CN115660508A - 一种基于bp神经网络的员工绩效考核评价方法 - Google Patents
一种基于bp神经网络的员工绩效考核评价方法 Download PDFInfo
- Publication number
- CN115660508A CN115660508A CN202211593088.3A CN202211593088A CN115660508A CN 115660508 A CN115660508 A CN 115660508A CN 202211593088 A CN202211593088 A CN 202211593088A CN 115660508 A CN115660508 A CN 115660508A
- Authority
- CN
- China
- Prior art keywords
- assessment
- parameter
- data
- sample
- parameters
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 title claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 238000013210 evaluation model Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000005065 mining Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于BP神经网络的员工绩效考核评价方法,属于数据处理技术领域,本发明能够通过对历史考核数据进行神经网络拟合,进而得到对应的员工绩效考核评价模型,并通过该员工绩效考核评价模型来对后续的员工绩效进行自动考核,在保证绩效考核数据的真实性与准确性的同时,避免了核算人员的工作量,提升了绩效考核评价的效率,另外获取员工绩效考核评价模型之前,本发明利用原始的考核参数值与考核结果对原始数据中的异常数据进行挖掘,从而避免由于考核人员故意和非故意导致的异常考核结果对后续模型建立的影响,提升后续模型建立的效率与准确率度。
Description
技术领域
本发明属于数据处理技术领域,具体的,涉及一种基于BP神经网络的员工绩效考核评价方法。
背景技术
神经网络通过模拟人脑工作原理,具有自主学习、非线性变换等功能,能够有效地排除随机性和主观性,是进行实验能力评价的一种创新。神经网络算法在教育教学效果评价等方面的应用国内外有着广泛的研究。
在对企业员工季度或年度绩效考核的场景中,相比普通评价方法,绩效考核评价方法具有以下几个特点:绩效考核评价方法的指标非常多,涉及员工行为、员工绩效等多个指标及各指标下大量的数据,数据处理工作量较大;计算方法比较复杂,各指标所形成最终评价指标的过程较为复杂,需要人力专员大量时间进行处理、比对、核算。因此通过BP神经网络建立员工绩效考核评价模型能够大大减轻人力工作人员的工作,甚至可以将整个工作简洁化,极大地提高工作效率。
对员工绩效考核指标进行人工核算,需要耗费大量的时间,尤其在待考核的人数较多时,另外通过人工核算受到核算人员的个人水平以及意愿的影响较大,可能会导致核算结果存在异常,为了解决上述问题,提供一种能够自动进行绩效考核,并能够保证绩效考核准确度的方法,本发明提供了以下技术方案。
发明内容
本发明的目的在于提供一种基于BP神经网络的员工绩效考核评价方法,解决现有技术中对员工绩效考核指标主要是进行人工核算,需要耗费大量的时间,另外通过人工核算受到核算人员的个人水平以及意愿的影响较大,可能会导致核算结果存在异常的问题。
本发明的目的可以通过以下技术方案实现:
一种基于BP神经网络的员工绩效考核评价方法,包括如下步骤:
S1、对历史考核数据中的异常数据进行挖掘,并排除掉异常的历史考核数据;
S2、将被考核员工的历史考核数据作为样本数据,对样本数据进行数据清洗,获得训练样本数据;
S3、通过BP神经网络对训练样本数据进行学习,建立员工绩效考核评价模型;
通过测试样本数据对训练得到的员工绩效考核评价模型进行测试,最终输出评价结果。
作为本发明的进一步方案,建立员工绩效考核评价模型的方法包括如下步骤:
(1)将样本数据分为输入样本数据和目标样本数据,并进行归一化处理;
(2)在神经网络拟合算法中导入输入样本数据和目标样本数据;
(3)导入样本数据之后,设置输入层神经元个数,输出神经元个数,根据经验公式设置隐层神经元个数,选取Levenberg-Marquardt算法;
