請假預測系統、預測規則學習設備、預測設備、請假預測方法和計算機可讀記錄介質與流程

2023-05-03 17:52:21

本發明涉及一種請假預測系統、請假預測方法和計算機可讀記錄介質。

背景技術：

在公司和各種組織(下文被稱為「公司等」)中，對於在各種組織中的僱員和成員(下文被稱為「僱員等」)由於精神健康紊亂而取得請假的行動已經成問題。如果公司等可以在早期節段對於很可能由於精神健康紊亂而取得請假的僱員等採取行動，則有可能減少由於請假而在公司等和僱員等中出現的各種經濟/社會損失。換而言之，希望預測僱員等由於精神健康紊亂而取得請假的時間。

PTL 1描述了一種精神健康管理設備。在PTL 1中描述的精神健康管理設備確定僱員的工作歷史是否匹配由確定規則數據指示的一個或者多個確定規則，該一個或者多個確定規則定義逐漸形成生理紊亂的僱員特有的工作模式。在PTL 1中描述的精神健康管理設備向高層等通知關於僱員的信息，該信息涉及被確定匹配確定規則的工作歷史。

PTL 2描述了一種方法，比如管理僱員行為。在PTL 2中描述的用於管理僱員行為的方法中，首先從存儲每個僱員的行為歷史的僱員行為歷史資料庫提取僱員特有的行為特性，並且在僱員行為特性資料庫中存儲行為特性。在PTL 2的用於管理僱員行為的方法中，確定僱員的行為歷史是否在與僱員行為特性資料庫有關的僱員行為特性的範圍內。在行為歷史超出行為特性的範圍時，向僱員發送警報消息。

[引用列表]

[專利文獻]

[PTL 1]日本待審專利申請公開號2008-242702A

[PTL 2]日本待審專利申請公開號2011-123579A

技術實現要素：

[技術問題]

PLT 1和PLT2描述了對僱員等由於精神健康紊亂而取得請假的可能性的預測。然而，PLT 1和PLT2沒有提及對僱員等將取得請假的時間的預測。根據在PTL 1和PLT2中描述的技術，難以預測僱員等將由於精神健康紊亂而取得請假的時間。

本發明被實現以便解決以上描述的問題，而主要目的是提供比如一種能夠預測僱員等將在預定時間中取得請假的請假預測系統。

[對問題的解決方案]

在本發明的一個方面中的一種請假預測系統包括：預測規則學習裝置，其用於基於包括涉及僱員的時序因素的第一出勤管理信息並且基於指示涉及與每條第一出勤管理信息有關的僱員的請假的存在或者不存在的信息，來生成關於對請假的可能性的預測的預測規則，請假的可能性是僱員在預定時間中取得請假的可能性；以及預測裝置，其用於基於包括關於作為預測目標的僱員的時序因素的第二出勤管理信息並且基於預測規則，來預測作為預測目標的僱員取得請假的可能性。

在本發明的一個方面中的一種請假預測方法包括：基於包括涉及僱員的時序因素的第一出勤管理信息並且基於指示涉及與每條第一出勤管理信息有關的僱員的請假的存在或者不存在的信息，來生成關於對請假的可能性的預測的預測規則，請假的可能性是僱員在預定時間中取得請假的可能性；以及基於包括關於作為預測目標的僱員的時序因素的第二出勤管理信息並且基於預測規則，來預測作為預測目標的僱員取得請假的可能性。

在本發明的一個方面中的一種計算機可讀記錄介質以非瞬態方式存儲程序，該程序允許計算機執行：基於包括涉及僱員的時序因素的第一出勤管理信息並且基於指示涉及與每條第一出勤管理信息有關的僱員的請假的存在或者不存在的信息、來生成關於對請假的可能性的預測的預測規則的處理，請假的可能性是僱員在預定時間中取得請假的可能性；以及基於包括關於作為預測目標的僱員的時序因素的第二出勤管理信息並且基於預測規則、來預測作為預測目標的僱員取得請假的可能性的處理。

在本發明的一個方面中的一種預測規則學習設備包括：預測規則學習裝置，其用於基於包括涉及僱員的時序因素的第一出勤管理信息並且基於指示涉及與每條第一出勤管理信息有關的僱員的請假的存在或者不存在的信息，來生成關於對請假的可能性的預測的預測規則，請假的可能性是僱員在預定時間中取得請假的可能性。

在本發明的一個方面中的一種預測設備包括：預測裝置，其用於基於包括關於作為預測目標的僱員的時序因素的第二出勤管理信息並且基於涉及對請假的可能性的預測的預測規則，來預測作為預測目標的僱員取得請假的可能性，請假的可能性是僱員在預定時間中取得請假的可能性。

[本發明的有利效果]

