请假预测系统、预测规则学习设备、预测设备、请假预测方法和计算机可读记录介质与流程

本发明涉及一种请假预测系统、请假预测方法和计算机可读记录介质。

背景技术：

在公司和各种组织(下文被称为“公司等”)中，对于在各种组织中的雇员和成员(下文被称为“雇员等”)由于精神健康紊乱而取得请假的行动已经成问题。如果公司等可以在早期节段对于很可能由于精神健康紊乱而取得请假的雇员等采取行动，则有可能减少由于请假而在公司等和雇员等中出现的各种经济/社会损失。换而言之，希望预测雇员等由于精神健康紊乱而取得请假的时间。

PTL 1描述了一种精神健康管理设备。在PTL 1中描述的精神健康管理设备确定雇员的工作历史是否匹配由确定规则数据指示的一个或者多个确定规则，该一个或者多个确定规则定义逐渐形成生理紊乱的雇员特有的工作模式。在PTL 1中描述的精神健康管理设备向高层等通知关于雇员的信息，该信息涉及被确定匹配确定规则的工作历史。

PTL 2描述了一种方法，比如管理雇员行为。在PTL 2中描述的用于管理雇员行为的方法中，首先从存储每个雇员的行为历史的雇员行为历史数据库提取雇员特有的行为特性，并且在雇员行为特性数据库中存储行为特性。在PTL 2的用于管理雇员行为的方法中，确定雇员的行为历史是否在与雇员行为特性数据库有关的雇员行为特性的范围内。在行为历史超出行为特性的范围时，向雇员发送警报消息。

[引用列表]

[专利文献]

[PTL 1]日本待审专利申请公开号2008-242702A

[PTL 2]日本待审专利申请公开号2011-123579A

技术实现要素：

[技术问题]

PLT 1和PLT2描述了对雇员等由于精神健康紊乱而取得请假的可能性的预测。然而，PLT 1和PLT2没有提及对雇员等将取得请假的时间的预测。根据在PTL 1和PLT2中描述的技术，难以预测雇员等将由于精神健康紊乱而取得请假的时间。

本发明被实现以便解决以上描述的问题，而主要目的是提供比如一种能够预测雇员等将在预定时间中取得请假的请假预测系统。

[对问题的解决方案]

在本发明的一个方面中的一种请假预测系统包括：预测规则学习装置，其用于基于包括涉及雇员的时序因素的第一出勤管理信息并且基于指示涉及与每条第一出勤管理信息有关的雇员的请假的存在或者不存在的信息，来生成关于对请假的可能性的预测的预测规则，请假的可能性是雇员在预定时间中取得请假的可能性；以及预测装置，其用于基于包括关于作为预测目标的雇员的时序因素的第二出勤管理信息并且基于预测规则，来预测作为预测目标的雇员取得请假的可能性。

在本发明的一个方面中的一种请假预测方法包括：基于包括涉及雇员的时序因素的第一出勤管理信息并且基于指示涉及与每条第一出勤管理信息有关的雇员的请假的存在或者不存在的信息，来生成关于对请假的可能性的预测的预测规则，请假的可能性是雇员在预定时间中取得请假的可能性；以及基于包括关于作为预测目标的雇员的时序因素的第二出勤管理信息并且基于预测规则，来预测作为预测目标的雇员取得请假的可能性。

在本发明的一个方面中的一种计算机可读记录介质以非瞬态方式存储程序，该程序允许计算机执行：基于包括涉及雇员的时序因素的第一出勤管理信息并且基于指示涉及与每条第一出勤管理信息有关的雇员的请假的存在或者不存在的信息、来生成关于对请假的可能性的预测的预测规则的处理，请假的可能性是雇员在预定时间中取得请假的可能性；以及基于包括关于作为预测目标的雇员的时序因素的第二出勤管理信息并且基于预测规则、来预测作为预测目标的雇员取得请假的可能性的处理。

在本发明的一个方面中的一种预测规则学习设备包括：预测规则学习装置，其用于基于包括涉及雇员的时序因素的第一出勤管理信息并且基于指示涉及与每条第一出勤管理信息有关的雇员的请假的存在或者不存在的信息，来生成关于对请假的可能性的预测的预测规则，请假的可能性是雇员在预定时间中取得请假的可能性。

在本发明的一个方面中的一种预测设备包括：预测装置，其用于基于包括关于作为预测目标的雇员的时序因素的第二出勤管理信息并且基于涉及对请假的可能性的预测的预测规则，来预测作为预测目标的雇员取得请假的可能性，请假的可能性是雇员在预定时间中取得请假的可能性。

[本发明的有利效果]

