陳 宇，邢 銳，雷建軍

(1.湖北第二師范學(xué)院計(jì)算機(jī)學(xué)院，武漢 430205；2.湖北省教育云服務(wù)工程技術(shù)研究中心，武漢 430205；3.湖北省教育信息化發(fā)展中心(湖北省電化教育館)，武漢 430071)

義務(wù)教育均衡是我國基礎(chǔ)教育的基本政策，合理的配置教育資源是政府教育管理部門的重要目標(biāo).學(xué)齡人口是各級教育管理部門對教育資源進(jìn)行配置的主要依據(jù)，而每年小學(xué)入學(xué)規(guī)模的變化是區(qū)域內(nèi)學(xué)齡人口波動(dòng)的重要原因.當(dāng)前，隨著我國經(jīng)濟(jì)的迅猛發(fā)展，城鎮(zhèn)化的進(jìn)程加速，大量的人口從農(nóng)村向城鎮(zhèn)和發(fā)達(dá)城市遷移，也因此在區(qū)域間造成了教育資源需求的變化波動(dòng).由于，教育資源比如校舍的建設(shè)、教師的培養(yǎng)及配置都需要較長的周期.因此，如何適應(yīng)人口的機(jī)械增長變化，科學(xué)預(yù)測未來區(qū)域內(nèi)小學(xué)入學(xué)規(guī)模的變化趨勢，準(zhǔn)確把握區(qū)域內(nèi)教育資源的配置需求，及時(shí)對教育資源進(jìn)行合理配置對提高我國各級教育管理部門的治理能力，促進(jìn)教育公平，創(chuàng)辦讓人民滿意的教育具有重要意義.

1 入學(xué)規(guī)模預(yù)測方法

目前針對區(qū)域內(nèi)入學(xué)規(guī)模預(yù)測的研究尚少，而入學(xué)規(guī)模的預(yù)測問題是人口預(yù)測的一種.因此，對入學(xué)規(guī)模的預(yù)測可參考人口預(yù)測的相關(guān)研究工作.當(dāng)前對于人口預(yù)測的研究可以分為基于統(tǒng)計(jì)的方法和基于機(jī)器學(xué)習(xí)的預(yù)測模型.

1.1 基于統(tǒng)計(jì)的人口預(yù)測模型

現(xiàn)有的人口預(yù)測模型大多采用傳統(tǒng)的統(tǒng)計(jì)模型，國外最早對人口問題進(jìn)行定量研究的是英國人口學(xué)家 Malthus建立了人口指數(shù)增長模型Malthus模型[1]，隨后，荷蘭科學(xué)家Verhulst對人口指數(shù)增長模型進(jìn)行了修正，把影響人口增長的社會(huì)環(huán)境、自然環(huán)境等相關(guān)因素考慮進(jìn)去提出了logistic 人口阻滯增長模型[2].Leslie提出了一個(gè)能夠綜合考慮多個(gè)影響因素的預(yù)測模型，即著名的 Leslie 矩陣模型[3]，在人口預(yù)測領(lǐng)域得到了廣泛的應(yīng)用.

近年來，我國有不少學(xué)者借鑒了人口預(yù)測的研究開展了學(xué)齡人口的預(yù)測研究工作.李玲等利用CPPS軟件基于人口普查第六次數(shù)據(jù)，對我國2016—2035年義務(wù)教育階段學(xué)生規(guī)模進(jìn)行預(yù)測[4]；薛耀鋒等采用LESLIE人口模型，以全國第六次人口普查數(shù)據(jù)模擬預(yù)測了2016—2025年的我國學(xué)齡人口變化趨勢[5]；周志等針對天津義務(wù)教育情況，采用灰色預(yù)測模型和線性回歸原理對天津市戶籍學(xué)齡人口的規(guī)模進(jìn)行了預(yù)測[6].以上學(xué)者針對學(xué)齡人口預(yù)測普遍采用數(shù)理統(tǒng)計(jì)方法，如灰色預(yù)測、CPPS人口預(yù)測、Logistic回歸預(yù)測以及隊(duì)列要素法等.但從已有研究表明，采用灰色模型對人口發(fā)展趨勢做預(yù)測，通常只能反映出人口的邏輯增長，無法解釋生育率變化及遷移引發(fā)的人口規(guī)模變動(dòng)，CPPS人口預(yù)測系統(tǒng)中設(shè)定的生育率為全國人口普查的全國維度，不適用于省級預(yù)測，Logistic模型只適合在短時(shí)期內(nèi)的、較小區(qū)域的預(yù)測.雖然Leslie矩陣模型，有效解決了上述存在的問題，但Leslie矩陣模型的基本假定是所分年齡組內(nèi)的人數(shù)穩(wěn)定，但通常情況下分年齡人口數(shù)的數(shù)據(jù)很難獲取，使其很難得到大規(guī)模應(yīng)用.