根據本發明，有可能提供一種能夠預測僱員等將在預定時間中取得請假的請假預測系統等。

附圖說明

[圖1]圖1是圖示了本發明的第一示例實施例中的請假預測系統的配置的示圖。

[圖2]圖2是圖示了在本發明的第一示例實施例中的請假預測設備中被使用的出勤管理信息的示例的示圖。

[圖3]圖3是圖示了在本發明的第一示例實施例中的請假預測設備中被使用的、涉及取得請假的僱員和正常工作人員的出勤管理信息的示例的示圖。

[圖4]圖4是表示本發明的第一示例實施例中的請假預測設備的操作的流程圖。

[圖5]圖5是圖示了本發明的第一示例實施例中的請假預測設備的一個配置示例的示圖。

[圖6A]圖6A是圖示了在本發明的第二示例實施例中的請假預測設備中包括的預測規則學習單元中生成預測規則的情況下的示例。

[圖6B]圖6B圖示了在本發明的第二示例實施例中的請假預測設備中包括的預測單元中的預測的情況下的示例。

[圖7]圖7圖示了圖形的示例，該圖形表示由本發明的第三示例實施例中的請假預測設備輸出的、請假的可能性中的變化。

[圖8]圖8圖示了表格的示例，該表格涉及在本發明的第四示例實施例中推導出的、每個僱員等取得請假的可能性的分數。

[圖9]圖9圖示了圖形的示例，該圖形涉及在本發明的第五示例實施例中推導出的、可以成為請假的原因的因素。

[圖10]圖10圖示了圖形的示例，該圖形表示在本發明的第六示例實施例中推導出的、僱員等取得請假的可能性中的變化。

[圖11]圖11是圖示了在本發明的每個示例實施例中實施請假預測設備等的信息處理設備的一個配置示例的示圖。

具體實施方式

將參照附圖來描述本發明的每個示例實施例。在本發明的每個示例實施例中，每個設備的每個部件表現功能單元中的塊。每個設備的每個部件可以由比如如圖11中所圖示信息處理設備500和軟體的任何組合實施。信息處理設備500包括以下配置作為示例。

·CPU(中央處理單元)501

·ROM(只讀存儲器)502

·RAM(隨機存取存儲器)503

·被加載到RAM 503中的程序504

·存儲程序504的存儲設備505

·讀取和寫入記錄介質506的驅動設備507

·被連接到通信網絡509的通信接口508

·通過其輸入和輸出數據的輸入-輸出接口510

·部件通過其被相互連接的總線511。

存在用於實施每個設備的方法的各種備選示例。例如，每個設備可以被實施為專用設備。每個設備可以由多個設備的組合實施。

(第一示例實施例)

首先，將描述本發明的第一示例實施例。圖1是圖示了本發明的第一示例實施例中的請假預測系統的示圖。圖2是圖示了在本發明的第一示例實施例中的請假預測設備中被使用的出勤管理信息的示例的示圖。圖3是圖示了在本發明的第一示例實施例中的請假預測設備中被使用的、涉及取得請假的僱員和正常工作人員的出勤管理信息的示例的示圖。圖4是指示本發明的第一示例實施例中的請假預測設備的操作的流程圖。圖5是圖示了本發明的第一示例實施例中的請假預測設備的一個配置示例的示圖。

本發明的第一示例實施例中的請假預測系統100如圖1中所示包括預測規則學習單元110和預測單元120。預測規則學習單元110基於包括僱員的時序因素的第一出勤管理信息和關於第一出勤管理信息而指示與每個僱員有關的請假的存在或者不存在的信息，來生成涉及對請假的可能性的預測的預測規則，該可能性是僱員在預定時間中取得請假的可能性。預測單元120基於包括關於用於預測的目標僱員的時序因素的第二出勤管理信息和預測規則，來預測用於預測的目標僱員在預定時間中取得請假的可能性。在這種情況下，預定時間指示在將執行預測的時間點之後的任何時段之後的將來時間點。

另外，本示例實施例中的請假預測系統100可以包括出勤信息存儲單元130和預測規則存儲單元140。出勤信息存儲單元130存儲用於生成以上描述的預測規則和用於預測請假的可能性的出勤管理信息。預測規則存儲單元140存儲在預測規則學習單元110中被生成的預測規則。被存儲的預測規則由預測單元120讀取出，並且用於預測請假的可能性。

將描述本示例實施例中的請假預測系統100的細節。在本示例實施例中，第一或者第二出勤管理信息是涉及公司等中的僱員等的出勤的一項或者多項信息。出勤管理信息例如包括信息，比如工作小時、在離開辦公室的時間與營業結束時間之間的差值、加班小時、取得假日(包括半天假日，比如僅上午請假或者僅下午請假的情形)、當周取得請假的一天或者請假工作的存在或者不存在。與出勤有關的信息不限於如以上描述的直接地表示僱員等的出勤的這樣的信息，並且可以包括能夠影響僱員等的出勤的任何種類的信息。根據例如在預測規則學習單元110或者預測單元120中被使用的技術或者需要的預測準確度，如適當的那樣設置在出勤管理信息中包括的信息的種類。

在本示例實施例中，第一或者第二出勤管理信息包括時序因素。換而言之，本示例實施例中的第一或者第二工作管理信息包括涉及多天的出勤的信息或者涉及在任何時段中的出勤的信息。可以如需要的那樣適當地設置在出勤管理信息中包括的涉及出勤的信息的時段等。

以適合用於在預測規則學習單元110中對預測規則的生成和用於在預測單元120中的預測的形式，從以上描述的涉及出勤的信息生成本示例實施例中的第一或者第二出勤管理信息。本示例實施例中的出勤管理信息例如被表示為表示以上描述的信息的特徵矢量。

