基于产业孵化器管理系统的智能打卡方法及装置与流程

本发明涉及计算机技术领域，尤其涉及一种基于产业孵化器管理系统的智能打卡方法。

背景技术：

考勤设备，是对职员的出勤进行记录的电子设备。考勤设备通过考勤设备服务器端口上传考勤信息，以使考勤设备服务器可以公正合理并有效、科学的管理职员的出勤情况。

目前考勤管理系统已经成为企事业单位对于员工考勤管理的必不可少的设备。从最初的机械打卡到如今的基于ic卡的电子考勤系统，已经有了长足的进步。

但是现在每个企事业单位，都不得不购买一套自己的考勤系统，并且有专门的人员负责维护和管理考勤系统和数据。除了人力成本的浪费之外，考勤系统的升级换代也是一笔不小的费用，尤其对于初创型的小企业，导致了考勤系统维护成本的增加。

有鉴于此，很多针对中小初创型企业的孵化器都开发了具有考勤打卡功能的应用软件，利用lbs技术为中小初创型企业提供相应的考勤打卡服务。其原理为利用员工携带的移动终端中的定位功能，在移动终端进入预设的位置范围内进行标记，实现打卡考勤的功能。但在实现本发明的过程中，发明人发现如下技术问题：由于外勤人员活动时间和地点均不固定，且没有规律性。上述方法对于外勤人员，特别是销售人员的考勤具有一定的局限性，且无法判别外勤人员的考勤是否真实有效。