根据本发明，有可能提供一种能够预测雇员等将在预定时间中取得请假的请假预测系统等。

附图说明

[图1]图1是图示了本发明的第一示例实施例中的请假预测系统的配置的示图。

[图2]图2是图示了在本发明的第一示例实施例中的请假预测设备中被使用的出勤管理信息的示例的示图。

[图3]图3是图示了在本发明的第一示例实施例中的请假预测设备中被使用的、涉及取得请假的雇员和正常工作人员的出勤管理信息的示例的示图。

[图4]图4是表示本发明的第一示例实施例中的请假预测设备的操作的流程图。

[图5]图5是图示了本发明的第一示例实施例中的请假预测设备的一个配置示例的示图。

[图6A]图6A是图示了在本发明的第二示例实施例中的请假预测设备中包括的预测规则学习单元中生成预测规则的情况下的示例。

[图6B]图6B图示了在本发明的第二示例实施例中的请假预测设备中包括的预测单元中的预测的情况下的示例。

[图7]图7图示了图形的示例，该图形表示由本发明的第三示例实施例中的请假预测设备输出的、请假的可能性中的变化。

[图8]图8图示了表格的示例，该表格涉及在本发明的第四示例实施例中推导出的、每个雇员等取得请假的可能性的分数。

[图9]图9图示了图形的示例，该图形涉及在本发明的第五示例实施例中推导出的、可以成为请假的原因的因素。

[图10]图10图示了图形的示例，该图形表示在本发明的第六示例实施例中推导出的、雇员等取得请假的可能性中的变化。

[图11]图11是图示了在本发明的每个示例实施例中实施请假预测设备等的信息处理设备的一个配置示例的示图。

具体实施方式

将参照附图来描述本发明的每个示例实施例。在本发明的每个示例实施例中，每个设备的每个部件表现功能单元中的块。每个设备的每个部件可以由比如如图11中所图示信息处理设备500和软件的任何组合实施。信息处理设备500包括以下配置作为示例。

·CPU(中央处理单元)501

·ROM(只读存储器)502

·RAM(随机存取存储器)503

·被加载到RAM 503中的程序504

·存储程序504的存储设备505

·读取和写入记录介质506的驱动设备507

·被连接到通信网络509的通信接口508

·通过其输入和输出数据的输入-输出接口510

·部件通过其被相互连接的总线511。

存在用于实施每个设备的方法的各种备选示例。例如，每个设备可以被实施为专用设备。每个设备可以由多个设备的组合实施。

(第一示例实施例)

首先，将描述本发明的第一示例实施例。图1是图示了本发明的第一示例实施例中的请假预测系统的示图。图2是图示了在本发明的第一示例实施例中的请假预测设备中被使用的出勤管理信息的示例的示图。图3是图示了在本发明的第一示例实施例中的请假预测设备中被使用的、涉及取得请假的雇员和正常工作人员的出勤管理信息的示例的示图。图4是指示本发明的第一示例实施例中的请假预测设备的操作的流程图。图5是图示了本发明的第一示例实施例中的请假预测设备的一个配置示例的示图。

本发明的第一示例实施例中的请假预测系统100如图1中所示包括预测规则学习单元110和预测单元120。预测规则学习单元110基于包括雇员的时序因素的第一出勤管理信息和关于第一出勤管理信息而指示与每个雇员有关的请假的存在或者不存在的信息，来生成涉及对请假的可能性的预测的预测规则，该可能性是雇员在预定时间中取得请假的可能性。预测单元120基于包括关于用于预测的目标雇员的时序因素的第二出勤管理信息和预测规则，来预测用于预测的目标雇员在预定时间中取得请假的可能性。在这种情况下，预定时间指示在将执行预测的时间点之后的任何时段之后的将来时间点。

另外，本示例实施例中的请假预测系统100可以包括出勤信息存储单元130和预测规则存储单元140。出勤信息存储单元130存储用于生成以上描述的预测规则和用于预测请假的可能性的出勤管理信息。预测规则存储单元140存储在预测规则学习单元110中被生成的预测规则。被存储的预测规则由预测单元120读取出，并且用于预测请假的可能性。

将描述本示例实施例中的请假预测系统100的细节。在本示例实施例中，第一或者第二出勤管理信息是涉及公司等中的雇员等的出勤的一项或者多项信息。出勤管理信息例如包括信息，比如工作小时、在离开办公室的时间与营业结束时间之间的差值、加班小时、取得假日(包括半天假日，比如仅上午请假或者仅下午请假的情形)、当周取得请假的一天或者请假工作的存在或者不存在。与出勤有关的信息不限于如以上描述的直接地表示雇员等的出勤的这样的信息，并且可以包括能够影响雇员等的出勤的任何种类的信息。根据例如在预测规则学习单元110或者预测单元120中被使用的技术或者需要的预测准确度，如适当的那样设置在出勤管理信息中包括的信息的种类。

在本示例实施例中，第一或者第二出勤管理信息包括时序因素。换而言之，本示例实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时段中的出勤的信息。可以如需要的那样适当地设置在出勤管理信息中包括的涉及出勤的信息的时段等。

以适合用于在预测规则学习单元110中对预测规则的生成和用于在预测单元120中的预测的形式，从以上描述的涉及出勤的信息生成本示例实施例中的第一或者第二出勤管理信息。本示例实施例中的出勤管理信息例如被表示为表示以上描述的信息的特征矢量。

