新型智能化培訓系統設計探究

趙 磊，楊 昀，屠月海，吳鋒豪，吳 熙

(國網浙江省電力有限公司 建設分公司，浙江 杭州 310000)

化工、電力行業是國民經濟的支柱，也是人民生活的重要保障。化工、電力等企業基建施工過程關系到諸多建設環節，每個不同的環節就需要大量的技術學習才能上崗，建筑設計中的員工培訓范圍廣、技術面寬、難度大，一個工程項目通常包括幾百個、甚至上百個技術難度，常規的人工培訓方法和信息共享系統就難以滿足項目建設的需求。

針對上述問題，現有技術也進行了相關技術研究，文獻在施工管理的過程中充分利用信息技術和互聯網技術,提高了自身管理能力，完善了工程的管理工作，但該技術無法實現基建施工不同項目的自我學習和培訓。文獻基于學習型組織方式，設計了企業員工培訓體系，通過該文獻的設計，員工能夠在諸如基建等陌生的環境中積極適應環境，通過自我學習，能夠獲取陌生外界事物。但該學習機制智能化程度太差，無法實現智能學習、培訓和評估。

針對上述技術的不足，本研究構建了新型的智能員工培訓系統，并對其關鍵技術進行研究。

1 智能員工培訓系統設計

本設計的基本概要為：

(1)構建了具有數據層、分析層、智能學習交互層和應用層的人工智能培訓系統，能夠實現從基建施工知識網絡、員工學習畫像、員工學習課程個性化推薦及學習行為監測方面出發，全面展示員工學習行為過程，實現電網員工學習智能化。

(2)構建了人工智能學習算法，能夠實現培訓效益指標的評價，實現了員工個性化學習和電網項目實時缺陷管理等功能，提高了員工的自我學習能力和培訓。

基于上述要點，本研究設計出如圖1所示的智能員工培訓系統架構圖。

圖1 智能員工培訓系統框架圖

由圖1可知，研究的數據層源于員工和課程信息數據；員工畫像層由員工畫像標簽體系和畫像類型組成；智能學習交互層由個性化推薦和學習行為監測構成；應用層有學習培訓、知識庫和知識搜羅等。所謂的企業員工培訓，就是企業通過各種學習形式來增強和豐富員工的知識和技能。本文所開發的智能員工培訓系統在考慮員工學習培訓個性化、碎片化及高效管理缺陷的基礎上，還包括缺陷管理、在線學習推薦、學習行為監測、互動問答、知識搜羅、維護員工信息等。通過實現這些功能，幫助員工及時施工管理、高效學習，提高企業及社會經濟效益。

2 關鍵技術

為了評估員工經過培訓后產生的未來效益，本研究構建員工培訓效益評估模型，并采用優化方法來提高評估模型的預測精度。

2.1 員工培訓效益評估模型構建

本研究基于灰色理論構建員工培訓效益評估模型，其主要分為2步驟。

步驟1：定義多級指標體系。企業員工培訓效益在實際應用中具有多維特征，但是在這些多維影響因素中，有4個主要因素，其中包括人才效益、技術效益、經濟效益和社會效益等；將指標體系劃分一級和二級兩個級別的權重屬性，分別表示子項重要度和要素重要度。但是類似地，該模型的權重屬性應滿足一定的約束條件，即所有權重之和應為1。其滿足以下約束條件條件：

(1)

(2)

式中：為第1級權重屬性中的權重的值；為第2級權重屬性中的權重的值。這些參數的具體數值是通過設計人員的經驗來確認的。

步驟2：構建員工培訓效益評估模型。在定義智能化培訓效益指標體系后，本研究從理論層面、應用前景和思想廣度3個角度來構建員工培訓評估模型，這個三角模型的領域就是教育訓練的效果。另外，通過該模型的3方面進階協調，可以實現區域(培訓效益)的最大化。其企業員工培訓效益的計算：

=···-·

(3)

