CN114462720A

CN114462720A - 智能考勤管理方法、装置、设备及存储介质

Info

Publication number: CN114462720A
Application number: CN202210363195.0A
Authority: CN
Inventors: 范佳宁
Original assignee: Shandong Yunxiaobing Information Technology Co ltd
Current assignee: Shandong Yunxiaobing Information Technology Co ltd
Priority date: 2022-04-08
Filing date: 2022-04-08
Publication date: 2022-05-10

Abstract

本申请公开了一种智能考勤管理方法、装置、设备及存储介质，属于通信计算机领域，该方法包括步骤：在外出运维用户进行考勤验证时，采集所述外出运维用户的待验证生物特征信息；在本地确定目标生物特征信息识别子库；其中，所述目标生物特征信息识别子库是基于所述外出运维用户的外出申请信息，缩小预设云端的预设生物特征信息识别库的范围后得到的；将所述待验证生物特征信息与目标生物特征信息识别子库中的各生物特征信息进行比对；若比对成功，则确定所述外出运维用户的考勤验证结果为考勤验证成功。在本申请中，可以提高响应速度，避免用户考勤耗时过长。

Description

智能考勤管理方法、装置、设备及存储介质

技术领域

本申请涉及通信计算机领域，尤其涉及一种智能考勤管理方法、装置、设备及存储介质。

背景技术

目前，存在不少企业专注于IT运维服务，具体地，相应企业为客户提供故障诊断、安装调试、设备搬迁、网络巡检、备品备件上门等各种专业IT运维服务，而为用户提供故障诊断、安装调试、设备搬迁、网络巡检、驻场服务、备品备件上门等各种专业IT运维服务，需要员工外出进行运维即外出上门服务。

为避免外出进行运维工作的人员（外出运维用户）利用上班时间处理私人事情，智能考勤管理***（门禁管理***）需要对外出运维用户进行考勤管理（上班时间管理），现有智能考勤管理***在对外出运维用户进行考勤管理时，都是先实时采集用户的生物特征如人脸，然后将获取到的生物特征信息与服务器端全部的生物特征库中的生物特征做比对，若比对成功，则确定用户考勤成功。

当公司外出运维用户多，且赶着考勤时（为便于管理，不少外出运维用户需要先在企业进行考勤打卡），将获取到的生物特征信息与服务器端全部的生物特征库中的生物特征做比对，这导致生物特征识别过程耗时长，影响用户的考勤状态。

发明内容

有鉴于此，本申请实施例提供一种智能考勤管理方法、装置、设备及存储介质，旨在解决现有技术中外出运维用户考勤耗时长的技术问题。

本申请实施例提供了一种智能考勤管理方法，所述方法包括：

在外出运维用户进行考勤验证时，采集所述外出运维用户的待验证生物特征信息；

在本地确定目标生物特征信息识别子库；

其中，所述目标生物特征信息识别子库是基于所述外出运维用户的外出申请信息，缩小预设云端的预设生物特征信息识别库的范围后得到的；

将所述待验证生物特征信息与目标生物特征信息识别子库中的各生物特征信息进行比对；

若比对成功，则确定所述外出运维用户的考勤验证结果为考勤验证成功。

在本申请的一种可能的实施方式中，所述目标生物特征信息识别子库是基于所述外出申请信息确定的目标考勤时间段，缩小预设云端的预设生物特征信息识别库的范围后得到的。

在本申请的一种可能的实施方式中，所述在本地确定目标生物特征信息识别子库的步骤之前，所述方法包括：

从所述外出申请信息中提取所述外出运维用户的外出数据；

将所述外出数据输入至预设考勤预测模型中；

基于所述预设考勤预测模型，对所述外出数据进行目标考勤时间段的预测，得到所述目标考勤时间段。

在本申请的一种可能的实施方式中，所述确定当前时刻所属的目标考勤时间段的步骤，包括：

从所述外出申请信息中提取所述外出运维用户的外出数据；

将所述外出数据输入至预设考勤预测模型中；

在本申请的一种可能的实施方式中，所述基于所述预设考勤预测模型，对所述外出数据和考勤数据进行目标考勤时间段的预测，得到所述目标考勤时间段的步骤之前，所述方法包括：

获取具有考勤时间段标签的训练数据，所述训练数据中包括每个训练人员的距离外出地点的距离信息、外出出发时间、外出地点的交通圈信息、外出地点的人群密集度信息以及天气信息中的多项数据；

