本发明涉及一种人员配置的方法，特别是一种应用于预测分配至工厂的工作位置的人员的生存几率的方法。
背景技术：
：生产管理中，人员调动分配的优劣会影响员工的生存几率(即在职几率)，进而对工厂的产能造成影响。然而，现今的人员调动方式并无一定规则；换言之，当工厂的工作位置有空缺时，是从新进员工中以随机方式或者依据主观想法(例如：此工作位置主观上较适合男性)而随意挑选一名员工至此工作位置进行工作。因此，此员工在该工作位置的生存几率难以预测，使得工厂的产能不稳定。技术实现要素：有鉴于此，需要一种人员配置的方法并利用其预测结果安排适当的新进人员至工厂的空缺工作位置。本发明一实施例提供一种人员配置的方法，应用于将待分配人员分配至多个工作位置中的其中之一，该人员配置的方法由电子装置执行，电子装置包括储存模块、处理器以及输出模块，储存模块，处理器以及输出模块彼此信号连接，该方法包括：利用处理器从储存模块取得对应各工作位置的多个历史数据，各历史数据包括已分配工作人员的至少一个特征信息；利用处理器以历史数据建立生存几率模型；依据该待分配人员的至少一特征信息，利用处理器以生存几率模型取得该待分配人员分别在所述工作位置的生存几率；依据待分配人员在前述工作位置的生存几率，利用处理器判断待分配人员应配置的工作位置；以及利用输出模块输出待分配人员应配置的工作位置。一实施例中，其中，利用处理器判断待分配人员应配置的工作位置，还包括：依据生存几率以一线性规划的结果，利用处理器判断待分配人员应配置的工作位置。一实施例中，利用处理器以历史数据建立一生存几率模型包括：根据至少一特征信息的不同的条件，利用处理器从历史数据中分别抽取多个样本群；利用处理器将各样本群分为多个训练数据与多个验证数据；根据各样本群中的训练数据，利用处理器分别建立一候选模型；依据各样本群中的验证数据的至少一者，利用处理器计算所对应的候选模型之一准确度；以及利用处理器选择准确度最高的候选模型作为生存几率模型。于一实施例中，准确度是由c-index算法得到。于一实施例中，条件为历史数据的范围、已分配人员的性别信息、已分配人员的年龄信息、已分配人员的住宿信息或上述任意二者以上的组合。一实施例中，利用处理器以历史数据建立一生存几率模型包括：利用处理器从历史数据中取出多个训练数据；利用处理器执行一决策树算法，以训练数据建立生存几率模型，其中决策树算法包括多个决策树，各决策树包括至少一分支，各分支包括根节点及对于至少一特征数据进行二元分类所延伸的二叶节点，同一决策树中的各根节点所进行的二元分类的特征数据彼此为不同。于一实施例中，利用处理器执行一决策树算法，以训练数据建立生存几率模型包括：于同一根节点，利用处理器执行检定算法以训练数据计算每一特征信息的检定值；利用处理器选择检定值中最大者所对应的特征信息作为一受选特征信息；以及以前述受选特征信息利用该处理器于该根节点进行二元分类。此外，于一实施例中，检定算法为对数-等级检定算法。于一实施例中，利用处理器以历史数据建立一生存几率模型包括：根据至少一特征信息的不同的条件利用处理器从历史数据中分别抽取多个样本群；利用处理器将各样本群分为训练数据与多个验证数据；利用处理器执行一决策树算法，以各样本群的训练数据分别建立一候选模型，决策树算法包括多棵决策树，各棵决策树包括至少一分支，各分支包括一根节点及对于至少一特征信息的其中之一进行一二元分类所延伸的二叶节点，各根节点所进行的二元分类的特征信息不同；依据各样本中的验证数据的至少一者，利用处理器计算所对应的候选模型之一准确度；以及利用处理器选择准确度最高的候选模型作为生存几率模型。于一实施例中，条件为历史数据的范围、已分配人员的性别信息、已分配人员的年龄信息、已分配人员的住宿信息或上述任意二者以上的组合。于一实施例中，利用处理器以历史数据建立一生存几率模型包括：利用处理器将历史数据分为多个训练数据与多个验证数据；利用处理器执行一决策树算法，以训练数据搭配不同的决策树模型参数分别建立候选模型，决策树算法包括多棵决策树，各棵决策树包括至少一分支，各分支包括一根节点及对于至少一特征信息的其中之一进行二元分类所延伸的二叶节点，各根节点所进行的二元分类的特征信息不同；依据验证数据的至少一者，利用处理器分别计算候选模型之一准确度；以及利用处理器选择准确度最高的候选模型作为生存几率模型。