ПРОГНОЗУВАННЯ ПРОДУКТИВНОСТІ ПРАЦІВНИКІВ НА ОСНОВІ LSTM-МЕРЕЖ: СИНТЕТИЧНЕ МОДЕЛЮВАННЯ ТА ОЦІНКА ТОЧНОСТІ
Анотація
У сучасних умовах цифровізації організацій та зростання складності управління ІТ-проєктами особливої актуальності набуває застосування інтелектуальних методів аналізу даних для оцінювання та прогнозування продуктивності працівників. Традиційні підходи до аналізу ефективності діяльності персоналу переважно базуються на статичних показниках або періодичних експертних оцінках і часто не враховують часову динаміку змін продуктивності працівників у процесі виконання проєктних завдань. Це обмежує можливості своєчасного виявлення тенденцій у зміні ефективності роботи команд та ускладнює прийняття управлінських рішень. Метою дослідження є розроблення та дослідження підходу до прогнозування продуктивності працівників на основі рекурентних нейронних мереж типу LSTM, здатних моделювати часові залежності у даних про діяльність працівників у проєктному середовищі. У роботі розглядається використання часових рядів HR-метрик, які характеризують різні аспекти індивідуальної та командної ефективності, а також досліджується можливість застосування нейронних мереж для виявлення прихованих закономірностей у зміні показників продуктивності. Методика дослідження передбачає побудову нейронної моделі прогнозування, формування послідовностей вхідних даних на основі часових рядів показників діяльності працівників, а також застосування процедур попередньої обробки даних, зокрема нормалізації показників і формування навчальних вибірок. Для перевірки ефективності запропонованого підходу проведено експериментальне моделювання, що дозволило оцінити здатність нейронної мережі відтворювати часові залежності у зміні продуктивності та формувати прогнози її подальшої динаміки. Отримані результати показали, що використання LSTM-мереж дозволяє ефективно враховувати часову структуру даних та забезпечує високу точність прогнозування змін продуктивності працівників. Практична цінність дослідження полягає у можливості використання запропонованого підходу в системах HR-аналітики та управління проєктами для автоматизованого аналізу продуктивності команд, підтримки прийняття управлінських рішень та підвищення ефективності використання трудових ресурсів.
Посилання
Sagheer A., Kotb M. Time series forecasting of petroleum production using deep LSTM recurrent networks. Neurocomputing. 2019. Vol. 323. P. 203–213. DOI: https://doi.org/10.1016/j.neucom.2018.09.082 (accessed November 12, 2025).
Nait Chabane A., Sahnoun M., Bettayeb B. Forecasting KPIs of production systems using LSTM networks. Proceedings of the 9th International Conference on Data Analytics. 2021. DOI: https://doi.org/10.1109/CyMaEn50288.2021.9497278 (accessed December 5, 2025).
Mahammad D. R., Priya S. L., Thulasimani T., Mann S., Mann S., Kalra G. Analysis and prediction of employee turnover characteristics based on LSTM-RNN-HMM model. Journal of Intelligent & Fuzzy Systems. 2025. DOI: https://doi.org/10.1201/9781003559115-56 (accessed December 18, 2025).
Giriprakash A., Arunadevi V., Rajalakshmi K., Khan S. A., Jeyalakshmi R., Valavan M. P. Achieving balanced allocation in human resources through LSTM framework method. Proceedings of the 2024 IEEE International Conference on Smart Data Services. 2025. DOI: https://doi.org/10.1109/ICISCN64258.2025.10934511 (accessed November 22, 2025).
Hochreiter S., Schmidhuber J. Long short-term memory. Neural Computation. 1997. Vol. 9, No. 8. P. 1735–1780. DOI: https://doi.org/10.1162/neco.1997.9.8.1735 (accessed November 3, 2025).
Greff K., Srivastava R. K., Koutník J., Steunebrink B. R., Schmidhuber J. LSTM: A search space odyssey. IEEE Transactions on Neural Networks and Learning Systems. 2017. Vol. 28, No. 10. P. 2222–2232. DOI: https://doi.org/10.1109/TNNLS.2016.2582924 (accessed December 14, 2025).
Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge: MIT Press, 2016. URL: https://www.deeplearningbook.org (accessed December 9, 2025).
Han J., Kamber M., Pei J. Data mining: Concepts and techniques. 3rd ed. Burlington: Morgan Kaufmann, 2011. DOI: https://doi.org/10.1016/C2009-0-61819-5 (accessed November 27, 2025).
Jolliffe I. T., Cadima J. Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A. 2016. Vol. 374, No. 2065. P. 20150202. DOI: https://doi.org/10.1098/rsta.2015.0202 (accessed November 16, 2025).
Breiman L. Random forests. Machine Learning. 2001. Vol. 45. P. 5–32. DOI: https://doi.org/10.1023/A:1010933404324 (accessed December 21, 2025).
