一种服务业分时用工的智能调度方法及系统与流程

本技术涉及智能调度领域，尤其涉及一种服务业分时用工的智能调度方法及系统。

背景技术：

1、在服务业，尤其是餐饮、零售、酒店等连锁经营场景中，用工需求呈现出显著的潮汐性和碎片化特征。同一员工在一天内往往需要承担多个互不相连的短时班次，且这些班次可能分布在同一企业的不同门店。这种碎片化用工模式对排班调度提出了特殊的技术要求：排班系统不仅需要为每个独立班次分配合适的在岗人员，还需要对同一员工在相邻班次之间的过渡时段进行合理规划，以确保员工能够在两个班次之间完成必要的休息恢复与门店间通勤。

2、现有的排班技术在处理此类碎片化班次时，通常采用两种方式之一：一是为所有相邻班次设定统一的固定间隔时长；二是完全忽略班次间过渡约束，仅以各独立班次的人力需求满足为单一优化目标。这两种方式在服务业碎片化用工场景下均存在明显的技术局限。就固定间隔方式而言，其核心问题在于无法适应不同班次之间工作强度与通勤条件的动态变化。在同一个排班周期内，不同班次的工作强度存在显著差异，例如午餐高峰时段班次的工作负荷远高于非高峰补位班次，员工在完成高强度班次后所需的生理恢复时间亦显著长于轻量班次。同时，若前后两个班次位于不同门店，还需计入跨门店通勤所消耗的时间。固定间隔无法对上述因素作出差异化响应：若设置的间隔值偏短，承担高强度班次或需跨店通勤的员工将无法获得充足的恢复时间，导致疲劳到岗与服务质量下降，甚至引发操作安全事故；若设置的间隔值偏长，对于工作强度较低或同店连续班次的员工而言，则会产生过长的闲置等待时间，这些等待时间不被计入工时亦无薪酬补偿，员工的实际单位时间收入被稀释，工作积极性受挫。

3、就完全忽略过渡约束的方式而言，排班算法仅关注各时段的人力需求是否得到满足，而不对同一员工相邻班次之间的时间关系施加任何限制。这种方式虽然提高了排班求解的灵活性，但在实际运行中可能导致极端情况：一名员工被安排在两个时间上过于接近的班次中，间隔时间不足以完成必要的休息恢复或跨店通勤。此类排班结果即使从人力覆盖角度可行，从员工生理安全与劳动法规遵从角度则不可接受。

4、因此，本发明公开了一种服务业分时用工的智能调度方法及系统，用于解决以上技术问题。

技术实现思路

1、本技术提供一种服务业分时用工的智能调度方法及系统，解决了现有技术，在对同一员工一天内的多个碎片化班次进行联合排班时，如何在不影响各独立班次所需人力的前提下，动态优化相邻碎片化班次之间的间隔时间窗，使间隔时长既能够保证员工休息恢复，又能避免员工闲置和收入稀释的技术问题。

2、为达到上述目的，本技术采用如下技术方案：

3、第一方面，提供一种服务业分时用工的智能调度方法，包括：

4、s1：获取目标员工的历史综合数据，目标员工在目标周期内的碎片化班次集合，以及各服务时段的人力需求数据；其中，历史综合数据包括目标员工的历史准时到岗次数和历史缺勤次数；

5、s2：根据目标员工的前序碎片化班次的工作强度和跨门店通勤时间确定最低间隔阈值，用于保证所述目标员工在相邻碎片化班次之间完成休息恢复；

6、s3：根据目标员工的收入确定最高间隔阈值，用于避免所述目标员工因相邻碎片化班次之间的闲置等待导致收入稀释；

7、s4：根据历史综合数据、最低间隔阈值和最高间隔阈值计算每一目标员工对应的个体化间隔时间窗；其中，间隔时间窗用于限定同一目标员工在所述目标周期内相邻碎片化班次之间的间隔时长范围，所述间隔时长范围为[最低间隔阈值，最高间隔阈值]；