(4)进行网络训练,以获取对应的员工绩效考核评价模型。
作为本发明的进一步方案,步骤S1中对历史考核数据中的异常数据进行挖掘的方法包括如下步骤:
S11、获取一个绩效考核评价模型所需的各项考核参数,将一项考核参数标记为目标参数,将其余考核参数全部标记为辅助参数,将一个被考核员工在一次考核中得到的各项考核参数值作为一个样本组;
获取一个样本组中的所有辅助参数,依次标记为C11、C12、…、C1n,获取另一样本组中的所有辅助参数,对应依次标记为C21、C22、…、C2n,n为辅助参数的数量;
其中C1i与C2i表示同一辅助参数;根据公式|C1i-C2i|/C1i=Cci计算得到辅助参数C1i与C2i的差异系数Cci,其中1≤i≤n;
依次计算得到这两个样本组中所有辅助参数的对应差异系数,将得到的n个差异系数依次标记为Cc1、Cc2、…、Ccn;
当所有差异系数均小于预设系数α时,则认为这两个样本组属于针对目标参数的同类样本组;
获取多组同类样本组,在一组同类样本组中,将对应各目标参数值按照从小到大的顺序依次标记为f1、f2、…、fm,将各目标参数对应的绩效考核评价值依次标记为J1、J2、…、Jm;
根据公式B=[fg-f(g-1)]/[Jg-J(g-1)]计算得到m-1个参考变化率B,其中2≤g≤m,依次计算各组同类样本组中对应的若干个参考变化率B,将最终得到的r个参考变化率依次标记为B1、B2、…、Br;
当U>Uy时,则按照|Bx-Bp|从大到小的顺序依次删除对应的Bx值,直至U≤Uy成立,此时记录被删除的Bx值的数量r1,当r1/r≤β成立时,则认为对应目标参数为关联参数,且将Bp作为对应目标参数的平均参考变化率;当r1/r>β成立时,则将对应目标函数标记为随机参数;
其中1≤x≤r,Bp=(B1+B2+、…、+Br)/r,Uy为预设值,β为预设值;
S12、按照步骤S11的方法对各考核参数进行处理,判断各考核参数为关联参数还是随机参数;
对于为关联参数的考核参数,按照步骤S11中的方法将一个考核参数设定为目标参数,并将需要进行检验的一次绩效考核中各被考核员工的样本组分为若干个同类样本组,在一个同类样本组中,计算得到各目标参数的验证变化率Bz;
当一个目标参数的验证变化率Bz与其对应的平均参考变化率Bp之间的差值达到预设比例时,则认为对应的目标参数存在异常;
当一个样本组中存在预设数量的存在异常的目标参数时,则认为对应样本组的绩效考核评价结果存在异常。
作为本发明的进一步方案,所述验证变化率的计算方法为:
在一组同类样本组中,将对应各目标参数值按照从小到大的顺序依次标记为f11、f12、…、f1v,将各目标参数对应的绩效考核评价值依次标记为J11、J12、…、J1v;
根据公式B=[ft-f1]/[Jt-J1]计算得到f1对应目标参数的v-1个参考变化率B,将这v-1个参考变化率B的平均值作为验证变化率Bz,然后依次计算得到各目标参数对应的验证变化率Bz。
作为本发明的进一步方案,步骤S11中,每一组同类样本组中同类样本组的数量不小于预设数值sy,sy取值为6。
作为本发明的进一步方案,所述β取值为40%。
本发明的有益效果:
(1)本发明能够利用原始的考核参数值与考核结果对原始数据中的异常数据进行挖掘,从而避免由于考核人员故意和非故意导致的异常考核结果对后续模型建立的影响,提升后续模型建立的效率与准确率度;
(2)本发明能够通过对历史考核数据进行神经网络拟合,进而得到对应的员工绩效考核评价模型,并通过该员工绩效考核评价模型来对后续的员工绩效进行自动考核,在保证绩效考核数据的真实性与准确性的同时,避免了核算人员的工作量,提升了绩效考核评价的效率。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
一种基于BP神经网络的员工绩效考核评价方法,包括如下步骤:
S1、获取一个绩效考核评价模型所需的各项考核参数,判断各项考核参数为关联参数还是随机参数,并获取各关联参数的平均参考变化率,具体包括如下步骤:
将一项考核参数标记为目标参数,将其余考核参数全部标记为辅助参数,将一个被考核员工在一次考核中得到的各项考核参数值作为一个样本组;
获取一个样本组中的所有辅助参数,依次标记为C11、C12、…、C1n,获取另一样本组中的所有辅助参数,对应依次标记为C21、C22、…、C2n,n为辅助参数的数量;