其中模型参数为二元分类的次数、判定树的数量、各判定树中最末端叶节点的数据的最小数量、各决策树的层数或上述任意二者以上的组合。综上所述，通过本发明实施例所提供的人员配置的方法，可以系统化地配置新进人员至适当的工作位置，进而提升人员在工作位置的在职几率。附图说明图1是本发明一实施例的人员配置的方法的流程示意图；图2是本发明一实施例的人员配置的方法的步骤s20之一细节流程示意图；图3是本发明一实施例的人员配置的方法的步骤s20的另一细节流程示意图；图4是本发明一实施例的人员配置的方法的决策树的示意图；图5是本发明一实施例的人员配置的方法的步骤s203a的细节流程示意图；图6是本发明一实施例的人员配置的方法的步骤s20的又一细节流程示意图；图7是本发明另一实施例的人员配置的方法的流程示意图；图8是应用于执行本发明一实施例的人员配置的方法的电子装置的功能方框图。具体实施方式请参阅图1，为本发明一实施例的人员配置的方法的流程示意图，其具体公开了本发明的人员配置的方法。所述方法可应用于预测一待分配人员于多个工作位置中的其中之一的生存几率。在此，工作位置是指工厂中的站位，但并不以此为限，亦可以为工厂中多个工作站中其中之一个工作站内的站位。如图8所示，人员配置的方法由一电子装置80执行。电子装置80包括储存模块81、处理器82以及输出模块83。储存模块81、处理器82以及输出模块83彼此通过有线或无线信号连接。举例而言，电子装置80可以是工业电脑、个人电脑、笔记本电脑、智能手机、平板电脑等。于此，储存模块81可以由一个或多个储存元件所实现。其中，各储存元件可以是例如非挥发式内存、硬盘、光盘或磁带等，但在此并不对其限制。处理器82可以由一个或多个处理元件实现。于此，各处理元件可以是微处理器、微控制器、数字信号处理器、微型计算器、中央处理器、场编程门阵列、可编程逻辑设备、状态器、逻辑电路、模拟电路、数字电路和/或任何基于操作指令操作信号(模拟和/或数字)的装置，但在此并不对其限制。输出模块可以是屏幕、打印机、语音输出装置(例如喇叭)，但在此并不对其限制。于步骤s10中，利用处理器82从储存模块81取得每一工作位置的多个历史数据。表1所示为某工作位置于最近两年的历史数据，其包括10位已在此工作位置工作过的工作人员的特征信息(性别、年龄、是否住宿)及其个别的生存时间信息(在职天数、是否已离职)。其中，“性别”字段、“是否住宿”字段以及“是否已离职”字段是用1与0区分(男性/女性、住宿/不住宿、在职/离职)。在职天数指的是工作人员在此工作位置的工作日数，而是否已离职是指工作人员是否已离开此工作位置不再工作。换言之，生存时间信息包含工作人员被设置于该工作位置之一持续时间。需要说明的是，表1所提供的信息仅为例示，本发明并不以此为限。举例来说，工作人员的特征信息并不以上述的年龄、性别、是否住宿为限；历史数据不以两年为限，且亦可包含此工作位置的工作人员与邻近工作位置的工作人员的同性别比例、工作人员的学历或是工作人员的婚姻状态等信息。另外，在此被归类为同一站的多个工作位置的工作内容并不要求完全相同，举例来说，可以依据工作位置作业时间、人员操作动作及人员操作姿势(坐姿/站姿)等与工作位置有关的参数的相似度，将具有较高相似度的数个工作位置当作为同一站。表1工号性别年龄是否住宿在职天数是否已离职1119.105312126.6112003031.201004022.715015135.303006123.517007018.702008020.516019127.60100010129.311301于步骤s20，利用处理器82以历史数据建立一生存几率模型。在此并不限制使用生存几率模型的类型，只要能够准确预测生存几率即可。然而，生存几率模型的准确度会受到模型的种类以及建立模型时所使用的数据参数所影响。