将参照图2来描述本示例实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。在本示例实施例中，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，在本示例实施例中，第一和第二出勤管理信息这两项所共有的特征被统一地描述为出勤管理信息。本示例实施例中的出勤管理信息被表示为例如通过根据特定时段计算涉及在任何时段中的出勤的信息的统计量并且通过级联根据时段被计算出的多个特征数量而被获得的特征矢量。换而言之，在这样的情况下，表示出勤管理信息的特征矢量的元素表示涉及在任何时段中的出勤的信息的个别统计量。在图2中所示示例中，出勤管理信息被表示为通过每1个月(30天)计算涉及用于12个月的出勤的四项信息的统计量并且通过级联计算出的十二个统计量而被获得的矢量。涉及出勤的四项信息如图2中所示是工作小时的平均值、在离开办公室的时间与营业结束时间之间的差值的平均值、取得的假日的数目的平均值和上午取得的假日的数目的平均值。换而言之，图2中所示的示例表示48维矢量。

在工作管理信息中，例如，涉及出勤的多项信息(比如在任何时段(在图2的情况下的某一个月的时段)中的工作小时、在离开办公室的时间与营业结束时间之间的差值、取得的假日的数目和仅在上午取得的假日的数目的平均值)被用作统计量。作为统计量，可以如需要的那样使用除了描述的多项信息之外的信息。这样的统计量不限于涉及出勤的信息的平均值。例如，如需要的那样，涉及其它统计量(比如散度)的值被用作这样的统计量。在第一或者第二工作管理信息中包括的特征数量中的每个特征数量可以例如是在预定范围中的值或者比如二进制值或者三进制值这样的值。

随后，将描述本示例实施例中的请假预测系统100的每个部件的细节。

首先，将描述预测规则学习单元110。预测规则学习单元110基于第一出勤管理信息和如下信息来执行学习并且生成预测规则，该信息指示与和每项第一出勤管理信息对应的雇员有关的请假的存在或者不存在。预测规则学习单元110可以在学习出勤管理信息等时例如使用异构混合学习，包括FAB推断(因式分解渐近线贝叶斯推断)等和其它已知机器学习技术。在例如美国待审专利公开号US 2014/0222741 A1等中公开了异构混合学习技术。

可以在出勤信息存储单元130中存储出勤管理信息和如下信息，该信息指示涉及每项出勤管理信息的请假的存在或者不存在。

基于指示请假的存在或者不存在的信息，第一出勤管理信息被分类成涉及取得请假等的雇员等(下文被称为“取得请假的雇员”)的出勤管理信息和涉及正常工作而没有取得请假等的雇员等(下文被称为“正常工作人员”)的出勤管理信息。换而言之，第一出勤管理信息与关于涉及每项第一出勤管理信息的雇员等是否已经取得了请假的信息关联。图3是图示了第一出勤管理信息的示例的示图。

在预测规则学习单元110中被使用的涉及取得请假的雇员的第一出勤管理信息是以在从取得请假的雇员开始请假的日期(下文被称为“请假的开始日期”)起的预定时段之前的日期作为基准日期、通过以上描述的方法等而被确定的出勤管理信息。在这样的情况下，以上描述的预定时间倍视为与例如其中请假的可能性将由后文描述的预测单元120预测的时段相同。作为示例，在预定时段是两个月时，第一出勤管理信息是以在取得请假的雇员开始请假的日期之前的两个月的日期作为基准日期而被确定的出勤管理信息。在这样的情况下，预测单元120预测在两个月之后的请假的可能性。

请假的开始日期不限于由公司等的工作规则设置的日期，并且可以是取得请假的雇员停止前往公司等的日期或者取得请假的雇员上次前往公司等的日期(上次出勤日期)。换而言之，取得请假的雇员停止前往公司的日期如适当的那样bei选择作为请假的开始日期。在图3的示例中，(a)中所示d涉及取得请假的雇员的第一出勤管理信息使用在取得请假的雇员停止前往公司的日期之前的60天的日期作为基准日期。

在预测规则学习单元110中被使用的关于正常工作人员的出勤管理信息是例如以执行正常工作的任何日期作为基准日期、通过以上描述的方法而被确定的出勤管理信息。优选的是关于出勤管理信息的正常工作人员正常地工作如下时段，该时段至少不少于从在关于正常工作人员的出勤管理信息中包括的时段的结束起的预定时段。换而言之，优选的是至少在不少于从确认正常工作人员正常地工作的日期(例如，关于雇员取得请假的预定时间被回溯任何时段的日期)起的预定时段之前的日期被选择作为基准日期。这是因为关于正常工作人员的出勤管理信息可能在正常工作人员在预定时段中取得请假的情况下不适合作为关于正常工作人员的出勤管理信息。因此，在预测规则学习单元110中被使用的关于正常工作人员的出勤管理信息可以是使用在不少于从执行正常工作的日期起的预定时段之前的日期作为基准日期而被获得的出勤管理信息。以这样的方式，保证关于出勤管理信息的雇员等已经正常地工作了如下时段，该时段至少不少于从在预测规则学习单元110中被使用的出勤管理信息中包括的时段的结束起的预定时段。图3中的关于正常工作人员的出勤管理信息是使用在不少于从执行正常工作的任何日期起的预定时段之前的日期作为基准日期而被获得的出勤管理信息的示例。在图3的示例中，关于(b)中所示的涉及正常工作人员的第一出勤管理信息，在执行正常工作的任何日期之前的90天被设置作为基准日期。