將參照圖2來描述本示例實施例中的包括第一或者第二出勤管理信息的出勤管理信息的示例。在本示例實施例中，可以在例如相似形式中表示第一或者第二出勤管理信息。因此，在本示例實施例中，第一和第二出勤管理信息這兩項所共有的特徵被統一地描述為出勤管理信息。本示例實施例中的出勤管理信息被表示為例如通過根據特定時段計算涉及在任何時段中的出勤的信息的統計量並且通過級聯根據時段被計算出的多個特徵數量而被獲得的特徵矢量。換而言之，在這樣的情況下，表示出勤管理信息的特徵矢量的元素表示涉及在任何時段中的出勤的信息的個別統計量。在圖2中所示示例中，出勤管理信息被表示為通過每1個月(30天)計算涉及用於12個月的出勤的四項信息的統計量並且通過級聯計算出的十二個統計量而被獲得的矢量。涉及出勤的四項信息如圖2中所示是工作小時的平均值、在離開辦公室的時間與營業結束時間之間的差值的平均值、取得的假日的數目的平均值和上午取得的假日的數目的平均值。換而言之，圖2中所示的示例表示48維矢量。

在工作管理信息中，例如，涉及出勤的多項信息(比如在任何時段(在圖2的情況下的某一個月的時段)中的工作小時、在離開辦公室的時間與營業結束時間之間的差值、取得的假日的數目和僅在上午取得的假日的數目的平均值)被用作統計量。作為統計量，可以如需要的那樣使用除了描述的多項信息之外的信息。這樣的統計量不限於涉及出勤的信息的平均值。例如，如需要的那樣，涉及其它統計量(比如散度)的值被用作這樣的統計量。在第一或者第二工作管理信息中包括的特徵數量中的每個特徵數量可以例如是在預定範圍中的值或者比如二進位值或者三進位值這樣的值。

隨後，將描述本示例實施例中的請假預測系統100的每個部件的細節。

首先，將描述預測規則學習單元110。預測規則學習單元110基於第一出勤管理信息和如下信息來執行學習並且生成預測規則，該信息指示與和每項第一出勤管理信息對應的僱員有關的請假的存在或者不存在。預測規則學習單元110可以在學習出勤管理信息等時例如使用異構混合學習，包括FAB推斷(因式分解漸近線貝葉斯推斷)等和其它已知機器學習技術。在例如美國待審專利公開號US 2014/0222741 A1等中公開了異構混合學習技術。

可以在出勤信息存儲單元130中存儲出勤管理信息和如下信息，該信息指示涉及每項出勤管理信息的請假的存在或者不存在。

基於指示請假的存在或者不存在的信息，第一出勤管理信息被分類成涉及取得請假等的僱員等(下文被稱為「取得請假的僱員」)的出勤管理信息和涉及正常工作而沒有取得請假等的僱員等(下文被稱為「正常工作人員」)的出勤管理信息。換而言之，第一出勤管理信息與關於涉及每項第一出勤管理信息的僱員等是否已經取得了請假的信息關聯。圖3是圖示了第一出勤管理信息的示例的示圖。

在預測規則學習單元110中被使用的涉及取得請假的僱員的第一出勤管理信息是以在從取得請假的僱員開始請假的日期(下文被稱為「請假的開始日期」)起的預定時段之前的日期作為基準日期、通過以上描述的方法等而被確定的出勤管理信息。在這樣的情況下，以上描述的預定時間倍視為與例如其中請假的可能性將由後文描述的預測單元120預測的時段相同。作為示例，在預定時段是兩個月時，第一出勤管理信息是以在取得請假的僱員開始請假的日期之前的兩個月的日期作為基準日期而被確定的出勤管理信息。在這樣的情況下，預測單元120預測在兩個月之後的請假的可能性。

請假的開始日期不限於由公司等的工作規則設置的日期，並且可以是取得請假的僱員停止前往公司等的日期或者取得請假的僱員上次前往公司等的日期(上次出勤日期)。換而言之，取得請假的僱員停止前往公司的日期如適當的那樣bei選擇作為請假的開始日期。在圖3的示例中，(a)中所示d涉及取得請假的僱員的第一出勤管理信息使用在取得請假的僱員停止前往公司的日期之前的60天的日期作為基準日期。

在預測規則學習單元110中被使用的關於正常工作人員的出勤管理信息是例如以執行正常工作的任何日期作為基準日期、通過以上描述的方法而被確定的出勤管理信息。優選的是關於出勤管理信息的正常工作人員正常地工作如下時段，該時段至少不少於從在關於正常工作人員的出勤管理信息中包括的時段的結束起的預定時段。換而言之，優選的是至少在不少於從確認正常工作人員正常地工作的日期(例如，關於僱員取得請假的預定時間被回溯任何時段的日期)起的預定時段之前的日期被選擇作為基準日期。這是因為關於正常工作人員的出勤管理信息可能在正常工作人員在預定時段中取得請假的情況下不適合作為關於正常工作人員的出勤管理信息。因此，在預測規則學習單元110中被使用的關於正常工作人員的出勤管理信息可以是使用在不少於從執行正常工作的日期起的預定時段之前的日期作為基準日期而被獲得的出勤管理信息。以這樣的方式，保證關於出勤管理信息的僱員等已經正常地工作了如下時段，該時段至少不少於從在預測規則學習單元110中被使用的出勤管理信息中包括的時段的結束起的預定時段。圖3中的關於正常工作人員的出勤管理信息是使用在不少於從執行正常工作的任何日期起的預定時段之前的日期作為基準日期而被獲得的出勤管理信息的示例。在圖3的示例中，關於(b)中所示的涉及正常工作人員的第一出勤管理信息，在執行正常工作的任何日期之前的90天被設置作為基準日期。

預測規則學習單元110通過學習在與取得請假的僱員和正常工作人員對應的多項出勤管理信息的模式之間的差值來生成預測規則。預測規則學習單元110可以生成預測規則，該預測規則能夠區分在從僱員開始取得請假的日期起的預定時段之前的一點、在取得請假的僱員和正常工作人員的多項出勤管理信息之間的差值。換而言之，預測規則學習單元110可以例如通過使用以上描述的第一出勤管理信息來生成預測規則，該預測規則能夠確定出勤的狀態是否為在從不存在時段起的預定時段之前的一點取得請假的人所特有的。預測規則學習單元110通過使用分別關於取得請假的僱員和正常工作人員的一項或者多項第一出勤管理信息來生成預測規則。

以根據在預測規則學習單元110中被使用的技術的形式生成預測規則。作為示例，在預測規則學習單元110使用線性分類器時，以如下線性函數的形式表示預測規則，通過該線性函數，基於在預定時間中取得請假的可能性的存在或者不存在來分離關於出勤管理信息的特徵矢量的空間。

由預測規則學習單元110生成的預測規則的有效性由後文描述的預測單元120例如基於第一出勤管理信息來確認。換而言之，預測單元120基於生成的預測規則和第一出勤管理信息來從該信息預測取得請假的可能性。預測規則的有效性通過確認結果是否匹配例如由關於第一出勤管理信息的僱員等取得的請假的存在或者不存在而被確認。

預測規則學習單元110可以例如基於第一出勤管理信息和如下信息來生成具有不同內部參數的多個預測規則，該信息指示涉及每項第一出勤管理信息的請假的存在或者不存在。在這樣的情況下，預測單元120可以以與以上描述的對有效性的確認相似的方式、通過使用第一出勤管理信息來確認多個預測規則中的哪個預測規則適合用於預測。

接著，將描述預測單元120。預測單元120預測僱員等例如由於精神健康問題而在預定時間中取得請假的可能性。預測單元120通過將作為確定目標的僱員等的第二出勤管理信息應用於由預測規則學習單元110生成的預測規則來預測作為確定目標的僱員等在預定時間中取得請假的可能性。作為示例，在預測規則被表示為線性分類器時，預測單元120通過確定表示第二出勤管理信息的特徵矢量屬於由線性分類器分類的特徵矢量空間中的哪個特徵矢量空間來預測請假的可能性。如以上描述的那樣，預定時間指示將來時間點，該將來時間點是在將執行預測的時間點之後的任意時段，如例如一個月或者兩個月。換而言之，預測單元120預測基於僱員等的第二出勤管理信息來預測僱員等在作為將來時間點的預定時間中取得請假的可能性，直至將執行預測的時間點。

以上描述的作為預測目標的請假不限於公司等的工作規則等中的請假，而是可以包括僱員等停止前往公司等的日期。備選地，以上描述的作為預測目標的請假包括在僱員等的請假之前的上次出勤日期。換而言之，預測單元120也可以預測在預定時間中包括僱員等的上次出勤日期的可能性。

用於在預測單元120中的預測的第二出勤管理信息的形式旨在於與例如如以上描述的用於在預測規則學習單元110中生成預測規則的第一出勤管理信息的形式相似。第二出勤管理信息與第一出勤管理信息不同在與取得請假的第二出勤管理信息有關的僱員等的存在或者不存在還不清楚(請假的可能性由預測單元120預測)。

如以上描述的那樣，預測規則學習單元110通過使用以在從取得請假的僱員開始請假的日期起的預定時段之前的日期作為基準日期的第一出勤管理信息作為涉及取得請假的僱員的第一出勤關聯信息，來生成預測規則。預測單元120可以通過使用預測規則來確定作為確定目標的僱員等的第二出勤管理信息是否匹配在從請假的時段起的預定時段之前的一點取得請假的僱員的存在狀態(或者匹配程度)。因而，預測單元120可以預測作為確定目標的僱員等在預定時間中取得請假的可能性。

預測單元120可以確定僱員等是否在預定時間中取得請假作為用於預測作為確定目標的僱員等在預定時間中取得請假的可能性的具體方法。預測單元120也可以將僱員等在預定時間中取得請假的可能性的程度確定為用於預測作為確定目標的僱員等在預定時間中取得請假的可能性的另一具體方法。在這種情況下，例如，預測單元120可以基於任意標準將請假的可能性轉換成數值，並且可以將可能性表示為數值。

在預測規則被表示為線性分類器時，預測單元120可以通過將作為確定目標的僱員等的出勤管理信息應用於線性分類器來確定僱員等取得請假的可能性的存在或者不存在。基於在出勤管理信息與線性分類器之間的關係(例如，在出勤管理信息與特徵矢量空間中的由線性分離器定義的判別式表面之間的距離)來預測在預定時間中的請假的可能性(或者可能性的程度)。線性分類器定義在可以取得請假的僱員等與正常工作的僱員等之間的邊界表面(在兩個維度的情況下為邊界線)。換而言之，取得請假的可能性的程度和正常地工作的可能性的程度中的每個可能性的程度在邊界表面上是50％。請假的可能性的程度或者正常工作的可能性的程度隨著從邊界表面起的距離增加而被增加。

接著，將參照圖4來描述請假預測系統100的操作的示例。

首先，預測規則學習單元110生成預測規則(步驟S101)。在生成預測規則時，預測規則學習單元110從出勤信息存儲單元130讀取出在出勤信息存儲單元130中存儲的出勤管理信息和如下信息並且使用它們，該信息指示關於每個僱員等的請假的存在或者不存在。預測規則學習單元110在預測規則存儲單元140中存儲被生成的預測規則。

然後，預測單元120通過使用包括時序因素的關於作為預測目標的僱員的出勤管理信息和在步驟S101中被生成的預測規則來預測作為預測目標的僱員在預定時間中取得請假的可能性(步驟S102)。在預測中，預測單元120從出勤信息存儲單元130讀取包括關於作為預測目標的僱員的時序因素的出勤管理信息，並且使用該信息。另外，預測單元120從預測規則存儲單元140讀取預測規則，並且使用該規則。

本示例實施例中的請假預測系統100通過學習如以上描述的包括僱員等的時序因素的出勤管理信息來生成預測規則。然後，本示例實施例中的請假預測系統100通過使用預測規則來預測作為預測目標的僱員在預定時間中取得請假的可能性。本示例實施例中的請假預測系統100可以通過利用包括僱員等的時序因素的出勤管理信息來生成預測規則，來確定在僱員等取得請假的預定時段之前的時段中的出勤狀態。因而，本示例實施例中的請假預測系統100可以預測僱員等取得請假的時段。

此外，公司等可以通過使用本示例實施例中的請假預測系統100來預先識別取得請假的僱員等的存在或者不存在的可能性和將在存在請假的可能性時取得請假的時段。因而，可以變得有可能讓公司等根據僱員等被預測取得請假的時段來採取用於避免請假的行動。換而言之，公司等和被預測取得請假的僱員等二者可以通過使用本示例實施例中的請假預測系統100來減少各種損失、包括由請假引起的經濟損失。

(請假預測系統的配置和應用示例)

本示例實施例中的請假預測系統100的各種示例可被設想為具體配置。

作為示例，在請假預測系統100中，預測規則學習單元110和預測單元120可以被實施為如圖5中所示的相互分離的設備。換而言之，請假預測系統100可以被實施為包括預測規則學習設備101和預測設備102的系統。設備可以具有如下配置，在該配置中，設備相互物理地分離，並且經由任何種類的有線或者無線通信網絡而被連接。

此外，可以存在配置以使得出勤信息存儲單元130和預測規則存儲單元140被包括在設備之一中，並且經由通信網絡被連接到另一設備。備選地，在每個設備中包括出勤信息存儲單元130和預測規則存儲單元140。在這種情況下，可以存在配置以使得出勤信息存儲單元130和預測規則存儲單元140存儲在每個設備中被需要的信息。圖5圖示了其中在每個設備中包括出勤信息存儲單元130和預測規則存儲單元140的配置。

另外，在這樣的情況下，可以存在配置以使得請假預測系統100可以包括關於單個預測規則學習設備110的多個預測設備120。在這種情況下，單個預測規則學習設備110和多個預測設備120經由任何種類的通信網絡被相互連接。這樣的配置可以例如實現提供如下服務，在該服務中，擁有預測規則學習設備110的業務運營者生成用於擁有多個預測設備120中的每個預測設備的另一業務運營者的預測規則。

在本示例實施例中，請假預測系統100被描述為如下系統，該系統預測公司等中的僱員等在預定時間中取得請假的可能性。然而，本示例實施例中的請假預測系統100也可以應用於其它領域。例如，本示例實施例中的請假預測系統100可以預測學生等由於精神健康問題而在預定時間中不在學校等(長時間段缺勤)的可能性。換而言之，「僱員等在預定時間中取得請假的可能性」可以被視為涵蓋本示例實施例中的「學生在預定時間中缺勤的可能性」。本示例實施例中的請假預測系統100也可以用於預測某種事件在將來預定時間中出現的可能性。

以上描述的本示例實施例中的請假預測系統100的具體配置和應用示例可以相似地應用於後文描述的每個示例實施例中的請假預測系統。

(第二示例實施例)

隨後，將描述本發明的第二示例實施例。圖6A圖示了在本發明的第二示例實施例中的請假預測系統中包括的預測規則學習單元110中生成預測規則的情況下的示例。圖6B圖示了在本發明的第二示例實施例中的請假預測系統中包括的預測單元120中的預測的情況下的示例。

本示例實施例中的請假預測系統100的配置可以與本發明的第一示例實施例中的請假預測系統100的配置相同。在本示例實施例中的請假預測系統100中，預測規則學習單元110根據具有共有性質的僱員等來生成預測規則。在本示例實施例中的請假預測系統100中，預測單元120從根據具有共有性質的僱員等被生成的預測規則根據作為預測目標的僱員等選擇預測規則，並且預測在預定時間中的請假的可能性。

