一种行为预测的方法、装置、电子设备及可读存储介质与流程

1.本技术涉及行为预测技术领域，具体而言，涉及一种行为预测的方法、装置、电子设备及可读存储介质。


背景技术：

2.随着各行各业的发展，很多公司也顺势发展壮大，公司员工的行为变化，对公司也是具有一定的影响，因此，需要对公司员工的行为进行预测，从而预测员工的行为的未来走向。
3.现有技术下，公司员工的行为预测，通常是基于公司人事的经验来评估的，但是，只基于公司人事的经验对公司员工进行预测，不可靠且准确度低。
4.由此，在预测员工的行为时，如何提高预测的准确度，是一个需要解决的技术问题。


技术实现要素：

5.本技术实施例的目的在于提供一种行为预测的方法、装置、电子设备及可读存储介质，用以在预测员工的行为时，提高预测的准确度。
6.一方面，提供一种行为预测的方法，包括：
7.获取目标员工的至少一个预设行为的数据；
8.将至少一个预设行为的数据，输入与目标员工属性对应的行为预测模型，获得目标员工的行为评估值；
9.基于行为评估值，对目标员工的目标行为进行预测，获得预测结果。
10.在上述实现过程中，通过整合目标员工的日常行为数据和测评数据，对目标员工的行为的数据进行预测，将目标员工真实数据作为依据，使得预测结果真实度高，且预测更加客观准确。
11.一种实施方式中，至少一个预设行为是通过对参考员工的多个行为数据进行分析确定的，其中，参考员工为与目标员工属性相同且已发生目标行为的员工。
12.在上述实现过程中，确定的目标员工的至少一个预测行为，是通过对与目标员工属性相同且已发生目标行为的员工的行为的数据分析得到的，使得对目标员工的预测更加真实和可靠。
13.一种实施方式中，行为预测模型为线性回归模型，在将至少一个预设行为的数据，输入与目标员工属性相同且预先构建的行为预测模型，获得目标员工的行为评估值之前，方法还包括：
14.对多个行为的数据进行线性回归分析，获得行为预测模型。
15.在上述实现过程中，对目标员工的预测的模型，是通过采用与目标员工属性相同且发生目标行为的员工数据，对模型进行训练获得的，使得模型与目标员工属性相同，预测的结果更加准确，提高了预测的准确度。
16.一种实施方式中，基于行为评估值，对目标员工的目标行为进行预测，包括：
17.将目标员工的行为评估值与行为基准值进行比较，获得比较结果；
18.根据比较结果，对目标员工进行目标行为的预测。
19.在上述实现过程中，通过将行为评估值与行为基准值进行比较，使得对目标员工的预测的行为评估值有参考依据，使得预测结果更加准确可靠。
20.一种实施方式中，在将目标员工的行为评估值与行为基准值进行比较，获得比较结果之前，方法还包括：
21.分别将每一参考员工的至少一个预设行为的数据，输入到行为预测模型，分别获得每一参考员工的行为评估值；
22.根据每一参考员工的行为评估值，获得行为基准值。
23.在上述实现过程中，通过参考员工的评估值，确定行为基准值，行为基准值是由真实数据作为依据确定的，使得可以在后续对目标员工的预测时，可以将行为基准值作为标准进行预测，提高了预测的准确度。
24.一种实施方式中，方法还包括：
25.根据预测结果和目标员工的目标行为的真实发生情况之间的差异，对行为预测模型和/或行为基准值进行更新。
26.在上述实现过程中，通过对模型进行更新，模型也可以动态调整，使得该模型预测的更加准确。
27.一方面，提供一种行为预测的装置，包括：
28.获取单元，用于获取目标员工的至少一个预设行为的数据；
29.获得单元，用于将至少一个预设行为的数据，输入与目标员工属性对应的行为预测模型，获得目标员工的行为评估值；
30.预测单元，用于基于行为评估值，对目标员工的目标行为进行预测，获得预测结果。
31.一种实施方式中，至少一个预设行为是通过对参考员工的多个行为数据进行分析确定的，其中，参考员工为与目标员工属性相同且已发生目标行为的员工。
32.一种实施方式中，获得单元还用于：
33.对多个行为的数据进行线性回归分析，获得行为预测模型。
34.一种实施方式中，预测单元具体用于：
35.将目标员工的行为评估值与行为基准值进行比较，获得比较结果；
36.根据比较结果，对目标员工进行目标行为的预测。
37.一种实施方式中，预测单元还用于：
38.分别将每一参考员工的至少一个预设行为的数据，输入到行为预测模型，分别获得每一参考员工的行为评估值；
39.根据每一参考员工的行为评估值，获得行为基准值。
40.一种实施方式中，预测单元还用于：
41.根据预测结果和目标员工的目标行为的真实发生情况之间的差异，对行为预测模型和/或行为基准值进行更新。
42.一方面，提供了一种电子设备，包括处理器以及存储器，存储器存储有计算机可读
取指令，当计算机可读取指令由处理器执行时，运行如上述任一种行为预测的各种可选实现方式中提供的方法的步骤。
43.一方面，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时运行如上述任一种行为预测的各种可选实现方式中提供的方法的步骤。
44.一方面，提供了一种计算机程序产品，计算机程序产品在计算机上运行时，使得计算机执行如上述任一种行为预测的各种可选实现方式中提供的方法的步骤。
45.本技术实施例提供的一种行为预测的方法、装置、电子设备及可读存储介质中，获取目标员工的至少一个预设行为的数据；将至少一个预设行为的数据，输入与目标员工属性相同且预先构建的行为预测模型，获得目标员工的行为评估值；基于行为评估值，对目标员工的目标行为进行预测，获得预测结果。这样，就可以在预测员工的行为时，可以提高预测的准确度。
46.本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
47.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
48.图1为本技术实施例提供的一种行为预测的系统架构示意图；
49.图2为本技术实施例提供的一种行为预测的方法的实施流程图；
50.图3为本技术实施例提供的一种行为预测的方法的详细实施流程图；
51.图4为本技术实施例提供的一种行为预测的装置的结构框图；
52.图5为本技术实施方式中一种电子设备的结构示意图。
具体实施方式
53.下面将结合本技术实施例中附图，对本技术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技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
54.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
55.首先对本技术实施例中涉及的部分用语进行说明，以便于本领域技术人员理解。
56.终端设备：可以是移动终端、固定终端或便携式终端，例如移动手机、站点、单元、设备、多媒体计算机、多媒体平板、互联网节点、通信器、台式计算机、膝上型计算机、笔记本
计算机、上网本计算机、平板计算机、个人通信系统设备、个人导航设备、个人数字助理、音频/视频播放器、数码相机/摄像机、定位设备、电视接收器、无线电广播接收器、电子书设备、游戏设备或者其任意组合，包括这些设备的配件和外设或者其任意组合。还可预见到的是，终端设备能够支持任意类型的针对用户的接口(例如可穿戴设备)等。
57.服务器：可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务以及大数据和人工智能平台等基础云计算服务的云服务器。
58.为了在预测员工的行为时，可以提高预测的准确度，本技术实施例提供了一种行为预测的方法、装置、电子设备及可读存储介质。
59.参阅图1所示，为本技术实施例提供的一种行为预测的系统架构示意图。该系统架构包括设置有预测模块的服务器，以及用户终端，其中，用户终端可以为服务器，也可以为终端设备，在此不作限制。
60.其中，用户终端用于：向服务器发送目标员工的至少一个预设行为的数据。
61.服务器用于：接收用户终端发送的目标员工的至少一个预设行为的数据，并将获得的目标员工的至少一个预设行为的数据，输入到与目标员工属性相同且预先构建的行为预测模型中，获得目标员工的行为评估值，以及基于行为评估值，对目标员工的目标行为进行预测，获得预测结果。
62.这样，就可以在预测员工的目标行为时，可以提高预测的准确度。
63.本技术实施例中，仅以执行主体为服务器为例进行说明。
64.参阅图2所示，为本技术实施例提供的一种行为预测的方法的实施流程图，该方法的具体实施流程如下：
65.步骤200：获取目标员工的至少一个预设行为的数据。
66.其中，至少一个预设行为是通过对参考员工的多个行为进行分析确定的。
67.其中，参考员工为与目标员工属性相同且已发生目标行为的员工。
68.其中，目标行为可以为离职行为。
69.可选的，目标行为还可以为上班迟到率、上班时长、代码行数，以及邮件回复数量等。
70.可选的，参考员工的多个行为可以为参考员工的日常行为(例如，上班迟到、上班早退、工作量未完成，以及处理邮件等)或参考员工的测评行为。
71.一种实施方式中，可以通过问卷调查的方式，采集目标员工至少一个预设行为的数据。
72.可选的，目标员工至少一个预设行为的数据可以为满意度指数、敬业度指数，以及压力指数中的任意一种或任意组合。
73.一种实施方式中，可以通过办公自动化(office automation，oa)系统的应用程序(application programming interface，api)接口对接的方式，采集目标员工至少一个预设行为的数据。
74.可选的，目标员工至少一个预设行为的数据可以为上下班打卡时间、回复邮件数量、外出次数，以及报销金额中的任意一种或任意组合。
75.可替代的，获取参考员工的多个行为的数据，对获取的多个行为的数据进行分析，确定至少一个预设行为，并获取目标员工的多个行为的数据，并筛选出目标员工的至少一个预设行为的数据。
76.一种实施方式中，对参考员工的多个行为的数据进行回归分析，确定每一行为的相关系数，并从多个行为中挑选行为的相关系数大于预设系数阈值，且p值小于0.05的至少一个预设行为。
77.其中，p值为用于判定假设检验结果的一个参数。
78.其中，预设系数阈值为预设参考员工的多个行为的相关系数的阈值。
79.可选的，预设系数阈值可以为0.7。
80.实际应用中，系数阈值可以根据实际应用情况进行设置，在此不作限制。
81.一种实施方式中，相关系数可以根据以下公式获得：
[0082][0083]
其中，r2表示相关系数，sse(sum of squares for error，sse)表示残差平方和，sst(sum of squares for total，sst)表示总平方和，sse和sst可以根据行为的数据获得。
[0084]
实际应用中，至少一个预设行为还可以为人为提前设置好的。
[0085]
可选的，目标员工至少一个预设行为的数据可以为上班迟到次数、上班迟到率，以及处理邮件数量等。
[0086]
步骤201：将至少一个预设行为的数据，输入与目标员工的属性相对的行为预测模型，获得目标员工的行为评估值。
[0087]
具体的，将获得的目标员工的一个或多个行为的数据，输入到预先构建好的，且与目标员工属性相同的行为预测模型中，该模型输出目标员工的行为评估值。
[0088]
其中，行为预测模型可以为线性回归模型。
[0089]
实际应用中，行为预测模型还可以为神经网络模型。
[0090]
以下实施例将离职行为作为目标行为为例进行说明。
[0091]
可选的，目标员工的属性可以为职业、部门、职位、年龄、性别，以及居住城市。
[0092]
其中，以目标员工的属性为部门为例，可以针对不同的部门，构建不同的行为预测模型。
[0093]
一种实施方式中，可以针对不同的部门，获取员工不同的多个行为的数据，并针对不同的多个行为的数据，构建不同的行为预测模型。例如：产品人员日常行为数据：上班迟到率，上班时长，主动发出邮件数量，邮件回复数量，需求完成量，原型页数；技术人员日常行为数据：上班迟到率，上班时长，代码行数，需求上线次数，错误率等；行政人员日常行为数据：上班迟到率，上班时长，主动发出邮件数量，邮件回复数量等；市场人员日常行为数据：上班迟到率，上班时长，主动发出邮件数量，邮件回复数量等；销售人员日常行为数据：上班迟到率，上班时长，主动发出邮件数量，邮件回复数量，报销金额，外出次数等；同时,再采集这些员工的历史问卷得分情况,满意度得分,敬业度得分,压力得分，并分别针对不同的部门获得的数据进行回归分析，分别获得不同部门的行为预测模型。
[0094]
这样，就可以应用与目标员工的属性对应的行为预测模型，获得目标员工的行为评估值，提高了预测的准确度。
[0095]