其中C1i与C2i表示同一辅助参数,只是具体数值不同;根据公式|C1i-C2i|/C1i=Cci计算得到辅助参数C1i与C2i的差异系数Cci,其中1≤i≤n;
依次计算得到这两个样本组中所有辅助参数的对应差异系数,将得到的n个差异系数依次标记为Cc1、Cc2、…、Ccn;
当所有差异系数均小于预设系数α时,则认为这两个样本组属于针对目标参数的同类样本组;
按照上述方法,获取多组同类样本组,每一组同类样本组中同类样本组的数量不小于预设数值sy,在本发明的一个实施例中,sy取值为6;
在一组同类样本组中,将对应各目标参数值按照从小到大的顺序依次标记为f1、f2、…、fm,将各目标参数对应的绩效考核评价值依次标记为J1、J2、…、Jm;
根据公式B=[fg-f(g-1)]/[Jg-J(g-1)]计算得到m-1个参考变化率B,参考变化率B表示目标参数值与绩效考核评价值之间的变化率关联度,其中2≤g≤m,然后依次计算各组同类样本组中对应的若干个参考变化率B,将最终得到的r个参考变化率依次标记为B1、B2、…、Br;
当U>Uy时,则按照|Bx-Bp|从大到小的顺序依次删除对应的Bx值,直至U≤Uy成立,此时记录被删除的Bx值的数量r1,当r1/r≤β成立时,则认为对应目标参数为关联参数,且将Bp作为对应目标参数的平均参考变化率;当r1/r>β成立时,则将对应目标函数标记为随机参数;
其中1≤x≤r,Bp=(B1+B2+、…、+Br)/r,Uy为预设值,β为预设值,在本发明的一个实施例中,所述β取值为40%;
S2、按照步骤S1的方法对各考核参数进行处理,判断各考核参数为关联参数还是随机参数;
对于为关联参数的考核参数,按照步骤S1中的方法将一个考核参数设定为目标参数,并将需要进行检验的一次绩效考核中各被考核员工的样本组分为若干个同类样本组,在一个同类样本组中,计算得到各目标参数的验证变化率Bz;
当一个目标参数的验证变化率Bz与其对应的平均参考变化率Bp之间的差值达到预设比例时,则认为对应的目标参数存在异常;
当一个样本组中存在预设数量的存在异常的目标参数时,则认为对应样本组的绩效考核评价结果存在异常。
其中验证变化率的计算方法为:
在一组同类样本组中,将对应各目标参数值按照从小到大的顺序依次标记为f11、f12、…、f1v,将各目标参数对应的绩效考核评价值依次标记为J11、J12、…、J1v;
根据公式B=[ft-f1]/[Jt-J1]计算得到f1对应目标参数的v-1个参考变化率B,将这v-1个参考变化率B的平均值作为验证变化率Bz,然后依次计算得到各目标参数对应的验证变化率Bz;
通过步骤S1与S2中的方法能够利用原始的考核参数值与考核结果对原始数据中的异常数据进行挖掘,从而避免由于考核人员故意和非故意导致的异常考核结果对后续模型建立的影响,提升后续模型建立的效率与准确率;
S3、排除掉异常的绩效考核评价结果后,将被考核员工剩余的历史考核数据作为样本数据,对样本数据进行数据清洗,获得训练样本数据;
S4、通过BP神经网络对训练样本数据进行学习,建立员工绩效考核评价模型;
通过测试样本数据对训练得到的员工绩效考核评价模型进行测试,最终输出评价结果;
建立员工绩效考核评价模型的具体方法为:
(1)将样本数据分为输入样本数据和目标样本数据,并对其进行归一化处理;
(2)在神经网络拟合算法中导入输入样本数据和目标样本数据;
(3)导入样本数据之后,设置输入层神经元个数,输出神经元个数,根据经验公式设置隐层神经元个数,选取Levenberg-Marquardt算法;
(4)进行网络训练,以获取对应的员工绩效考核评价模型;
在网络训练的过程中,通过得到的MSE值(Mean Squared Error,均方差)、参数变化过程和相关系数R值等指标来衡量***模型性能。
其中,通过分别设置epoch(迭代次数)、gradient(梯度)、validation check(泛化能力检查)为一预设的固定值,网络训练达到上述三个中的任意一个指标,将停止网络训练;
通过相关系数R值衡量样本输出值和目标期望值之间的相关性,相关系数R值为1表示紧密关系,0表示随机关系。
所述历史考核数据是指:根据评价指标标准对公司员工在员工行为、工作绩效等方面进行考核,通过个人评价及同事领导打分得到的对应数据;
在样本数据中,按照训练样本数据、验证数据及测试数据分别占比70%、15%、15%随机抽取,进行网络训练;
本发明能够通过对历史考核数据进行神经网络拟合,进而得到对应的员工绩效考核评价模型,并通过该员工绩效考核评价模型来对后续的员工绩效进行自动考核,在保证绩效考核数据的真实性与准确性的同时,避免了核算人员的工作量,提升了绩效考核评价的效率;
