李婧文 朱毅

摘要：隨著互聯(lián)網(wǎng)技術(shù)的發(fā)展與進(jìn)步，網(wǎng)絡(luò)技術(shù)已經(jīng)滲透到人們生活的各方各面。借助于網(wǎng)絡(luò)平臺，網(wǎng)絡(luò)招聘以其高效便捷、范圍廣、無地域限制等優(yōu)點，逐漸超越人才招聘會等傳統(tǒng)招聘方式，成為現(xiàn)今求職的首要渠道。該文以北京市python開發(fā)工程師這一職位的需求量為例，運(yùn)用時間序列預(yù)測模型（ARIMA模型），對未來該職位需求量進(jìn)行預(yù)測，利用創(chuàng)新型招聘技術(shù)提高求職效率、提升網(wǎng)絡(luò)招聘的服務(wù)質(zhì)量。

關(guān)鍵詞：網(wǎng)絡(luò)招聘;時間序列;預(yù)測

中圖分類號：TP393 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）15-0022-02

1引言

中國勞動人口眾多，就業(yè)形勢日趨嚴(yán)峻，網(wǎng)絡(luò)招聘和求職沒有時間、地域的限制，節(jié)省了時間、精力和費(fèi)用，越來越受到廣大求職者的青睞。對于高校畢業(yè)生來講，選擇一個前景廣闊的行業(yè)十分重要，目前網(wǎng)絡(luò)招聘信息繁雜，而且相當(dāng)多的招聘網(wǎng)站提供的是網(wǎng)絡(luò)中介服務(wù)，功能過于單一，用戶滿意度不高，跟不上市場需求的變化。因此為求職者提供直觀數(shù)據(jù)，是現(xiàn)今網(wǎng)絡(luò)招聘服務(wù)網(wǎng)站的發(fā)展目標(biāo)。

2原理與統(tǒng)計方法

2.1 ARIMA模型的基本原理

ARIMA模型的全稱叫作自回歸移動平均模型，是統(tǒng)計模型中最常見的一種用來進(jìn)行時間序列預(yù)測的模型，是由博克思（Box）、詹金斯（Jenkins）于20世紀(jì)70年代初提出的著名時間序列預(yù)測模型，又稱為Box-Jenk ins模型。其中AR是自回歸，p為自回歸項;MA為移動平均，q為移動平均項數(shù)，d為時間序列成為平穩(wěn)時間序列時所做的差分次數(shù)。ARIMA（p d，q）模型的實質(zhì)就是差分運(yùn)算與ARMA（p，q）模型的組合，即ARMA（p，q）模型經(jīng)d次差分后，即為ARIMA（p，d，q）模型。

2.2數(shù)據(jù)獲取與統(tǒng)計方法

以“北京市python開發(fā)工程師”的職位為例，分別對智聯(lián)招聘、百度招聘等招聘網(wǎng)站中該職位的招聘信息進(jìn)行調(diào)查。選取2018年4月～2018年10月的數(shù)據(jù)，用于模型的建立;2018年11月至2019年1月的數(shù)據(jù)，用于模型檢驗。對于缺失數(shù)據(jù)，取各月份職位需求量的平均值。

受到經(jīng)濟(jì)、企業(yè)招聘周期等制約因素影響，職位信息具有非平穩(wěn)性、非線性的屬性。以職位的需求量為例，其數(shù)據(jù)隨著時間的推移而產(chǎn)生變化，呈現(xiàn)一定的規(guī)律性。使用ARIMA模型來擬合，采用自相關(guān)分析與偏相關(guān)分析的方法來確定模型的類別，即進(jìn)行模型結(jié)構(gòu)辨識;采用差分的方式進(jìn)行數(shù)據(jù)平穩(wěn)化。如果時間序列的不平穩(wěn)是由于存在趨勢特征時，如數(shù)值總體上逐漸增加或者減少，則進(jìn)行一次差分運(yùn)算，將差分后的序列作為模型的輸入序列。如果一次差分后仍不平穩(wěn)，則繼續(xù)進(jìn)行差分運(yùn)算，直到序列平穩(wěn)為止。經(jīng)過差分運(yùn)算后，可將帶有趨勢特征的非平穩(wěn)序列轉(zhuǎn)化到一個較為平穩(wěn)的時序數(shù)據(jù)。

3模型擬合過程與結(jié)果

3.1模型的辨識

將實驗數(shù)據(jù)處理，進(jìn)行對數(shù)變換后，發(fā)現(xiàn)非平穩(wěn)性并未消除，則需要通過差分將數(shù)據(jù)平穩(wěn)化。數(shù)據(jù)進(jìn)行一次差分后仍為非平穩(wěn)序列，則進(jìn)行二次差分。經(jīng)過二次差分后的數(shù)據(jù)（如圖1所示），近似平穩(wěn)。對進(jìn)一步對其進(jìn)行單位根檢驗（ADF檢驗），檢測值小于5%時的臨界值，顯示為平穩(wěn)序列。將處理后的數(shù)據(jù)，進(jìn)行自相關(guān)分析及偏相關(guān)分析（如圖2、圖3所示），偏自相關(guān)系數(shù)一階截尾，自相關(guān)圖顯示拖尾性。根據(jù)上述結(jié)論，判斷為ARMA（p，q）模型。

3.2模型的參數(shù)估計與檢驗

由3.1可知，觀察自相關(guān)圖及偏相關(guān)圖，偏自相關(guān)系數(shù)一階截尾，自相關(guān)圖顯示拖尾性，初步判定p=1、q=0。為精確起見，選用p，q=0、1為模型參數(shù)進(jìn)行擬合。

為彌補(bǔ)根據(jù)自相關(guān)圖和偏自相關(guān)圖定階的主觀性，在模型擬合優(yōu)度的問題上，本文采用AIC定階準(zhǔn)則。該準(zhǔn)則在極大似然值的基礎(chǔ)上對模型的階數(shù)和參數(shù)給出一組最佳估計。AIC準(zhǔn)則是在給出不同模型的AIC計算公式的基礎(chǔ)上，選取使AIC值最小的那一組階數(shù)為最佳階數(shù)。對于模型ARMA（0，1）、ARMA（1，0），通過計算取得他們的AIC值為3.2245和3.2386。根據(jù)AIC定階準(zhǔn)則，ARMA（0，1）模型的AIC值小于ARMA（1，0）模型的AIC值，因此選擇ARMA（0，1）模型。

模型的檢驗主要是進(jìn)行殘差項的白噪聲檢驗。由于AR—MA（p，g）模型的識別與估計是在假設(shè)隨機(jī)擾動項是在白噪聲的基礎(chǔ)上進(jìn)行的，因此，如果估計的模型確認(rèn)正確的話，殘差應(yīng)代表白噪聲序列。如果通過所估計的模型計算的樣本殘差不是白噪聲，則說明模型的識別與估計有誤，需重新識別與估計。觀察ARMA（0，1）模型的殘差序列，并未存在明顯特征，可看作是無規(guī)律的隨機(jī)白噪聲，即模型擬合成功。

應(yīng)用該模型對2018年4月至2019年1月北京市python開發(fā)工程師職位需求量進(jìn)行預(yù)測，預(yù)測結(jié)果如圖3-4所示。該模型得到的預(yù)測值與真實值平均誤差率在1.03%。從數(shù)據(jù)及圖形上，該模型預(yù)測結(jié)果較為合理。

4結(jié)論

ARIMA模型適用于數(shù)據(jù)量小的短期預(yù)測，預(yù)測結(jié)果精確程度較高。當(dāng)數(shù)據(jù)量增大時，為提高預(yù)測準(zhǔn)確度，可根據(jù)補(bǔ)充的數(shù)據(jù)修正該模型。但隨著預(yù)測期的延長，模型的預(yù)測誤差將逐漸增大，故可使用該模型進(jìn)行短期預(yù)測。

本文利用ARIMA模型針對某一地區(qū)某一職位的需求量進(jìn)行預(yù)測，并取得了較好的預(yù)測效果，為網(wǎng)絡(luò)招聘服務(wù)提供巨大的發(fā)展空間。對于該領(lǐng)域其他方面的預(yù)測，可以把影響因素作為輸入變量，進(jìn)行多變量的時序分析，擬合出更加合理精確的模型。