进一步的，在执行步骤201之前，还可以执行以下步骤：
[0096]
步骤一：获取参考员工的多个行为的数据。
[0097]
一种实施方式中，获取参考员工在一段时间内的上班迟到次数、上班迟到率、代码行数，以及处理邮件数量，作为参考员工的多个行为的数据。
[0098]
一种实施方式中，获取参考员工在一段时间内的上班迟到次数、上班迟到率、代码行数，以及处理邮件数量，并根据上班迟到次数、上班迟到率、代码行数，以及处理邮件数量确定至少一个预设行为，其中，每一预设行为还可以称为一个指标。
[0099]
这样，就可以获取与目标员工属性相同的发生目标行为的员工的多个行为的数据。
[0100]
步骤二：对多个行为的数据进行线性回归分析，获得行为预测模型。
[0101]
具体的，对获得的多个行为的数据进行线性回归分析，获得每一行为的相关系数，并基于每一行为的相关系数，获得行为预测模型。
[0102]
这样，就可以获取行为的相关系数，并获得行为预测模型。
[0103]
步骤202：基于行为评估值，对目标员工的目标行为进行预测。
[0104]
具体的，执行步骤202，可以采用以下步骤：
[0105]
步骤s2021：将目标员工的行为评估值与行为基准值进行比较，获得比较结果。
[0106]
具体的，根据目标员工的行为评估值与行为基准值，对目标员工进行目标行为的预测。
[0107]
一种实施方式中，将目标员工的行为评估值与行为基准值进行比较，若目标员工的行为评估值不小于行为基准值，则表征目标员工发生目标行为的概率比较大，若目标员工的行为评估值小于行为基准值，则表征目标员工发生目标行为的概率比较小。
[0108]
这样，就可以通过对目标员工的行为评估值与行为基准值进行比较，获得比较结果。
[0109]
步骤s2022：根据比较结果，对目标员工进行目标行为的预测。
[0110]
一种实施方式中，比较结果表征目标员工发生目标行为的可能性比较大。
[0111]
一种实施方式中，比较结果表征目标员工发生目标行为的可能性比较小。
[0112]
这样，就可以通过对目标员工的行为评估值与行为基准值进行比较，对目标员工进行目标行为的预测。
[0113]
进一步的，在执行步骤s2021之前，还可以执行以下步骤：
[0114]
步骤a：分别将每一参考员工的至少一个预设行为的数据，输入到所述行为预测模型，分别获得每一参考员工的行为评估值。
[0115]
具体的，将获得的每一个与目标员工属性相同的发生目标行为的员工的数据，输入到构建好的行为预测模型，分别获得每一与目标员工属性相同的发生目标行为的员工的行为评估值。
[0116]
其中，参考员工为与目标员工属性相同的发生目标行为的员工。
[0117]
这样，就可以分别确定每一参考员工的行为评估值。
[0118]
步骤b：根据每一参考员工的行为评估值，获得行为基准值。
[0119]
具体的，基于获得的每一参考员工的行为评估值，确定行为基准值。
[0120]
一种实施方式中，将获得的每一参考员工的行为评估值，进行加权求平均，获得行
为基准值。
[0121]
一种实施方式中，将获得的每一参考员工的行为评估值，按照从大到小排序，并选取中位数，将中位数确定为行为基准值。
[0122]
一种实施方式中，分别获取每一与目标员工相同部门的，且已经离职的员工，在一段时间内的上班迟到次数、代码行数，以及邮件处理数量的各自平均数作为自变量，输入至线性回归方程：y＝β0 β1x1 β2x2 β3x3，获得行为基准值。
[0123]
其中，y表示因变量评估值，β表示相关系数，x表示上班迟到次数、代码行数，以及邮件处理数量的各自平均数。
[0124]
这样，就可以基于获得的每一与目标员工属性相同的发生目标行为的员工的行为评估值，确定行为基准值。
[0125]
进一步，还可以根据预测结果和目标员工的目标行为的真实发生情况之间的差异，对行为预测模型和/或行为基准值进行更新。
[0126]
具体的，根据预测结果和目标原的目标行为的真实发生情况做比较，获得两者之间的差异，并根据两者之间的差异对行为预测模型和/或行为基准值进行更新。
[0127]
一种实施方式中，目标员工的预测结果表征，该目标员工做出目标行为的可能性比较大，但是，目标行为并没有发生，则需要对行为预测模型和/或行为基准值进行更新。