基于所述训练数据，对预设基础模型进行迭代训练，得到所述预设考勤预测模型。

在本申请的一种可能的实施方式中，所述基于所述训练数据，对预设基础模型进行迭代训练，得到所述预设考勤预测模型的步骤，包括：

将所述训练数据输入至所述预设基础模型中，基于所述预设基础模型对所述训练数据进行预测，得到预测考勤时间段；

将所述预测考勤时间段与所述考勤时间段标签进行比对，得到比对结果；

基于所述比对结果，调整所述预设基础模型中所述多项数据中每项数据的权重，并基于所述调整后的所述每项数据的权重，更新所述预设基础模型；

确定所述更新后的预设基础模型是否满足预设迭代结束条件；

若所述更新后的预设基础模型满足所述预设迭代结束条件，则将所述更新后的预设基础模型作为所述预设考勤预测模型；

若所述更新后的预设基础模型未满足所述迭代结束条件，则继续基于所述训练数据集对更新后的所述预设基础模型进行迭代训练，直至满足所述迭代结束条件，并得到所述预设考勤预测模型。

在本申请的一种可能的实施方式中，所述将所述待验证生物特征信息与目标生物特征信息识别子库中的各生物特征信息进行比对的步骤之后，所述方法包括：

若比对失败，将所述待验证生物特征信息发送给云端，以供云端将所述待验证生物特征信息与所述预设生物特征信息识别库中的生物特征信息进行比对，并得到比对结果；

接收云端发送的比对结果，若所述比对结果为确定所述待验证生物特征信息是预设生物特征信息识别库中的生物特征信息，则确定所述外出运维用户的考勤验证结果为考勤验证成功。

在本申请的一种可能的实施方式中，所述若比对成功，则确定所述外出运维用户的考勤验证结果为考勤验证成功的步骤之后，所述方法包括：

接收所述外出运维用户的外出反馈数据；

基于过去预设时间段内所述外出运维用户的外出反馈数据，对所述目标生物特征信息识别子库进行预设生物特征信息的排名，以使得排名最高的预设生物特征信息是优先与所述待验证生物特征信息进行比对。

本申请还提供一种智能考勤管理装置，所述装置包括：

采集模块，用于在外出运维用户进行考勤验证时，采集所述外出运维用户的待验证生物特征信息；

第一确定模块，用于在本地确定目标生物特征信息识别子库；

比对模块，用于将所述待验证生物特征信息与目标生物特征信息识别子库中的各生物特征信息进行比对；

第二确定模块，用于若比对成功，则确定所述外出运维用户的考勤验证结果为考勤验证成功。

本申请还提供一种智能考勤管理设备，所述智能考勤管理设备为实体节点设备，所述智能考勤管理设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述智能考勤管理方法的程序，所述智能考勤管理方法的程序被处理器执行时可实现如上述所述智能考勤管理方法的步骤。

