基于BP神經網絡的廣東省第三產業(yè)就業(yè)人口數量預測研究

劉天麒

摘 要：宏觀經濟政策的制定必然要參照各次產業(yè)發(fā)展水平，故研究產業(yè)發(fā)展規(guī)模變化趨勢就顯得十分必要。文章通過BP神經網絡，對廣東省第三產業(yè)就業(yè)人口數量進行分析，并以2016年的《廣東省統(tǒng)計年鑒》提供的數據為依據建立預測模型，結果表明：該模型最大誤差為5.26%，滿足預期要求，實際值和預測值的擬合關系較為理想，證實了所述方法的有效性。

關鍵詞：BP神經網絡；廣東省第三產業(yè)；就業(yè)人口數量；預測

近年來，隨著我國經濟實力的發(fā)展和產業(yè)結構的迅速升級，第三產業(yè)從業(yè)者數量在我國就業(yè)人口數量中所占比重逐漸增大，第三產業(yè)的興旺已成為現(xiàn)代經濟發(fā)展的重要特征。鑒于第三產業(yè)在國民經濟中的重要地位，本文以廣東省第三產業(yè)就業(yè)人口數量作為研究對象，使用反向傳播（Back Propagation，BP）神經網絡方法，研究了廣東省第三產業(yè)就業(yè)人口數量的預測模型。

目前國內關于就業(yè)人口數量的建模方法較多，應用較為廣泛的有灰色理論及神經網絡建立的就業(yè)預測模型[1]，以及利用BP神經網絡預測大學生就業(yè)模型[2]。關于第三產業(yè)的相關建模方法也較為多見，但都集中在對第三產業(yè)GDP的建模研究，如采用時間序列法[3]、回歸分析法[4]對GDP進行建模，甚少涉及就業(yè)人口的建模研究。因此，本文利用BP神經網絡方法，結合廣東省近12年來第三產業(yè)就業(yè)人口數量，建立預測模型，以期為廣東省第三產業(yè)的未來發(fā)展趨勢提供理論依據。

1 BP神經網絡模型原理

1.1 BP神經網絡的結構

BP神經網絡是一種單向傳播的多層前饋網絡，在當前人工神經網絡算法中得到廣泛應用。它包括輸入層、隱含層和輸出層，同層節(jié)點之間互不相連，而層與層之間全互聯(lián)。輸入層和輸出層的節(jié)點個數由輸入、輸出向量的維數決定，隱含層節(jié)點個數沒有確定的標準，需通過反復試驗確定。理論表明，三層BP神經網絡能以任意精度逼近任何連續(xù)函數，其拓撲結構如圖1所示。因此，本文采用三層BP神經網絡對廣東省第三產業(yè)就業(yè)人口數量進行預測分析。

1.2 BP神經網絡的算法

BP算法也稱誤差反向傳播算法，它通過對各層之間神經元連接權值的反復學習，減小誤差，得到最終的神經網絡模型。對于如圖1所示的三層神經網絡，其算法計算步驟[5]如下：

（1）采用最小隨機數方法初始化所有的加權系數；

（2）提供輸入向量[x1，x2，…，xn]和輸出向量[y1，y2，…，ym]作為網絡訓練樣本；

（3）計算各神經元的實際輸出，如式（1）

（1）

（4）計算實際輸出值與期望值的誤差，如式（2）

（2）

（5）修正輸出層的權值Wim及隱含層的權值Wni；

（6）判斷是否滿足誤差要求（J≤ε），若滿足則結束，不滿足則返至第3步，直到滿足誤差要求。

圖1 BP神經網絡拓撲結構

2 BP神經網絡在廣東省第三產業(yè)就業(yè)人口預測中的應用2.1 樣本選取與預處理

本文以廣東省2004—2015年的就業(yè)人員年末人數為建模樣本，進行預測研究，樣本數據如表1所示。

為了提高樣本數據對網絡的正確應答能力，需要將構造樣本中原始數據作歸一化預處理，采用線性歸一處理方法，即：

（3）

式中：i=1，2，…，，n；xi代表第i個樣本的取值大??；min（x）為所有樣本數據中的最小值；max（x）為所有樣本數據中的最大值。x'i的取值范圍為0～1。人口預測完畢后，再將歸一化后的數據按照反歸一化處理。