[0128]
进一步的，随着参考员工的数量增加，需要对预测模型和/或行为基准值进行更新。
[0129]
一种实施方式中，参考员工的数量增加，相当于预测模型和/或行为基准值的样本数量增加，则需要对预测模型和/或行为基准值进行更新。
[0130]
其中，可以对行为预测模型和/或行为基准值实时或定期的进行更新。
[0131]
这样，就可以对行为预测模型和/或行为基准值进行更新，使得哦对目标员工预测的更加准确可靠。
[0132]
参阅图3所示，其为本技术实施例提供的一种行为预测的方法的详细实施流程图，该方法的具体实施流程如下：
[0133]
步骤300：获取与目标员工属性相同且已发生目标行为的员工的多个行为的数据。
[0134]
步骤301：对多个行为的数据进行线性回归分析，获得行为预测模型。
[0135]
步骤302：通过对多个行为的数据进行分析，获取目标员工的至少一个预设行为的数据。
[0136]
步骤303：将至少一个预设行为的数据，输入到与目标员工的属性对应的行为预测模型，获得目标员工的行为评估值。
[0137]
步骤304：分别确定每一与目标员工的属性相同且已发生目标行为的员工的行为评估值。
[0138]
步骤305：基于每一与目标员工的属性相同且已发生目标行为的员工的行为评估值，获得行为基准值。
[0139]
步骤306：将目标员工的行为评估值与行为基准值进行比较，获得比较结果。
[0140]
步骤307：根据比较结果，对目标员工进行目标行为的预测。
[0141]
具体的，执行步骤300-步骤307时，具体步骤参见上述步骤200-步骤202，在此不做赘述。
[0142]
本技术实施例中，通过整合目标员工的日常行为数据和测评数据，对目标员工的行为的数据进行预测，将目标员工真实数据作为依据，使得预测结果真实度高，且预测更加客观准确。行为预测模型也可以根据不同员工的属性构建不同的行为预测模型，行为预测模型也可以扩展更新，使得行为预测模型预测的更加准确，提高了行为预测模型的准确度。
[0143]
基于同一发明构思，本技术实施例中还提供了一种行为预测的装置，如图4所示，其为本技术实施例提供的一种行为预测的装置的结构示意图，包括：
[0144]
获取单元401，用于获取目标员工的至少一个预设行为的数据；
[0145]
获得单元402，用于将至少一个预设行为的数据，输入与目标员工属性相对的行为预测模型，获得目标员工的行为评估值；
[0146]
预测单元403，用于基于行为评估值，对目标员工的目标行为进行预测，获得预测结果。
[0147]
一种实施方式中，至少一个预设行为是通过对参考员工的多个行为数据进行分析确定的，其中，参考员工为与目标员工属性相同且发生目标行为的员工。
[0148]
一种实施方式中，获得单元402还用于：
[0149]
对多个行为的数据进行线性回归分析，获得行为预测模型。
[0150]
一种实施方式中，预测单元403具体用于：
[0151]
将目标员工的行为评估值与行为基准值进行比较，获得比较结果；
[0152]
根据比较结果，对目标员工进行目标行为的预测。
[0153]
一种实施方式中，预测单元403还用于：
[0154]
分别将每一参考员工的至少一个预设行为的数据，输入到行为预测模型，分别获得每一参考员工的行为评估值；
[0155]
根据每一参考员工的行为评估值，获得行为基准值。
[0156]
一种实施方式中，预测单元403还用于：
[0157]
根据预测结果和目标员工的目标行为的真实发生情况之间的差异，对行为预测模型和/或行为基准值进行更新。
[0158]
由于上述装置及设备解决问题的原理与一种行为预测的方法相似，因此，上述装置的实施可以参见方法的实施，重复之处不再赘述。
[0159]
本技术实施例提供的一种行为预测的方法、装置、电子设备及可读存储介质中，获取目标员工的至少一个预设行为的数据；将至少一个预设行为的数据，输入与目标员工属性相同且预先构建的行为预测模型，获得目标员工的行为评估值；基于行为评估值，对目标员工的目标行为进行预测，获得预测结果。这样，就可以在预测员工的行为时，可以提高预测的准确度。
[0160]
图5示出了一种电子设备5000的结构示意图。参阅图5所示，电子设备5000包括：处理器5010以及存储器5020，可选的，还可以包括电源5030、显示单元5040、输入单元5050。
