) 一种城市领域知识图谱可信评估方法及***
Goldszmidt et al. Three Research Challenges at the Intersection of Machine Learning, Statistical Induction, and Systems.
JP2012104148A (ja) 評価ユニット、評価方法、評価プログラム、及び記録媒体

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant