🤖 AI

A time-series classification framework for individual-level absenteeism prediction under severe class imbalance

Dieses Paper schlägt ein Framework zur Zeitreihenklassifizierung unter Verwendung einer LSTM-FCN-Architektur und optimierter Verlustfunktionen vor, um eine wahrhaft proaktive, individuelle Fehlzeitenprognose in hochgradig unbalancierten Datensätzen zu ermöglichen und die Einschränkungen bestehender Methoden zu überwinden, die lediglich realisierte Ergebnisse reproduzieren.

Ursprüngliche Autoren: Kwong Ho Li, Matthew Roughan, Wathsala Karunarathne

Veröffentlicht 2026-07-01

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Kwong Ho Li, Matthew Roughan, Wathsala Karunarathne

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind der Manager eines geschäftigen Krankenhauses oder eines Lieferunternehmens. Ihr größtes Problem? Absentismus. Wenn das Personal nicht erscheint, kommt alles zum Stillstand. Sie müssen wissen, bevor sie fehlen, wer wahrscheinlich krankgemeldet sich, damit Sie vorbereitet sind.

Dieses Papier handelt davon, eine „Kristallkugel“ für die Anwesenheit von Mitarbeitern zu bauen, aber mit einer ganz speziellen Wendung: Es versucht, die Zukunft basierend auf der Vergangenheit vorherzusagen, anstatt nur zu betrachten, was gerade jetzt passiert.

Hier ist die Geschichte ihrer Forschung, heruntergebrochen auf einfache Konzepte.

1. Das Problem: In den Rückspiegel schauen

Die meisten aktuellen Computerprogramme zur Vorhersage von Fehlzeiten sind wie das Fahren eines Autos, während man nur in den Rückspiegel schaut. Sie nehmen Daten von „heute“ (wie das Alter eines Mitarbeiters oder wie weit er entfernt wohnt) und versuchen zu erraten, ob er heute abwesend ist.

Die Autoren sagen, dass dies für die Planung nutzlos ist. Bis Sie die Daten für „heute“ kennen, hat der Mitarbeiter bereits die Entscheidung getroffen, zu Hause zu bleiben oder zur Arbeit zu kommen. Sie können einen Personalmangel, der bereits eingetreten ist, nicht mehr beheben.

Die Lösung: Sie schlagen ein Time Series Classification-Framework vor. Denken Sie daran, als würde man durch die Windschutzscheibe schauen. Anstatt zu fragen: „Ist John gerade abwesend?“, fragen sie: „Basierend auf Johns Anwesenheitsmuster der letzten 40 Tage: Ist es wahrscheinlich, dass er in den nächsten 5 Tagen abwesend sein wird?“ Dies ermöglicht es Managern, proaktiv statt reaktiv zu handeln.

2. Die Daten-Hürde: Ein „Digitalen Zwilling“ bauen

Echte Aufzeichnungen über die Anwesenheit von Mitarbeitern sind privat und sensibel (ähnlich wie Krankenakten). Man kann sie nicht einfach aus dem Internet herunterladen.

Um dies zu umgehen, haben die Forscher einen simulierten Datensatz erstellt. Stellen Sie sich vor, sie hätten einen kleinen, echten Datensatz eines Kurierunternehmens in Brasilien als „Keim“ genommen. Dann haben sie mithilfe von Mathematik einen riesigen Wald aus 1.000 „digitalen Mitarbeitern“ gezüchtet, die sich statistisch exakt so verhalten wie die echten Mitarbeiter. Dies ermöglichte es ihnen, ihr System zu testen, ohne die Privatsphäre von jemandem zu verletzen.

3. Die „Class Imbalance“-Falle

Hier ist der knifflige Teil. In fast jedem Unternehmen sind Mitarbeiter zu 97 % der Zeit anwesend. Nur zu etwa 3 % der Zeit sind sie abwesend.

In der Welt des maschinellen Lernens nennt man dies eine schwere Klassenimbalance (Class Imbalance). Es ist, als würde man versuchen, einem Hund beizubringen, nur dann zu bellen, wenn er einen Löwen sieht, aber 99 % der Zeit zeigt man ihm nur eine Katze. Der Hund wird einfach lernen, still zu bleiben (also „kein Löwe“ vorherzusagen), weil er in 99 % der Fälle recht hat.