1.2 基于機(jī)器學(xué)習(xí)的預(yù)測模型

隨著人工智能技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)模型在求解時(shí)間序列預(yù)測問題上得到了廣泛的關(guān)注.在人口預(yù)測的問題上，F(xiàn)olorunso等在其論文中使用了具有反向傳播的前饋人工神經(jīng)網(wǎng)絡(luò)對人口進(jìn)行了預(yù)測[7]，Tang在其論文中證明了采用神經(jīng)網(wǎng)絡(luò)的方法在預(yù)測人口方面比Logistic回歸預(yù)測模型更有效[8].我國的譚永宏采用神經(jīng)網(wǎng)絡(luò)理論來建立了基于 BP 神經(jīng)網(wǎng)絡(luò)的人口預(yù)測模型，較好地表現(xiàn)了人口增長的非線性動(dòng)力學(xué)的特點(diǎn)，其預(yù)測結(jié)果具有較高的精度[9].Zhan在其論文中使用了LSTM-RNN模型較好的解決了人口時(shí)間序列通常較短的問題[10].近年來，在旅游人數(shù)預(yù)測和交通流量人口預(yù)測等特殊場景下，Shi采用了神經(jīng)網(wǎng)絡(luò)預(yù)測了某地每年的旅游人數(shù)變化，取得了較好的效果[11]，上述模型雖然為預(yù)測入學(xué)規(guī)模提供了思路，但都是基于一個(gè)特征的建模預(yù)測，沒考慮入學(xué)規(guī)模在實(shí)際中和各地經(jīng)濟(jì)、人口等相關(guān)特征的關(guān)聯(lián)關(guān)系，得到的預(yù)測結(jié)果會(huì)存在一些片面性.Berry的研究表明在影響人口變化的因素方面，許多社會(huì)和自然因素與人口趨勢相互作用，如人口總量和經(jīng)濟(jì)增長具有較強(qiáng)的相關(guān)性[12]，Goldstein的研究得出了區(qū)域內(nèi)生育率與經(jīng)濟(jì)的關(guān)系[13].

隨著我國統(tǒng)計(jì)數(shù)據(jù)的逐步完善，各年度學(xué)齡人口數(shù)、經(jīng)濟(jì)、人口數(shù)據(jù)逐漸開始累積，本文通過構(gòu)建包含經(jīng)濟(jì)、人口等相關(guān)參量的多元時(shí)間序列來避免單一變量預(yù)測的局限性，挖掘?qū)W齡人口與各地經(jīng)濟(jì)、人口等相關(guān)特征和時(shí)序關(guān)系.與此同時(shí)，為了充分利用特征間的關(guān)聯(lián)和時(shí)序間的依賴關(guān)系，本文在時(shí)間序列模型長短時(shí)記憶網(wǎng)絡(luò) (long short-term memory，LSTM)的基礎(chǔ)上引入注意力(ATTENTION)機(jī)制.提出了基于ATTENTION-LSTM的小學(xué)入學(xué)規(guī)模預(yù)測模型，利用注意力機(jī)制對多元時(shí)間序列不同特征不同時(shí)刻的特征值描述其對待預(yù)測指標(biāo)的權(quán)重，提取特征在歷史時(shí)間點(diǎn)與待預(yù)測指標(biāo)之間的關(guān)系，提高小學(xué)入學(xué)規(guī)模 預(yù)測模型的精度.