式中：為對員工進行培訓的收入；為對員工進行培訓的收入時間；為一個培訓班的員工人數；為平均效率方差；為員工培訓的人均費用；為表示效率參數,其計算公式：

(4)

通過對企業員工培訓的收入進行了研究，并由以下公式表示：

=(1+)

(5)

關于邊際凈值模型：

=(1+)-

(6)

關于培訓效益模型為：

=(1+)+(MRP-MLC)

(7)

式(5)～式(7)中：為對員工進行培訓教育的收入數；為當前資本年利率；表示進行員工培訓的投資額；MRP表示教育培訓的邊際資本收入；表示進行員工培訓的投資周期；MLC表示人均培訓費用。

2.2 評估模型中的優化方法

針對基于灰色理論構建智能培訓效益評估模型誤差高的缺陷，本研究通過設置分割點構造滑動窗口，并結合3種平滑指數算法對灰色模型數據進行實時分割，獲得數據的實時統計特征，構造序列誤差預測與壓縮比之間的函數關系，利用誤差預測序列以進行分割點判斷并提高評估模型的準確性。該優化方法具體步驟如下。

步驟1：構造滑動窗口。在分割形式的平滑度指標預測中，假設在時刻獲得模型的預測輸出；在時間的實際企業員工培訓價值為，則預測結果的誤差為-，且該預測誤差滿足以下定義特征：

設置表示長度為的企業員工培訓時間數據序列；是在設定的分割點處企業員工培訓的預測誤差；設置SKPS={，…，}作為分割點集，為設置長度；具有隨機變量特征，在依賴形式內滿足相同的分布特征，并且還滿足正態分布[，]的特征，其表達式：

(8)

式中：、分別表示正態分布中的期望值與方差。

從中心極限理論可以看出，如果樣本數趨于無窮大，則產生的具有隨機特征的數據滿足正態分布特征。將當作隨機變量，則表示分割點的預測誤差。如果企業員工培訓時間序列趨于無限長，則預測序列誤差滿足正態分布特征。因此，其子序列也滿足正態分布[，]的特征。

步驟2：計算序列數據分割誤差。假設企業員工培訓時間序列數據的壓縮分割率為，則可以得到以下不等式關系：

2(2)-1≤1-

(9)

式中：為平均誤差范圍；為分布累積函數。它們符合正態分布特征。

假設企業員工培訓時間序列的壓縮分割比例為，則分割點的可能概率小于1-。越接近，分割點的概率越大；越遠，分割點的概率越小；平滑度指數分割預測過程假定分布范圍滿足偏差平均值的標準偏差。因此，分割點在[-2，+2]的區間內分布；同時，分割點的存在概率小于1-。假設代表隨機變量，則可以得到：

{-2<+2}≤1-

(10)

式中：{}表示概率函數。

通過變換式(10)，可得到：

(11)

根據中心極限定理，經過隨機變量轉換后，所得到的(-)應滿足正態分布(0，1)的特征。因此，可以通過式(11)推斷出式(9)成立。

根據預測誤差，可以實現企業員工培訓時間序列數據的細分子數據序列。該序列滿足單一趨勢，在獨立區間內具有一定的穩定性。如果在一個數據趨勢和當前序列趨勢之間產生了較大的偏差，則該點就是可能存在的數據序列分割點。

步驟3：得出3平滑指數。在與這2指數的基礎上，構建3個平滑指數模型，可以得到：

(12)

式中：=2，3，…，是時刻的1次平滑指數值；是時刻的2次平滑指數值；是時刻的第3平滑指數值；是時間時企業員工培訓的時間序列數據{}的真實收集數據；是平滑度因子，且滿足區間∈(0，1)。

在+時刻企業員工培訓的預測值為：

+=++

(13)