[0161]
处理器5010是电子设备5000的控制中心，利用各种接口和线路连接各个部件，通过运行或执行存储在存储器5020内的软件程序和/或数据，执行电子设备5000的各种功能，从而对电子设备5000进行整体监控。
[0162]
本技术实施例中，处理器5010调用存储器5020中存储的计算机程序时执行如图2中所示的实施例提供的行为预测的方法。
[0163]
可选的，处理器5010可包括一个或多个处理单元；优选的，处理器5010可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器5010中。在一些实施例中，处理器、存储器、可以在单一芯片上实现，在一些实施例中，它们也可以在独立的芯片上分别实现。
[0164]
存储器5020可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、各种应用等；存储数据区可存储根据电子设备5000的使用所创建的数据等。此外，存储器5020可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件等。
[0165]
电子设备5000还包括给各个部件供电的电源5030(比如电池)，电源可以通过电源管理系统与处理器5010逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗等功能。
[0166]
显示单元5040可用于显示由用户输入的信息或提供给用户的信息以及电子设备5000的各种菜单等，本发明实施例中主要用于显示电子设备5000中各应用的显示界面以及显示界面中显示的文本、图片等对象。显示单元5040可以包括显示面板5041。显示面板5041可以采用液晶显示屏(liquid crystal display，lcd)、有机发光二极管(organic light-emitting diode，oled)等形式来配置。
[0167]
输入单元5050可用于接收用户输入的数字或字符等信息。输入单元5050可包括触控面板5051以及其他输入设备5052。其中，触控面板5051，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触摸笔等任何适合的物体或附件在触控面板5051上或在触控面板5051附近的操作)。
[0168]
具体的，触控面板5051可以检测用户的触摸操作，并检测触摸操作带来的信号，将这些信号转换成触点坐标，发送给处理器5010，并接收处理器5010发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板5051。其他输入设备5052可以包括但不限于物理键盘、功能键(比如音量控制按键、开关机按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
[0169]
当然，触控面板5051可覆盖显示面板5041，当触控面板5051检测到在其上或附近的触摸操作后，传送给处理器5010以确定触摸事件的类型，随后处理器5010根据触摸事件的类型在显示面板5041上提供相应的视觉输出。虽然在图5中，触控面板5051与显示面板5041是作为两个独立的部件来实现电子设备5000的输入和输出功能，但是在某些实施例中，可以将触控面板5051与显示面板5041集成而实现电子设备5000的输入和输出功能。
[0170]
电子设备5000还可包括一个或多个传感器，例如压力传感器、重力加速度传感器、接近光传感器等。当然，根据具体应用中的需要，上述电子设备5000还可以包括摄像头等其它部件，由于这些部件不是本技术实施例中重点使用的部件，因此，在图5中没有示出，且不再详述。
[0171]
本领域技术人员可以理解，图5仅仅是电子设备的举例，并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
[0172]
本技术实施例中，一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时，使得通信设备可以执行上述实施例中的各个步骤。
