李想

摘 要： 大學(xué)生就業(yè)的建模與預(yù)測(cè)可以描述大學(xué)生就業(yè)變化趨勢(shì)，為管理者決策提供有價(jià)值信息，為了提高就業(yè)人口數(shù)量的預(yù)測(cè)準(zhǔn)確性，提出基于組合方法的大學(xué)生就業(yè)預(yù)測(cè)模型。首先收集某大學(xué)的就業(yè)數(shù)據(jù)，并進(jìn)行歸一化處理，然后采用灰色模型和神經(jīng)網(wǎng)絡(luò)分別從不同角度對(duì)大學(xué)生就業(yè)的數(shù)量進(jìn)行建模與預(yù)測(cè)，最后確定灰色模型和神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果權(quán)值，并進(jìn)行加權(quán)得到對(duì)大學(xué)生就業(yè)數(shù)量的最終預(yù)測(cè)結(jié)果。測(cè)試結(jié)果表明，組合方法可以描述大學(xué)生就業(yè)數(shù)量的發(fā)展趨勢(shì)，獲得比較理想的大學(xué)生就業(yè)數(shù)量預(yù)測(cè)結(jié)果。

關(guān)鍵詞： 大學(xué)生就業(yè)； 灰色模型； 神經(jīng)網(wǎng)絡(luò)； 建模與預(yù)測(cè)

中圖分類號(hào)： TN711?34； TP391.9 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）21?0109?03

Research on modeling and forecasting of college students employment

LI Xiang

（School of International Education， Xuchang University， Xuchang 461000， China）

Abstract： The modeling and prediction of the college students employment can describe the variation trend of college students employment， and provide the valuable information for administrator. In order to improve the prediction accuracy of the employment population， a college students employment forecasting model based on the combination method is put forward. The employment data of a certain college is collected and normalized. The grey model and neural network are used to model and predict the employment quantity of college students respectiely. The results predicted by grey model and neural network are performed with weight determination， and weighted to get the final prediction result of the college students employment quantity. The test results show that the combination method can describe the variation trend of college students employment quantity， and acquire the desired prediction results of college students employment quantity.

Keywords： college students employment； grey model； neural network； modeling and prediction

0 引 言

隨著高等教育事業(yè)如火如荼的展開，我國大學(xué)生數(shù)量不斷增加，大學(xué)生就業(yè)壓力越來越大，大學(xué)就業(yè)形勢(shì)不容樂觀，而大學(xué)生就業(yè)率是“和諧社會(huì)”的一個(gè)重要評(píng)價(jià)指標(biāo)，直接關(guān)系社會(huì)的穩(wěn)定和經(jīng)濟(jì)的可持續(xù)發(fā)展。同時(shí)大學(xué)生就業(yè)率直接關(guān)系一個(gè)高校的辦學(xué)水平、質(zhì)量和聲譽(yù)，因此如何對(duì)大學(xué)生就業(yè)數(shù)量進(jìn)行建模與預(yù)測(cè)，對(duì)大學(xué)生就業(yè)數(shù)量進(jìn)行準(zhǔn)確分析，并為高校就業(yè)指導(dǎo)工作提供重要參考依據(jù)顯得尤為重要[1?2]。

當(dāng)前每一個(gè)高校的大學(xué)生就業(yè)信息中積累了大量的信息，但是這些系統(tǒng)無法對(duì)大學(xué)生就業(yè)的變化趨勢(shì)進(jìn)行分析和研究，不能提供有價(jià)值的決策信息[3]。為此有學(xué)者采用時(shí)間序列分析法對(duì)大學(xué)生就業(yè)形勢(shì)進(jìn)行分析，找到大學(xué)生時(shí)間序列數(shù)據(jù)之間的聯(lián)系，建立大學(xué)生就業(yè)數(shù)量預(yù)測(cè)模型，如灰色模型、神經(jīng)網(wǎng)絡(luò)等[4?6]，其中灰色模型將大學(xué)生就業(yè)問題看作是一個(gè)灰色系統(tǒng)，通過分析灰色系統(tǒng)的特點(diǎn)，找到大學(xué)生就業(yè)數(shù)量的變化態(tài)勢(shì)，從而實(shí)現(xiàn)大學(xué)生就業(yè)數(shù)量的預(yù)測(cè)，然而該模型只能對(duì)具有增長(zhǎng)趨勢(shì)的數(shù)據(jù)進(jìn)行建模，但是大學(xué)生就數(shù)量不是一直增長(zhǎng)，有時(shí)會(huì)出現(xiàn)下降趨勢(shì)，導(dǎo)致單一色模型難以獲得高精度的大學(xué)生就業(yè)數(shù)量預(yù)測(cè)模型[7?8]。神經(jīng)網(wǎng)絡(luò)具有良好的非線性建模能力，可以對(duì)大學(xué)生就業(yè)數(shù)量的波動(dòng)趨勢(shì)進(jìn)行跟蹤，預(yù)測(cè)精度要高于灰色模型，但是神經(jīng)網(wǎng)絡(luò)也存在一些不足，如不能描述大學(xué)生的線性變化特點(diǎn)，預(yù)測(cè)結(jié)果波動(dòng)性大，使得預(yù)測(cè)精度有時(shí)也不太理想[9?11]。