为实现上述目的，还提供一种存储介质，所述存储介质上存储有智能考勤管理程序，所述智能考勤管理程序被处理器执行时实现上述任一所述的智能考勤管理方法的步骤。

本申请提供一种智能考勤管理方法、装置、设备及存储介质，与目前考勤门禁***将获取到的生物特征信息与在服务器端的全部的生物特征库中的生物特征信息做比对，致使用户考勤耗时长相比，在本申请中，在外出运维用户进行考勤验证时，采集所述外出运维用户的待验证生物特征信息；在本地确定目标生物特征信息识别子库；其中，所述目标生物特征信息识别子库是基于所述外出运维用户的外出申请信息，缩小预设云端的预设生物特征信息识别库的范围后得到的；将所述待验证生物特征信息与目标生物特征信息识别子库中的各生物特征信息进行比对；若比对成功，则确定所述外出运维用户的考勤验证结果为考勤验证成功。在本申请中，由于将待验证生物特征信息与在本地的目标生物特征信息识别子库中的各生物特征信息进行比对，因而，减少了信息的通信消耗，提升了用户的考勤效率，且由于目标生物特征信息识别子库是基于所述外出运维用户的外出申请信息，缩小预设云端的预设生物特征信息识别库的范围后得到的，因而，在外出运维用户进行考勤验证时，将外出运维用户与目标考勤时间段对应目标生物特征信息识别子库中的生物特征信息进行比对，可以提高响应速度，避免用户考勤耗时过长。

附图说明

图1为本申请智能考勤管理方法的第一实施例的流程示意图；

图2为本申请智能考勤管理方法一实施例中步骤S20对应细化后的流程示意图；

图3为本申请实施例方案涉及的硬件运行环境的设备结构示意图。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供一种智能考勤管理方法，在本申请智能考勤管理方法的第一实施例中，参照图1，所述智能考勤管理方法包括：

步骤S10，在外出运维用户进行考勤验证时，采集所述外出运维用户的待验证生物特征信息；

步骤S20，在本地确定目标生物特征信息识别子库；

步骤S30，将所述待验证生物特征信息与目标生物特征信息识别子库中的各生物特征信息进行比对；

步骤S40，若比对成功，则确定所述外出运维用户的考勤验证结果为考勤验证成功。

在本实施例中，智能考勤管理方法应用于智能考勤管理装置，该智能考勤管理装置应用于智能考勤管理设备，该智能考勤管理设备应用于智能考勤管理***。

在本申请中，由于将待验证生物特征信息与在本地的目标生物特征信息识别子库中的各生物特征信息进行比对，因而，减少了信息的通信消耗，提升了用户的考勤效率，且由于目标生物特征信息识别子库是基于所述外出运维用户的外出申请信息，缩小预设云端的预设生物特征信息识别库的范围后得到的，因而，在外出运维用户进行考勤验证时，将外出运维用户与目标考勤时间段对应目标生物特征信息识别子库中的生物特征信息进行比对，可以提高响应速度，避免用户考勤耗时过长。

具体步骤如下：

作为一种示例，外出运维用户可以是公司不同级别的员工，该不同级别的员工具有不同的考勤要求。

作为一种示例，外出运维用户可以同属于一个公司，但是在不同的城市。

作为一种示例，该生物特征具体可以是人脸，也可以是指纹。

作为一种示例，在外出运维用户进行考勤验证时，采集所述外出运维用户的待验证人脸。

作为一种示例，在外出运维用户进行考勤验证时，采集所述外出运维用户的待验证指纹。

在本实施例中，为便于阐述，以生物特征为人脸为例进行具体说明，因而，目标生物特征信息识别子库为目标人脸识别子库，生物特征信息识别子库为人脸识别子库，目标生物特征信息识别子库为人脸特征识别子库，但是本申请的生物特征并不限定于人脸。

作为一种示例，在外出运维用户的人脸在智能考勤管理***的采集框内，或者靠近采集框时，确定外出运维用户在进行考勤验证。

步骤S20，在本地确定目标生物特征信息识别子库；

在本实施例中，是基于外出运维用户的外出申请信息，确定目标生物特征信息识别子库。

作为一种示例，生物特征信息识别子库可以为一个或者多个。

作为一种示例，根据外出申请信息中外出地点距离公司的距离，将考勤分为不同等级（因为相应距离不同，处理相同外出事项所花费的时间不同），具体地，外出地点距离公司的距离大于5km的是第一等级，外出地点距离公司的距离大于10km的是第二等级等，若外出运维用户的外出地点距离公司4km，则等级为第一等级。

作为一种示例，将考勤根据不同的外出事项分为不同等级，例如，网络巡检的是第一等级，安装调试的是第二等级，设备搬迁是第三等级等。

作为一种示例，综合考虑外出申请信息中的外出事项以及外出地点距离公司的距离等，缩小预设云端的预设生物特征信息识别库的范围后，得到目标生物特征信息识别子库。

作为一种示例，将外出申请信息中的外出事项以及外出地点距离公司的距离等输入至第一预设等级预测模型（基于具有第一考勤标签的训练数据，训练得到的）中，得到外出申请信息的等级，进而，根据等级逐步缩小预设云端的预设生物特征信息识别库的范围，得到目标生物特征信息识别子库。

也即，在本实施例中，每个考勤等级对应一个人脸识别库，只要用户的考勤在某个等级内，那么就将该用户的人脸加入该等级下的人脸识别子库（第二等级对应的人脸识别子库）。

作为一种示例，人脸识别子库是根据每天的外出申请信息动态调整的。例如，在某天，A外出运维人员是第一等级，在另一天，则该A外出运维人员是第二等级。那么该A外出运维人员的人脸加入不同等级下的人脸识别子库。

在本实施例中，需要强调的是，预设生物特征信息识别库是存储在云端的，而目标生物特征信息识别子库是在本地端的。

其中，每天云端都收集前一天申请外出的外出运维人员的外出申请信息，然后确定目标生物特征信息识别子库，并将目标生物特征信息识别子库下发至对应的智能考勤管理***，需要说明的是，若公司在不同城市存在分公司，则将目标生物特征信息识别子库下发至对应不同城市的智能考勤管理子***(智能考勤管理***分布在不同城市的)。

其中，参照图2，所述在本地确定目标生物特征信息识别子库的步骤，包括：

步骤S21，在本地确定目标生物特征信息识别子库；

其中，所述目标生物特征信息识别子库是基于所述外出申请信息确定的目标考勤时间段，缩小预设云端的预设生物特征信息识别库的范围后得到的。

在本实施例中，人脸识别子库是基于所述外出申请信息确定的目标考勤时间段，缩小预设生物特征信息识别库的范围后得到的。

作为一种示例，根据外出申请信息中需要返回公司的时间段（目标考勤时间段），将考勤分为不同等级，例如，在第一天，在早上11点半之前返回的是第一等级，在早上11点半到12点之间返回的是第二等级，在12点到下午1点半之间返回的是第三等级等，若在该天需要返回公司的时间为早上11点50分，则等级为第一等级。

作为一种示例，将外出运维用户的外出申请信息和基于所述外出申请信息确定的目标考勤时间段，输入至第二预设等级预测模型中（基于具有第二考勤标签的训练数据，训练得到的），得到外出运维用户的考勤等级，进而，基于考勤等级缩小预设云端的预设生物特征信息识别库的范围后，得到目标生物特征信息识别子库。

很显然，在本实施例中，将预设人脸识别库划分为多个识别子库（组成人脸识别子库），每个人脸识别子库不包括全部的人脸，也即，生物特征信息识别子库中任一人脸识别库的范围小于预设人脸识别库，因而，可以提高响应速度。

作为一种示例，预设人脸识别库中由1000个人脸数据构成，A人脸识别子库中只由100个人脸数据构成。很显然，在用户考勤时，可以提高响应速度。

步骤S30，将所述待验证生物特征信息与目标生物特征信息识别子库中的生物特征信息进行比对，得到比对结果；

在本实施例中，将所述待验证人脸与目标人脸识别子库中的人脸进行比对，得到比对结果。

作为一种示例，该比对结果为：待验证人脸为目标人脸识别子库中存储的人脸。

作为一种示例，该比对结果为：待验证人脸不是目标人脸识别子库中存储的人脸。

作为一种示例，若比对结果为待验证人脸为目标人脸识别子库中存储的人脸，则确定外出运维用户的考勤验证结果为考勤验证成功。

作为一种示例，若外出运维用户考勤验证成功，还可以控制门禁打开，以供外出运维用户进入公司。

作为一种示例，若比对结果为待验证人脸不是目标人脸识别子库中存储的人脸，则需要进行进一步的判断。

其中，所述将所述待验证生物特征信息与目标生物特征信息识别子库中的各生物特征信息进行比对的步骤之后，所述方法包括以下步骤S50-步骤S60：

步骤S50，若比对失败，将所述待验证生物特征信息发送给云端，以供云端将所述待验证生物特征信息与所述预设生物特征信息识别库中的生物特征信息进行比对，并得到比对结果；