在说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (5)
1.一种基于BP神经网络的员工绩效考核评价方法,其特征在于,包括如下步骤:
S1、对历史考核数据中的异常数据进行挖掘,并排除掉异常的历史考核数据;
S2、将被考核员工的历史考核数据作为样本数据,对样本数据进行数据清洗,获得训练样本数据;
S3、通过BP神经网络对训练样本数据进行学习,建立员工绩效考核评价模型;
通过测试样本数据对训练得到的员工绩效考核评价模型进行测试,最终输出评价结果;
对历史考核数据中的异常数据进行挖掘的方法包括如下步骤:
S11、获取一个绩效考核评价模型所需的各项考核参数,将一项考核参数标记为目标参数,将其余考核参数全部标记为辅助参数,将一个被考核员工在一次考核中得到的各项考核参数值作为一个样本组;
获取一个样本组中的所有辅助参数,依次标记为C11、C12、…、C1n,获取另一样本组中的所有辅助参数,对应依次标记为C21、C22、…、C2n,n为辅助参数的数量;
其中C1i与C2i表示同一辅助参数;根据公式|C1i-C2i|/C1i=Cci计算得到辅助参数C1i与C2i的差异系数Cci,其中1≤i≤n;
依次计算得到这两个样本组中所有辅助参数的对应差异系数,将得到的n个差异系数依次标记为Cc1、Cc2、…、Ccn;
当所有差异系数均小于预设系数α时,则认为这两个样本组属于针对目标参数的同类样本组;
获取多组同类样本组,在一组同类样本组中,将对应各目标参数值按照从小到大的顺序依次标记为f1、f2、…、fm,将各目标参数对应的绩效考核评价值依次标记为J1、J2、…、Jm;
根据公式B=[fg-f(g-1)]/[Jg-J(g-1)]计算得到m-1个参考变化率B,其中2≤g≤m,依次计算各组同类样本组中对应的若干个参考变化率B,将最终得到的r个参考变化率依次标记为B1、B2、…、Br;
当U>Uy时,则按照|Bx-Bp|从大到小的顺序依次删除对应的Bx值,直至U≤Uy成立,此时记录被删除的Bx值的数量r1,当r1/r≤β成立时,则认为对应目标参数为关联参数,且将Bp作为对应目标参数的平均参考变化率;当r1/r>β成立时,则将对应目标函数标记为随机参数;
其中1≤x≤r,Bp=(B1+B2+、…、+Br)/r,Uy为预设值,β为预设值;
S12、按照步骤S11的方法对各考核参数进行处理,判断各考核参数为关联参数还是随机参数;
对于为关联参数的考核参数,按照步骤S11中的方法将一个考核参数设定为目标参数,并将需要进行检验的一次绩效考核中各被考核员工的样本组分为若干个同类样本组,在一个同类样本组中,计算得到各目标参数的验证变化率Bz;
当一个目标参数的验证变化率Bz与其对应的平均参考变化率Bp之间的差值达到预设比例时,则认为对应的目标参数存在异常;
当一个样本组中存在预设数量的存在异常的目标参数时,则认为对应样本组的绩效考核评价结果存在异常。
2.根据权利要求1所述的一种基于BP神经网络的员工绩效考核评价方法,其特征在于,建立员工绩效考核评价模型的方法包括如下步骤:
(1)将样本数据分为输入样本数据和目标样本数据,并进行归一化处理;
(2)在神经网络拟合算法中导入输入样本数据和目标样本数据;
(3)导入样本数据之后,设置输入层神经元个数,输出神经元个数,根据经验公式设置隐层神经元个数,选取Levenberg-Marquardt算法;
(4)进行网络训练,以获取对应的员工绩效考核评价模型。
3.根据权利要求1所述的一种基于BP神经网络的员工绩效考核评价方法,其特征在于,所述验证变化率的计算方法为:
在一组同类样本组中,将对应各目标参数值按照从小到大的顺序依次标记为f11、f12、…、f1v,将各目标参数对应的绩效考核评价值依次标记为J11、J12、…、J1v;
根据公式B=[ft-f1]/[Jt-J1]计算得到f1对应目标参数的v-1个参考变化率B,将这v-1个参考变化率B的平均值作为验证变化率Bz,然后依次计算得到各目标参数对应的验证变化率Bz。
4.根据权利要求1所述的一种基于BP神经网络的员工绩效考核评价方法,其特征在于,在步骤S11中,每一组同类样本组中同类样本组的数量不小于预设数值sy,sy取值为6。