In ihrem Fall könnte ein Computermodell eine Genauigkeit von 97 % erreichen, indem es einfach jeden Tag rät: „Alle sind anwesend“. Aber das ist eine Katastrophe für einen Manager, der wissen muss, wer tatsächlich fehlt. Das Ziel ist nicht bloß „Genauigkeit“ (Accuracy); es ist Spezifität (Specificity) – die Fähigkeit, die seltenen „abwesenden“ Tage korrekt zu erkennen, ohne Fehlalarm zu schlagen.

4. Das Showdown der Loss Functions: „Fokussierung“ vs. „Selbstkorrektur“

Um das Ungleichgewicht zu beheben, testeten die Forscher zwei verschiedene „Lehrer“ (mathematische Formeln namens Loss Functions), um ihre KI zu trainieren.

Lehrer A: Binary Focal Loss (BFL).
- Die Metapher: Stellen Sie sich einen Lehrer vor, der versucht, sich nur auf die Schüler zu konzentrieren, die durchfallen. Dieser Lehrer benötigt jedoch eine spezifische Bedienungsanleitung (einen Parameter namens $\alpha$ ), um zu wissen, wie stark er sich konzentrieren soll.
- Die Entdeckung: Die Standard-Bedienungsanleitung (die die meisten Leute verwenden) machte die Sache tatsächlich schlimmer! Sie sagte dem Lehrer, er solle sich auf die falsche Gruppe konzentrieren. Die Forscher mussten die Anleitung unter Verwendung einer spezifischen Formel neu schreiben, die darauf basierte, wie selten die Abwesenheiten waren. Als sie dies taten, wurde der Lehrer viel besser darin, abwesende Mitarbeiter zu erkennen. Es erforderte jedoch, dass der Manager die exakte Mathematik im Voraus kannte.
Lehrer B: Geometric Mean (G-Mean) Loss.
- Die Metapher: Dieser Lehrer besitzt einen selbstkorrigierenden Instinkt. Wenn die Klasse beginnt, die durchfallenden Schüler zu ignorieren, lenkt dieser Lehrer automatisch die Aufmerksamkeit auf sie, ohne dass er ein Handbuch benötigt.
- Die Entdeckung: Dieser Lehrer schnitt genauso gut ab wie der perfekt abgestimmte „Focal Loss“-Lehrer, aber er benötigte keine komplexen mathematischen Anpassungen. Er funktionierte einfach automatisch.

Der Gewinner: Beide funktionierten gut, aber G-Mean war der „Plug-and-Play“-Champion, da er nicht erforderte, dass der Nutzer zuerst komplexe Ausgleichszahlen berechnet.

5. Die beste Architektur: Der Hybrid-Motor

Sie testeten drei verschiedene „Motoren“ (KI-Modelle), um die Daten zu verarbeiten:

LSTM: Gut darin, sich an lange Geschichten zu erinnern (wie ein Tagebuch).
CNN: Gut darin, Muster in Bildern zu erkennen (oder in diesem Fall Muster in der Zeit).
LSTM-FCN: Ein Hybrid, der beide kombiniert.

Das Ergebnis: Der Hybrid (LSTM-FCN) war der klare Gewinner. Es war, als hätte man einen Detektiv, der sowohl das ganze Tagebuch lesen als auch spezifische Handschriftmuster erkennen kann. Er erreichte eine balancierte Genauigkeit von etwa 80 %, was bedeutet, dass er sehr gut darin war, Abwesenheiten vorherzusagen, ohne zu viele Fehlalarme auszulösen.

6. Das Fine-Tuning: Wie viel Geschichte brauchen wir?

Sie testeten auch, wie weit die KI in die Vergangenheit zurückblicken sollte:

Zu kurz (5 Tage): Die KI vergisst den Kontext.
Zu lang (160 Tage): Die KI wird durch alte, irrelevante Geschichte verwirrt.
Das „Sweet Spot“: Ein Rückblick von 40 bis 80 Tagen war das perfekte Zeitfenster. Es gab der KI genug Historie, um Muster zu sehen (wie „John wird jedes Mal krank, wenn er eine Doppelschicht arbeitet“), ohne sich in alter Geschichte zu verlieren.