步骤S60，接收云端发送的比对结果，若所述比对结果为确定所述待验证生物特征信息是预设生物特征信息识别库中的生物特征信息，则确定所述外出运维用户的考勤验证结果为考勤验证成功。

在本实施例中，若所述比对结果为所述待验证人脸不是所述目标人脸识别子库中的人脸时（比对失败），将所述待验证人脸与预设人脸识别库中的人脸进行比对，若所述待验证人脸是预设生物特征信息识别库中的人脸时，确定所述外出运维用户的考勤验证结果为考勤验证成功，若所述待验证人脸不是预设人脸识别库中的生物特征时，确定所述外出运维用户的考勤验证结果为考勤验证失败。

进一步地，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，所述在本地确定目标生物特征信息识别子库的步骤之前，所述方法包括：

步骤A1，从所述外出申请信息中提取所述外出运维用户的外出数据；

步骤A2，将所述外出数据输入至预设考勤预测模型中；

步骤A3，基于所述预设考勤预测模型，对所述外出数据进行目标考勤时间段的预测，得到所述目标考勤时间段。

在本实施例中，通过将外出运维用户的外出数据输入至训练好的预设考勤预测模型，以供所述预设考勤预测模型，对所述外出数据进行目标考勤时间段的预测，得到所述目标考勤时间段。

其中，所述基于所述预设考勤预测模型，对所述外出数据和考勤数据进行目标考勤时间段的预测，得到所述目标考勤时间段的步骤之前，所述方法包括：

步骤B1，获取具有考勤时间段标签的训练数据，所述训练数据中包括每个训练人员的距离外出地点的距离信息、外出出发时间、外出地点的交通圈信息、外出地点的人群密集度信息以及天气信息中的多项数据；

步骤B2，基于所述训练数据，对预设基础模型进行迭代训练，得到所述预设考勤预测模型。

在本实施例中，阐述如何训练得到预设考勤预测模型，以准确得到各个用户的预测考勤时间段。

在本实施例中，获取具有考勤时间段标签的训练数据，该考勤时间段标签用于确定预测考勤时间段是否准确。

在本实施例中，所述训练数据中包括每个训练人员的距离外出地点的距离信息、外出出发时间、外出地点的交通圈信息、外出地点的人群密集度信息以及天气信息中的多项数据。

作为一种示例，训练数据（输入数据）中包括训练人员的生物特征数据（人脸数据，***自带人脸识别功能，可直接得到人脸数据）、距离外出地点的距离信息（例如5km或者10km）、外出出发时间（如早上9点半等）、天气信息（***集成天气预报爬取功能，获取当天的天气情）、外出地点的交通圈信息（交通是否发达的等级等）、外出地点的人群密集度信息（每平方米的人数）等。