數據來源：《廣東省統(tǒng)計年鑒》，2016年版，廣東省統(tǒng)計局編，中國統(tǒng)計出版社出版。

2.2 預測廣東省第三產業(yè)就業(yè)人口的神經網絡結構設計

本文利用SPSS軟件對構建的BP神經網絡進行訓練，從2004年開始進行樣本輸入，每4年樣本作為一組，樣本數據共分為9組，每組中：前3年的數據作為輸入，第4年作為輸出。9組樣本數據中，前6組用于訓練神經網絡，后3組用于檢驗預測結果，訓練數據和檢驗數據如表2—3所示。

模型選用常見的3層結構，分別為輸入層、隱含層和輸出層。輸入層有3個神經元，輸出層有1個神經元，隱含層神經元經試算為20個。通過對BP神經網絡模型相關參數的不斷試驗和調整，最終確定了隱藏層采用logsig傳遞函數，輸出層采用purelin傳遞函數，網絡訓練算法采用traingd，選擇5 000作為最大訓練次數，0.001作為目標誤差值，0.05作為初始學習率。在構建BP神經網絡預測模型前，需要按照公式（3）對所有輸入數據進行歸一化處理，輸出數據后再進行反歸一化處理。實際值與預測值對比如表4所示。

由表4可知，所建立的BP神經網絡在預測2007—2012年廣東省第三產業(yè)就業(yè)人口數量時，最大誤差不超過5.26%，表明預測值與實測值之間有著很好的擬合精度，說明該模型可以良好地預測廣東省第三產業(yè)就業(yè)人口數量。

2.3 BP神經網絡對廣東省第三產業(yè)就業(yè)人口數量的預測

通過BP神經網絡預測模型，對廣東省2013—2015年第三產業(yè)就業(yè)人口數量進行預測，預測結果為2013年人口數量為2 150.82萬人，2014年人口數量為2 238.15萬人，2015年人口數量為2 272.47萬人，預測值與實際值對比如圖2所示。

從圖2可以看出，預測值與實測值都較為均勻地分布在1∶1線附近，兩者之間的決定系數R2=0.986 5，表明預測值與實測值之間有著很好的擬合精度，再一次驗證了BP神經網絡良好的預測能力。

3 結語

（1）本文以2004—2012年廣東省第三產業(yè)年末就業(yè)人數為依據，利用神經網絡建立了BP神經網絡預測模型。

（2）利用SPSS軟件對所建立的模型進行學習訓練，并對2013—2015年廣東省第三產業(yè)就業(yè)人口數量進行了預測。

（3）結果表明，本文所建模型行之有效，在廣東省第三產業(yè)就業(yè)人數預測方面具有較好的擬合度，具有廣闊的應用前景。但是，BP神經網絡是一個復雜網絡，由于其涉及隱含層節(jié)點個數難以確定、易陷入局部極小點等問題，在之后研究中，需要不斷完善該模型，以增加預測精度。另外，要訓練出更為精準的BP神經網絡模型，亦需要多年數據的支撐，以進一步提高本文方法的適用性。

[參考文獻]

[1]何運村，張柱華.灰色理論及神經網絡在就業(yè)預測中的應用研究[J].計算機與數字工程，2008（8）：154-156.

[2]馬丹丹，于占龍，劉越.BP神經網絡在大學畢業(yè)生就業(yè)率預測中的研究與應用[J].佳木斯大學學報，2014（5）：751-753.

[3]李戰(zhàn)江，曹海燕.使用ARIMA模型對內蒙古GDP進行時序建模及預測[J].內蒙古農業(yè)大學學報（自然科學版），2008（2）：173-175.

[4]王建府.滬津GDP增長回歸模型比較及發(fā)展前景研究[J].科技情報開發(fā)與經濟，2005（3）：121-123.

[5]吳昌友.神經網絡的研究及應用[D].哈爾濱：東北農業(yè)大學，2007.