Zusammenfassung der Ergebnisse

Schauen Sie nicht in den Rückspiegel: Die Vorhersage zukünftiger Abwesenheiten basierend auf vergangenen Sequenzen ist der einzige Weg, um wirklich proaktiv zu sein.
Die „Standard“-Einstellungen versagen: Wenn Sie die Standardeinstellungen für den Umgang mit seltenen Ereignissen in der KI verwenden, werden Sie Abwesenheiten nicht erkennen. Sie müssen entweder die Mathematik anpassen oder eine selbstkorrigierende Methode verwenden.
Das Hybrid-Modell gewinnt: Die Kombination verschiedener KI-Techniken (LSTM-FCN) funktioniert am besten.
Das magische Fenster: Ein Rückblick von 40–80 Tagen liefert die besten Ergebnisse.
Kein Zauberstab: Sie mussten Fake-Daten verwenden, da echte Daten privat sind, aber sie haben bewiesen, dass ihre Methode auf der Simulation funktioniert, die auf realen Statistiken basiert.

Kurz gesagt bietet dieses Papier einen Bauplan für die Entwicklung eines Systems, das die jüngste Anwesenheitshistorie eines Mitarbeiters analysieren und sagen kann: „Hey, basierend auf dem Muster wird diese Person wahrscheinlich nächste Woche abwesend sein“, sodass Manager das Problem lösen können, bevor es eintritt.

Technisches Resümee: Ein Framework zur Zeitreihenklassifizierung zur Vorhersage individueller Fehlzeiten unter schwerer Klassenimbalance

Problemdefinition

Die Arbeit adressiert die operative Herausforderung der Vorhersage individueller Fehlzeiten in Hochlastumgebungen (z. B. Gesundheitswesen, Rettungsdienste, Logistik). Bestehende Ansätze des maschinellen Lernens leiden unter zwei kritischen strukturellen Einschränkungen:

Temporale Fehlausrichtung: Aktuelle Regressions- und Klassifikationsmethoden bilden Merkmale, die zum Zeitpunkt $t$ beobachtet werden, auf Labels zum selben Zeitpunkt $t$ ab. Dies führt dazu, dass Modelle bereits realisierte Ergebnisse reproduzieren, anstatt zukünftige Ereignisse vorherzusagen, was sie reaktiv statt proaktiv macht.
Verlust der sequentiellen Struktur: Bestehende Methoden aggregieren individuelles Verhalten oft zu populationsbasierten Zusammenfassungen und vernachlässigen dabei die sequentiellen Muster innerhalb der Anwesenheitshistorie eines Mitarbeiters (z. B. kumulative Erschöpfung oder wiederkehrende gesundheitliche Episoden), die prädiktive Informationen enthalten.

Darüber hinaus ist das Problem durch eine schwere Klassenimbalance gekennzeichnet. In dem untersuchten Kontext macht die Anwesenheit (Präsenz) etwa 97,69 % der Datensätze aus, während die Abwesenheit die Minderheitenklasse darstellt (2,31 %), was ein Imbalanzaverhältnis von $\rho \approx 42,31$ ergibt. Standard-Verlustfunktionen führen Modelle zugunsten der Mehrheitsklasse, was zu einer schlechten Spezifität (der Fähigkeit, abwesende Mitarbeiter korrekt zu identifizieren) führt – ein kritischer Ausfallmodus für die Personalplanung.

Methodik

Datensimulation

Aufgrund des Mangels an öffentlich verfügbaren longitudinalen Daten auf individueller Ebene konstruierten die Autoren einen reproduzierbaren simulierten Datensatz. Dieser Datensatz wurde auf die Verteilungseigenschaften des UCI „Absenteeism at Work“-Benchmarks kalibriert.