單一灰色模型或者神經(jīng)網(wǎng)絡(luò)只能描述大學(xué)生就業(yè)數(shù)量的單方面變化特點(diǎn)，為了提高大學(xué)生就業(yè)人口數(shù)量預(yù)測(cè)的準(zhǔn)確性，提出基于組合方法的大學(xué)生就業(yè)預(yù)測(cè)模型，測(cè)試結(jié)果表明，組合方法獲得了比較理想的大學(xué)生就業(yè)數(shù)量預(yù)測(cè)結(jié)果。

1 灰色模型和神經(jīng)網(wǎng)絡(luò)

1.1 灰色模型

GM（1，1）是一種最常用的灰色模型，可以表示為：

[x（0）（k）+az（1）（k）=b] （1）

設(shè)[X（0）]為一個(gè)正的光滑時(shí)間序列，則有：

[X（0）=x（0）（1），x（0）（2），…，x（0）（n）] （2）

那么對(duì)其進(jìn)行變化得到一階時(shí)間序列為：endprint

[X（1）=x（1）（1），x（1）（2），…，x（1）（n）] （3）

式中，[x（1）（k）=i=1kx（0）（i），k=2，3，…，n。]

[Z（1）]為[x（1）（k）]相鄰數(shù)據(jù)的均值序列，那么可以得到：

[Z（1）=z（1）（2），z（1）（3），…，z（1）（n）] （4）

且有，[z（1）（k）=0.5x（1）（k）+x（1）（k-1），k=2，3，…，n]。

如果滿足條件[a=[a，b]T，]同時(shí)滿足式（5），那么[x（0）（k）+az（1）（k）=b]的最小二乘估計(jì)滿足式（6）的條件。[Y=x（0）（2）x（0）（3）?x（0）（n），B=-z（1）（2）1-z（1）（3）1??-z（1）（n）1] （5）

[a=[a，b]T=（BTB）-1BTY] （6）

如果滿足條件：[abT=（BTB）-1BTY，]那么可以得到GM（1，1）模型為：

[dx（1）dt+ax（1）=b] （7）

定義：

[x（0）（k）+az（1）（k）=b] （8）

當(dāng)滿足條件[dx（1）dt+ax（1）=b]時(shí)，響應(yīng)函數(shù)為：

[x（1）（t）=ba+x（1）（1）-bae-a（t-1）] （9）

[x（0）（k）+az（1）（k）=b]的時(shí)間響應(yīng)序列為：

[x（1）（k）=ba+x（1）（1）-bae-a（k-1）] （10）

1.2 神經(jīng)網(wǎng)絡(luò)

對(duì)于一個(gè)非線性系統(tǒng)，神經(jīng)網(wǎng)絡(luò)可以根據(jù)輸入和輸出數(shù)據(jù)之間的關(guān)系描述其變化特點(diǎn)，則一個(gè)非線性系統(tǒng)的預(yù)測(cè)模型為：

[y（k）=fNNy（k-1），…，y（k-n），u（k-d），…，u（k-d-m）] （11）

式中：[n]和[m]分別表示輸出和輸出的階次；[d]表示滯后時(shí)間；[fNN（ ）]表示非線性函數(shù)。

通過迭代算法得到[d]步預(yù)測(cè)模型為：

[ym（k+1）=fNNy（k），…，y（k-n+1），u（k-d+1），…， u（k-d-m+1） ?ym（k+d）=fNNy（k+d-1），…，y（k+d-n），u（k），…，u（k-m）] （12）

那么[k]時(shí)刻后的預(yù)測(cè)值[ym（k+j）（j=1，2，…，d-1）]可以表示為：

[ym（k+j-l）=y（k+j-l）j-l≤0， l=1，2，…，n] （13）

由于BP神經(jīng)網(wǎng)絡(luò)的建模性能比較好，而且適應(yīng)能力強(qiáng)，為此本文選擇其進(jìn)行大學(xué)生就業(yè)數(shù)量的建模。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