技术实现要素：

本发明实施例提供了一种基于产业孵化器管理系统的智能打卡方法及装置，以解决现有技术中对于外勤人员考勤无法判别真实有效的技术问题。

第一方面，本发明实施例提供了一种基于产业孵化器管理系统的智能打卡方法，包括：

按照预设的规则向外勤人员终端发送信息收集指令，并接收所述外勤人员终端返回的信息，所述返回的信息由外勤人员终端根据所述信息收集指令生成；

根据所述外勤人员终端返回的信息，确定是否存在异常事件，并根据异常事件确定外勤人员考勤是否异常。

进一步的，所述方法还包括：

在所述外勤人员考勤异常时，根据当前时间生成随机验证码，并将所述随机验证码发送至外勤人员终端，以使得所述外勤人员终端将随机验证码嵌入验证图像中；

接收所述验证图像，并根据验证图像修订考勤人员考勤是否异常。

进一步的，所述根据所述外勤人员终端返回的信息，确定是否存在异常事件，包括：

根据预先采集的位置信息和位置信息所对应的时间，确定外勤人员的速度异常。

进一步的，所述根据所述外勤人员终端返回的信息，确定是否存在异常事件，包括：

根据预先采集到的位置信息，估计外勤人员的行进路线，在行进路线的转折点通过所述移动终端的陀螺仪采集方位信息；

并将采集到的方位信息与行进路线转折点的方位信息进行比较，在采集到的方位信息与行进路线转折点的方位信息之间的差值大于预设的方位差值阈值时，确定外勤人员的方位异常。

进一步的，所述根据所述外勤人员终端返回的信息，确定是否存在异常事件，包括：

根据采集到的速度和时间的对应关系，确定外勤人员的运动方式，并根据运动方式确定运动平均速度，根据目的地的具体位置和中途中采集的位置点确定运动路线；

并根据路线和运动平均速度确定预计到达时间；

计算预计到达时间与外勤人员在移动终端进行达到位置操作的时间之间的差值，在该差值大于预设的时间差值阈值时，判断该外勤人员的目的地异常。

进一步的，所述根据所述外勤人员终端返回的信息，确定是否存在异常事件，并根据异常事件确定外勤人员考勤是否异常，包括：

根据所述述外勤人员终端返回的信息确定事件；

将所述事件转换为对应的符号，并计算所述对应的符号之间的支持度；

根据所述支持度进行关联规则挖掘，并根据关联规则确定是否考勤异常。

更进一步的，述根据异常事件确定外勤人员考勤是否异常，包括：

计算所述异常事件的输入向量；

将所述输入向量输入训练完成的支持向量机，根据支持向量机的结果确定外勤人员考勤是否异常。

第二方面，本发明实施例还提供了一种基于产业孵化器管理系统的智能打卡装置，包括：

发送模块，用于按照预设的规则向外勤人员终端发送信息收集指令，并接收所述外勤人员终端返回的信息，所述返回的信息由外勤人员终端根据所述信息收集指令生成；

确定模块，用于根据所述外勤人员终端返回的信息，确定是否存在异常事件，并根据异常事件确定外勤人员考勤是否异常。

进一步的，所述确定模块，用于：

根据所述述外勤人员终端返回的信息确定事件；

将所述事件转换为对应的符号，并计算所述对应的符号之间的支持度；

根据所述支持度进行关联规则挖掘，并根据关联规则确定是否考勤异常。

更进一步的，所述确定模块，用于：

根据所述述外勤人员终端返回的信息确定事件；

将所述事件转换为对应的符号，并计算所述对应的符号之间的支持度；

根据所述支持度进行关联规则挖掘，并根据关联规则确定是否考勤异常。

本发明实施例提供的基于产业孵化器管理系统的智能打卡方法及装置，通过收集销售人员的相关运动信息，并根据所述运动信息综合判定其实际考勤是否真实有效。有效减少了人事部门人工判别的工作量，实现了自动判别外勤人员考勤的真实有效性。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是本发明实施例一提供的基于产业孵化器管理系统的智能打卡方法的流程示意图；

图2是本发明实施例二提供的基于产业孵化器管理系统的智能打卡方法的流程示意图；

图3是本发明实施例三提供的基于产业孵化器管理系统的智能打卡装置的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一提供的基于产业孵化器管理系统的智能打卡方法的流程示意图，本实施例可适用于对在产业孵化器内入驻企业的外勤人员的考勤进行判别的情况，该方法可以由基于产业孵化器管理系统的智能打卡装置来执行，并可集成于产业孵化器管理系统服务器中，具体包括如下步骤：

s110，按照预设的规则向外勤人员终端发送信息收集指令，并接收所述外勤人员终端返回的信息，所述返回的信息由外勤人员终端根据所述信息收集指令生成。

孵化器对于创业者的影响十分大。作为孵化器大多数为创业者提供的是场地与创业服务。在创业者看来孵化器无非是提供了一个办公地点，但对于孵化器来说却未必如此，大量的办公工位管理，入孵企业信息数据，企业申请公共资源等都是一大难题。目前，国内多数孵化器及创业园区仍在使用传统的表格手动记录，不但效率低下且准确率低，同时产生大量的人力成本。因此，各大孵化器纷纷开发了各种管理系统，依托c/s架构，获取各种信息，并通过服务器对采集到的各种数据进行处理。具体的，通常产业孵化器管理系统中可以包括工位管理模块、会议室管理模块和注册服务申请模块等。为提供进一步的优化服务，其中孵化器管理系统中还可包括考勤模块，用于帮助创业公司在无需额外购置考勤设备的情况下，实现对员工考勤的管理。

对于需要外业作业的外勤人员，例如销售人员等，其经常需要在非特定的时间到非特定的地点去工作，其具有极大的不确定性。这给考勤人员的考勤工作带来了非常大的不便及困难。

在本实施例中，可以利用外勤人员随身携带的移动终端获取相关的信息，并利用这些信息来确定外勤人员的考勤是否真实有效。减少人事部门的工作量。

示例性的，所述基于产业孵化器管理系统通过互联网向外勤人员的移动终端发送收集信息指令。具体的，可以按照预设的规则向外勤人员的移动终端发送收集信息指令。所述的预设的规则可以是按照预设的时间间隔或者按照一定的事件触发，例如：外勤人员在移动终端进行打卡操作汇报即时位置，或者外勤人员在移动终端触发外勤起始操作及外勤人员在移动终端触发外勤结束操作等事件。所述预设的时间间隔可以是随机生成的时间间隔量。

所述信息收集指令用于指示外勤人员的终端收集相关的信息，示例性的，所述相关的信息可以包括:位置信息、速度信息、方位信息、影像信息和声音信息等。在接收到产业孵化器管理系统服务器发送的信息收集指令后，移动终端根据所述信息采集指令采集相关信息，并将采集到的相关信息通过互联网返回至产业孵化器管理系统服务器。

在本实施例中，采用产业孵化器管理系统服务器发送采集指令，以使得移动终端根据采集指令进行信息采集。采用服务器主动触发信息采集，且采集的时机灵活设置，能够有效避免客户端中利用定时程序定时上传虚拟数据的虚假作弊考勤行为。

s120，根据所述外勤人员终端返回的信息，确定是否存在异常事件，并根据异常事件确定外勤人员考勤是否异常。

根据上述描述，所述返回的信息可以包括：位置信息、速度信息、方位信息、影像信息和声音信息等。上述信息可以由移动终端配置的各种传感器采集得到的，也可以由一些应用程序通过端口模拟得到。这就为利用虚假模拟数据实现考勤作弊提供了可能。