本示例實施例中的請假預測系統100與本發明的第一示例實施例中的請假預測系統100不同在於以上描述的幾點。換而言之，本示例實施例中的請假預測系統100將僱員等的第一出勤管理信息分類成具有共有性質的群集以生成預測規則，並且預測在預定時間中的請假的可能性。

在本示例實施例中，具有共有性質的僱員等例如是被視為對於在第一或者第二出勤管理信息中被包括的因素具有相似趨勢的僱員。換而言之，例如，其中在第一或者第二出勤管理信息中被包括的關於出勤的信息滿足預定條件的僱員等可以在本示例實施例中的請假預測系統100中被視為具有共有性質的僱員等。在這種情況下，關於出勤的信息例如包括加班小時、取得的假日的數目、在一周的具體日子取得的假日的數目等。

在本示例實施例中，作為示例，基於在表示第一或者第二出勤管理信息的特徵矢量的特徵矢量空間之間的距離來確定與出勤管理信息有關的僱員等是否具有共有性質。換而言之，確定與其中距離在預定範圍內(距離在短範圍中並且出勤的趨勢被視為相互相似)的第一或者第二出勤管理信息有關的僱員具有共有性質。

作為另一示例，具有共有性質的僱員等例如是具有與請假的預測目標相似的屬性的僱員等。在這種情況下，僱員等的屬性例如是作為請假的預測目標的僱員等的年齡、位置、職責、以往請假的存在或者不存在等。

在本示例實施例中，預測規則學習單元110可以通過任意技術、根據具有共有性質的僱員來生成預測規則。作為示例，預測規則學習單元110可以通過使用以上描述的異構混合學習技術、根據具有共有性質的僱員和判決樹來生成預測規則(例如，判別式)，該判決樹表示在第一出勤關聯信息與每個預測規則之間的關聯性。

在這種情況下，預測規則120通過使用以上描述的判決樹、基於作為預測目標的僱員等的第二出勤管理信息來選擇根據具有共有性質的僱員等中的每個僱員而被生成的預測規則中的任何預測規則待使用。預測單元120通過使用選擇的預測規則來預測作為預測目標的僱員等在預定時間中取得請假的可能性。

作為另一示例，預測規則學習單元110可以如圖6A中所示執行對作為學習的數據的僱員等的第一出勤管理信息的集群(clustering)，並且可以基於在每個群集中包括的僱員等的第一出勤管理信息等來生成用於每個群集的預測規則。在這種情況下，預測規則學習單元110可以例如使用K均值等作為用於執行對學習的數據的集群的技術。在圖6A中所示示例中，預測規則學習單元110執行將第一出勤管理信息集群成群集1和群集2並且生成判別式作為用於每個群集的預測規則。

在這種情況下，預測單元120如圖6B中所示根據作為預測目標的僱員等的第二出勤管理信息、從為具有共有性質的僱員等中的每個僱員生成的預測規則選擇預測規則，並且預測在預定時間中的請假的可能性。換而言之，預測單元120選擇在從表示作為預測目標的僱員等的第二出勤管理信息的特徵矢量的最近距離的群集。作為在特徵矢量與群集之間的距離，例如可以使用在特徵矢量與群集的中心之間的距離。然後，預測單元120通過使用為選擇的群集而生成的預測規則來預測僱員等在預定時間中取得請假的可能性。在圖6B中所示示例中，預測單元120為由三角形標記表示的、關於第二出勤管理信息的數據選擇群集1。預測單元120然後通過使用用於群集1的判別式來預測關於第二出勤管理信息的請假的可能性。

如以上描述的那樣，預測規則學習單元110在本示例實施例中的的請假預測系統100中，根據具有共有性質的僱員等中的每個僱員來生成預測規則。在本示例實施例中的請假預測系統100中，預測單元120從為具有共有性質的僱員等中的每個僱員生成的預測規則選擇關於作為預測目標的僱員的預測規則，並且預測在預定時間中的請假的可能性。預測單元120可以增強對僱員等取得請假的可能性的預測的準確度，因為預測規則學習單元110根據具有共有性質的僱員等來生成預測規則。

本示例實施例的請假預測系統100可以具有配置以使得可以基於根據具有共有性質的僱員等而被生成的預測規則來預測僱員等取得請假的可能性，而沒有指定其中僱員等將取得請假的時段。

(第三示例實施例)

隨後，將描述本發明的第三示例實施例。圖7是如下圖形，該圖形表示由本發明的第三示例實施例中的請假預測系統100推導出的、請假的可能性的時間變化。

本示例實施例中的請假預測系統100的配置可以與本發明的第一示例實施例中的請假預測系統100的配置相同。本示例實施例中的請假預測系統100與本發明的第一示例實施例等中的請假預測系統100不同在於預測單元120推導請假的預測的可能性的時間變化。換而言之，預測單元120在每天基礎、每月基礎等上在任意多個時間點預測在預定時間中的請假的可能性，並且將預測的結果推導為對請假的可能性的預測的結果的歷史。

