徐靜++王勃

摘 要：自人類進入21世紀，世界經濟快速發(fā)展，人力資源需求預測在企業(yè)人力資源管理中顯得日益重要，建立卓有成效的人力資源需求預測模型，能夠為企業(yè)在快速發(fā)展中的用人需求提供有力的保障。因此，以人力資源需求預測的內涵為主要研究內容，以RBF神經網絡為基礎，建立起人力資源需求預測模型，并對大量的無序數據進行訓練、學習和測試，最終得到企業(yè)用人需求的規(guī)則，為企業(yè)提出正確的策略提供了較為翔實的依據，具有較大的實用價值。

關鍵詞：RBF神經網絡；人力資源管理；需求；預測模型

中圖分類號：TP183；F272.92 文獻標志碼：A 文章編號：1673-291X（2017）02-0014-03

引言

隨著世界經濟的快速發(fā)展，企業(yè)人力資源已經成為一個企業(yè)良性發(fā)展的重要核心內容，并具有極其重要的戰(zhàn)略意義，因此也被越來越多的企業(yè)所重視。企業(yè)人力資源管理中的科學需求預測是其發(fā)展過程中的重要規(guī)劃之一，它能夠為企業(yè)人力資源管理中的各種用人需求提供強有力的支持保障，并以此為基礎，構建企業(yè)可持續(xù)發(fā)展的動力，以保證企業(yè)在市場經濟競爭中快速高效發(fā)展[1]。以企業(yè)當前人力資源需求預測的內涵為主要研究內容，以RBF神經網絡為基礎，建立起人力資源需求預測模型，以較為準確地預測企業(yè)各種人力資源的不同要求，最終得到企業(yè)用人需求的整體規(guī)則，為企業(yè)提出正確策略提供較為翔實的依據，具有較為重要的參考與指導的現實意義。

一、基于RBF神經網絡的企業(yè)人力資源需求預測模型的理論基礎

（一）人力資源需求預測的含義

人力資源需求是伴隨著人力資源管理的概念而產生的，其核心體系包括人力資源數量、人力資源構成、人力資源質量等三個重要方面。它是企業(yè)在生產運行階段，以企業(yè)發(fā)展目標為依據，通過企業(yè)保留過去和目前使用的人力資源相關數據，進行準確的評估。對于相關企業(yè)而言，不僅要清楚將來階段使用人力資源的預測，還要了解目前階段本企業(yè)人力資源的使用情況、崗位配置、招聘等相關需求信息。

其需求預測可以分成現階段人力資源需求預測、將來人力資源需求預測、消失人力資源需求預測等三大部分[2]。根據需求預測的相關分析結果，企業(yè)可以確定各級崗位類型及相關的人員配置數量。這對于企業(yè)有著重要的意義，它能夠保證企業(yè)在發(fā)展過程中及時采取有效措施調整人員使用中的問題，從而調動企業(yè)各類員工工作的積極性與熱情[3]。

（二）RBF神經網絡的基本原理

RBF（Radical Basis Function）神經網絡也稱為徑向基神經網絡，是一種有效的特殊前饋型神經網絡。RBF神經網絡具有最強的逼近性能、結構簡單性能以及訓練、學習速度較快的性能，因此能夠逼近較為復雜的隨機非線性函數，及時分析、處理大量的無規(guī)則的數據信息，得到較為理想的學習結果[4]。

RBF神經網絡是一種特殊的三層前饋網絡，首層為輸入層，是由大量的神經元組合而成，其輸入訓練樣本可用公式（1）表示。

其中，P是q組輸入訓練樣本。

第二層為隱形層，它是一種非線性的的轉化函數，可用公式（2）表示[5]。

其中，P是訓練樣本；ni是第i個樣本的中心，同P有相同的輸入組數；σi是第i個感應樣本變量，由它可得出樣本同中心位置的距離。f是隱形的神經元個數。||p-ni||是其距離的取值范圍，也就是p與n之間的長度距離[6]。Mi（p）是第i個神經元長度距離最大值。

第三層為輸出層，其輸出結果是經過隱形層非線性轉換后的線性變化的結果，可用公式（3）表示。

f是隱形的神經元個數，q為輸入層訓練組數，Gi為隱形層第i個樣本神經元權重值，Mi（p）是第i個樣本神經元距離長度的最大值。Le為給定輸入樣本數據后，相對應的輸出結果值[7]。其RBF神經網絡結構如圖1所示。

RBF神經網絡結構較為簡潔，相對性、編輯性較強，因此，在訓練的過程中，將會編輯最少的神經元權重，并對神經網絡中數據列進行累計加的方法逐步生成，形成累加列，同時，會用階梯漸進的方式，逐步接近中心位置，使用離散響應函數映射到相關的預測模型中，并以此為基礎進行較快速的訓練、學習，使這個過程速度最高，使用時間達到最短[8]。所以，選擇RBF神經網絡作為人力資源需求預測模型研究的基礎。