式中：為企業員工培訓數據的預測視覺長度，一般值為正整數。

在3個平滑指數預測過程中存在2個問題，需要妥善處理：

(1)初始值、、平滑度參數設置；

(2)平滑度因子參數的設定。

步驟4：效益評估模型預測過程。基于滑動窗口的平滑度指數預測過程是使用分段算法對企業員工培訓的歷史時間序列數據進行趨勢預測，以達到數據歷史值與預測值之間的均方誤差。實現該算法的具體程序流程如圖2所示。

由圖2可知，為平滑度指數預測的值；為企業員工培訓的實時值；為分段算法的初始指數設置值，=(++)3；是平滑度指數設置權重，=02；是用于保存預測誤差的向量；Seg是存儲分割點的集合；是原始序列和擬合序列之間的分割點殘差值。

從圖2還可以看出，在平滑指數預測算法中；是實時數據的當前時間；用于保存預測誤差值；基于分段更新策略，計算均方差，得到誤差的預測內部。根據設定的壓縮比和引理1計算均值偏差。最后，可以得到Seg集合。上述預測過程將循環執行直到實時數據處理結束為止。

圖2 三平滑度指數預測過程

在參數初始化之后，第1步，使用平滑單指數預測計算平滑度值，并將其作為時間的下一個預測值；第2步，獲得真實的企業員工培訓數據時刻通過收集，獲得預測誤差值-，并將該值保存在向量中；第3步，計算矢量標準偏差和平均值l，并更新這兩個參數；第4步，驗證分割點是否合適，如果不合適，則繼續執行下一個循環點。設置此標記位置并緩存此分割點是合適的。如果以下數據點也滿足分割點的要求，則將該點保存到Seg中；同時，重新初始化分割段的初始并繼續執行循環操作。

3 實驗與分析

實驗硬件環境為Pentium()CPU、8核16 G內存，電腦的硬盤容量為512 G的硬件環境，軟件的操作系統Windows10，JDK5.0，通過MATLAB軟件系統進行仿真。本研究以某企業最近4年有關員工培訓實際流向數據作為實驗數據樣本，通過構建智能員工培訓指標體系得到該企業從2018年到2021年數據樣本。由于指標較多，本文采用資產利潤率、受訓員工勞動效率以及受訓員工技術水平這3種指標用于實驗，其結果如表1所示。

表1 平滑度指標數據樣本

通過MATLAB軟件處理數據，采用統計表征作為受訓人員個人因素的方式，采用概率統計作為其他影響因素的方法。資產利潤率影響、受訓員工勞動效率影響和受訓員工技術水平影響產生的效益指標的概率密度如圖3所示，這3個因素均采用歸一化形式作為程序輸入。

(a)資產利潤率影響的概率密度

從圖3可以看出，資產利潤率影響、受訓員工勞動效率影響以及受訓員工技術水平影響這3個平滑度參數的不同值都會對培訓效益產生一定的影響，并且都呈現先增加后減少的情況。可以看出，當資產利潤率影響值在0.41左右時，效益目標最大；當勞動效率的價值在0.2左右時，效益目標最大；當受訓員工技術水平影響值約為0.3時，效益目標最大。

為了驗證本研究基于滑動窗口的員工培訓評估模型比傳統評估模型更加適用，以文獻[2]中企業培訓體系作為實驗對比對象，本研究通過統計在2021年3月至6月期間的員工培訓學習評估數據，計算這2種評估模型所預測評估值，并將預測結果與真實評估值進行對比，得出誤差數值如表2所示。

表2 2種預測模型評估結果對比

本文基于滑動窗口結合3種平滑指數算法對灰色模型數據進行實時分割，獲得數據的實時統計特征，構造序列誤差預測與壓縮比之間的函數關系，利用誤差預測序列以進行分割點判斷，提高評估模型的準確性。

4 結語

針對企業基建施工，設計了一套智能化員工培訓系統。基于灰色模型理論構建了員工培訓計劃評價預測模型，并建立回歸預測目標函數；基于企業員工培訓的多維特征，構建了評價指標和基于滑動窗口三指數的統計方法。所設計的智能化培訓系統降低了培訓學習成本，提高了員工自我學習和培訓能力。