5.根据权利要求1所述的一种基于BP神经网络的员工绩效考核评价方法,其特征在于,所述β取值为40%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211593088.3A CN115660508A (zh) | 2022-12-13 | 2022-12-13 | 一种基于bp神经网络的员工绩效考核评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211593088.3A CN115660508A (zh) | 2022-12-13 | 2022-12-13 | 一种基于bp神经网络的员工绩效考核评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115660508A true CN115660508A (zh) | 2023-01-31 |
Family
ID=85017088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211593088.3A Pending CN115660508A (zh) | 2022-12-13 | 2022-12-13 | 一种基于bp神经网络的员工绩效考核评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660508A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764448A (zh) * | 2023-12-25 | 2024-03-26 | 苏州优鲜信网络生活服务科技有限公司 | 一种基于工作成果可视化的物业人员绩效考核方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005128703A (ja) * | 2003-10-22 | 2005-05-19 | Ueno Business Consultants:Kk | 人事考課方法、人事考課システム用プログラム、人事考課システムサーバー装置、人事考課システム端末装置及び人事考課システム |
CN105590175A (zh) * | 2016-02-15 | 2016-05-18 | 云南电网有限责任公司 | 一种基于因子分析与bp神经网络的技能人才评价方法 |
CN110222925A (zh) * | 2019-04-24 | 2019-09-10 | 深圳证券交易所 | 绩效量化考核方法、装置及计算机可读存储介质 |
US20210295162A1 (en) * | 2019-01-04 | 2021-09-23 | Ping An Technology(Shenzhen)Co.,Ltd. | Neural network model training method and apparatus, computer device, and storage medium |
CN113807728A (zh) * | 2021-09-27 | 2021-12-17 | 平安国际智慧城市科技股份有限公司 | 基于神经网络的绩效考核方法、装置、设备及存储介质 |
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 |
CN115222259A (zh) * | 2022-07-20 | 2022-10-21 | 北京维基飞翔科技有限公司 | 一种基于战略目标的综合绩效管理方法和*** |
-
2022
- 2022-12-13 CN CN202211593088.3A patent/CN115660508A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005128703A (ja) * | 2003-10-22 | 2005-05-19 | Ueno Business Consultants:Kk | 人事考課方法、人事考課システム用プログラム、人事考課システムサーバー装置、人事考課システム端末装置及び人事考課システム |
CN105590175A (zh) * | 2016-02-15 | 2016-05-18 | 云南电网有限责任公司 | 一种基于因子分析与bp神经网络的技能人才评价方法 |
US20210295162A1 (en) * | 2019-01-04 | 2021-09-23 | Ping An Technology(Shenzhen)Co.,Ltd. | Neural network model training method and apparatus, computer device, and storage medium |
