[发明专利]考勤签到调度管理方法、系统、设备及存储介质

权利要求书

1.考勤签到调度管理方法，其特征在于，包括下述步骤：

实时采集考勤地点区域的天气数据，并对采集到的天气数据进行预处理得到初始样本集；

基于改进的生成对抗网络构建预测模型，具体为：将输入的原始数据采用第一卷积层和纠正线性函数修正叠加，获取初始特征图，接着对初始特征图进行上采样，将提取到的初始特征图进行放大，以更高的分辨率进行后续的三个卷积层和纠正线性函数的修正；然后将初始特征图与第四卷积层生成的特征图相乘后通过空间注意力机制和通道注意力机制，获取具体特征信息；最后将所述具体特征信息再次进行上采样后采用第五卷积层和双曲正切函数修正叠加，获取第五特征图，通过堆叠五个卷积层从原始图像中提取的特征图，建立预测模型，所述预测模型用于输出预测目标；

计算预测目标与真实目标图像之间的损失函数，所述损失函数包括生成对抗网络的判别器D的损失优化函数和生成对抗网络的生成器G的损失优化函数；

通过损失函数对预测模型进行训练，训练中，判别器D的目标正确地识别出真实样本和正确地剔除生成的假样本，生成器G的目标是使生成的预测值被判别器D剔除的概率最小化，不断的迭代训练，对于每一次迭代过程，判别器D和生成器G都会分别更新数据集的特征信息，直至输出训练好的预测模型；

将所述天气数据输入训练好的预测模型中得到预测值，根据预测值执行相应的考勤操作。

2.根据权利要求1所述的考勤签到调度管理方法，其特征在于，所述天气数据包括天气实况、预警信号、台风数据、S波段雷达数据和冰雹数据；

所述预处理包括数据清理、数据转换和数据集成。

3.根据权利要求1所述的考勤签到调度管理方法，其特征在于，所述计算预测目标与真实目标图像之间的损失函数，具体为：

损失函数由两部分组成：

其中为判别器D的损失优化函数，为生成器G的损失优化函数；

与的计算公式如下：

其中，L_bce为交叉熵损失函数；X、Y分别为输入图像序列和目标时刻真实图像数据；对图像的多个尺度k，分别得到生成结果G_k；N为尺度数；y_i为真实值；y_i′为预测值；n为交叉熵损失函数中的样本数。

4.根据权利要求1所述的考勤签到调度管理方法，其特征在于，所述判别器D的目标函数如下：

其中P_data(x)为真实数据的分布；x是一个真实数据；P_(z)为预测数据的分布。

5.根据权利要求1所述的考勤签到调度管理方法，其特征在于，对判别器D，从真实数据集中获取天气数据样本{x₁,x₂,...,x_m}，再从真实数据集中获取历史天气数据样本{z₁,z₂,...,z_m}；对每个历史图像样本z_k，通过生成器G得到预测结果G(z_k)，根据以下公式更新判别器D的模型参数θ_d：

其中为判别器损失函数；D(xⁱ)为真实天气数据集的判别结果；为判别器对生成器生成的图像的判别结果；为梯度偏导数；θ_d为模型参数变量，模型每训练一次，便修正一次结果，并把训练结果反向传播给模型进行修正；η为学习率。

6.根据权利要求1所述的考勤签到调度管理方法，其特征在于，对于生成器G的每一次迭代过程，从真实数据集中获取历史数据样本{z₁,z₂,...,z_m}，根据以下公式更新判别器的模型参数θ_g：

其中为生成器损失函数；G(zⁱ)为通过真实数据与θ_g共同计算出来的结果；θ_g为模型参数变量，模型每训练一次便修正一次结果，并把训练结果反向传播给模型进行修正。