Expansion: Monatliche aggregierte Daten von 36 Mitarbeitern wurden in tägliche binäre Sequenzen (1.027 Tage) expandiert.
Synthese: 964 zusätzliche synthetische Mitarbeiter wurden mittels distributionserhaltender Stichprobenverfahren generiert, was zu insgesamt 1.000 Mitarbeitern führt.
Formulierung: Das Problem wurde als Zeitreihenklassifikation (TSC) umformuliert. Ein Sliding-Window-Ansatz wurde verwendet, bei dem die Eingangssequenz $X$ aus $n$ aufeinanderfolgenden vergangenen Tagen der Anwesenheit besteht und das Ziel-Label $y$ den Status der Abwesenheit über die darauffolgenden $m$ Tage (Vorhersagehorizont) darstellt.

Modellarchitekturen

Drei Deep-Learning-Architekturen wurden evaluiert:

LSTM: Ein rekurrentes Netzwerk, das die Sequenz verarbeitet, um temporale Abhängigkeiten zu erfassen.
CNN (FCN): Ein voll konvolutionales Netzwerk, das 1D-Konvolutionen nutzt, um hierarchische Merkmale zu extrahieren.
LSTM-FCN: Eine hybride Architektur, die einen konvolutionalen Zweig (für lokale Muster) mit einem rekurrenten Zweig (für sequentielle Abhängigkeiten) kombiniert, wobei die Repräsentationen vor der Ausgabeschicht konkateniert werden.

Verlustfunktionen und theoretische Analyse

Die Studie analysierte zwei Verlustfunktionen unter schwerer Imbalance rigoros:

Binary Focal Loss (BFL): Führt einen Fokus-Parameter $\gamma$ $γ$ und einen Klassenausgleichsfaktor $\alpha$ $α$ ein.
- Theoretische Erkenntnis: Die Autoren haben hergeleitet, dass das initiale Gradientenverhältnis zwischen Präsenz- und Abwesenheitsklassen $\rho \alpha / (1-\alpha)$ beträgt. Sie bewiesen, dass der Fokus-Parameter $\gamma$ bei der Initialisierung ( $p=0,5$ ) keinen Effekt hat.
- Kalibrierung: Um ein Gradientengleichgewicht zu erreichen, muss $\alpha$ auf $\alpha^* = 1/(1+\rho) \approx 0,023$ gesetzt werden. Standardparameterisierungen (z. B. $\alpha=0,75$ ) verstärken die Dominanz der Mehrheitsklasse und führen zum Modellkollaps.
Geometric Mean (G-Mean) Loss: Optimiert den geometrischen Mittelwert von True Positive Rate (TPR) und True Negative Rate (TNR).
- Theoretische Erkenntnis: G-Mean weist eine selbstkorrigierende Gradientenstruktur auf. Das Verhältnis der gesamten Gradientenbeiträge hängt von $\widehat{TNR}/\widehat{TPR}$ ab, welches unabhängig vom Imbalanzaverhältnis $\rho$ ist. Wenn das Modell dazu kollabiert, für alle „präsent“ vorherzusagen, dominiert der Gradient der Abwesenheitsklasse natürlich und liefert eine Rückstellkraft ohne manuelle Parameterabstimmung.

Experimenteller Aufbau

Metriken: Spezifität (primär), Balanced Accuracy, Precision, Recall und F1-Score.
Hyperparameter: Systematische Sweeps wurden für Batch-Größen, Fenstergrößen und Verlustfunktionsparameter durchgeführt.
Umgebung: Training auf einer NVIDIA RTX 4090 GPU unter Verwendung von PyTorch.

Kernergebnisse

1. Leistung der Verlustfunktionen

Standard BFL Versagen: Die Standard-BFL-Konfiguration ( $\alpha=0,75, \gamma=2$ ) resultierte in einer Spezifität von nur 0,124, da das Modell für fast alle Mitarbeiter „präsent“ vorhersagte.
Kalibriertes BFL: Als $\alpha$ auf den theoretisch hergeleiteten Wert $\alpha^* \approx 0,023$ und $\gamma=0$ gesetzt wurde, verbesserte sich die Spezifität auf 0,813 mit einer Balanced Accuracy von 0,888.
G-Mean Leistung: G-Mean erreichte eine Spezifität von 0,844 und eine Balanced Accuracy von 0,734 ohne jegliche Parameterkalibrierung.
Fazit: G-Mean ist vorzuziehen, wenn $\rho$ unbekannt ist oder wenn eine manuelle Kalibrierung vermieden werden soll. Kalibriertes BFL ( $\alpha^*, \gamma=0$ ) ist konkurrenzfähig, erfordert jedoch präzise Kenntnis des Imbalanzaverhältnisses.