當(dāng)輸入向量已知時(shí)，BP神經(jīng)網(wǎng)絡(luò)可以構(gòu)造如下：

[u（k-1）=[u1（k-1），u2（k-1），unI（k-1）]T] （14）

[ui（k-1）=y（k-i）， 1≤i≤nx（k-d-i+n+1）， n+1≤i≤nI] （15）

設(shè)輸入層與隱含層的連接權(quán)值矩陣為[V，]而隱含層與輸出層的連接權(quán)值矩陣為[W，]那么輸出[ym（k）]為：

[ym（k）=gW?gVU（k）] （16）

為了加快收斂速度，對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值進(jìn)行動(dòng)態(tài)調(diào)整，即：

[Δw（k）=η（1-α）D（k）-αD（k-1）] （17）

2 組合方法的大學(xué)生就業(yè)預(yù)測(cè)模型

組合方法的大學(xué)生就業(yè)數(shù)量預(yù)測(cè)模型的具體步驟如下：

（1） 對(duì)某一個(gè)大學(xué)的大學(xué)生就業(yè)歷史數(shù)據(jù)進(jìn)行采集。

（2） 對(duì)歷史數(shù)據(jù)進(jìn)行分析，去掉一些錯(cuò)誤的數(shù)據(jù)，并通過加權(quán)平均補(bǔ)充完善遺失的數(shù)據(jù)。

（3） 通過灰色模型對(duì)大學(xué)生就業(yè)數(shù)據(jù)進(jìn)行學(xué)習(xí)，得到大學(xué)生就業(yè)數(shù)量的預(yù)測(cè)結(jié)果。

（4） 通過神經(jīng)網(wǎng)絡(luò)對(duì)大學(xué)生就業(yè)數(shù)據(jù)進(jìn)行學(xué)習(xí)，得到大學(xué)生就業(yè)數(shù)量的預(yù)測(cè)結(jié)果。

（5） 采用線性回歸估計(jì)灰色模型和神經(jīng)網(wǎng)絡(luò)的權(quán)值。

（6） 通過權(quán)值描述灰色模型的大學(xué)生就業(yè)數(shù)量預(yù)測(cè)結(jié)果和BP神經(jīng)網(wǎng)絡(luò)的大學(xué)生就業(yè)數(shù)量的貢獻(xiàn)，從而得到大學(xué)生就業(yè)數(shù)量的預(yù)測(cè)結(jié)果。

綜上可知，組合方法的大學(xué)生就業(yè)數(shù)量建模流程如圖2所示。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

為了分析提出的大學(xué)生就業(yè)數(shù)量預(yù)測(cè)模型的性能，選擇150所大學(xué)的大學(xué)生就業(yè)數(shù)量作為實(shí)驗(yàn)對(duì)象，如圖3所示。

3.2 結(jié)果與分析

選擇100個(gè)大學(xué)生就業(yè)數(shù)量作為訓(xùn)練樣本，分別采用灰色模型和神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，建立大學(xué)生就業(yè)數(shù)量的預(yù)測(cè)模型，對(duì)50個(gè)其他大學(xué)的大學(xué)生就業(yè)數(shù)量進(jìn)行預(yù)測(cè)，得到的結(jié)果如圖4所示。從圖4可以看出，50個(gè)大學(xué)生就業(yè)數(shù)量的預(yù)測(cè)相當(dāng)準(zhǔn)確，與實(shí)際值沒有太多的偏差，實(shí)驗(yàn)結(jié)果表明，本文模型從不同方向?qū)Υ髮W(xué)生就業(yè)數(shù)量進(jìn)行描述，得到了較好的大學(xué)生就業(yè)數(shù)量預(yù)測(cè)結(jié)果。

為了更好地分析本文模型的大學(xué)生就業(yè)數(shù)量預(yù)測(cè)效果，選擇灰色模型和神經(jīng)網(wǎng)絡(luò)進(jìn)行大學(xué)生就業(yè)數(shù)量對(duì)比測(cè)試，它們的結(jié)果如圖5和圖6所示。對(duì)圖5和圖6的大學(xué)生就業(yè)數(shù)量進(jìn)行對(duì)比分析可知，灰色模型的大學(xué)生就業(yè)數(shù)量預(yù)測(cè)效果要明顯差于神經(jīng)網(wǎng)絡(luò)，這是因?yàn)樯窠?jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能要優(yōu)于灰色模型，但是相對(duì)于本文模型，神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確性相對(duì)較差，這表明本文模型建立了性能更好的大學(xué)生就業(yè)數(shù)量預(yù)測(cè)模型，能夠更好地反映大學(xué)生就業(yè)數(shù)量的變化趨勢(shì)，具有比較明顯的優(yōu)越性。