作为一种示例，也即，训练数据采集了各种情况下的数据。

作为一种示例，训练数据包括训练集和测试集。

作为一种示例，该训练集用于训练模型，测试集用于测试模型。

作为一种示例，该训练集占比为70%，测试集占比为30%。

在本实施例中，基于所述训练数据，对预设基础模型进行迭代训练，得到所述预设考勤预测模型，该迭代训练的终止条件可以是：预设损失函数收敛、训练次数达到预设次数等。

所述基于所述训练数据，对预设基础模型进行迭代训练，得到所述预设考勤预测模型的步骤，包括以下步骤D1-D6：

步骤D1，将所述训练数据输入至所述预设基础模型中，基于所述预设基础模型对所述训练数据进行预测，得到预测考勤时间段；

步骤D2，将所述预测考勤时间段与所述考勤时间段标签进行比对，得到比对结果；

步骤D3，基于所述比对结果，调整所述预设基础模型中所述多项数据中每项数据的权重，并基于所述调整后的所述每项数据的权重，更新所述预设基础模型；

步骤D4，确定所述更新后的预设基础模型是否满足预设迭代结束条件；

步骤D5，若所述更新后的预设基础模型满足所述预设迭代结束条件，则将所述更新后的预设基础模型作为所述预设考勤预测模型；

步骤D6，若所述更新后的预设基础模型未满足所述迭代结束条件，则继续基于所述训练数据集对更新后的所述预设基础模型进行迭代训练，直至满足所述迭代结束条件，并得到所述预设考勤预测模型。

在本实施例中，根据算法的自学习性，不断训练每项数据的权重，即训练每项数据在预测时间段上的权重占比或者重要程度。

在本实施例中，确定所述更新后的预设基础模型是否满足预设迭代结束条件，若所述更新后的预设基础模型未满足所述迭代结束条件，即继续不断调整每项数据的权重，直至满足所述迭代结束条件（预设损失函数收敛，或者误差在预设接受范围内），并得到所述预设考勤预测模型。在本实施例中，准确确定预设考勤预测模型，为减少考勤时耗奠定基础。

进一步地，基于本申请中第一实施例，提供本申请的另一实施例，在该实施例中，所述若比对成功，则确定所述外出运维用户的考勤验证结果为考勤验证成功的步骤之后，所述方法包括：

接收所述外出运维用户的外出反馈数据；

在本实施例中，还接收所述外出运维用户的外出反馈数据，如外出次数外出时间等，基于过去预设时间段内所述外出运维用户的外出反馈数据，对所述目标生物特征信息识别子库进行预设生物特征信息的排名，如基于外出次数或者外出时间对预设生物特征信息进行排名，排名的目的在于：使得排名最高的预设生物特征信息是优先与所述待验证生物特征信息进行比对，因而，使得外出运维人员外出次数最多或者时间最长的人比对成过的概率更高，提升考勤效率。

参照图3，图3是本申请实施例方案涉及的硬件运行环境的设备结构示意图。

如图3所示，该智能考勤管理设备可以包括：处理器1001，存储器1005，通信总线1002。通信总线1002用于实现处理器1001和存储器1005之间的连接通信。

可选地，该智能考勤管理设备还可以包括用户接口、网络接口、摄像头、RF（RadioFrequency，射频）电路，传感器、WiFi模块等等。用户接口可以包括显示屏（Display）、输入子模块比如键盘（Keyboard），可选用户接口还可以包括标准的有线接口、无线接口。网络接口可以包括标准的有线接口、无线接口（如WI-FI接口）。

本领域技术人员可以理解，图3中示出的智能考勤管理设备结构并不构成对智能考勤管理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图3所示，作为一种存储介质的存储器1005中可以包括操作***、网络通信模块以及智能考勤管理程序。操作***是管理和控制智能考勤管理设备硬件和软件资源的程序，支持智能考勤管理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信，以及与智能考勤管理***中其它硬件和软件之间通信。

在图3所示的智能考勤管理设备中，处理器1001用于执行存储器1005中存储的智能考勤管理程序，实现上述任一项所述的智能考勤管理方法的步骤。

本申请智能考勤管理设备具体实施方式与上述智能考勤管理方法各实施例基本相同，在此不再赘述。

本申请还提供一种智能考勤管理装置，所述装置包括：

在本申请的一种可能的实施方式中，所述第一确定模块还包括：

提取单元，用于从所述外出申请信息中提取所述外出运维用户的外出数据；

输入单元，用于将所述外出数据输入至预设考勤预测模型中；

第一获取单元，用于基于所述预设考勤预测模型，对所述外出数据进行目标考勤时间段的预测，得到所述目标考勤时间段。

第二获取单元，用于获取具有考勤时间段标签的训练数据，所述训练数据中包括每个训练人员的距离外出地点的距离信息、外出出发时间、外出地点的交通圈信息、外出地点的人群密集度信息以及天气信息中的多项数据；