于一实施例中，为了使最终采用的生存几率模型具有较高的准确度以产生具可信度的预测结果，于步骤s20时，可进一步计算生存几率模型的准确度。如图2，可以利用下述步骤计算准确度而检验所使用的数据参数以及生存几率模型的参数，以确保最终的生存几率模型能够准确预测生存几率(即，具有最高的准确度)。首先，于步骤s201中，是根据至少一特征信息的不同的条件，利用处理器82从历史数据中分别抽取多个样本群。于一实施例中，步骤s201中所述的条件可以是工作人员的年龄范围；假设今天此工作位置需要重劳力付出而仅考虑30岁以下、28岁以下以及25岁以下的工作人员的历史数据，因此可以从表1中取得分别对应上述三个条件的三个不同的样本群。于另一实施例中，步骤s201中所述及的条件可以是历史数据的时间范围；详言之，可以依据一年内以及半年内的历史数据，从表1取得分别对应上述两个期间内的不同样本群。另外，条件亦可以系数个特征信息的范围组合；举例来说，假设今天此工作位置为重劳力性质且需要常态加班，而仅考虑有住宿且为30岁以下、28岁以下或者25岁以下的工作人员的历史数据，则可从表1取得分别对应上述三个年龄的三个不同的样本群。此外，条件亦可以为将特征信息的数值经过变量处理后再进行范围的选取；例如先利用四舍五入的方式对历史数据中的年龄字段进行变量处理后，再抽取年龄大于25岁的样本群与年龄大于28岁的样本群。于步骤s202中，是利用处理器82将各样本群分为训练数据与验证数据。训练数据用来供后续步骤建立生存几率模型，而验证数据则是用来验证生存几率模型的准确度。在此，抽样方式并不加以限制；举例来说，可为抽出后须放回的自助抽样法(bootstrapmethod)或者抽出后不再放回的抽样法。另外，训练数据与验证数据的数量(例如人员笔数)可以相同，亦即样本群中均分为训练数据与验证数据；或者训练数据与验证数据的数量可为不同。需要说明的是，通过自助抽样法可以直接决定训练数据与验证数据；换言之，于自助抽样法中，未被抽到的数据即为验证数据。于步骤s203中，是依据各样本群的训练数据，利用处理器82分别建立一候选模型，以前述三个年龄的例，即是依据不同年龄范围的样本群的训练数据分别建立三个候选模型。于步骤s204中，是依据各样本群中的验证数据的至少一者，利用处理器82计算所对应的候选模型之一准确度。于此例，前述三个候选模型分别通过其各自的验证数据计算模型的准确度。因为这些验证数据也是来自于与建立候选模型的验证数据相同的历史数据，所以将验证数据中的特征信息套入候选模型所产生的生存几率估计值，可与验证数据中的实际生存时间信息相比较，可以量化生存几率模型的准确度。在一实施例中，可以通过c-index算法估算生存几率模型的准确度(c-index的值越接近1越准确)。之后，于步骤s205中，可以利用处理器82选择准确度最高的候选模型作为生存几率模型，以利后续评估新进人员的生存几率。然后，于步骤s30中，可以依据一待分配人员的特征信息，利用处理器82以上述生存几率模型而取得此人员在这些工作位置各具有的生存几率。接着，于步骤s40中，是依据待分配人员在上述工作位置的生存几率，利用处理器82判断待分配人员应配置的工作位置。最后，于步骤s50，再利用输出模块83输出此待分配人员应配置的工作位置。请参阅图3，本发明另一实施例，示出步骤s20的另一细节流程示意图。与图2所列举的实施例不同的地方在于，图3的步骤s203a为步骤s203的具体实施例。亦即，利用处理器82执行决策树算法建立候选模型。举例而言，决策树算法可为随机生存森林算法(randomsurvivalforest,rsf)，但并不以此为限。于决策树算法中，是使用多个决策树建立候选模型。详言之，对各样本群进行多次抽样而取得多组的训练数据，而后根据每组训练数据产生一棵决策树，因此对各样本群来说，可产生多棵决策树。需要说明的是，当采用随机生存森林(randomsurvivalforest,rsf)算法建立候选模型时，因为随机生存森林算法在取得训练数据时，是利用自助抽样法进行抽样，因而处理器82可能会重复抽取样本群中的同一笔数据(重复抽样)，所以各样本群中未被抽样的数据就会成为验证数据，于是经由自助抽样法便可产生训练数据与验证数据。