圖7是如下圖形，該圖形表示由本發明的第三示例實施例中的請假預測系統100生成的、請假的可能性中的時間變化。在圖7中所示的圖形中，水平軸指示其中請假的可能性被預測的時段。在圖7中所示的圖形中，豎軸指示請假的可能性的程度。換而言之，圖7中所示的圖形是通過由預測單元120預測在任意多個時間點的請假的可能性並且通過在水平軸上繪製以上描述的在多個時間點的預測的結果而被推導出的圖形。圖7中所示的圖形表示僱員可以例如在請假的可能性的程度超過由在水平軸的方向上的線指示的預定程度時取得請假。在圖7中所示的示例中，認為僱員A取得請假的可能性出現在六月末。

另外，本示例實施例中的請假預測系統可以推導關於多個僱員等的請假的可能性中的時間變化。

請假的可能性中的推導出的時間變化(包括圖7中所示的圖形)由未被圖示的任何輸出裝置輸出。輸出裝置的示例包括顯示設備。在這樣的情況下，顯示設備可以被直接地連接到請假預測系統100或者，可以經由通信網絡(比如有線或者無線通信網絡)而被連接到請假預測系統100。

如以上描述的那樣，本示例實施例中的請假預測系統100推導請假的預測的可能性的時間變化。請假的可能性的推導出的時間變化經由任何輸出裝置以例如表示變化的圖形等的形式而被輸出。

(第四示例實施例)

隨後，將描述本發明的第四示例實施例。圖8圖示了表格的示例，該表格涉及在本發明的第四示例實施例中被推導出的、每個僱員取得請假的可能性的分數。

本示例實施例中的請假預測系統100的配置可以與本發明的第一示例實施例中的請假預測系統100的配置相同。在本示例實施例中的請假預測系統100中，預測單元120推導為多個僱員預測的請假的可能性的程度。

可以例如以圖8中的表格等的形式來表示由預測單元120推導出的、涉及多個僱員的請假的可能性的程度。在分數中表示圖8中所示的表格，該分數的值隨著請假的可能性的程度增加而增加。換而言之，圖8中所示的表格按照請假的可能性的程度的降序示出僱員等。表格由未被圖示的任何輸出裝置以與例如本發明的第三示例實施例中的請假預測系統100中的表格相似的方式被輸出。如以上描述的那樣，根據例如在用於每個僱員的出席管理信息與特徵矢量空間中的判別式表面之間的距離來確定在圖8中列舉的分數。作為示例，這樣的分數是以如下形式，其中根據在用於每個僱員的出席管理信息與判別式表面之間的距離，分數在請假的可能性的程度高時變成正值，並且分數在正常工作的可能性的程度高時變成負值。以上描述的距離(在這一示例中的d)可以是如下形式，該形式通過應用於Σ函數1/(1+exp(-d))(exp表示自然對數的基數的冪)來取得範圍從0至1的值。在這種情況下，分數在出席管理信息在特徵矢量空間中的判別式表面在特徵矢量空間中的判別式表面上時變成1/2。該值在請假的可能性高的程度高時迫近1，而該值在正常工作的可能性的程度高時迫近零。

如以上描述的那樣，本示例實施例中的請假預測系統推導為多個僱員預測的請假的可能性的程度。因而，本示例實施例中的請假預測系統100的用戶有可能容易地知道很可能取得請假的僱員等。本示例實施例中的請假預測系統100的用戶可以基於取得請假的多個僱員的可能性高的推導的程度對於請假的可能性高的僱員等採取行動。

(第五示例實施例)

隨後，將描述本發明的第五示例實施例。圖9圖示了圖形的示例，該圖形涉及在本發明的第五示例實施例中被推導出的、可以變成請假的原因的因素。

本示例實施例中的請假預測系統100的配置可以與本發明的第一示例實施例中的請假預測系統100的配置相同。本示例實施例中的請假預測系統100在預測單元120預測作為預測目標的僱員等將很可能取得請假時推導用於引起請假的因素的候選。本示例實施例中的請假預測系統100與本發明的第一示例實施例等中的請假預測系統100不同在於以上描述的幾點。

在本示例實施例中，在請假預測系統100中被使用的第一或者第二出席管理信息包括關於公司等中的僱員等的出勤的一項或者多項信息。在第一或者第二出勤管理信息包括涉及公司等中的僱員等的出勤的多項信息時，在第一或者第二出勤管理信息中被包括的關於出勤的信息的一些因素可以影響請假的可能性。在本示例實施例中的請假預測系統100中，預測單元120指定因素，該因素可以是對很可能被取得請假的確定的原因，並且推導用於作為請假的原因的因素的候選。

在本示例實施例中，預測單元120可以指定如下因素作為用於引起請假的因素的候選，該因素涉及在第二出勤管理信息中被包括的、涉及出勤的多項信息之中的滿足預定條件的信息。預測單元120可以基於在第二出勤關聯信息與由預測規則學習單元110生成的預測規則之間的關係來指定用於引起請假的因素的候選。預測單元120可以在除了以上描述的過程之外的任何過程中推導用於引起請假的因素的候選。

以例如圖9的圖形的形式表示用於引起請假的因素的推導出的候選。這樣的圖形由例如未被圖示的輸出裝置輸出。以如下形式示出圖9中所示圖形，在該形式中，更可能的是請假的原因的因素具有更高值。換而言之，關於圖9中所示的圖形的僱員等被視為用於在該圖中包括的原因之中的引起請假的因素的候選，這些因素包括工作小時、加班小時或者假日工作。

