feat: 论文
This commit is contained in:
@@ -13,6 +13,8 @@
|
||||
- 企业缺勤对生产效率、排班稳定性和管理成本的影响
|
||||
- 数据驱动管理在人力资源领域的应用趋势
|
||||
- “预测缺勤”与“解释缺勤”并重的研究价值
|
||||
- 研究不能停留在几个预测结果或几张图表上,而应形成完整的分析、解释与干预逻辑
|
||||
- 明确三类研究问题:缺勤现象、缺勤机制、缺勤预测与解释
|
||||
|
||||
## 第2章 相关技术与理论基础
|
||||
|
||||
@@ -24,6 +26,8 @@
|
||||
可写内容:
|
||||
|
||||
- `JD-R` 模型及其健康损伤路径、激励路径
|
||||
- `JD-R` 作为缺勤解释框架的适用性
|
||||
- `SHAP` 作为模型解释工具与 `JD-R` 理论解释的区别与联系
|
||||
- Flask 的基本特点
|
||||
- Vue 3 的组件化优势
|
||||
- Element Plus 和 ECharts 的可视化能力
|
||||
@@ -45,6 +49,7 @@
|
||||
- 影响因素分析需求
|
||||
- `JD-R` 理论解释需求
|
||||
- 缺勤预测与可解释预测需求
|
||||
- 文字化解释与管理建议输出需求
|
||||
- 员工画像需求
|
||||
- 易用性与可维护性要求
|
||||
|
||||
@@ -61,6 +66,8 @@
|
||||
- 功能模块划分
|
||||
- 数据集字段设计
|
||||
- `JD-R` 变量设计与复合指标设计
|
||||
- 统计分析、理论解释、风险预测之间的业务流程关系
|
||||
- 个体预测结果如何回到理论维度并转化为说明文字
|
||||
- 接口交互流程
|
||||
- 页面原型说明
|
||||
|
||||
@@ -76,9 +83,13 @@
|
||||
- 数据生成与预处理实现
|
||||
- `JD-R` 理论变量构造实现
|
||||
- 特征工程实现
|
||||
- 数据概览与影响因素识别如何为后续理论解释提供输入
|
||||
- `JD-R` 双路径分析如何解释缺勤形成机制
|
||||
- 模型训练与保存实现
|
||||
- 时序融合深度学习训练流程
|
||||
- `SHAP` 全局/局部解释实现
|
||||
- `SHAP` 按 `JD-R` 维度聚合实现
|
||||
- 预测结果的文字化解释思路
|
||||
- 时序融合深度学习训练流程
|
||||
- 后端接口实现
|
||||
- 前端页面实现
|
||||
|
||||
@@ -93,11 +104,14 @@
|
||||
|
||||
- 页面访问测试
|
||||
- 接口联调测试
|
||||
- 预测功能测试
|
||||
- 聚类与分析结果测试
|
||||
- 模型性能指标分析
|
||||
- 缺勤现象与影响因素结果分析
|
||||
- `JD-R` 维度结果分析
|
||||
- 双路径机制结果分析
|
||||
- 预测功能测试
|
||||
- 模型性能指标分析
|
||||
- `SHAP` 解释结果分析
|
||||
- 个体预测结果的文字化解释示例分析
|
||||
- 聚类与分析结果测试
|
||||
- 传统模型与深度学习模型对比分析
|
||||
|
||||
## 第7章 总结与展望
|
||||
@@ -111,5 +125,7 @@
|
||||
|
||||
- 已完成的系统功能
|
||||
- 理论与系统结合的研究成果
|
||||
- 本文不仅实现缺勤预测,还构建了基于 `JD-R` 的缺勤解释框架
|
||||
- 文字化解释和管理建议部分仍可继续深化
|
||||
- 系统存在的限制
|
||||
- 后续可扩展方向
|
||||
|
||||
Reference in New Issue
Block a user