举例来说，对具有10笔数据之一样本群而言，处理器82于每次抽样中对此10笔数据以自助抽样法抽样，共抽样5次，所以总共产生5棵决策树。由于以自助抽样法抽样时一般会有重复抽样的情况，所以每次抽样的数据笔数不一定相同，因而各棵决策树所使用的抽样数据(即训练数据)亦不一定相同。各决策树包括至少一分支。并且，同一决策树中的各根节点所进行的二元分类的特征信息彼此为不同。如图4所示，于一实施例中，决策树50包括三个分支51/52/53，分支51包括一根节点51a及对于至少一特征信息进行一二元分类所延伸的二叶节点51b、51c。类似地，分支52包括一根节点52a(即叶节点51b)及对于至少一特征信息进行一二元分类所延伸的二叶节点52b、52c；分支53(即叶节点51c)包括一根节点53a及对于至少一特征信息进行一二元分类所延伸的二叶节点53b、53c。同一判定树中的各根节点51a/52a/53a所进行的二元分类的该特征信息彼此为不同。举例来说，于一次抽样中是总共10笔数据中抽出了6笔；于图4中，根节点51a即代表此6笔训练数据，而根节点51a与叶节点51b、51c之间的路径则表示对于此6笔训练数据依据是否住宿的特征信息进行的二元分类。换句话说，于建立此一分支的过程中，针对此6笔训练数据依据是否住宿的特征信息而分类，若当笔训练数据为有住宿者则归类于叶节点51b，未住宿者则归类于叶节点51c。如图4，分类后有住宿的数据数为2，而没住宿的数据数为4。在此，继续对此二组数据分别再进行一次二元分类。换句话说，在本实施例中，叶节点51b即是分支52的根节点52a，而根节点52a与叶节点52b、52c之间的路径则表示对于根节点52a的2笔训练数据依据年龄是否大于或等于27.6岁进行的二元分类；同样地，叶节点51c即是分支53的根节点，而根节点53a与叶节点53b、53c之间的路径则表示对于根节点53a的4笔训练数据依据性别的特征信息进行的二元分类。于前述二元分类后，如图所示，叶节点52b的数据数为1(年龄大于或等于27.6岁)，而叶节点52c的数据数为1；叶节点53b的数据数为2(性别为男性)，而叶节点53c的数据数为2。需要对其进行说明是，在此虽然以单一决策树具有三个根节点为例，但本发明并不以此为限。此外，虽然于图4是按序依据是否住宿、性别以及年龄是否大于或等于27.6岁作为分类的根据，但本发明亦不以此为限。进一步言，于一实施例中，分类的依据及顺序可通过一检定算法所决定。图5所示流程用以说明前述步骤s203a包括：步骤s2031a、步骤s2032a以及步骤s2033a。步骤s2031a：于同一根节点，利用处理器82执行一检定算法以训练数据计算每一特征信息之一检定值；步骤s2032a：利用处理器82选择检定值中最大者所对应的特征信息作为一受选特征信息；以及步骤s2033a：以前述受选特征信息利用该处理器于该根节点进行二元分类。以不同类别的特征信息对同一组训练数据进行分类会产生不同的检定值。举例来说，以是否住宿对前述6笔训练数据进行分类所得到的检定值是5，而以性别对前述6笔训练数据进行分类所得到的检定值是2。在另一实施例中，可以同一类别的特征信息的不同值对同一组训练数据进行分类，也会产生不同的检定值；举例来说，以年龄是否大于或等于27.6岁对前述6笔训练数据进行分类所得到的检定值是8，而以年龄是否大于或等于22.7岁对前述6笔训练数据进行分类所得到的检定值是0.7。检定值是由分类后两叶节点的数据之间的差异性所决定，当两叶节点的数据之间的差异性愈高时表示依照此分类规则进行分类是适当的，因而具有较高的检定值。于一实施例中，检定算法是一对数-等级检定(log-rankscore)算法。根据以上步骤，当一棵决策树产生之后，可以利用尼尔森-艾伦法(nelson-aalenmethod)对此决策树的每个最末端的叶节点分别依据其中的训练数据计算一生存函数。