如以下描述的那樣相對於以上描述的判別式設置在圖9的圖形中指示的值中的每個值。作為示例，假設判別式是在以下等式(1)中表示的線性判別式。

f(x)＝a_0+a_1*x_1+a_2*x_2+...+a_n*x_n (1)

在等式(1)中，a_0，...，a_n是係數，並且x(x_1，...x_n)是特徵矢量。另外，其中f(x)>0的情況表示僱員等很可能取得請假，而其中f(x)<0的情況表示僱員等正常工作。x_1，…x_n中的每項分別對應於在圖9的水平軸上被指示的圖形的每項。在判別式的示例中，a_i*x_i的值對應於圖9中所示的圖形的因素之一。其中該值為正的情況表示僱員等很可能由於該因素而取得請假。其中該值為負的情況表示該因素沒有使得僱員等取得請假，並且僱員等很可能正常工作。

如以上描述的那樣，本示例實施例中的請假預測系統100推導用於引起請假的因素的候選。經由任何輸出裝置以例如圖形等的形式輸出用於引起請假的因素的推導出的候選。因而，在存在很可能取得請假的僱員等時，本示例實施例中的請假預測系統100的用戶可以了解用於引起請假的因素的候選。因此，本示例實施例中的請假預測系統100的用戶有可能採取用於減少僱員等取得請假的可能性的行動，比如排除使僱員等取得請假的因素。

(第六示例實施例)

隨後，將描述本發明的第六示例實施例。圖10圖示了圖形的示例，該圖形表示在本發明的第六示例實施例中被推導出的、僱員等取得請假的可能性中的變化。

本示例實施例中的請假預測系統100的配置可以與本發明的第一示例實施例中的請假預測系統100的配置相同。在本示例實施例中的請假預測系統100中，預測規則學習單元110生成關於對僱員在互不相同的多個預定時間中取得請假的可能性的預測的預測規則。預測單元120預測作為預測目標的僱員等在互不相同的多個預定時間中取得請假的可能性。本示例實施例中的請假預測系統100與本發明的第一示例實施例等中的請假預測系統100不同在於以上描述的幾點。

在本示例實施例中，預測規則學習單元110如以上描述的那樣生成關於對僱員在互不相同的多個預定時間中取得請假的可能性的預測的相應的預測規則。換而言之，預測規則學習單元110可以通過使用具有不同基準日期的多項第一出勤管理信息來生成在多個預定時間中的相應的預測規則。另外，預測單元120通過使用由預測規則學習單元110生成的在多個預定時間中的相應的預測規則來預測在多個預定時間中的每個預定時間中的請假的可能性。

在例如在圖10中所示的圖形中表示在多個預定時間中的請假的預測的可能性。作為示例，通過繪製對根據每個僱員等被預測的、在多個預定時間的請假的可能性的結果(其中多個時間點在水平軸上)來推導圖10中所示的圖形。如在圖10中所示的圖形中所示，可以通過預測在多個預定時間中的請假的可能性來表示僱員等取得請假的可能性中的變化。在圖10中所示的圖形中，儘管僱員A具有請假的可能性的低初始程度，但是僱員A在四個月之後達到由虛線指示的和被確定具有請假的可能性的程度。對照而言，儘管僱員B具有請假的可能性的高初始程度，但是僱員B截至至少四個月沒有達到被確定具有請假的可能性的程度。

因而，本示例實施例中的請假預測系統100的用戶有可能採取行動以免增加僱員A取得請假的可能性的程度，並且然後採取行動以減少僱員B取得請假的可能性的程度。換而言之，本示例實施例中的請假預測系統100的用戶可以根據僱員等的請假的可能性、變化和變化出現的時段來採取行動以便防止僱員等取得請假。

如以上描述的那樣，本示例實施例中的請假預測系統100預測在互不相同的多個預定時間中的請假的可能性。換而言之，本示例實施例中的請假預測系統100的用戶可以了解僱員等在預測時間點之後取得請假的可能性中的變化。因而，本示例實施例中的請假預測系統100的用戶有可能根據僱員等在預測時間點之後取得請假的可能性的變化來採取行動。

可以相互組合本發明的第三至第五示例實施例中的請假預測系統的操作。本發明的第三至第五示例實施例中的請假預測系統的配置可以與本發明的第二示例實施例中的請假預測系統的配置相同。

以上已經參照示例實施例描述了本發明。然而，本發明不限於以上描述的示例實施例。本發明的構造和細節可以受到本領域技術人員可以在本發明的範圍內理解的各種修改。如果沒有脫離本發明的範圍，則可以相互組合相應示例實施例中的配置。

本申請要求基於提交於2014年9月3日並且通過完全引用而將全部公開內容結合於此的第2014-179457號日本專利申請的優先權。

[標號列表]

100 請假預測系統

101 預測規則學習設備

102 預測設備

110 預測規則學習單元

120 預測單元

130 出勤信息存儲單元

140 預測規則存儲單元

500 信息處理設備

501 CPU

502 ROM

503 RAM

504 程序

505 存儲設備

506 記錄介質

507 驅動設備

508 通信接口

509 通信網絡

510 輸入-輸出接口

511 總線