在本实施例中，为避免上述考勤作弊，可以利用上述返回的信息确定是否产生异常事件，并根据各种异常事件综合判定外勤人员考勤是否异常。

可选的，所述异常事件可以包括：速度异常事件、方位异常事件和目的地异常事件。

所述速度异常事件可以通过如下方式进行确定，根据预先采集的位置信息和位置信息所对应的时间，确定外勤人员的速度异常。

示例性的，可以通过采集多个时间点之间的位置变化，并根据这些位置对应的时间，结合电子地图，确定其具体行进路线和速度。并根据速度确定其行进方式。例如：速度在10km/h以下，可以判定为步行方式；速度在10km-20km/h，可以判定为共享单车骑行方式；速度在30-50km/h，可以判定为公共交通方式出行；速度在50km/h以上的，可以判定为自驾方式。在确定运动方式后，如果根据采集到的位置信息和时间计算得到的速度在多个区间内的平均速度，如果计算得到的平均速度中有多个速度明显不在运动方式的区间内，则可以判定其可能是通过虚拟位置信息方式向服务器提供位置信息，其可能存在速度异常，进而推断可能存在考勤异常。

所述方位异常事件可以通过如下方式进行确定，根据预先采集到的位置信息，估计外勤人员的行进路线，在行进路线的转折点通过所述移动终端的陀螺仪采集方位信息，并将采集到的方位信息与行进路线转折点的方位信息进行比较，在采集到的方位信息与行进路线转折点的方位信息之间的差值大于预设的方位差值阈值时，确定外勤人员的方位异常。

示例性的，由于可以采用应用程序通过端口模拟位置信息，外勤人员可以通过应用设置调整不同时刻的位置信息，其仍不容易识别是否为考勤异常。因此，可以根据预先采集到的位置信息，结合电子地图获取行进路线，根据电子地图中的行进路线中的转向点确定方位信息，示例性的，可以根据行进路线中相交的两条道路之间的方位确定方位信息的变换。由于移动终端中配置有陀螺仪，能够感知到方位的变化，并将变化中的方位信息实时发送至服务器中。将采集到的方位信息与电子地图中的方位信息进行比较，在二者差值较大时，可以确定为方位异常。进而可以推断外勤人员考勤异常

所述目的地异常事件可以通过如下方式进行确定，根据采集到的速度和时间的对应关系，确定外勤人员的运动方式，并根据运动方式确定运动平均速度，根据目的地的具体位置和中途中采集的位置点确定运动路线，并根据路线和运动平均速度确定预计到达时间。计算预计到达时间与外勤人员在移动终端进行达到位置操作的时间之间的差值，在该差值大于预设的时间差值阈值时，判断该外勤人员的目的地异常。

示例性的，可以根据目的地与出发地之间的路线，确定外勤人员运动的总里程。并根据上述方法确定的运动方式确定其可能的运动速度，根据总里程和可能的运动速度计算外勤人员的预计到达时间，并将计算得到的预计到达时间与外勤人员实际到达时打卡时间进行比较，确定实际到达打卡时间是否在合理的时间范围内，在实际到达打卡时间不在合理的时间范围内时，判定时间异常。

示例性的，可以采用上述三种异常方式中的任意一种异常或者多种异常组合判断外勤考勤人员是否异常。但由于存在各种误差，判定考勤异常容易产生错误。因此，在本实施例中，综合各种异常事件确定外勤人员考勤是否异常。示例性的，可以采用支持向量机来综合各种异常事件确定外勤人员考勤是否异常。

支持向量机(supportvectormachine，svm)是建立在统计学习理论的vc维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折中，以求获得最好的推广能力。其可以分析数据，识别模式，用于分类和回归分析。给定一组训练样本，每个标记为属于两类，一个svm训练算法建立了一个模型，分配新的实例为一类或其他类，使其成为非概率二元线性分类。一个svm模型的例子，如在空间中的点，映射，使得所述不同的类别的例子是由一个明显的差距是尽可能宽划分的表示。新的实施例则映射到相同的空间中，并预测基于它们落在所述间隙侧上属于一个类别。

除了进行线性分类，支持向量机可以使用所谓的核技巧，它们的输入隐含映射成高维特征空间中有效地进行非线性分类。

一个支持向量机的构造一个超平面，或在高或无限维空间，其可以用于分类，回归，或其它任务中设定的超平面的。直观地，一个良好的分离通过具有到任何类(所谓官能余量)的最接近的训练数据点的最大距离的超平面的一般实现中，由于较大的裕度下分类器的泛化误差。