2 問題定義

本文研究的問題可以表示為給定包含n個(gè)外部時(shí)間序列在t—1時(shí)刻的值預(yù)測某個(gè)目標(biāo)序列在t時(shí)刻的值，通過學(xué)習(xí)得到它們之間的非線性關(guān)系.即：

(1)

式中，y=(y1，y2，…，yT-1)是目標(biāo)序列，F(xiàn)函數(shù)就是準(zhǔn)備利用深度學(xué)習(xí)的函數(shù).

3 基于注意力機(jī)制的循環(huán)網(wǎng)絡(luò)學(xué)齡人口預(yù)測模型設(shè)計(jì)

利用多元時(shí)間序列對學(xué)齡人口進(jìn)行預(yù)測問題，一個(gè)重要的挑戰(zhàn)是如何捕捉多變量之間的不同時(shí)間步的依賴關(guān)系.但是循環(huán)神經(jīng)網(wǎng)絡(luò)由于本身結(jié)構(gòu)問題很難捕捉到這種依賴關(guān)系，因此，我們引入了注意力機(jī)制，同時(shí)，由于LSTM在時(shí)間序列預(yù)測上的良好表現(xiàn)，選擇了LSTM模型作為循環(huán)神經(jīng)網(wǎng)絡(luò)單元構(gòu)建了ATTENTION-LSTM模型對學(xué)齡人口進(jìn)行預(yù)測.

3.1 長短時(shí)記憶網(wǎng)絡(luò)

長短時(shí)記憶網(wǎng)絡(luò) (LSTM)是一種特殊的RNN結(jié)構(gòu)，由Schmidhuber教授于1997年提出，在許多時(shí)序預(yù)測的研究中，LSTM模型都取得了很大的成功，得到了廣泛的應(yīng)用[14].傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)RNN在修正權(quán)重的過程中，面臨梯度爆炸或梯度消失的問題.而LSTM對有意義的信息通過引入細(xì)胞狀態(tài)進(jìn)行保存，并通過“遺忘門”“更新門”“輸出門”增加或者去除權(quán)重到細(xì)胞狀態(tài)中，從而能夠有效解決梯度爆炸或梯度消失問題.

3.2 注意力機(jī)制

注意力機(jī)制是利用了人們視覺在處理圖像時(shí)，對關(guān)注的信息能夠自我增強(qiáng)同時(shí)抑制其他無效信息，從而派生出一種從大量信息中自主選擇最關(guān)鍵信息的一種信息處理方式，其已在深度學(xué)習(xí)里的語音識(shí)別、自然語言處理和圖像描述等多個(gè)領(lǐng)域里取得了良好的效果[15].近年來，隨著其應(yīng)用的發(fā)展也逐漸應(yīng)用于時(shí)間序列處理上.

注意力機(jī)制在時(shí)間序列上的應(yīng)用主要由編碼器和解碼器兩部分組成，編碼器負(fù)責(zé)計(jì)算時(shí)間序列在某時(shí)刻上各特征的注意力權(quán)重，權(quán)重代表了各特征在某時(shí)刻對當(dāng)前預(yù)測指標(biāo)的重要程度，輸入時(shí)間序列的所有特征值權(quán)重和為1，以注意力權(quán)重對初始輸入的時(shí)間序列進(jìn)行加權(quán)產(chǎn)生新的時(shí)間序列向量；解碼器利用循環(huán)神經(jīng)網(wǎng)絡(luò)等時(shí)序分析模型對新的時(shí)間序列向量以及預(yù)測目標(biāo)歷史信息進(jìn)行綜合處理，得到當(dāng)前的近似輸出，注意力機(jī)制模型公式如下：

αt=fattetion(x)，

(2)

ct=αtx，

(3)

(4)

其中，fattetion為權(quán)重函數(shù).

3.3 基于注意力機(jī)制的輸入序列編碼器

基于上述原理，本文通過采用注意力機(jī)制分別學(xué)習(xí)人口、經(jīng)濟(jì)等相關(guān)指標(biāo)的時(shí)間序列中各時(shí)間點(diǎn)的特征值對待入學(xué)規(guī)模的重要程度，以進(jìn)一步提升待預(yù)測入學(xué)規(guī)模的預(yù)測質(zhì)量.ATTENTION-LSTM模型結(jié)構(gòu)圖如圖1所示.