预测规则学习单元110通过学习在与取得请假的雇员和正常工作人员对应的多项出勤管理信息的模式之间的差值来生成预测规则。预测规则学习单元110可以生成预测规则，该预测规则能够区分在从雇员开始取得请假的日期起的预定时段之前的一点、在取得请假的雇员和正常工作人员的多项出勤管理信息之间的差值。换而言之，预测规则学习单元110可以例如通过使用以上描述的第一出勤管理信息来生成预测规则，该预测规则能够确定出勤的状态是否为在从不存在时段起的预定时段之前的一点取得请假的人所特有的。预测规则学习单元110通过使用分别关于取得请假的雇员和正常工作人员的一项或者多项第一出勤管理信息来生成预测规则。

以根据在预测规则学习单元110中被使用的技术的形式生成预测规则。作为示例，在预测规则学习单元110使用线性分类器时，以如下线性函数的形式表示预测规则，通过该线性函数，基于在预定时间中取得请假的可能性的存在或者不存在来分离关于出勤管理信息的特征矢量的空间。

由预测规则学习单元110生成的预测规则的有效性由后文描述的预测单元120例如基于第一出勤管理信息来确认。换而言之，预测单元120基于生成的预测规则和第一出勤管理信息来从该信息预测取得请假的可能性。预测规则的有效性通过确认结果是否匹配例如由关于第一出勤管理信息的雇员等取得的请假的存在或者不存在而被确认。

预测规则学习单元110可以例如基于第一出勤管理信息和如下信息来生成具有不同内部参数的多个预测规则，该信息指示涉及每项第一出勤管理信息的请假的存在或者不存在。在这样的情况下，预测单元120可以以与以上描述的对有效性的确认相似的方式、通过使用第一出勤管理信息来确认多个预测规则中的哪个预测规则适合用于预测。

接着，将描述预测单元120。预测单元120预测雇员等例如由于精神健康问题而在预定时间中取得请假的可能性。预测单元120通过将作为确定目标的雇员等的第二出勤管理信息应用于由预测规则学习单元110生成的预测规则来预测作为确定目标的雇员等在预定时间中取得请假的可能性。作为示例，在预测规则被表示为线性分类器时，预测单元120通过确定表示第二出勤管理信息的特征矢量属于由线性分类器分类的特征矢量空间中的哪个特征矢量空间来预测请假的可能性。如以上描述的那样，预定时间指示将来时间点，该将来时间点是在将执行预测的时间点之后的任意时段，如例如一个月或者两个月。换而言之，预测单元120预测基于雇员等的第二出勤管理信息来预测雇员等在作为将来时间点的预定时间中取得请假的可能性，直至将执行预测的时间点。

以上描述的作为预测目标的请假不限于公司等的工作规则等中的请假，而是可以包括雇员等停止前往公司等的日期。备选地，以上描述的作为预测目标的请假包括在雇员等的请假之前的上次出勤日期。换而言之，预测单元120也可以预测在预定时间中包括雇员等的上次出勤日期的可能性。

用于在预测单元120中的预测的第二出勤管理信息的形式旨在于与例如如以上描述的用于在预测规则学习单元110中生成预测规则的第一出勤管理信息的形式相似。第二出勤管理信息与第一出勤管理信息不同在与取得请假的第二出勤管理信息有关的雇员等的存在或者不存在还不清楚(请假的可能性由预测单元120预测)。

如以上描述的那样，预测规则学习单元110通过使用以在从取得请假的雇员开始请假的日期起的预定时段之前的日期作为基准日期的第一出勤管理信息作为涉及取得请假的雇员的第一出勤关联信息，来生成预测规则。预测单元120可以通过使用预测规则来确定作为确定目标的雇员等的第二出勤管理信息是否匹配在从请假的时段起的预定时段之前的一点取得请假的雇员的存在状态(或者匹配程度)。因而，预测单元120可以预测作为确定目标的雇员等在预定时间中取得请假的可能性。

预测单元120可以确定雇员等是否在预定时间中取得请假作为用于预测作为确定目标的雇员等在预定时间中取得请假的可能性的具体方法。预测单元120也可以将雇员等在预定时间中取得请假的可能性的程度确定为用于预测作为确定目标的雇员等在预定时间中取得请假的可能性的另一具体方法。在这种情况下，例如，预测单元120可以基于任意标准将请假的可能性转换成数值，并且可以将可能性表示为数值。

在预测规则被表示为线性分类器时，预测单元120可以通过将作为确定目标的雇员等的出勤管理信息应用于线性分类器来确定雇员等取得请假的可能性的存在或者不存在。基于在出勤管理信息与线性分类器之间的关系(例如，在出勤管理信息与特征矢量空间中的由线性分离器定义的判别式表面之间的距离)来预测在预定时间中的请假的可能性(或者可能性的程度)。线性分类器定义在可以取得请假的雇员等与正常工作的雇员等之间的边界表面(在两个维度的情况下为边界线)。换而言之，取得请假的可能性的程度和正常地工作的可能性的程度中的每个可能性的程度在边界表面上是50％。请假的可能性的程度或者正常工作的可能性的程度随着从边界表面起的距离增加而被增加。