由于支持向量机具有上述优点，因此非常适用于对外勤人员的考勤进行判别的情况。

示例性的，所述支持向量机可以采用如下方式实现：

w^tx+b＝0

展开后即为：

w0x0+w1x1+w2x2+…+wnxn＝0；

其中，x为输入向量，也就是样本集合中的向量；w为是可调权值向量，每个向量可调权值；t为向量的转置；b为偏置，即超平面相对原点的偏移。

示例性的，所述x可以为每种异常情况的概率，具体的，可以是每种异常情况和总的情况次数之间的比值。例如：所述异常可以为方位异常，统计该外勤人员所有方位异常的次数，以及运动过程中方位正常的次数，利用方位异常的次数除以方位异常的次数与方位正常的次数之和，得到方位异常的输入向量x，可以按照上述方法计算目的地异常的输入向量x和速度异常的输入向量x等。

利用上述参数，及人工判别的结果，对所述支持向量机进行训练，得到可调整参数w和b。并利用训练完成后的支持向量机自动对考勤异常进行判断。

本实施例通过将利用预设的规则向外勤人员终端发送信息收集指令，根据所述外勤人员终端返回的信息，确定是否存在异常事件，并根据异常事件确定外勤人员考勤是否异常。采用预设的规则能够确保外勤人员终端返回的数据真实有效，并且通过对返回的数据进行分析处理，避免欺骗数据，能够确定外勤人员终端返回的数据是否真实有效。并进一步判别是否存在异常事件，并根据异常事件判断外勤人员考勤是否异常。进一步的，可以综合异常事件综合判断，能够自动准确的判断外勤人员考勤是否异常，减少了人事部门人工判别的工作量，且判别结果更为准确。

在本实施例的一个优选实施方式中，所述方法还可包括如下步骤：在所述外勤人员考勤异常时，根据当前时间生成随机验证码，并将所述随机验证码发送至外勤人员终端，以使得所述外勤人员终端将随机验证码嵌入验证图像中；接收所述验证图像，并根据验证图像修订考勤人员考勤是否异常。由于上述异常事件都是通过外勤人员的移动终端中各种传感器采集得到的，其存在着一定的误差。因此，采用上述异常判断可能会产生错误。因此，可以允许外勤人员通过图像验证的方式进行更正。示例性的，可以在考勤异常时，向外勤人员终端发出采集图像的指令，并可根据当前服务器的时间生成随机验证码，并将随机验证码与采集图像的指令一同发送至外勤人员的移动终端。以使得移动终端将随机验证码嵌入到验证图像中，例如：可以将随机验证码作为水印嵌入到验证图像中。或者，为了加强验证图像的真实可靠性，可以利用随机验证码将采集的到图像的像素的灰度值或者rgb值进行修正。示例性的，可以利用随机验证码的前n位确定需要修改的像素位置，并对该像素的位置的灰度值按照随机验证码的后面的位的数值对上述确定的像素位置的灰度值进行乘或者除的运算，以使得修改后的像素灰度值明显区别于正常图像。以进一步提高验证图像的可靠性。以使得服务器能够根据接收到的验证图像验证考勤人员是否异常。能够进一步提高外勤人员考勤是否异常的准确性。

实施例二

图2为本发明实施例二提供的基于产业孵化器管理系统的智能打卡方法的流程示意图。本实施例以上述实施例为基础进行优化，在本实施例中，将根据异常事件确定外勤人员考勤是否异常，具体优化为：根据所述述外勤人员终端返回的信息确定事件；将所述事件转换为对应的符号，并计算所述对应的符号之间的支持度；根据所述支持度进行关联规则挖掘，并根据关联规则确定是否考勤异常。

相应的，本实施例所提供的基于产业孵化器管理系统的智能打卡方法，具体包括：

s210，按照预设的规则向外勤人员终端发送信息收集指令，并接收所述外勤人员终端返回的信息，所述返回的信息由外勤人员终端根据所述信息收集指令生成。

s220,根据所述外勤人员终端返回的信息确定事件。

由于上述提供的方法只能对应于当天的事件进行异常判别，并未结合其它时间的事件综合进行判别，其可能存在着一定的误差，因此，在本实施例中，可以结合其它历史数据综合进行判别。示例性的，根据外勤人员终端返回的信息可以确定当前外勤人员对应的事件，例如，根据位置和时间之间的变化可以确定外出自驾事件、外出步行事件或者外出公共交通事件等。

s230,将所述事件转换为对应的符号，并计算所述对应的符号之间的支持度。

将上一步骤得到的原始事件的数据记录进行符号化。示例性的，可以采用如下方式进行符号化。

确定事件所发生的时间段，例如：t1，对应上午07:00-09:00，t2为上午09:01-12:00，如此类推，将一天的工作时间分为若干时间段。相应的，将各种事件也转换为各个代码，例如：将外出自驾事件设定为事件i1,外出步行事件i2等，将外出拜访客户范围按照多个距离范围设定不同的事件，例如：将距离为20km以内，10km以外的拜访事件设定为i4等。