二、基于RBF神經網絡的企業(yè)人力資源需求預測模型的構建

（一）建立符合企業(yè)實際的預測目標

企業(yè)要建立人力資源需求預測模型，首先應當根據企業(yè)的中長期發(fā)展戰(zhàn)略目標及實現此目標的相關方式，確定本企業(yè)目前人力資源的現狀，并制訂相關崗位職能計劃，以便建立起符合企業(yè)實際的預測目標。在確定目標時，要求對企業(yè)近五年的經濟活動數據進行收集、分析、統計等工作。這些經濟數據應當包括各階段的經濟目標、實現時間等相關數據，以此為基本依據來確定各方面的預測對象及建立符合企業(yè)實際的預測目標[9]。

（二）基于RBF神經網絡的企業(yè)人力資源需求預測模型的構建

基于RBF神經網絡的企業(yè)人力資源需求預測模型的構建步驟如下：

第一步：建立合適的編碼規(guī)則，建立初始化權重值

使用RBF神經網絡建立起的相關模型，首先需要對RBF神經網絡的訓練權重值進行二進制編碼組合，使之能夠達到模型處理運行數據的速度達到最快[10]。以二進制編碼為依據建立的訓練樣本權重值，用公式（4）表示。

其中，a為訓練樣本權重組數，b為隱形層神經元個數。

第二步：設置相關輸入參數

訓練樣本經過初始化權重后，設置相關輸入數據參數，用公式（5）表示。

其中，G為輸入最終參數值，m為輸入信息點數，Qn為權重值，Xn為實際輸入值。當0

第三步：數據在隱形層的轉換

當前使用公式（2）非線性的轉換函數，首先定義使用存放輸入數據的類Rp，p為訓練樣本值，對第一個數據a1，令其到該樣本中心n1的距離長度為|a21-n1|。如果|a21-n1|≤Mi，則a1為到中心ni的最短距離，Mi是公式（2）中的神經元長度距離值。如果|a21-n1|>Mi，則RBF在其神經系統中為a1新建一個樣本中心，同時配置一個新的隱形數據[12]。

第四步：輸出層的最終輸出

依據上述過程，根據公式（6），建立輸出值。

為輸出值，n為樣本中心的距離長度，Qin為權重值，ai為數據樣本值[13]。

通過RBF神經網絡建立的企業(yè)人力資源需求預測模型將相關預測過程有機連接，從而最大限度的消除了誤差問題，提高了預測精度，并由于結構簡潔，提高了連接效率，使模型的運算速度更快[14]。

（三）算法介紹

人力資源需求預測模型和RBF神經網絡之間關聯的相關數據可以通過數值型函數轉化為估算器，利用RBF神經網絡中的newrb的相關算法計算，通過newrb算法可以快速建立起一組徑向基神經網絡。該網絡可以較快接近相關調用函數，它在該預測模型里可以使用最快的四參網絡系統，在模型中隱形層添加多個神經元，可以使建立模型的誤差達到最低。算法表示可以用公式（7）表示[15]。

其中，以P為起點神經元，終點為Q的神經元輸入向量值組，組成P×Q的維矩陣。

以T為起點神經元，終點為Q的神經元預測輸出向量值組，組成T×Q的維矩陣。

GOAL為平均要求誤差，認定默認值為0。

SPREAD為徑向基的擴展度參數，認定默認值為1。SPREAD的值越大，表示預測模型的擴展速度等相關參數越平整。但是需要注意的是，如果SPREAD取值過于大，會導致在速度變化過程中RBF神經網絡形成較多神經元，造成過度誤差，出現不必要的損失，如果SPREAD取值過于小，就需要在RBF神經網絡中增加大量的神經元來適應newrb算法的緩慢變換，最終造成網絡堵塞，影響模型計算的速度。

MN表示newrb算法中能夠形成最大的神經元數目。

DF表示輸入與輸出后，newrb中添加的所有神經元個數，認定默認值為25。

NET表示newrb算法最終向該徑向網絡返回的值[16]。

三、基于RBF神經網絡的企業(yè)人力資源需求預測模型訓練及結果

通過上述步驟建立好模型后，為了建立精準型的模型，將RBF神經網絡相關訓練樣本的初始值輸入，其相關訓練參數設置如表1 所示。

由圖2可知，該RBF神經網絡具有較好的向權重值靠近的特點，準確使用企業(yè)的建立時間、年產值、利潤等相關屬性，使該模型具有較為平穩(wěn)發(fā)展的特性，這些屬性與企業(yè)各種人力資源需求之間的關系是具有較為理想的整合度，解決了輸入神經元與輸出神經元之間的非線性、不符合相關統計數據規(guī)律的問題。

