في ظل الانخراط المتزايد في مجالات مثل الرعاية الصحية والخدمات الطارئة، يواجه العديد من القطاعات تحديات تتعلق بغياب الموظفين وتأثيراته الكبيرة على الإنتاجية والتكاليف التشغيلية. في هذا السياق، أحدث فريق بحثي تقني ثورة في كيفية التعامل مع هذا التحدي من خلال تطوير إطار جديد يُعرف بإطار تصنيف السلاسل الزمنية (TSC) الذي يعالج غياب الموظفين بفعالية.

تقليديًا، كانت الأساليب المستخدمة في توقع الغياب تعتمد على ربط المدخلات، مثل البيانات التاريخية للحضور، بالتسميات للغياب في نفس اللحظة الزمنية، مما يفقد القدرة على التنبؤ بالمستقبل. لكن، مع إطار (TSC) الجديد، يُفصل تسلسل الحضور التاريخي عن تسميات الغياب المستقبلية، مما يمنح المنظمات القدرة على تحقيق توقعات استباقية حقيقية.

نظرًا لندرة بيانات الحضور الطولية العامة، قام الباحثون بإنشاء مجموعة بيانات محاكاة قابلة للتكرار، تم معايرتها وفقًا لمجموعة بيانات UCI. وقد شمل البحث تحليل أساليب خسارة جديدة مثل خسارة النقاط الثنائية (Binary Focal Loss) وخسارة المتوسط الهندسي (Geometric Mean). أظهرت التجارب أن أداء النظام يعتمد إلى حد كبير على وزن خاص، مما يمكّن من توفير دقة عميقة لأداء الأنظمة.

من خلال تقييم ثلاثة هياكل تعلم عميقة، بما في ذلك الذاكرة الطويلة والقصيرة (LSTM) والشبكة العصبية الالتفافية (CNN) وشبكة (LSTM-FCN) الهجينة، تبين أن (LSTM-FCN) هو الخيار الأفضل الذي يقدم دقة عالية ومؤشرات أداء قوية. النتائج أظهرت دقة متوازنة تصل إلى 80% مع أحجام دفعات وعمليات قياس محددة.

باستخدام هذه الابتكارات، يُمكن للمنظمات الآن مواجهة تحديات غياب الموظفين بطريقة أكثر فعالية وابتكاراً، مما يسهم في تحسين تخطيط القوى العاملة وزيادة الإنتاجية في بيئات العمل المختلطة.