圖1 ATTENTION-LSTM結(jié)構(gòu)圖Fig.1 Architecture of ATTENTION-LSTM Model

(5)

(6)

(7)

(8)

(9)

(10)

LSTM的細(xì)胞狀態(tài)和隱藏狀態(tài)由下面兩個(gè)公式進(jìn)行更新：

(11)

(12)

其隱藏狀態(tài)由下面公式更新：

(13)

編碼器輸出t個(gè)時(shí)間步的隱藏單元的狀態(tài)值.上述式中，Wf、bf、Wi、bi、Wc、bc、Wo、bo分別為遺忘門、輸入門、輸出門和門控單元的權(quán)重和偏置.

3.4 基于注意力機(jī)制的解碼器

模型同樣使用了LSTM單元進(jìn)行解碼，為了克服LSTM隨著時(shí)間步數(shù)的增長而帶來的權(quán)重下降的問題，在解碼階段同樣也引入了注意力機(jī)制，對于編碼器輸出的單元含有t個(gè)時(shí)間步的編碼器隱藏狀態(tài)進(jìn)行相應(yīng)的解碼工作.

(14)

(15)

(16)

以環(huán)境變量和目標(biāo)序列t時(shí)刻的值為解碼器的輸入：

(17)

解碼器的三個(gè)門的更新公式為：

(18)

(19)

(20)

其細(xì)胞狀態(tài)由以下公式更新：

(21)

(22)

隱藏細(xì)胞的更新公式為：

(23)

預(yù)測結(jié)果：

(24)

式中，Wy、bw、bv為權(quán)重系數(shù)和偏置參數(shù).

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)平臺(tái)及數(shù)據(jù)集說明(預(yù)處理)

本文全部數(shù)據(jù)來源于國家統(tǒng)計(jì)局網(wǎng)站(http：//data.stats.gov)，選取了31個(gè)省(區(qū)、市)的1978—2017年的年度數(shù)據(jù)構(gòu)建多元時(shí)間序列數(shù)據(jù)集.其中選取指標(biāo)普通小學(xué)招生數(shù)為預(yù)測指標(biāo)，人口出生率、年末常駐人口數(shù)、居民消費(fèi)水平指數(shù)為相關(guān)序列，反映預(yù)測指標(biāo)小學(xué)入學(xué)人數(shù)與人口、經(jīng)濟(jì)等指標(biāo)的相關(guān)性.

對于多元時(shí)間序列數(shù)據(jù)集通過設(shè)置滑動(dòng)時(shí)間窗口大小進(jìn)行重新劃分，對于缺失數(shù)據(jù)，取相鄰的兩個(gè)數(shù)據(jù)的平均值填充，所有時(shí)間序列的值采用最大-最小歸一化的方法進(jìn)行預(yù)處理，經(jīng)過預(yù)處理所有數(shù)據(jù)取值范圍在[0，1]之間.

訓(xùn)練集和測試集的劃分采用截?cái)喾?，選取31個(gè)省市自治州的1978—2011年的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)構(gòu)造訓(xùn)練數(shù)據(jù)集，2012—2017年的數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)集.

4.2 評價(jià)指標(biāo)

為了對預(yù)測模型進(jìn)行評價(jià)，采用平均絕對誤差(mean absolute errors，MAE)，均方誤差(root mean square error，RMSE)，平均絕對百分比誤差(mean average percentage error，MAPE)三個(gè)評價(jià)指標(biāo)來評定預(yù)測模型的準(zhǔn)確性.

(25)

(26)

(27)

4.3 入學(xué)規(guī)模預(yù)測模型訓(xùn)練和性能分析

根據(jù)前述入學(xué)規(guī)模預(yù)測模型的訓(xùn)練原理，本文的模型使用python 3.6、tensorflow 2.0、keras實(shí)現(xiàn).tensorflow是谷歌公司開發(fā)的一個(gè)開源機(jī)器學(xué)習(xí)庫，用于輔助構(gòu)建和部署機(jī)器學(xué)習(xí)模型.Keras是一個(gè)神經(jīng)網(wǎng)絡(luò)API，具有界面友好、模塊化、可擴(kuò)充的特點(diǎn)，并支持Tensorflow，本文以Tensorflow作為后端.