[0173]
为了描述的方便，以上各部分按照功能划分为各模块(或单元)分别描述。当然，在实施本技术时可以把各模块(或单元)的功能在同一个或多个软件或硬件中实现。
[0174]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0175]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0176]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0177]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0178]
尽管已描述了本技术的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本技术范围的所有变更和修改。
[0179]
显然，本领域的技术人员可以对本技术进行各种改动和变型而不脱离本技术的精神和范围。这样，倘若本技术的这些修改和变型属于本技术权利要求及其等同技术的范围之内，则本技术也意图包含这些改动和变型在内。

技术特征：
1.一种行为预测的方法，其特征在于，包括：获取目标员工的至少一个预设行为的数据；将所述至少一个预设行为的数据，输入与所述目标员工的属性对应的行为预测模型，获得所述目标员工的行为评估值；基于所述行为评估值，对所述目标员工的目标行为进行预测，获得预测结果。2.如权利要求1所述的方法，其特征在于，所述至少一个预设行为是通过对参考员工的多个行为数据进行分析确定的，其中，所述参考员工为与所述目标员工的属性相同且已发生目标行为的员工。3.如权利要求2所述的方法，其特征在于，所述行为预测模型为线性回归模型，在将所述至少一个预设行为的数据，输入与所述目标员工的属性对应的行为预测模型，获得所述目标员工的行为评估值之前，所述方法还包括：对所述多个行为的数据进行线性回归分析，获得所述行为预测模型。4.如权利要求3所述的方法，其特征在于，所述基于所述行为评估值，对所述目标员工的目标行为进行预测，包括：将所述目标员工的行为评估值与行为基准值进行比较，获得比较结果；根据所述比较结果，对所述目标员工进行目标行为的预测。5.如权利要求4所述的方法，其特征在于，在将所述目标员工的行为评估值与行为基准值进行比较，获得比较结果之前，所述方法还包括：分别将每一参考员工的至少一个预设行为的数据，输入到所述行为预测模型，分别获得每一参考员工的行为评估值；根据所述每一参考员工的行为评估值，获得所述行为基准值。6.如权利要求4或5所述的方法，其特征在于，所述方法还包括：根据所述预测结果和所述目标员工的目标行为的真实发生情况之间的差异，对所述行为预测模型和/或所述行为基准值进行更新。7.一种行为预测的装置，其特征在于，包括：获取单元，用于获取目标员工的至少一个预设行为的数据；获得单元，用于将所述至少一个预设行为的数据，输入与所述目标员工的属性对应的行为预测模型，获得所述目标员工的行为评估值；预测单元，用于基于所述行为评估值，对所述目标员工的目标行为进行预测，获得预测结果。8.如权利要求7所述的装置，其特征在于，所述至少一个预设行为是通过对参考员工的多个行为数据进行分析确定的，其中，所述参考员工为与所述目标员工的属性相同且已发生目标行为的员工。9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-6任一所述方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-6任一所述方法。

技术总结
本申请属于行为预测技术领域，公开了一种行为预测的方法、装置、电子设备及可读存储介质，该方法包括，获取目标员工的至少一个预设行为的数据；将至少一个预设行为的数据，输入与目标员工的属性对应的行为预测模型，获得目标员工的行为评估值；基于行为评估值，对目标员工的目标行为进行预测，获得预测结果。这样，就可以在预测员工的行为时，可以提高预测的准确度。确度。确度。


技术研发人员：兰颖 李育辉
受保护的技术使用者：北京锶辉科技有限公司
技术研发日：2022.02.21
技术公布日：2022/5/25