接着，将参照图4来描述请假预测系统100的操作的示例。

首先，预测规则学习单元110生成预测规则(步骤S101)。在生成预测规则时，预测规则学习单元110从出勤信息存储单元130读取出在出勤信息存储单元130中存储的出勤管理信息和如下信息并且使用它们，该信息指示关于每个雇员等的请假的存在或者不存在。预测规则学习单元110在预测规则存储单元140中存储被生成的预测规则。

然后，预测单元120通过使用包括时序因素的关于作为预测目标的雇员的出勤管理信息和在步骤S101中被生成的预测规则来预测作为预测目标的雇员在预定时间中取得请假的可能性(步骤S102)。在预测中，预测单元120从出勤信息存储单元130读取包括关于作为预测目标的雇员的时序因素的出勤管理信息，并且使用该信息。另外，预测单元120从预测规则存储单元140读取预测规则，并且使用该规则。

本示例实施例中的请假预测系统100通过学习如以上描述的包括雇员等的时序因素的出勤管理信息来生成预测规则。然后，本示例实施例中的请假预测系统100通过使用预测规则来预测作为预测目标的雇员在预定时间中取得请假的可能性。本示例实施例中的请假预测系统100可以通过利用包括雇员等的时序因素的出勤管理信息来生成预测规则，来确定在雇员等取得请假的预定时段之前的时段中的出勤状态。因而，本示例实施例中的请假预测系统100可以预测雇员等取得请假的时段。

此外，公司等可以通过使用本示例实施例中的请假预测系统100来预先识别取得请假的雇员等的存在或者不存在的可能性和将在存在请假的可能性时取得请假的时段。因而，可以变得有可能让公司等根据雇员等被预测取得请假的时段来采取用于避免请假的行动。换而言之，公司等和被预测取得请假的雇员等二者可以通过使用本示例实施例中的请假预测系统100来减少各种损失、包括由请假引起的经济损失。

(请假预测系统的配置和应用示例)

本示例实施例中的请假预测系统100的各种示例可被设想为具体配置。

作为示例，在请假预测系统100中，预测规则学习单元110和预测单元120可以被实施为如图5中所示的相互分离的设备。换而言之，请假预测系统100可以被实施为包括预测规则学习设备101和预测设备102的系统。设备可以具有如下配置，在该配置中，设备相互物理地分离，并且经由任何种类的有线或者无线通信网络而被连接。

此外，可以存在配置以使得出勤信息存储单元130和预测规则存储单元140被包括在设备之一中，并且经由通信网络被连接到另一设备。备选地，在每个设备中包括出勤信息存储单元130和预测规则存储单元140。在这种情况下，可以存在配置以使得出勤信息存储单元130和预测规则存储单元140存储在每个设备中被需要的信息。图5图示了其中在每个设备中包括出勤信息存储单元130和预测规则存储单元140的配置。

另外，在这样的情况下，可以存在配置以使得请假预测系统100可以包括关于单个预测规则学习设备110的多个预测设备120。在这种情况下，单个预测规则学习设备110和多个预测设备120经由任何种类的通信网络被相互连接。这样的配置可以例如实现提供如下服务，在该服务中，拥有预测规则学习设备110的业务运营者生成用于拥有多个预测设备120中的每个预测设备的另一业务运营者的预测规则。

在本示例实施例中，请假预测系统100被描述为如下系统，该系统预测公司等中的雇员等在预定时间中取得请假的可能性。然而，本示例实施例中的请假预测系统100也可以应用于其它领域。例如，本示例实施例中的请假预测系统100可以预测学生等由于精神健康问题而在预定时间中不在学校等(长时间段缺勤)的可能性。换而言之，“雇员等在预定时间中取得请假的可能性”可以被视为涵盖本示例实施例中的“学生在预定时间中缺勤的可能性”。本示例实施例中的请假预测系统100也可以用于预测某种事件在将来预定时间中出现的可能性。

以上描述的本示例实施例中的请假预测系统100的具体配置和应用示例可以相似地应用于后文描述的每个示例实施例中的请假预测系统。

(第二示例实施例)

随后，将描述本发明的第二示例实施例。图6A图示了在本发明的第二示例实施例中的请假预测系统中包括的预测规则学习单元110中生成预测规则的情况下的示例。图6B图示了在本发明的第二示例实施例中的请假预测系统中包括的预测单元120中的预测的情况下的示例。

本示例实施例中的请假预测系统100的配置可以与本发明的第一示例实施例中的请假预测系统100的配置相同。在本示例实施例中的请假预测系统100中，预测规则学习单元110根据具有共有性质的雇员等来生成预测规则。在本示例实施例中的请假预测系统100中，预测单元120从根据具有共有性质的雇员等被生成的预测规则根据作为预测目标的雇员等选择预测规则，并且预测在预定时间中的请假的可能性。

