基于Ｅｌｍａｎ神經網絡的江蘇技術人才需求預測

[摘要] Elman神經網絡是一種典型的動態回歸神經網絡，它具有適應時變性的能力。以江蘇省技術人才系統為例，說明了Elman神經網絡在人才需求預測中的應用，并將其預測結果與基于BP靜態神經網絡的預測值進行了比較。指出了Elman神經網絡在對人才系統這樣的動態系統進行預測時優越性。

[關鍵詞] 人才預測 Elman神經網絡 BP神經網絡

隨著知識經濟的到來，人才在區域經濟中的作用日益彰顯，人力資源規劃已經成為區域經濟發展的重要影響因素。因此人力資源需求預測逐漸被接納和重視。人才預測的方法有很多種，神經網絡是較為常用的方法之一。目前大多數采用的是基于BP算法的神經網絡，它可以看成是輸入與輸出集合之間的一種非線性映射，通過對有限樣本的學習來模擬系統的內部結構。但BP網絡作為一種靜態前饋網絡，它對動態系統進行辨識時將動態時間建模問題變為靜態空間建模問題。Elman回歸神經網絡是一種典型的動態神經元網絡，它是在BP網絡基本結構的基礎上，通過存儲內部狀態使其具備映射動態特征的功能，從而使系統具有適應時變特性的能力。因此，考慮到人才系統具有動態性的特點，嘗試采用Elman神經網絡以江蘇省技術人才系統為例進行預測。

一、Elman神經網絡

Elman神經網絡是Elman于1990年提出的，該模型在前饋網絡的隱含層中增加一個承接層，作為一步延時算子，達到記憶的目的，從而是系統具有適應時變特性的能力，能直接反映動態過程系統的特性。

1.Elman神經網絡結構

Elman神經網絡一般分為4層：輸入層、中間層（隱含層）、承接層、輸出層，如圖1所示。其輸入層、隱含層、輸出層的連接類似于前饋網絡，輸入層的單元僅起信號傳輸作用，輸出層單元起線性加權作用。隱含層單元的一步傳遞函數可采用線性或非線性函數，承接層又稱為上下文層或狀態層，它用來記憶隱含層單元前一時刻的輸出值，可以認為是一個延時算子。

Elman神經網絡的特點是隱含層的輸出通過承接層的延遲與存儲，自聯到隱含層的輸入，這種自聯方式使其對歷史狀態的數據具有敏感性，內部反饋網絡的加入增加了網絡本身處理動態信息的能力，從而達到了動態建模的目的。

圖1 Elman神經網絡的模型

2.Elman神經網絡的學習過程

以圖1為例，Elman網絡的非線性狀態空間表達式為：

其中，y，x，u，xc分別表示m維輸出結點向量，n維中間層結點單元向量，r維輸入向量和n維反饋狀態向量。w3，w2，w1分別表示中間層到輸出層、輸入層到中間層、承接層到中間層的連接權值。 g(*)為輸出神經元的傳遞函數，是中間層輸出的線性組合。f(*)為中間層神經元的傳遞函數，常采用S函數。

Elman網絡也采用BP算法進行權值修正，學習指標函數采用誤差平方和函數：

其中為目標輸出向量。

二、基于Elman神經網絡的江蘇技術人才需求預測

1.Elman網絡樣本設計

在實際的人力資源規劃中，江蘇省 年的技術人才需求不僅受到年江蘇經濟狀況的影響，由于人才需求的時滯性，而且受到等年份諸多因素的影響，具有動態性。表1給出了1989年～2005年江蘇省的地區生產總值（GDP）和技術人才數量。現在利用前14年的數據作為網絡的訓練樣本，每4年的人才數和第5年的地區生產總值作為輸入向量，第5年的人才數作為目標向量。這樣可以得到11組訓練樣本。第15、16年的數據作為網絡的測試樣本，主要看網絡能否合理地預測出當年的數據。

表1江蘇省技術人才數和地區生產總值(1989年～2005年)

2.Elman網絡訓練與測試

獲得樣本數據后，由于原始樣本中各向量的數量級差別很大，為了防止部分神經元達到飽和狀態，在研究中使用MATLAB7對樣本進行的輸入進行歸一。接下來是設計Elman網絡的結構。合理的網絡結構是預測性能的基礎。實際上結構的確定尤其是中間層神經網絡元數的確定是一個經驗性的問題，需要大量的實驗。分別使用不同的中間層神經網絡元數來構造Elman網絡，使用訓練樣本進行學習訓練，用測試樣本進行測試分析預測值和實際值的誤差，觀察其訓練曲線和預測誤差曲線。經過反復試算，中間層神經網絡元數目為8，傳遞函數為tansig時，網絡收斂于允許誤差的范圍內。圖2給出了Elman神經網絡預測值與實際值的比較。

圖2Elman網絡輸出值與實際值對比

3.與BP神經網絡預測比較分析

BP神經網絡是人才預測中最常見的非線性方法，是一種單向傳播的多層次前向網絡。經過反復訓練，建立結構為5-9-1的江蘇技術人才需求BP神經網絡預測模型，算出江蘇技術人才需求的BP網絡預測值，并與Elman神經網絡預測值進行比較。圖3是BP神經網絡的擬合曲線，與圖2相比可以看出，Elman神經網絡的擬合曲線更接近于實際值曲線。因此，Elman神經網絡在江蘇技術人才需求趨勢的擬合上有著BP神經網絡不可比擬的優勢。部分預測結果的比較分析見表2。

圖3 BP網絡輸出值與實際值對比

表2Elman神經網絡擬合與預測結果

三、結論

Elman神經網絡是在BP網絡的基礎上加入反饋信號，利用內部狀態反饋來描述系統的非線性動力學行為，提高了學習速度，適合動態系統的實時辨識。Elman神經網絡代表了神經網絡建模、辨識與控制的發展方向。若能將其與灰色模型、多元回歸模型結合起來，則有可能進一步提高人才預測的精度，并能在人力資源規劃中發揮更大的作用。

參考文獻：

[1]董長虹：MATLAB神經網絡與應用[M].國防工業出版社，2005

[2]李濤宋光興：區域人才資源需求預測方法研究[J].云南財經大學學報，2006，(3)

[3]盛艷波：基于BP神經網絡和ARIMA組合模型預測浙江省人均國內生產總值[J].商場現代化，2006，(23)

[4]林春燕朱東華：基于Elman神經網絡的股票價格預測研究[J].計算機應用，2006，(2)

[5]袁禮柏滿迎：中國空間科技人才的需求量預測分析[J].哈爾濱工業大學學報，2004，(10)

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文。