一种机场保障工作分配方法及装置

摘要

本发明公开了一种机场保障工作分配方法及装置，方法包括：接收实时保障任务，所述实时保障任务包括保障类型和保障要求；将所述实时保障任务输入预先训练好的保障派工模型；所述保障派工模型基于所述保障类型和所述保障要求输出与所述实时保障任务匹配的保障工作人员。上述实现方案，基于预先训练好的保障派工模型，结合实时保障任务的保障类型和保障要求，能够自动实现保障任务到保障人员的匹配，且保证为保障任务匹配的保障人员具备处理该保障任务的保障技能；由于完全自动化执行，因此该实现过程不仅效率高，且匹配准确度高，能够适应航空业的快速发展并满足机场保障任务的复杂需求。

说明书

技术领域

本发明涉及人工智能技术，更具体的说，是涉及一种机场保障工作分配方法及装置。

背景技术

机场航班放行正常率，是体现机场地面综合保障能力的重要指标，也是行业主管部门定期考核机场的重要指标之一。航班正常性管理更是一项复杂的系统工作，点多面广，需要公司各保障单位上下联动，从内部精细化航班管控，到外部运行协调，不断探索研究。

在保障任务确定的情况下，保障工作人员合理精确的分工，对于确保航班各保障环节紧密衔接、提高保障效率，避免因过站保障造成后续出港航班延误,提高机场放行正常率具有重要意义。

目前机场的保障任务分配主要依靠人工手动分配完成,工作效率低,难以适应航空业的快速发展以及机场保障任务的日益繁杂。

发明内容

有鉴于此，本发明提供如下技术方案：

一种机场保障工作分配方法，包括：

接收实时保障任务，所述实时保障任务包括保障类型和保障要求；

将所述实时保障任务输入预先训练好的保障派工模型；

所述保障派工模型基于所述保障类型和所述保障要求输出与所述实时保障任务匹配的保障工作人员。

可选的，所述保障派工模型的训练过程包括：

构建保障人员信息数据库；

构建保障任务信息数据库；

基于预设规则将所述保障人员信息数据库和所述保障任务信息数据库进行拼接映射处理，得到拼接数据库；

将所述拼接数据库的数据作为训练数据输入卷积神经网络，训练得到保障派工模型。

可选的，所述基于预设规则将所述保障人员信息数据库和所述保障任务信息数据库进行拼接映射处理，得到拼接数据库，包括：

对于所述保障人员信息数据库中包含的保障人员，基于能力评估值进行降序排序；

对于所述保障任务信息数据库中包含的保障任务，基于保障任务的工作难度评估值进行降序排序；

将排序后的保障人员信息数据库和排序后的保障任务信息数据库进行对应拼接，得到拼接数据库。

可选的，所述将排序后的保障人员信息数据库和排序后的保障任务信息数据库进行对应拼接，得到拼接数据库，包括：

将排序后的保障人员信息数据库和排序后的保障任务信息数据库，按照保障类型进行对应拼接，使得保障人员具有与其形成拼接关系的保障任务要求的保障技能。

可选的，所述卷积神经网络的池化层后具有DropOut层，以保证任务分配率。

可选的，所述保障派工模型的采用的损失函数为交叉熵损失函数。

一种机场保障工作分配装置，包括：

任务接收模块，用于接收实时保障任务，所述实时保障任务包括保障类型和保障要求；

任务输入模块，用于将所述实时保障任务输入预先训练好的保障派工模型；

保障匹配模块，存在于所述保障派工模型中，用于基于所述保障类型和所述保障要求输出与所述实时保障任务匹配的保障工作人员。

可选的，所述保障派工模型由训练装置训练得到，所述训练装置包括：

第一构建模块，用于构建保障人员信息数据库；

第二构建模块，用于构建保障任务信息数据库；

拼接处理模块，用于基于预设规则将所述保障人员信息数据库和所述保障任务信息数据库进行拼接映射处理，得到拼接数据库；

模型训练模块，用于将所述拼接数据库的数据作为训练数据输入卷积神经网络，训练得到保障派工模型。

可选的，所述拼接处理模块包括：

第一处理模块，用于对于所述保障人员信息数据库中包含的保障人员，基于能力评估值进行降序排序；

第二处理模块，用于对于所述保障任务信息数据库中包含的保障任务，基于保障任务的工作难度评估值进行降序排序；

拼接处理子模块，用于将排序后的保障人员信息数据库和排序后的保障任务信息数据库进行对应拼接，得到拼接数据库。

可选的，所述拼接处理子模块具体用于：将排序后的保障人员信息数据库和排序后的保障任务信息数据库，按照保障类型进行对应拼接，使得保障人员具有与其形成拼接关系的保障任务要求的保障技能。