2. Architektur und Hyperparameter

Architektur: Das hybride LSTM-FCN-Modell zeigte die konsistenteste Precision und Spezifität über verschiedene Konfigurationen hinweg.
Batch-Größe: Die Leistung stabilisierte sich bei Batch-Größen $\ge 64$ . Kleinere Batches konnten die Minderheitenklassen-Samples nicht zuverlässig einschließen, was den Selbstkorrekturmechanismus von G-Mean zum Kollaps brachte. Eine Batch-Größe von 1.024 lieferte die höchste Spezifität.
Fenstergröße: Für einen 5-Tage-Vorhersagehorizont boten Fenstergrößen zwischen 40 und 80 Tagen den besten Kompromiss zwischen Leistung und Stabilität. Größere Fenster (z. B. 160 Tage) führten zu Rückgängen bei F1-Score und Balanced Accuracy.
Hintergrundinformationen: Die Einbeziehung statischer Mitarbeiter-Hintergrundinformationen (z. B. Alter, BMI) verbesserte die Leistung im Vergleich zur alleinigen Nutzung von Anwesenheitssequenzen nicht signifikant.

3. Evaluierung auf dem Testdatensatz

Auf den gehaltenen Testdaten erreichte das LSTM-FCN-Modell mit G-Mean-Loss, einer Fenstergröße von 40–80 Tagen und einer Batch-Größe von 1.024 eine Balanced Accuracy von etwa 80 %. Das Modell generalisierte gut, was darauf hindeutet, dass die gelernten temporalen Muster nicht überangepasst (overfitted) sind.

Bedeutung und Beiträge

Die Arbeit beansprucht vier wesentliche Beiträge:

TSC-Formulierung: Sie definiert die Vorhersage von Fehlzeiten als ein sequentielles Wissensproblem und trennt explizit historische Sequenzen von zukünftigen Labels, um echte proaktive Entscheidungsunterstützung zu ermöglichen, im Gegensatz zu bestehenden reaktiven Modellen.
Theoretische Analyse von Verlustfunktionen: Sie liefert eine rigorose theoretische Herleitung der Gradientendynamik unter schwerer Imbalance. Sie beweist, dass Standard-BFL-Parameterisierungen versagen, wenn die positive Klasse die Mehrheitsklasse ist, und leitet den exakten analytischen Wert für $\alpha$ ab, der für Balance erforderlich ist. Zudem charakterisiert sie die selbstkorrigierende Natur des G-Mean-Loss.
Systematische Evaluierung: Sie etabliert praktische Designrichtlinien für die imbalancierte sequentielle Vorhersage, identifiziert LSTM-FCN als die robuste Architektur und definiert optimale Bereiche für Batch-Größen und Fenstergrößen.
Reproduzierbares Simulationsframework: Sie adressiert die Barriere der Datenknappheit durch die Veröffentlichung einer kalibrierten Simulationsmethodik, die synthetische longitudinale Anwesenheitsdaten generiert und somit eine Baseline für zukünftige Forschung in Abwesenheit öffentlicher individueller Datensätze bereitstellt.

Die Autoren kommen zu dem Schluss, dass die Studie zwar durch die Verwendung simulierter Daten begrenzt ist, das Framework jedoch praktische Orientierungshilfe für schwer imbalancierte Binärklassifikation im Personalmanagement, im Gesundheitswesen und bei der Betrugserkennung bietet. Zukünftige Arbeiten richten sich auf die Validierung dieser Ergebnisse mit realen Organisationsdaten und die Erweiterung des Frameworks auf multivariate Sequenzen.