模型參數(shù)由兩部分組成，一部分為普通參數(shù)，包括注意力的權(quán)重系數(shù)、LSTM各隱藏單元的權(quán)重系數(shù)及全連接層內(nèi)的連接參數(shù)和權(quán)重，這部分參數(shù)通常用模型通過梯度算法求得最優(yōu)解，另一部分為超參數(shù)，主要包括：

1)訓(xùn)練迭代次數(shù)epoch：模型訓(xùn)練完整的數(shù)據(jù)集次數(shù).通常根據(jù)經(jīng)驗(yàn)所得；

2)訓(xùn)練塊大小batch＿size：一次輸入模型訓(xùn)練的樣本個(gè)數(shù)；

3)訓(xùn)練學(xué)習(xí)率learning＿rate：通過調(diào)整學(xué)習(xí)率可調(diào)整各權(quán)重的超參數(shù)，學(xué)習(xí)率越低，收斂速度越慢，但精度較高，學(xué)習(xí)率越高，收斂速度越快，但易陷入局部最優(yōu)解；

4)隱藏層數(shù)和神經(jīng)元個(gè)數(shù)cells：這兩個(gè)參數(shù)直接確定整個(gè)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)，層數(shù)越多，神經(jīng)元越多，參數(shù)就越多，模型訓(xùn)練所花時(shí)間就越長.

5)時(shí)間窗口寬度windows：通過設(shè)置 時(shí)間窗口寬度限定時(shí)間序列的長度.

為了能夠取得較好的超參數(shù)，我們采用網(wǎng)格搜索方法對訓(xùn)練塊大小batchsize、學(xué)習(xí)率learningrate、時(shí)間窗口寬度、隱藏層數(shù)和神經(jīng)元數(shù)進(jìn)行優(yōu)選.首先，固定訓(xùn)練迭代次數(shù) epoch=300隨機(jī)種子數(shù) seed=1；訓(xùn)練塊大小batchsize=32等非關(guān)鍵參數(shù)值，然后，設(shè)定三個(gè)參數(shù)的取值范圍：歷史數(shù)據(jù)時(shí)間窗寬度 windows={4，6，8，10，12}，LSTM 細(xì)胞數(shù)cells={64，128，192，256}，學(xué)習(xí)速率learningrate={0.001，0.003，0.005，0.01，0.03，0.05}；以均方根誤差(RMSE)值最小為測試集上預(yù)測精度最高，以此進(jìn)行相關(guān)參數(shù)優(yōu)選.實(shí)驗(yàn)記錄入學(xué)規(guī)模預(yù)測模型在不同參數(shù)組合下的仿真結(jié)果，由于篇幅所限，以下列出學(xué)習(xí)率learing＿rate為0.001，0.01，0.05的仿真結(jié)果.

圖中，顏色較淺代表RMSE越大，圖2中，顏色普遍較淺，說明當(dāng)學(xué)習(xí)率為0.01時(shí)，RMSE較大.根據(jù)圖3和圖4可知，當(dāng)神經(jīng)元個(gè)數(shù)cells較大及時(shí)間窗口windows長度偏小時(shí)，RMSE值較好，模型精度較高.參數(shù)尋優(yōu)結(jié)果中5組最優(yōu)的參數(shù)組合及對應(yīng)的RMSE如表1所示.

圖2 參數(shù)尋優(yōu)(learning＿rate=0.01)Fig.2 Parameter optimization (learning rate=0.01)

圖3 參數(shù)尋優(yōu)(learning＿rate=0.001)Fig.3 Parameter optimization (learning rate=0.001)

圖4 參數(shù)尋優(yōu)(learning＿rate=0.05)Fig.4 Parameter optimization (learning rate=0.05)

表1 最優(yōu)參數(shù)組合及RMSE對應(yīng)表Tab.1 Optimal parameter combination and RMSE correspondence table

通過參數(shù)優(yōu)選最后選取的相關(guān)參數(shù)為windows=8，cell=256，batchsize=32，learning＿rate=0.001．

4.4 對比方法

為了進(jìn)一步驗(yàn)證本文的ATTENTION-LSTM模型在提升入學(xué)規(guī)模預(yù)測的有效性，將本文中的模型與傳統(tǒng)基于統(tǒng)計(jì)的時(shí)序預(yù)測算法歷史平均模型(HA)及整合移動(dòng)平均自回歸模型(ARIMA)及不帶 ATTENTION機(jī)制的長短周期記憶網(wǎng)絡(luò)LSTM模型進(jìn)行比較.其中傳統(tǒng)的LSTM模型包括兩層LSTM層以及一個(gè)全連接層.HA模型使用三個(gè)歷史時(shí)間段的入學(xué)規(guī)模平均值作預(yù)測.ARIMA模型通過序列的一階差分進(jìn)行預(yù)處理，根據(jù)AIC準(zhǔn)則定階P、Q的值分別為3和1.