经由上述的技术方案可知，与现有技术相比，本发明实施例公开了一种机场保障工作分配方法及装置，方法包括：接收实时保障任务，所述实时保障任务包括保障类型和保障要求；将所述实时保障任务输入预先训练好的保障派工模型；所述保障派工模型基于所述保障类型和所述保障要求输出与所述实时保障任务匹配的保障工作人员。上述实现方案，基于预先训练好的保障派工模型，结合实时保障任务的保障类型和保障要求，能够自动实现保障任务到保障人员的匹配，且保证为保障任务匹配的保障人员具备处理该保障任务的保障技能；由于完全自动化执行，因此该实现过程不仅效率高，且匹配准确度高，能够适应航空业的快速发展并满足机场保障任务的复杂需求。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种机场保障工作分配方法的流程图；

图2为本发明实施例公开的保障派工模型的训练流程图；

图3为本发明实施例公开的机场保障工作分配方案的实现结构图；

图4为本发明实施例公开的卷积神经网络的模型结构示意图；

图5为本发明实施例公开的一种机场保障工作分配装置的结构示意图。

具体实施方式

为了引用和清楚起见，下文中使用的技术名词的说明、简写或缩写总结如下：

DropOut：当一个复杂的前馈神经网络被训练在小的数据集时，容易造成过拟合。为了防止过拟合，可以通过阻止特征检测器的共同作用来提高神经网络的性能，DropOut为一种防止过拟合的算法。

全连接层：全连接层(fully connected layers，FC)在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现。

下面将结合本发明实施例中的附图，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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请实施例可以应用于电子设备，本申请对该电子设备的产品形式不做限定，可以包括但并不局限于智能手机、平板电脑、可穿戴设备、个人计算机(personalcomputer，PC)、上网本等，可以依据应用需求选择。

图1为本发明实施例公开的一种机场保障工作分配方法的流程图，参见图1所示，机场保障工作分配方法可以包括：

步骤101：接收实时保障任务，所述实时保障任务包括保障类型和保障要求。

由于在机场场景中，不同航班的保障任务的类型和要求都可能不同，且机场多个保障人员所掌握的保障技能也不相同，因此，需要将保障任务和保障人员进行合理分配，而不是随意分配，避免分配不合理而可能出现的保障结果不达标、保障时间延误航班准点运行等情况。

随着机场客流量的不断增大,目前采用人工手动进行保障任务分配的方式已经很难满足实际需求。因此，本申请发明人在实施本申请技术方案的过程中，考虑如何根据航班到达时间,保障人员效率和保障人员技能进行合理的分类,然后将分类后的保障人员合理实时的安排在每个航班的每个保障任务中,将保障人员和保障任务进行合理的拟合，实现保障任务分配的高效自动化。

步骤102：将所述实时保障任务输入预先训练好的保障派工模型。

在接收到实时保障任务后，直接将其输入预先训练好的保障派工模型，以使得保障派工模型根据之前挖掘出的数据特征，结合当前实际的保障人员情况，自动为实时保障任务匹配合适的保障人员。

对于保障派工模型的训练过程，将在后面的实施例中详细记载，在此不再过多介绍。

步骤103：所述保障派工模型基于所述保障类型和所述保障要求输出与所述实时保障任务匹配的保障工作人员。

本实施例所述机场保障工作分配方法，基于预先训练好的保障派工模型，结合实时保障任务的保障类型和保障要求，能够自动实现保障任务到保障人员的匹配，且保证为保障任务匹配的保障人员具备处理该保障任务的保障技能；由于完全自动化执行，因此该实现过程不仅效率高，且匹配准确度高，能够适应航空业的快速发展并满足机场保障任务的复杂需求。