8、s5：以间隔时间窗为主约束、以所述各服务时段的人力需求为辅约束，对所述碎片化班次集合进行联合排班求解，得到候选排班方案；其中，在所述联合排班求解过程中，当所述间隔时间窗约束与所述服务时段人力需求约束发生冲突时，优先满足所述间隔时间窗约束，并通过松弛变量允许所述服务时段人力需求产生预设偏差，以在满足所述间隔时间窗约束的前提下最大程度覆盖所述各服务时段的人力需求；

9、s6：校验所述候选排班方案得到目标排班方案。

10、结合上述第一方面，在一种可能的实现方式中，获取目标员工的历史综合数据，目标员工在目标周期内的碎片化班次集合，以及各服务时段的人力需求数据，包括：

11、在历史统计周期内，逐日统计目标员工的历史准时到岗次数与历史缺勤次数；其中，统计口径为：当日排班开始时刻前完成打卡记为“准时到岗”，当日排班开始时刻后完成打卡或者未打卡记为“缺勤”；历史统计周期是通过人工设置得到，一般取值为90个自然日；

12、读取目标员工在目标周期内的全部碎片化班次，构成碎片化班次集合；对集合中每个碎片化班次记录以下字段：班次标识、门店标识、服务时段起始时间、服务时段结束时间、工作强度值；其中，目标周期是通过人工设置得到，例如未来7个自然日；工作强度值由班次时长、服务高峰时长极差归一化后通过等量权重加权计算得到，取值越大表示体力消耗越大；

13、按预设的时间粒度将目标周期划分为m个服务时段；读取每个服务时段的最低在岗人数下限，构成人力需求数据。

14、结合上述第一方面，在一种可能的实现方式中，根据目标员工的前序碎片化班次的工作强度和跨门店通勤时间确定最低间隔阈值，包括：

15、将同一目标员工的碎片化班次集合按服务时段起始时间升序排列；将时间上相邻的两个碎片化班次构成相邻班次对；其中，相邻班次对中服务时段起始时间在前者记为前序碎片化班次，时间在后者记为后续碎片化班次；若目标员工在目标周期内仅有0个或1个碎片化班次，则不存在相邻班次对，直接跳过本步骤，采用人工设置的标准低间隔作为最低间隔阈值；

16、读取前序碎片化班次的门店标识与后续碎片化班次的门店标识；若两者不同，根据两门店之间的地图距离与预设平均通勤速度计算跨门店通勤时间；若两者相同，令；

17、从相邻班次对中读取前序碎片化班次的工作强度值，基于公式确定最低间隔阈值；其中，为预设基础休息恢复时间，为根据经验设置的工作强度换算系数，且的取值范围为(0,1]；为人工设置的标准工作强度。

18、结合上述第一方面，在一种可能的实现方式中，根据目标员工的收入确定最高间隔阈值，包括：

19、读取目标员工在目标周期内的期望收入；其中，目标员工若未设置期望收入，则以目标员工在历史统计周期内的日均收入替代；

20、从历史综合数据中读取目标员工在历史统计周期内的历史总收入与历史总工作时长，基于历史总收入与历史总工作时长确定单位时间收入；其中，单位时间收入为历史总收入除以历史总工作时长；

21、读取预设的收入稀释容忍系数；其中，表示因闲置等待造成的收入损失占期望收入的最大允许比例，取值范围为(0,1)；

22、基于计算式计算最高间隔阈值；其中，为人工设置的标准最高间隔阈值；为目标周期内的时长，单位为小时；为单位时间的时长，单位为小时。

23、结合上述第一方面，在一种可能的实现方式中，根据历史综合数据、最低间隔阈值和最高间隔阈值计算每一目标员工对应的个体化间隔时间窗，包括：

24、a1：提取目标员工的历史准时到岗次数与历史缺勤次数，基于计算式计算目标员工的历史出勤可靠度，越大表示历史出勤越可靠；

25、a2：基于计算式对最低间隔阈值进行修正；其中，为根据经验设置的第一修正系数，取值范围为(0,1]；

26、a3：基于计算式最高间隔阈值进行修正；其中，为预设的第二修正系数，取值范围为(0,1]；

27、a4：判断修正后的最低间隔阈值是否小于等于修正后的最高间隔阈值；若成立，则进入a5；若不成立，则以固定步长依次减小重新执行a2和a3，直至成立；

28、a5：将作为当前目标员工在对应服务时段的个体化间隔时间窗。

29、结合上述第一方面，在一种可能的实现方式中，以间隔时间窗为主约束、以所述各服务时段的人力需求为辅约束，对所述碎片化班次集合进行联合排班求解，得到候选排班方案，包括：