Chollet F. Deep learning with Python. 2nd ed. Shelter Island: Manning Publications, 2021.
Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift. Proceedings of the 32nd International Conference on Machine Learning. 2015. P. 448–456. URL: https://arxiv.org/abs/1502.03167 (accessed November 13, 2025).
Géron A. Hands-on machine learning with scikit-learn, Keras, and TensorFlow. 3rd ed. Sebastopol: O’Reilly Media, 2022.
Werbos P. J. Backpropagation through time: What it does and how to do it. Proceedings of the IEEE. 1990. Vol. 78, No. 10. P. 1550–1560. DOI: https://doi.org/10.1109/5.58337 (accessed November 30, 2025).
Hyndman R. J., Athanasopoulos G. Forecasting: Principles and practice. 3rd ed. OTexts, 2021. URL: https://otexts.com/fpp3/ (accessed December 4, 2025).
Makridakis S., Wheelwright S. C., Hyndman R. J. Forecasting: Methods and applications. 3rd ed. New York: Wiley, 1998.
Sagheer A., Kotb M. Time series forecasting of petroleum production using deep LSTM recurrent networks. Neurocomputing. 2019. Vol. 323. P. 203–213. DOI: https://doi.org/10.1016/j.neucom.2018.09.082 (дата звернення: 12.11.2025).
Nait Chabane A., Sahnoun M., Bettayeb B. Forecasting KPIs of production systems using LSTM networks. Proceedings of the 9th International Conference on Data Analytics. 2021. DOI: https://doi.org/10.1109/CyMaEn50288.2021.9497278 (дата звернення: 05.12.2025).
Mahammad D. R., Priya S. L., Thulasimani T., Mann S., Mann S., Kalra G. Analysis and prediction of employee turnover characteristics based on LSTM-RNN-HMM model. Journal of Intelligent & Fuzzy Systems. 2025. DOI: https://doi.org/10.1201/9781003559115-56 (дата звернення: 18.12.2025).
Giriprakash A., Arunadevi V., Rajalakshmi K., Khan S. A., Jeyalakshmi R., Valavan M. P. Achieving balanced allocation in human resources through LSTM framework method. Proceedings of the 2024 IEEE International Conference on Smart Data Services. 2025. DOI: https://doi.org/10.1109/ICISCN64258.2025.10934511 (дата звернення: 22.11.2025).
Hochreiter S., Schmidhuber J. Long short-term memory. Neural Computation. 1997. Vol. 9, No. 8. P. 1735–1780. DOI: https://doi.org/10.1162/neco.1997.9.8.1735 (дата звернення: 03.11.2025).
Greff K., Srivastava R. K., Koutník J., Steunebrink B. R., Schmidhuber J. LSTM: A search space odyssey. IEEE Transactions on Neural Networks and Learning Systems. 2017. Vol. 28, No. 10. P. 2222–2232. DOI: https://doi.org/10.1109/TNNLS.2016.2582924 (дата звернення: 14.12.2025).
Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge: MIT Press, 2016. URL: https://www.deeplearningbook.org (дата звернення: 09.12.2025).
Han J., Kamber M., Pei J. Data mining: Concepts and techniques. 3rd ed. Burlington: Morgan Kaufmann, 2011. DOI: https://doi.org/10.1016/C2009-0-61819-5 (дата звернення: 27.11.2025).
Jolliffe I. T., Cadima J. Principal component analysis: A review and recent developments. Philosophical Transactions of the Royal Society A. 2016. Vol. 374, No. 2065. P. 20150202. DOI: https://doi.org/10.1098/rsta.2015.0202 (дата звернення: 16.11.2025).
Breiman L. Random forests. Machine Learning. 2001. Vol. 45. P. 5–32. DOI: https://doi.org/10.1023/A:1010933404324 (дата звернення: 21.12.2025).
Chollet F. Deep learning with Python. 2nd ed. Shelter Island: Manning Publications, 2021.
Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift. Proceedings of the 32nd International Conference on Machine Learning. 2015. P. 448–456. URL: https://arxiv.org/abs/1502.03167 (дата звернення: 13.11.2025).
Géron A. Hands-on machine learning with scikit-learn, Keras, and TensorFlow. 3rd ed. Sebastopol: O’Reilly Media, 2022.
Werbos P. J. Backpropagation through time: What it does and how to do it. Proceedings of the IEEE. 1990. Vol. 78, No. 10. P. 1550–1560. DOI: https://doi.org/10.1109/5.58337 (дата звернення: 30.11.2025).
Hyndman R. J., Athanasopoulos G. Forecasting: Principles and practice. 3rd ed. OTexts, 2021. URL: https://otexts.com/fpp3/ (дата звернення: 04.12.2025).
Makridakis S., Wheelwright S. C., Hyndman R. J. Forecasting: Methods and applications. 3rd ed. New York: Wiley, 1998.
Авторське право (c) 2026 Андрій Якимів, Наталія Єгорченкова
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
