研究人员开发了一种新的时间序列分类框架，旨在预测个体员工的缺勤情况。该方法通过将历史出勤序列与未来缺勤标签分开，实现了更主动的预测，这与现有方法不同。该框架使用模拟数据集进行了测试，并评估了三种深度学习架构：LSTM、CNN 和 LSTM-FCN，其中 LSTM-FCN 表现强劲。研究还分析了在严重类别不平衡下二元焦点损失 (BFL) 和几何平均值 (G-Mean) 损失函数的有效性，发现 BFL 在经过适当校准后是有效的。 AI
影响 该框架通过实现对员工可用性的主动管理，有可能提高高需求行业的劳动力规划和运营效率。
排序理由 该集群包含一篇学术论文，详细介绍了用于特定预测任务的新人工智能框架。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.31532v1 Announce Type: new Abstract: Staff absenteeism imposes substantial operational costs in high-demand work environments such as healthcare, emergency services, meat processing, construction, and courier and delivery services, where proactive workforce planning de…
Staff absenteeism imposes substantial operational costs in high-demand work environments such as healthcare, emergency services, meat processing, construction, and courier and delivery services, where proactive workforce planning depends on reliable individual-level absence predi…