本示例实施例中的请假预测系统100与本发明的第一示例实施例中的请假预测系统100不同在于以上描述的几点。换而言之，本示例实施例中的请假预测系统100将雇员等的第一出勤管理信息分类成具有共有性质的群集以生成预测规则，并且预测在预定时间中的请假的可能性。

在本示例实施例中，具有共有性质的雇员等例如是被视为对于在第一或者第二出勤管理信息中被包括的因素具有相似趋势的雇员。换而言之，例如，其中在第一或者第二出勤管理信息中被包括的关于出勤的信息满足预定条件的雇员等可以在本示例实施例中的请假预测系统100中被视为具有共有性质的雇员等。在这种情况下，关于出勤的信息例如包括加班小时、取得的假日的数目、在一周的具体日子取得的假日的数目等。

在本示例实施例中，作为示例，基于在表示第一或者第二出勤管理信息的特征矢量的特征矢量空间之间的距离来确定与出勤管理信息有关的雇员等是否具有共有性质。换而言之，确定与其中距离在预定范围内(距离在短范围中并且出勤的趋势被视为相互相似)的第一或者第二出勤管理信息有关的雇员具有共有性质。

作为另一示例，具有共有性质的雇员等例如是具有与请假的预测目标相似的属性的雇员等。在这种情况下，雇员等的属性例如是作为请假的预测目标的雇员等的年龄、位置、职责、以往请假的存在或者不存在等。

在本示例实施例中，预测规则学习单元110可以通过任意技术、根据具有共有性质的雇员来生成预测规则。作为示例，预测规则学习单元110可以通过使用以上描述的异构混合学习技术、根据具有共有性质的雇员和判决树来生成预测规则(例如，判别式)，该判决树表示在第一出勤关联信息与每个预测规则之间的关联性。

在这种情况下，预测规则120通过使用以上描述的判决树、基于作为预测目标的雇员等的第二出勤管理信息来选择根据具有共有性质的雇员等中的每个雇员而被生成的预测规则中的任何预测规则待使用。预测单元120通过使用选择的预测规则来预测作为预测目标的雇员等在预定时间中取得请假的可能性。

作为另一示例，预测规则学习单元110可以如图6A中所示执行对作为学习的数据的雇员等的第一出勤管理信息的集群(clustering)，并且可以基于在每个群集中包括的雇员等的第一出勤管理信息等来生成用于每个群集的预测规则。在这种情况下，预测规则学习单元110可以例如使用K均值等作为用于执行对学习的数据的集群的技术。在图6A中所示示例中，预测规则学习单元110执行将第一出勤管理信息集群成群集1和群集2并且生成判别式作为用于每个群集的预测规则。

在这种情况下，预测单元120如图6B中所示根据作为预测目标的雇员等的第二出勤管理信息、从为具有共有性质的雇员等中的每个雇员生成的预测规则选择预测规则，并且预测在预定时间中的请假的可能性。换而言之，预测单元120选择在从表示作为预测目标的雇员等的第二出勤管理信息的特征矢量的最近距离的群集。作为在特征矢量与群集之间的距离，例如可以使用在特征矢量与群集的中心之间的距离。然后，预测单元120通过使用为选择的群集而生成的预测规则来预测雇员等在预定时间中取得请假的可能性。在图6B中所示示例中，预测单元120为由三角形标记表示的、关于第二出勤管理信息的数据选择群集1。预测单元120然后通过使用用于群集1的判别式来预测关于第二出勤管理信息的请假的可能性。

如以上描述的那样，预测规则学习单元110在本示例实施例中的的请假预测系统100中，根据具有共有性质的雇员等中的每个雇员来生成预测规则。在本示例实施例中的请假预测系统100中，预测单元120从为具有共有性质的雇员等中的每个雇员生成的预测规则选择关于作为预测目标的雇员的预测规则，并且预测在预定时间中的请假的可能性。预测单元120可以增强对雇员等取得请假的可能性的预测的准确度，因为预测规则学习单元110根据具有共有性质的雇员等来生成预测规则。

本示例实施例的请假预测系统100可以具有配置以使得可以基于根据具有共有性质的雇员等而被生成的预测规则来预测雇员等取得请假的可能性，而没有指定其中雇员等将取得请假的时段。

(第三示例实施例)

随后，将描述本发明的第三示例实施例。图7是如下图形，该图形表示由本发明的第三示例实施例中的请假预测系统100推导出的、请假的可能性的时间变化。

本示例实施例中的请假预测系统100的配置可以与本发明的第一示例实施例中的请假预测系统100的配置相同。本示例实施例中的请假预测系统100与本发明的第一示例实施例等中的请假预测系统100不同在于预测单元120推导请假的预测的可能性的时间变化。换而言之，预测单元120在每天基础、每月基础等上在任意多个时间点预测在预定时间中的请假的可能性，并且将预测的结果推导为对请假的可能性的预测的结果的历史。