图2为本发明实施例公开的保障派工模型的训练流程图，结合图2所示，上述实施例中所述保障派工模型的训练过程可以包括：

步骤201：构建保障人员信息数据库。

本实施例中，首先根据工作人员保障技能并综合保障人员历史的保障数据对保障人员工作能力进行评估并建立一个保障人员信息数据库，分别将保障人员的保障技能，能力评估值作为每个保障人员样本的特征。

步骤202：构建保障任务信息数据库。

除了构建保障人员信息数据库外，还需要构建保障任务信息数据库。本实施例中，对计划航班的所有保障任务进行分类，按照任务类别和任务难度建立保障任务信息数据库。

步骤203：基于预设规则将所述保障人员信息数据库和所述保障任务信息数据库进行拼接映射处理，得到拼接数据库。

具体的，可以包括：对于所述保障人员信息数据库中包含的保障人员，基于能力评估值进行降序排序；对于所述保障任务信息数据库中包含的保障任务，基于保障任务的工作难度评估值进行降序排序；将排序后的保障人员信息数据库和排序后的保障任务信息数据库进行对应拼接，得到拼接数据库。

将保障人员的保障技能和保障任务的保障类型进行分类匹配,在同类别的保障任务内，对保障人员信息数据库和保障任务信息数据库分别按照能力评估值和工作难度评估值进行降序排序。然后将排序后的保障人员信息数据库和保障任务信息数据库进行拼接,由技能符合并且能力评估值高的保障人员完成工作难度评估值高的保障任务。

步骤204：将所述拼接数据库的数据作为训练数据输入卷积神经网络，训练得到保障派工模型。

为了达到保障派工模型的最优化需要不断的采集数据(保障人员实际上报的数据，如保障任务类型，开始时间、结束时间等)借用神经网络对分配过程进行训练和测试，不断提高保障任务的合理分配，并在分配结果的基础上有针对性的对员工进行相关技能培训，提高员工的工作效率。

图3为本发明实施例公开的机场保障工作分配方案的实现结构图，可结合图3理解上述实施例公开的技术内容。

上述实施例中，所述将排序后的保障人员信息数据库和排序后的保障任务信息数据库进行对应拼接，得到拼接数据库，可以包括：将排序后的保障人员信息数据库和排序后的保障任务信息数据库，按照保障类型进行对应拼接，使得保障人员具有与其形成拼接关系的保障任务要求的保障技能。

所述卷积神经网络的池化层后具有DropOut层，以保证任务分配率。

所述保障派工模型的采用的损失函数为交叉熵损失函数。

在一个具体的实现中，保障派工模型的完整构建过程可以如下：

1、保障人员信息数据库数据采集

针对每一位保障人员，分别采集其工作技能和历史的保障数据，建立保障人员信息数据库。本着公平公正合理的原则，需要采集至少过去一个月内的保障数据,通过评估算法并结合过去的保障数据对员工进行评估。评估算法如下所示：

开始→采集保障人员过去所分配的保障任务→评估保障任务难度→采集保障人员完成保障任务所需时间→输出保障人员工作能力等级→结束。

建立好数据库之后，根据保障人员工作能力评估结果对保障人员信息数据库进行降序排列。

2、保障任务信息数据库数据采集

航班不同任务相同、航班相同任务不同、航班不同任务不同都会存在不同难度,所以需要采集过去一年内不同航班的不同保障任务建立数据库，首先将日常保障任务存入保障任务信息数据库，如果有特殊保障任务的发生，对保障任务数据库进行更新。将保障任务的难度作为保障任务数据库的特征，通过评估算法对保障任务难度进行评估，评估算法如下所示：

开始→采集保障任务→向保障人员采集完成此项保障任务需要的时间→建立不同保障任务难度等级→输出保障任务难度等级→结束。

最后对构建好的保障任务信息数据库按照保障任务评估结果进行降序排列。

3、数据库拼接

为了更好的拟合神经网络的训练和测试过程，将排序后的保障人员信息数据库和保障任务信息数据库按照不同的保障技能或保障类型进行拼接，对于难度较大的保障任务分配给拥有此项保障技能同时工作能力相对较高的保障人员，并依次向下排列。

对于神经网络的测试和训练，例如在同一个数据集上,划分训练集和测试集，可以确定80％为训练集，20％为测试集，用于评估模型的性能。其中，训练集是为了调试模型测试，使模型达到较好的效果。