4 結(jié) 語

大學(xué)生就業(yè)數(shù)量預(yù)測(cè)結(jié)果直接關(guān)系大學(xué)生招生、管理和教學(xué)水平，具有重要的實(shí)際應(yīng)用價(jià)值，一直是高校關(guān)注的焦點(diǎn)，為了提高就業(yè)人口數(shù)量的預(yù)測(cè)準(zhǔn)確性，提出基于組合方法的大學(xué)生就業(yè)預(yù)測(cè)模型。采用灰色模型和神經(jīng)網(wǎng)絡(luò)分別從不同角度對(duì)大學(xué)就業(yè)數(shù)量進(jìn)行建模，通過合理確定權(quán)值描述灰色模型和神經(jīng)網(wǎng)絡(luò)對(duì)大學(xué)生就業(yè)數(shù)量預(yù)測(cè)結(jié)果的貢獻(xiàn)。具體應(yīng)用實(shí)例結(jié)果表明，組合方法可以提供更多的大學(xué)生就業(yè)數(shù)量信息，得到了可靠的預(yù)測(cè)結(jié)果，能夠有效刻畫大學(xué)生就業(yè)數(shù)量的發(fā)展趨勢(shì)，預(yù)測(cè)結(jié)果對(duì)于教育教學(xué)管理工作具有一定的指導(dǎo)作用。

參考文獻(xiàn)

[1] 高曉琴.高校應(yīng)確立增強(qiáng)大學(xué)生就業(yè)競(jìng)爭(zhēng)力的辦學(xué)理念[J].教育與職業(yè)，2012（21）：32?34.

[2] 董麗君.論構(gòu)建完善的高校畢業(yè)生就業(yè)指導(dǎo)與服務(wù)體系[J].教育與職業(yè)，2012（20）：84?85.

[3] 陶韶菁，王坤鐘.高校就業(yè)服務(wù)學(xué)生評(píng)價(jià)指標(biāo)體系構(gòu)建的實(shí)證研究[J].現(xiàn)代教育管理，2009（10）：122?125.

[4] 朱春楠，范軍，鄒云龍.基于多元統(tǒng)計(jì)分析的高校畢業(yè)生就業(yè)狀況監(jiān)測(cè)應(yīng)用[J].東北師大學(xué)報(bào)（哲學(xué)社會(huì)科學(xué)版），2012（1）：165?170.

[5] 朱琳，朱建軍.基于熵權(quán)的TOPSIS法對(duì)高校促進(jìn)就業(yè)措施的評(píng)價(jià)：以南京5所高校為例[J].價(jià)值工程，2010（14）：107?109.

[6] 楊霞玲，聶永紅.聚類分析在畢業(yè)生就業(yè)預(yù)測(cè)中的應(yīng)用[J].廣西工學(xué)院學(xué)報(bào)，2005，16（4）：82?84.

[7] 周潤娟，蔡金平，胡長(zhǎng)新.基于QTJ的大學(xué)生就業(yè)信心指數(shù)組合預(yù)測(cè)[J].重慶工商大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，32（9）：76?80.

[8] 童輝杰，楊雅婕，呂航.應(yīng)用神經(jīng)網(wǎng)絡(luò)模型對(duì)大學(xué)畢業(yè)生就業(yè)質(zhì)量的預(yù)測(cè)[J].人類工效學(xué)，2012，18（3）：20?24

[9] 程昌品，陳強(qiáng).基于信息增益比的決策樹用于畢業(yè)生就業(yè)預(yù)測(cè)[J].計(jì)算機(jī)仿真，2010，27（2）：299?302.

[10] 韓媚，郭丹鳳.SVM的特征選擇方法在高校就業(yè)預(yù)測(cè)中的應(yīng)用研究[J].杭州師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2009，8（5）：358?362.

[11] 何運(yùn)村，張柱華.灰色理論及神經(jīng)網(wǎng)絡(luò)在就業(yè)預(yù)測(cè)中的應(yīng)用研究[J].計(jì)算機(jī)與數(shù)字工程，2008，36（8）：155?157.