迭代训练单元，用于基于所述训练数据，对预设基础模型进行迭代训练，得到所述预设考勤预测模型。

在本申请的一种可能的实施方式中，所述迭代训练单元用于实现：

在本申请的一种可能的实施方式中，所述装置还包括：

发送模块，用于若比对失败，将所述待验证生物特征信息发送给云端，以供云端将所述待验证生物特征信息与所述预设生物特征信息识别库中的生物特征信息进行比对，并得到比对结果；

第一接收模块，用于接收云端发送的比对结果，若所述比对结果为确定所述待验证生物特征信息是预设生物特征信息识别库中的生物特征信息，则确定所述外出运维用户的考勤验证结果为考勤验证成功。

在本申请的一种可能的实施方式中，所述装置还包括：

第二接收模块，用于接收所述外出运维用户的外出反馈数据；

排名模块，用于基于过去预设时间段内所述外出运维用户的外出反馈数据，对所述目标生物特征信息识别子库进行预设生物特征信息的排名，以使得排名最高的预设生物特征信息是优先与所述待验证生物特征信息进行比对。

本申请智能考勤管理装置的具体实施方式与上述智能考勤管理方法各实施例基本相同，在此不再赘述。

本申请实施例提供了一种存储介质，且所述存储介质存储有一个或者一个以上程序，所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的智能考勤管理方法的步骤。

本申请存储介质具体实施方式与上述智能考勤管理方法各实施例基本相同，在此不再赘述。

本申请还提供一种计算机程序产品、包括计算机程序，该计算机程序被处理器执行时实现上述的智能考勤管理方法的步骤。

本申请计算机程序产品的具体实施方式与上述智能考勤管理方法各实施例基本相同，在此不再赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加硬件平台的方式来实现，也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，空调器，或者网络设备等）执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims

1.一种智能考勤管理方法，其特征在于，所述方法包括：

在本地确定目标生物特征信息识别子库；

2.如权利要求1所述的智能考勤管理方法，其特征在于，所述目标生物特征信息识别子库是基于所述外出申请信息确定的目标考勤时间段，缩小预设云端的预设生物特征信息识别库的范围后得到的。

3.如权利要求2所述的智能考勤管理方法，其特征在于，所述在本地确定目标生物特征信息识别子库的步骤之前，所述方法包括：

从所述外出申请信息中提取所述外出运维用户的外出数据；

将所述外出数据输入至预设考勤预测模型中；

4.如权利要求3所述的智能考勤管理方法，其特征在于，所述基于所述预设考勤预测模型，对所述外出数据和考勤数据进行目标考勤时间段的预测，得到所述目标考勤时间段的步骤之前，所述方法包括：

5.如权利要求4所述的智能考勤管理方法，其特征在于，所述基于所述训练数据，对预设基础模型进行迭代训练，得到所述预设考勤预测模型的步骤，包括：

6.如权利要求1所述的智能考勤管理方法，其特征在于，所述将所述待验证生物特征信息与目标生物特征信息识别子库中的各生物特征信息进行比对的步骤之后，所述方法包括：

7.如权利要求1-6任一项所述的智能考勤管理方法，其特征在于，所述若比对成功，则确定所述外出运维用户的考勤验证结果为考勤验证成功的步骤之后，所述方法包括：

接收所述外出运维用户的外出反馈数据；

8.一种智能考勤管理装置，其特征在于，所述装置包括：

9.一种智能考勤管理设备，其特征在于，包括存储器，处理器及存储在所述存储器上并可在所述处理器上运行的智能考勤管理程序，所述处理器执行所述智能考勤管理程序时实现权利要求1至7中任一项所述的智能考勤管理方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有智能考勤管理程序，所述智能考勤管理程序被处理器执行时实现如权利要求1至7中任一项所述的智能考勤管理方法的步骤。