生存函数为时间的函数，其显示生存几率随着时间增加而衰减；亦即，生存函数仅与训练数据的生存时间信息有关。因此，通过生存函数，可以估算一新进人员于到职后第n天的生存几率为何，具体做法如下。在决策树产生后，将新进人员的特征信息代入此决策树中；换言之，将新进人员的特征信息依据决策树的分类规则进行分类，可得知该人员会被归类到哪一个最末端叶节点。接着，以此最末端叶节点所对应的生存函数估算其于到职后第n天的生存几率。由于在此决策树算法中，具有多棵决策树，并且因为每棵决策树是根据不同的训练数据所产生，各决策树中所采用的分类规则与其顺序不一定相同。由此，可以得到多个不同的生存几率估算值，最后再对这些估算值进行平均而取得此新进人员于到职后第n天在工作位置的平均生存几率。由于决策树本身包含决策树模型参数，例如决策树的数目、决策树中最末端叶节点的数据的最小数量、决策树的层数(图4的情况为2层)等，为了使最终采用的生存几率模型具有较高的准确度，于另一实施例中，是通过准确度(如前所述的c-index算法)对这些决策树模型参数加以选择。请参阅图6，相较于图3，本实施例的方法不根据特征信息而从历史数据抽取样本群，而可直接采用历史数据作为样本群，而省略前述步骤s201，并且是改以不同的决策树模型参数搭配训练数据来分别建立候选模型(步骤s203b)。也就是说，各候选模型是使用相同的训练数据，但使用不同的决策树模型参数。其余的步骤s202b、步骤s204b及步骤s205则与前述图3大致相同，于此不再重复说明。于一实施例中，亦可以先根据至少一特征信息的不同的条件利用处理器82从历史数据分别抽取多个样本群，的后再利用处理器82执行决策树算法，以各样本群的训练数据搭配不同的决策树模型参数分别建立一候选模型。然后再依据各样本群的验证数据，利用处理器82分别计算各候选模型的准确度以决定生存几率模型。表2工号测站_1测站_2测站_31000010.950.80.51000020.720.70.71000030.720.70.61000040.950.30.81000050.950.90.96表3工号测站_1测站_2测站_3100001x11x12x13100002x21x22x23100003x31x32x33100004x41x42x43100005x51x52x53表4工号测站_1测站_2测站_3100001010100002000100003000100004100100005001上述段落所描述的情况为预测一待分配人员于工作位置的第n天的生存几率。另一方面，若是需要预测的待分配人员的人数与工作位置的数量增加时，可以先由上述方法取得各待分配人员在各工作位置于第n天的生存几率(如表2)。之后，再通过处理器82判断待分配人员应配置的工作位置。举例来说，可通过以处理器82执行线性规划的方式取得待分配人员与工作位置之间的最佳配置(如表4)。换言之，于一实施例中，如图7，于步骤s30后还包括：步骤s41：利用处理器82依据生存几率以一线性规划的结果，判断待分配人员应配置的工作位置；以及步骤s50。表2所示为5个待分配员工与3个工作位置于第50天的生存几率的预测情况，表3是将表2进行代数化后的结果，表4则是对表2进行线性规划演算后，解得的最佳解。表4中的1代表最终该待分配人员位于此工作位置，0则否。线性规划算法可以是分支限制(branchandbound，bnb)算法，其中，可加入一个或多个限制条件。例如：每行的所有x值相加小于或等于1(亦即一个工作位置中只能有一名人员)；每列的所有x值相加小于或等于1(亦即一名人员只能被安排到一个工作位置)。由此，如同表4，可以获得一最佳配置，以利生产管理的人员配置。综上所述，通过本发明实施例所提供的人员配置的方法，可以系统化地配置新进人员至适当的工作位置，进而提升人员在工作工作位置的在职几率。虽然上文实施例中公开了本发明的具体实施例，然其并非用以限定本发明，本发明所属
技术领域：
中技术人员，在不悖离本发明的原理与构思的情形下，当可对其进行各种变动与修饰，因此本发明的保护范围当以权利要求书所界定者为准。当前第1页12