30、b1：构建决策变量；其中，决策变量为：提取目标员工集合为，为每个碎片化班次与每名目标员工定义二元决策变量，表示碎片化班次分配给目标员工；同时设置约束：每个碎片化班次至多分配给一名目标员工，即；

31、b2：构建主约束；

32、b3：构建辅约束；

33、b4：为每个服务时段引入非负松弛变量，将b3的约束松弛为；其中，的取值即为该服务时段允许产生的人力需求预设偏差，最大取值为预设的；

34、b5：设定目标函数为最小化所有服务时段的加权松弛变量之和，即；其中，为服务时段的预设权重；在求解优先级上，主约束为硬约束，优先级最高，辅约束为软约束，允许通过产生偏差；

35、b6：采用整数线性规划分支定界算法对b1至b5构建的模型进行求解，得到全部决策变量的取值；

36、b7：将求解得到的决策变量转换为结构化排班记录，每条记录包含员工标识、班次标识、门店标识、服务时段起始时间、服务时段结束时间、相邻班次间隔时长，全部记录构成候选排班方案。

37、结合上述第一方面，在一种可能的实现方式中，构建主约束，包括；

38、对目标员工的任意两个相邻碎片化班次、，若且，则两者之间的相邻班次间隔时长必须满足；其中，为前序碎片化班次、为后续碎片化班次；相邻班次间隔时长的计算式为：；主约束为硬约束，任何可行解均不得违反。

39、结合上述第一方面，在一种可能的实现方式中，构建辅约束，包括：

40、对每个服务时段，统计该时段内被安排的在岗员工总数，要求其不小于该时段人力需求下限，即，求和范围为服务时段覆盖的碎片化班次与目标员工。

41、结合上述第一方面，在一种可能的实现方式中，校验所述候选排班方案得到目标排班方案，包括：

42、对候选排班方案执行完整性校验；其中，完整性校验包括：逐一检查是否存在同一目标员工在同一服务时段的重复排班；逐一检查每个目标员工的相邻碎片化班次间隔时长是否均落在其个体化间隔时间窗内；

43、校验不通过则返回b6重新求解；

44、校验通过的候选排班方案按“目标员工—日期—服务时段—门店”的层级结构转换为目标排班表，并附注每个目标员工的间隔时间窗及实际间隔时长；

45、将目标排班表推送至排班终端并存储至排班管理系统，作为目标排班方案下发执行。

46、第二方面，提供一种服务业分时用工的智能调度系统，包括：通信单元和处理单元；所述通信单元，用于获取目标员工的历史综合数据，目标员工在目标周期内的碎片化班次集合，以及各服务时段的人力需求数据；其中，历史综合数据包括目标员工的历史准时到岗次数和历史缺勤次数；

47、所述处理单元，用于根据目标员工的前序碎片化班次的工作强度和跨门店通勤时间确定最低间隔阈值，根据目标员工的收入确定最高间隔阈值；根据历史综合数据、最低间隔阈值和最高间隔阈值计算每一目标员工对应的个体化间隔时间窗；以间隔时间窗为主约束、以所述各服务时段的人力需求为辅约束，对所述碎片化班次集合进行联合排班求解，得到候选排班方案；校验所述候选排班方案得到目标排班方案。