CN110222925A (zh) * | 2019-04-24 | 2019-09-10 | 深圳证券交易所 | 绩效量化考核方法、装置及计算机可读存储介质 |
CN113807728A (zh) * | 2021-09-27 | 2021-12-17 | 平安国际智慧城市科技股份有限公司 | 基于神经网络的绩效考核方法、装置、设备及存储介质 |
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 |
CN115222259A (zh) * | 2022-07-20 | 2022-10-21 | 北京维基飞翔科技有限公司 | 一种基于战略目标的综合绩效管理方法和*** |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117764448A (zh) * | 2023-12-25 | 2024-03-26 | 苏州优鲜信网络生活服务科技有限公司 | 一种基于工作成果可视化的物业人员绩效考核方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111950918B (zh) | 一种基于电力交易数据的市场风险评估方法 | |
CN110634080B (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
Ree et al. | Inferring rates of change in flower symmetry in asterid angiosperms | |
CN108228706A (zh) | 用于识别异常交易社团的方法和装置 | |
CN109389494B (zh) | 借贷欺诈检测模型训练方法、借贷欺诈检测方法及装置 | |
CN112700319A (zh) | 基于政务数据的企业授信额度确定方法及装置 | |
CN107506941A (zh) | 一种基于大数据技术的建筑施工企业信用评价方法和*** | |
CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN111723367B (zh) | 一种电力监控***业务场景处置风险评价方法及*** | |
CN109359770B (zh) | 一种基于机器学习预测中暑发生的模型及方法 | |
CN111325619A (zh) | 一种基于联合学习的***欺诈检测模型更新方法及装置 | |
CN115660508A (zh) | 一种基于bp神经网络的员工绩效考核评价方法 | |
CN107341731A (zh) | 保险业务风险评分***及其构建方法 | |
CN110796539A (zh) | 一种征信评估方法及装置 | |
CN112613977A (zh) | 一种基于政务数据的个人信用贷款准入授信方法及*** | |
CN112783100A (zh) | 存储器、化工企业安全生产风险预警方法、设备和装置 | |
CN113780443A (zh) | 一种面向威胁检测的网络安全态势评估方法 | |
CN107944219B (zh) | 一种表征不同时段旱涝致灾特征的方法和装置 | |
CN110059126B (zh) | 基于lkj异常值数据的复杂关联网络分析方法及*** | |
CN113723871B (zh) | 一种基于多源信息的现状洪水一致性处理方法及*** | |
CN111178690A (zh) | 基于风控评分卡模型的用电客户窃电风险评估方法 | |
CN108830444B (zh) | 一种探空观测数据的评估和修正方法及装置 | |
CN113988519A (zh) | 一种馆藏文物保存环境风险表征方法 | |
CN116467551B (zh) | 一种基于相关系数的供水管网漏损定位方法及*** | |
CN113516336A (zh) | 一种确定窃电嫌疑用户的方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230131 |
|
RJ01 | Rejection of invention patent application after publication |