图7是如下图形，该图形表示由本发明的第三示例实施例中的请假预测系统100生成的、请假的可能性中的时间变化。在图7中所示的图形中，水平轴指示其中请假的可能性被预测的时段。在图7中所示的图形中，竖轴指示请假的可能性的程度。换而言之，图7中所示的图形是通过由预测单元120预测在任意多个时间点的请假的可能性并且通过在水平轴上绘制以上描述的在多个时间点的预测的结果而被推导出的图形。图7中所示的图形表示雇员可以例如在请假的可能性的程度超过由在水平轴的方向上的线指示的预定程度时取得请假。在图7中所示的示例中，认为雇员A取得请假的可能性出现在六月末。

另外，本示例实施例中的请假预测系统可以推导关于多个雇员等的请假的可能性中的时间变化。

请假的可能性中的推导出的时间变化(包括图7中所示的图形)由未被图示的任何输出装置输出。输出装置的示例包括显示设备。在这样的情况下，显示设备可以被直接地连接到请假预测系统100或者，可以经由通信网络(比如有线或者无线通信网络)而被连接到请假预测系统100。

如以上描述的那样，本示例实施例中的请假预测系统100推导请假的预测的可能性的时间变化。请假的可能性的推导出的时间变化经由任何输出装置以例如表示变化的图形等的形式而被输出。

(第四示例实施例)

随后，将描述本发明的第四示例实施例。图8图示了表格的示例，该表格涉及在本发明的第四示例实施例中被推导出的、每个雇员取得请假的可能性的分数。

本示例实施例中的请假预测系统100的配置可以与本发明的第一示例实施例中的请假预测系统100的配置相同。在本示例实施例中的请假预测系统100中，预测单元120推导为多个雇员预测的请假的可能性的程度。

可以例如以图8中的表格等的形式来表示由预测单元120推导出的、涉及多个雇员的请假的可能性的程度。在分数中表示图8中所示的表格，该分数的值随着请假的可能性的程度增加而增加。换而言之，图8中所示的表格按照请假的可能性的程度的降序示出雇员等。表格由未被图示的任何输出装置以与例如本发明的第三示例实施例中的请假预测系统100中的表格相似的方式被输出。如以上描述的那样，根据例如在用于每个雇员的出席管理信息与特征矢量空间中的判别式表面之间的距离来确定在图8中列举的分数。作为示例，这样的分数是以如下形式，其中根据在用于每个雇员的出席管理信息与判别式表面之间的距离，分数在请假的可能性的程度高时变成正值，并且分数在正常工作的可能性的程度高时变成负值。以上描述的距离(在这一示例中的d)可以是如下形式，该形式通过应用于Σ函数1/(1+exp(-d))(exp表示自然对数的基数的幂)来取得范围从0至1的值。在这种情况下，分数在出席管理信息在特征矢量空间中的判别式表面在特征矢量空间中的判别式表面上时变成1/2。该值在请假的可能性高的程度高时迫近1，而该值在正常工作的可能性的程度高时迫近零。

如以上描述的那样，本示例实施例中的请假预测系统推导为多个雇员预测的请假的可能性的程度。因而，本示例实施例中的请假预测系统100的用户有可能容易地知道很可能取得请假的雇员等。本示例实施例中的请假预测系统100的用户可以基于取得请假的多个雇员的可能性高的推导的程度对于请假的可能性高的雇员等采取行动。

(第五示例实施例)

随后，将描述本发明的第五示例实施例。图9图示了图形的示例，该图形涉及在本发明的第五示例实施例中被推导出的、可以变成请假的原因的因素。

本示例实施例中的请假预测系统100的配置可以与本发明的第一示例实施例中的请假预测系统100的配置相同。本示例实施例中的请假预测系统100在预测单元120预测作为预测目标的雇员等将很可能取得请假时推导用于引起请假的因素的候选。本示例实施例中的请假预测系统100与本发明的第一示例实施例等中的请假预测系统100不同在于以上描述的几点。

在本示例实施例中，在请假预测系统100中被使用的第一或者第二出席管理信息包括关于公司等中的雇员等的出勤的一项或者多项信息。在第一或者第二出勤管理信息包括涉及公司等中的雇员等的出勤的多项信息时，在第一或者第二出勤管理信息中被包括的关于出勤的信息的一些因素可以影响请假的可能性。在本示例实施例中的请假预测系统100中，预测单元120指定因素，该因素可以是对很可能被取得请假的确定的原因，并且推导用于作为请假的原因的因素的候选。

在本示例实施例中，预测单元120可以指定如下因素作为用于引起请假的因素的候选，该因素涉及在第二出勤管理信息中被包括的、涉及出勤的多项信息之中的满足预定条件的信息。预测单元120可以基于在第二出勤关联信息与由预测规则学习单元110生成的预测规则之间的关系来指定用于引起请假的因素的候选。预测单元120可以在除了以上描述的过程之外的任何过程中推导用于引起请假的因素的候选。

以例如图9的图形的形式表示用于引起请假的因素的推导出的候选。这样的图形由例如未被图示的输出装置输出。以如下形式示出图9中所示图形，在该形式中，更可能的是请假的原因的因素具有更高值。换而言之，关于图9中所示的图形的雇员等被视为用于在该图中包括的原因之中的引起请假的因素的候选，这些因素包括工作小时、加班小时或者假日工作。