48、本技术提供一种服务业分时用工的智能调度方法及系统，有益效果为：

49、1．本技术提供的一种服务业分时用工的智能调度方法及系统，通过构建以最低间隔阈值与最高间隔阈值共同界定的个体化间隔时间窗，将排班调度的决策粒度从单班次独立分配提升至同一员工全天碎片化班次序列的整体协同优化。在最低间隔阈值的确定上，本技术将目标员工前序碎片化班次的工作强度与跨门店通勤时间作为输入变量，通过工作强度换算系数将班次时长与高峰负载转化为等效休息需求增量，同时根据前后班次的门店标识差异自动触发通勤时间计算或置零，实现对不同工作强度与通勤条件的差异化响应。该机制确保高强度、长通勤的员工在相邻班次之间自动获得与其体力消耗相匹配的更充足恢复时长，降低了因疲劳累积引发的服务质量衰减与操作安全隐患，解决了固定间隔方式下无法按需调整恢复时长导致恢复不足或资源浪费的问题。在最高间隔阈值的确定上，本技术将目标员工的单位时间收入与期望收入作为约束变量，引入收入稀释容忍系数量化员工对闲置等待造成收入损失的承受上限，通过公式化表达将经济因素转化为时间维度的约束条件，对相邻班次之间的最大闲置时长施加反向约束，避免因班次间隔过长导致员工有效工时被稀释，保障了员工的单位时间经济收益。通过上述多维度、多参数的动态计算与修正机制，本技术为每一名目标员工生成了与其工作强度、通勤条件、收入期望及出勤记录相匹配的个体化间隔时间窗，实现了差异化精准排班，显著提升了排班方案与员工个体状态的适配程度。

50、2．本技术在联合排班求解过程中，构建了以间隔时间窗为主约束、以服务时段人力需求为辅约束的双层优先级体系，并通过引入松弛变量与加权目标函数，实现了约束冲突条件下的结构化弹性求解。其中，间隔时间窗主约束被设定为硬约束，任何可行解均不得违反，保证排班方案在员工休息恢复与收入保障两个维度的底线约束得到刚性满足；服务时段人力需求辅约束被设定为软约束，通过为非负松弛变量赋予各服务时段的预设权重并构建最小化加权松弛变量之和的优化目标，使求解器在无法同时满足主约束与辅约束时，优先保障主约束的完整执行，同时以可控且可量化的方式允许人力需求产生预设范围内的偏差。该优先级体系从数学建模层面规避了传统全硬约束方式下因约束过强导致的可行解缺失问题，使排班系统在员工保障优先的前提下仍能保持对各时段人力需求的最大化覆盖。在求解实现上，本技术采用整数线性规划分支定界算法对上述模型进行求解，通过构建二元决策变量实现碎片化班次与目标员工之间的精确匹配约束，并利用分支定界的搜索策略在有限时间内收敛至可行解。求解完成后，本技术还通过完整性校验环节对候选排班方案进行双层验证：逐员工检查重复排班情况，逐员工核验相邻班次间隔时长是否落入其个体化间隔时间窗内，校验不通过则触发重新求解。经过校验的方案按层级结构转换为可执行的目标排班表，并附注每个员工的间隔时间窗与实际间隔时长，为排班管理人员提供完整的决策依据与可追溯性信息。整体而言，本技术的主辅约束优先级体系与松弛变量机制在刚性保障与弹性适应之间建立了结构化的平衡框架，有效提高了排班求解的成功率和计算效率，在保证员工体验底线的前提下最大程度覆盖各时段的人力需求，实现员工满意度与企业运营效率的协同改进。

51、应当理解的是，本技术中对技术特征、技术方案、有益效果或类似语言的描述并不是暗示在任意的单个实施例中可以实现所有的特点和优点。相反，可以理解的是对于特征或有益效果的描述意味着在至少一个实施例中包括特定的技术特征、技术方案或有益效果。因此，本说明书中对于技术特征、技术方案或有益效果的描述并不一定是指相同的实施例。进而，还可以任何适当的方式组合本实施例中所描述的技术特征、技术方案和有益效果。本领域技术人员将会理解，无需特定实施例的一个或多个特定的技术特征、技术方案或有益效果即可实现实施例。在其他实施例中，还可在没有体现所有实施例的特定实施例中识别出额外的技术特征和有益效果。