在完成事件符号化以后，可以根据预设的规则设定每个事件的支持度。所述支持度可以是设w中有s％的事务同时支持物品集a和b，s％称为关联规则a→b的支持度。支持度描述了a和b这两个物品集的并集c在所有的事务中出现的概率有多大。如果某天共有1000个顾客到商场购买物品，其中有100个顾客同时购买了铁锤和铁钉，那么上述的关联规则的支持度就是10％。

s240,根据所述支持度进行关联规则挖掘，并根据关联规则确定是否考勤异常。

在现实生活中，一些事务的发生非常频繁，而有些事务则很稀疏，但是有着非常重要的意义，为了能够发现稀疏且有重要意义的规则，我们根据每个项的实际意义和出现频度分别给出了最小支持度。例如按照正常的作息制度，白天这项i1是距离较远的i4事件对应的外出时间，此白天这项i1支持度设置的高一些，而i2对应距离较近的外出事件的对应时间的几率较小。此项i1事件在t1时间段支持度设置的高一些，而其他时间t2得支持度设置的低一点；不合法行为的判断的重要性也是不相同的，因此他们设置的最小支持度也不相同。

示例性的，可以根据单支持度关联规则算法，设定最小支持度0.2，对事件进行关联规则挖掘。可得到两个频繁项集{t1,i1,i4}和{i2,i1,i4}，频繁项集{t1,i1,i4,}的支持度为0.5，频繁项集{i2,i1,i4}的支持度为0.2，从而得到如下关联规则:

t1∧i4一>{i4}，即上午第一时间段驾车拜访距离较远客户；

i2∧i4＝>{i7}，即上午第二时间段驾车拜访距离较远客户。

基于上述行为可以确定第一种行为相对比较正常，而且是经常性行为。而第二种行为则比较不正常，且并非经常性行为。根据上述可以判断其考勤异常。

本实施例通过根据异常事件确定外勤人员考勤是否异常，具体优化为：根据所述述外勤人员终端返回的信息确定事件；将所述事件转换为对应的符号，并计算所述对应的符号之间的支持度；根据所述支持度进行关联规则挖掘，并根据关联规则确定是否考勤异常。可以利用可信度对外勤人员的行为进行异常，可以综合历史记录及规则准确地确定外勤人员考勤是否异常。

实施例三

图3是本发明实施例三提供的基于产业孵化器管理系统的智能打卡装置的结构示意图，如图3所示，所述装置包括：

发送模块310，用于按照预设的规则向外勤人员终端发送信息收集指令，并接收所述外勤人员终端返回的信息，所述返回的信息由外勤人员终端根据所述信息收集指令生成；

确定模块320，用于根据所述外勤人员终端返回的信息，确定是否存在异常事件，并根据异常事件确定外勤人员考勤是否异常。

本实施例提供的基于产业孵化器管理系统的智能打卡装置，通本实施例通过将利用预设的规则向外勤人员终端发送信息收集指令，根据所述外勤人员终端返回的信息，确定是否存在异常事件，并根据异常事件确定外勤人员考勤是否异常。采用预设的规则能够确保外勤人员终端返回的数据真实有效，并且通过对返回的数据进行分析处理，避免欺骗数据，能够确定外勤人员终端返回的数据是否真实有效。并进一步判别是否存在异常事件，并根据异常事件判断外勤人员考勤是否异常。进一步的，可以综合异常事件综合判断，能够自动准确的判断外勤人员考勤是否异常，减少了人事部门人工判别的工作量，且判别结果更为准确。

在上述各实施例的基础上，所述确定模块，用于：

根据所述述外勤人员终端返回的信息确定事件；

将所述事件转换为对应的符号，并计算所述对应的符号之间的支持度；

根据所述支持度进行关联规则挖掘，并根据关联规则确定是否考勤异常。

在上述各实施例的基础上，所所述确定模块，用于：

根据所述述外勤人员终端返回的信息确定事件；

将所述事件转换为对应的符号，并计算所述对应的符号之间的支持度；

根据所述支持度进行关联规则挖掘，并根据关联规则确定是否考勤异常。

本发明实施例所提供的基于产业孵化器管理系统的智能打卡装置可执行本发明任意实施例所提供基于产业孵化器管理系统的智能打卡方法，具备执行方法相应的功能模块和有益效果。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。