如以下描述的那样相对于以上描述的判别式设置在图9的图形中指示的值中的每个值。作为示例，假设判别式是在以下等式(1)中表示的线性判别式。

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是系数，并且x(x_1，...x_n)是特征矢量。另外，其中f(x)>0的情况表示雇员等很可能取得请假，而其中f(x)<0的情况表示雇员等正常工作。x_1，…x_n中的每项分别对应于在图9的水平轴上被指示的图形的每项。在判别式的示例中，a_i*x_i的值对应于图9中所示的图形的因素之一。其中该值为正的情况表示雇员等很可能由于该因素而取得请假。其中该值为负的情况表示该因素没有使得雇员等取得请假，并且雇员等很可能正常工作。

如以上描述的那样，本示例实施例中的请假预测系统100推导用于引起请假的因素的候选。经由任何输出装置以例如图形等的形式输出用于引起请假的因素的推导出的候选。因而，在存在很可能取得请假的雇员等时，本示例实施例中的请假预测系统100的用户可以了解用于引起请假的因素的候选。因此，本示例实施例中的请假预测系统100的用户有可能采取用于减少雇员等取得请假的可能性的行动，比如排除使雇员等取得请假的因素。

(第六示例实施例)

随后，将描述本发明的第六示例实施例。图10图示了图形的示例，该图形表示在本发明的第六示例实施例中被推导出的、雇员等取得请假的可能性中的变化。

本示例实施例中的请假预测系统100的配置可以与本发明的第一示例实施例中的请假预测系统100的配置相同。在本示例实施例中的请假预测系统100中，预测规则学习单元110生成关于对雇员在互不相同的多个预定时间中取得请假的可能性的预测的预测规则。预测单元120预测作为预测目标的雇员等在互不相同的多个预定时间中取得请假的可能性。本示例实施例中的请假预测系统100与本发明的第一示例实施例等中的请假预测系统100不同在于以上描述的几点。

在本示例实施例中，预测规则学习单元110如以上描述的那样生成关于对雇员在互不相同的多个预定时间中取得请假的可能性的预测的相应的预测规则。换而言之，预测规则学习单元110可以通过使用具有不同基准日期的多项第一出勤管理信息来生成在多个预定时间中的相应的预测规则。另外，预测单元120通过使用由预测规则学习单元110生成的在多个预定时间中的相应的预测规则来预测在多个预定时间中的每个预定时间中的请假的可能性。

在例如在图10中所示的图形中表示在多个预定时间中的请假的预测的可能性。作为示例，通过绘制对根据每个雇员等被预测的、在多个预定时间的请假的可能性的结果(其中多个时间点在水平轴上)来推导图10中所示的图形。如在图10中所示的图形中所示，可以通过预测在多个预定时间中的请假的可能性来表示雇员等取得请假的可能性中的变化。在图10中所示的图形中，尽管雇员A具有请假的可能性的低初始程度，但是雇员A在四个月之后达到由虚线指示的和被确定具有请假的可能性的程度。对照而言，尽管雇员B具有请假的可能性的高初始程度，但是雇员B截至至少四个月没有达到被确定具有请假的可能性的程度。

因而，本示例实施例中的请假预测系统100的用户有可能采取行动以免增加雇员A取得请假的可能性的程度，并且然后采取行动以减少雇员B取得请假的可能性的程度。换而言之，本示例实施例中的请假预测系统100的用户可以根据雇员等的请假的可能性、变化和变化出现的时段来采取行动以便防止雇员等取得请假。

如以上描述的那样，本示例实施例中的请假预测系统100预测在互不相同的多个预定时间中的请假的可能性。换而言之，本示例实施例中的请假预测系统100的用户可以了解雇员等在预测时间点之后取得请假的可能性中的变化。因而，本示例实施例中的请假预测系统100的用户有可能根据雇员等在预测时间点之后取得请假的可能性的变化来采取行动。

可以相互组合本发明的第三至第五示例实施例中的请假预测系统的操作。本发明的第三至第五示例实施例中的请假预测系统的配置可以与本发明的第二示例实施例中的请假预测系统的配置相同。

以上已经参照示例实施例描述了本发明。然而，本发明不限于以上描述的示例实施例。本发明的构造和细节可以受到本领域技术人员可以在本发明的范围内理解的各种修改。如果没有脱离本发明的范围，则可以相互组合相应示例实施例中的配置。

本申请要求基于提交于2014年9月3日并且通过完全引用而将全部公开内容结合于此的第2014-179457号日本专利申请的优先权。

[标号列表]

100 请假预测系统

101 预测规则学习设备

102 预测设备

110 预测规则学习单元

120 预测单元

130 出勤信息存储单元

140 预测规则存储单元

500 信息处理设备

501 CPU

502 ROM

503 RAM

504 程序

505 存储设备

506 记录介质

507 驱动设备

508 通信接口

509 通信网络

510 输入-输出接口

511 总线