從圖2數據可以看出，該模型預測初始序列較多，而初始序列列數越多，證明其獲取的原始數據年度越長，部門、崗位越多，預策出來的誤差數據也就越小，因此也就具有較為理想的自學、容錯的能力，形成了較為理想的整合實際數據，提高了人力資源需求預測的準確度與精確度。該種預測模型對于中、大型企業(yè)具有較為理想的作用，并表現出相關技術對于企業(yè)人力資源需求較為重要的影響，因此，在采集相關企業(yè)數據樣本的時候，要多考慮每個企業(yè)的特點、數據獲取的渠道等，這樣，就可以使該模型達到較為準確的預測。

基于RBF神經網絡的企業(yè)人力資源需求預測模型的實際應用，對企業(yè)人力資源需求預測是一種頗有成效且方便快捷的方法，該模型較精確地預測了人力資源的需求，為企業(yè)的發(fā)展提供了必要的依據[17]。

四、結論

本文的研究和相關實踐證明，企業(yè)人力資源需求預測是每一個企業(yè)制訂人力資源計劃時需要重點研究的一個內容，而基于RBF神經網絡的企業(yè)人力資源需求預測模型對于企業(yè)在實際運行過程中完全是可行的，企業(yè)要在日益激烈市場競爭中取得優(yōu)勢，正確的人力資源需求規(guī)劃是重要條件，是滿足企業(yè)長久發(fā)展的需要。而由于社會環(huán)境等與企業(yè)發(fā)展相關的條件在發(fā)生著較快的變換，就需要使用RBF神經網絡提供的企業(yè)人力資源需求預測模型對企業(yè)未來的人力資源需求提供更加準確、精準的動態(tài)數據，為企業(yè)的核心發(fā)展力提供強有力的決策保障和數據參考依據。

參考文獻：

[1] ANNADUBIEL，HOLGER ERNST.InduStr-Ial Centers in Emerging Markets：Moti-vations，Barriers，and Success Facto-rs[M].The

Off shoring Challenge，2013：191-209.

[2] HOU，MAOZHANG，CHEN，WENJUN，YANG，ZHIQING.Current Situation and Count-Ermeasures of Strategic Emerging Indus-tries

in China[J].WIT Transactions on Information and Communication Tech-nologies，2014，（52）：461-466.

[3] Kun Wang，Xingli Fan，Xiaowen Fu，Yiran Zhou.Benchmarking the performance of Chinese airlines：An investigation of productivity，

yield and cost competitiveness[J].Journal of Air Transport Management，2014：3-14.

[4] Nawaf Hamadneh，Saratha Sathasivam.Learning Logic Programming in Radial Basis Function Network via Genetic Algorithm[J].

Journal of Applied Sciences，2012，9（12）：110-121.

[5] I-Cheng Yeh，Chung-Chih Chen，Xin-ying Zhang，Chong Wu，Kuan-Chieh Huang，Adaptive radial basis function net-Works

with kernel shape parameter-s[J].Neural Comput & Applic，2012，（21）：469-480.

[6] 任佩瑜，王苗，任競斐.從自然系統到管理系統——熵理論發(fā)展的階段和管理熵規(guī)律[J].管理世界，2013，12（3）：182-183.

[7] 李海峰，李純果.深度學習結構和算法計較分析[J].河北大學學報，2012，32（5）：230-237.

[8] 卞永峰，李恩平.基于組合預測模型的山西省轉型期緊缺科技人才需求預測研究[J].科技管理研究，2013，10（21）：41-45.

[9] 徐國浪，魏延.基于多核函數的模糊支持向量機學習算法[J].重慶師范大學學報，2012，11（6）：50-53.

[10] 張超，李擎，陳鵬，等.一種基于粒子群參數優(yōu)化的改進蟻群算法及其應用[J].北京科技大學學報，2013，35（7）：873-878.

[11] 丁碩，常曉恒，巫慶輝.RBF與BP網絡在模式分類領域內的對比研究[J].電子測試，2014：41-43.

[12] 張立.基于灰色預測模型GM（1，1）的人力資源需求預測研究[J].人力資源管理，2011，9（4）：234-235.

[13] 蔣榮華，曹琦.基于灰色 BP 神經網絡的企業(yè)人力資源需求預測[J].中國人力資源開發(fā)，2011，1（2）：42-45.

[14] 甘敏，彭曉燕，彭輝.RBF神經網絡參數估計的兩種混合優(yōu)化算法[J].控制與決策，2009，24（8）：72-76.

[15] 孫涵，楊普容，成金華.基于Matlab支持向量回歸機的能源需求預測模型[J].系統工程理論與實踐，2011，31（10）：21-27.

[16] 劉道華，張禮濤，曾召霞，等.基于正交最小二乘法的徑向基神經網絡模型[J].信陽師范學院學報，2013，26（3）：428-431.

[17] 韓紅桂，喬俊飛，薄迎春.基于信息強度的RBF神經網絡結構設計研究[J].自動化學報，2012，38（7）：1083-1090.

[責任編輯 柯 黎]