圖5 給出了四種模型分別對某省市2012—2017年入學(xué)規(guī)模的預(yù)測結(jié)果.

圖5 入學(xué)規(guī)模預(yù)測模型比較Fig.5 Comparison of enrollment scale forecasting models

從圖中可知，對于入學(xué)規(guī)模變化的規(guī)律，四種模型都能夠?qū)ξ磥砟攴莸娜雽W(xué)規(guī)模進(jìn)行一定的有效預(yù)測，但ARIMA模型和HA 模型與真實(shí)曲線存在較大偏差；LSTM 模型曲線除某階段效果較差以外，其余預(yù)測效果較 HA模型 有大幅提升.ATTENTION—LSTM 模型與真實(shí)曲線形態(tài)最為接近.

四種模型分別在測試集上進(jìn)行10次實(shí)驗(yàn)后的平均結(jié)果如表2所示.

表2 模型測試集結(jié)果對比表Tab.2 Comparison of model test set results table

實(shí)驗(yàn)結(jié)果表明，ARIMA和HA 模型兩種傳統(tǒng)的統(tǒng)計(jì)時(shí)序預(yù)測模型由于沒有考慮復(fù)雜的非線性序列變化規(guī)律，主要還是應(yīng)用于時(shí)序平穩(wěn)的場景，因此，實(shí)驗(yàn)精度相對最差.LSTM模型作為非線性時(shí)序預(yù)測模型可以通過細(xì)胞的狀態(tài)來解決時(shí)間序列數(shù)據(jù)的長期依賴問題，保留預(yù)測變量變化的長短期變化規(guī)律，各項(xiàng)指標(biāo)對比有所提升，但由于其只利用單個(gè)時(shí)間序列數(shù)據(jù)訓(xùn)練，無法挖掘其他因素如人口、經(jīng)濟(jì)等對區(qū)域內(nèi)入學(xué)規(guī)模人數(shù)的影響.而ATTENTION—LSTM模型與其他模型比較更貼近實(shí)際結(jié)果，在所有測試集中MAE、MAPE、RMSE三個(gè)指標(biāo)的值均優(yōu)于其它模型.

5 結(jié)束語

小學(xué)入學(xué)規(guī)模預(yù)測對我國區(qū)域內(nèi)義務(wù)教育工作具有重要意義，傳統(tǒng)基于統(tǒng)計(jì)的時(shí)序預(yù)測方法由于無法描述學(xué)齡人口會(huì)隨經(jīng)濟(jì)條件造成的人口遷移、生育政策影響等產(chǎn)生不規(guī)則的波動(dòng)關(guān)系，難以取得較好的效果.本文利用機(jī)器學(xué)習(xí)，根據(jù)學(xué)齡人口時(shí)間序列的時(shí)序特征，結(jié)合人口因素、經(jīng)濟(jì)因素等相關(guān)時(shí)間序列，建立了一種基于Attention-Lstm網(wǎng)絡(luò)的區(qū)域小學(xué)入學(xué)規(guī)模預(yù)測模型，利用Attention機(jī)制為不同的輸入特征賦予權(quán)重，以突出對小學(xué)入學(xué)規(guī)模預(yù)測起到關(guān)鍵作用的特征，通過實(shí)驗(yàn)表明本文提出的模型能夠充分挖掘人口、經(jīng)濟(jì)等因素于小學(xué)入學(xué)規(guī)模中規(guī)律的信息，具有較好的魯棒性，比傳統(tǒng)的時(shí)序預(yù)測方法具有更好的準(zhǔn)確率，提高了中長期預(yù)測的精度，有助于教育管理部門更好的提前進(jìn)行布局和規(guī)劃.