比如机场内有保障人员和保障任务，每个保障人员每天完成的工作量以及工作能力是不一样的，同样保障任务的难度也存在差异。采集到这些数据后，借助神经网络模型将这些数据进行拟合和归类，让保障人员的保障能力和任务要求的匹配更加合理。通过不断的提供测试集，使模型的训练出来的准确率更高，也更合理。

本实施例中，采用神经网络作为机场保障派工模型的技术支撑，将拼接后的数据库作为卷积神经网络的输入。包括一层卷积，一层池化，一层卷积，一层池化，为了防止过拟合，导致保障任务分配率下降,在池化层后添加DropOut层保证任务分配率，最后有一个全连接层,经过各层的模型结构如下图4所示。

一个实现中，可以按照6：2：2的比例将数据集划分为保障结果训练集、验证集和测试集，为了提高任务分配准确率，使loss降到最小，本方法的损失函数可采用交叉熵损失函数，公式如下所示：

本实现中将保障人员和保障任务结合的准确率、精确率、召回率作为分类评估的依据。其中True Positive(真正，TP)：将正类预测为正类数；True Negative(真负，TN)：将负类预测为负类数；False Positive(假正，FP)：将负类预测为正类数误报(Type Ierror)；False Negative(假负，FN)：将正类预测为负类数→漏报(Type II error)。表1为预测情况表格。

表1预测情况表格

准确率：

Acc＝(TP+TN)/(TP+FP+TN+FN)

精确率：

Pre＝TP/(TP+FP)

召回率：

Recall＝TP/(TP+FN)

对于模型进行效果验证，用得到的模型对某机场30天内所有保障任务进行了分配，针对延误率和机场放行结果验证如表2。

表2验证结果表

其中的延误率：延误任务与总任务数的比值。

本发明实施例公开的保障派工模型，具有较强的自学习能力，随着使用时间的增加，模型的训练度越来越高，所产生的效果越来越明显，保障任务的延误率越来越低，机场放行率会不断提高，给旅客带来越来越好的体验。

对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。

上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用多种形式的装置实现，因此本发明还公开了一种装置，下面给出具体的实施例进行详细说明。

图5为本发明实施例公开的一种机场保障工作分配装置的结构示意图，参见图5所示，机场保障工作分配装置50可以包括：

任务接收模块501，用于接收实时保障任务，所述实时保障任务包括保障类型和保障要求。

任务输入模块502，用于将所述实时保障任务输入预先训练好的保障派工模型。

保障匹配模块503，存在于所述保障派工模型中，用于基于所述保障类型和所述保障要求输出与所述实时保障任务匹配的保障工作人员。

本实施例所述机场保障工作分配装置，基于预先训练好的保障派工模型，结合实时保障任务的保障类型和保障要求，能够自动实现保障任务到保障人员的匹配，且保证为保障任务匹配的保障人员具备处理该保障任务的保障技能；由于完全自动化执行，因此该实现过程不仅效率高，且匹配准确度高，能够适应航空业的快速发展并满足机场保障任务的复杂需求。

一个实现中，所述保障派工模型由训练装置训练得到，所述训练装置包括：第一构建模块，用于构建保障人员信息数据库；第二构建模块，用于构建保障任务信息数据库；拼接处理模块，用于基于预设规则将所述保障人员信息数据库和所述保障任务信息数据库进行拼接映射处理，得到拼接数据库；模型训练模块，用于将所述拼接数据库的数据作为训练数据输入卷积神经网络，训练得到保障派工模型。

一个实现中，所述拼接处理模块包括：第一处理模块，用于对于所述保障人员信息数据库中包含的保障人员，基于能力评估值进行降序排序；第二处理模块，用于对于所述保障任务信息数据库中包含的保障任务，基于保障任务的工作难度评估值进行降序排序；拼接处理子模块，用于将排序后的保障人员信息数据库和排序后的保障任务信息数据库进行对应拼接，得到拼接数据库。

一个实现中，所述拼接处理子模块具体用于：将排序后的保障人员信息数据库和排序后的保障任务信息数据库，按照保障类型进行对应拼接，使得保障人员具有与其形成拼接关系的保障任务要求的保障技能。

上述机场保障工作分配装置及其包含或相关的各个模块的具体实现可参见方法实施例中相关部分的内容介绍，在此不再重复赘述。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。