大學生就業的建模與預測研究

李想

摘 要： 大學生就業的建模與預測可以描述大學生就業變化趨勢，為管理者決策提供有價值信息，為了提高就業人口數量的預測準確性，提出基于組合方法的大學生就業預測模型。首先收集某大學的就業數據，并進行歸一化處理，然后采用灰色模型和神經網絡分別從不同角度對大學生就業的數量進行建模與預測，最后確定灰色模型和神經網絡的預測結果權值，并進行加權得到對大學生就業數量的最終預測結果。測試結果表明，組合方法可以描述大學生就業數量的發展趨勢，獲得比較理想的大學生就業數量預測結果。

關鍵詞： 大學生就業； 灰色模型； 神經網絡； 建模與預測

中圖分類號： TN711?34； TP391.9 文獻標識碼： A 文章編號： 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

隨著高等教育事業如火如荼的展開，我國大學生數量不斷增加，大學生就業壓力越來越大，大學就業形勢不容樂觀，而大學生就業率是“和諧社會”的一個重要評價指標，直接關系社會的穩定和經濟的可持續發展。同時大學生就業率直接關系一個高校的辦學水平、質量和聲譽，因此如何對大學生就業數量進行建模與預測，對大學生就業數量進行準確分析，并為高校就業指導工作提供重要參考依據顯得尤為重要[1?2]。

當前每一個高校的大學生就業信息中積累了大量的信息，但是這些系統無法對大學生就業的變化趨勢進行分析和研究，不能提供有價值的決策信息[3]。為此有學者采用時間序列分析法對大學生就業形勢進行分析，找到大學生時間序列數據之間的聯系，建立大學生就業數量預測模型，如灰色模型、神經網絡等[4?6]，其中灰色模型將大學生就業問題看作是一個灰色系統，通過分析灰色系統的特點，找到大學生就業數量的變化態勢，從而實現大學生就業數量的預測，然而該模型只能對具有增長趨勢的數據進行建模，但是大學生就數量不是一直增長，有時會出現下降趨勢，導致單一色模型難以獲得高精度的大學生就業數量預測模型[7?8]。神經網絡具有良好的非線性建模能力，可以對大學生就業數量的波動趨勢進行跟蹤，預測精度要高于灰色模型，但是神經網絡也存在一些不足，如不能描述大學生的線性變化特點，預測結果波動性大，使得預測精度有時也不太理想[9?11]。

單一灰色模型或者神經網絡只能描述大學生就業數量的單方面變化特點，為了提高大學生就業人口數量預測的準確性，提出基于組合方法的大學生就業預測模型，測試結果表明，組合方法獲得了比較理想的大學生就業數量預測結果。

1 灰色模型和神經網絡

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[X（0）]為一個正的光滑時間序列，則有：

[X（0）=x（0）（1），x（0）（2），…，x（0）（n）] （2）

那么對其進行變化得到一階時間序列為：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）]相鄰數據的均值序列，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，]同時滿足式（5），那么[x（0）（k）+az（1）（k）=b]的最小二乘估計滿足式（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）

當滿足條件[dx（1）dt+ax（1）=b]時，響應函數為：

[x（1）（t）=ba+x（1）（1）-bae-a（t-1）] （9）

[x（0）（k）+az（1）（k）=b]的時間響應序列為：

[x（1）（k）=ba+x（1）（1）-bae-a（k-1）] （10）

1.2 神經網絡

對于一個非線性系統，神經網絡可以根據輸入和輸出數據之間的關系描述其變化特點，則一個非線性系統的預測模型為：

[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]表示滯后時間；[fNN（ ）]表示非線性函數。

通過迭代算法得到[d]步預測模型為：

[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]時刻后的預測值[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神經網絡的建模性能比較好，而且適應能力強，為此本文選擇其進行大學生就業數量的建模。BP神經網絡結構如圖1所示。

圖1 神經網絡的結構

當輸入向量已知時，BP神經網絡可以構造如下：

[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）

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

[ym（k）=gW?gVU（k）] （16）

為了加快收斂速度，對BP神經網絡的權值進行動態調整，即：

[Δw（k）=η（1-α）D（k）-αD（k-1）] （17）

2 組合方法的大學生就業預測模型

組合方法的大學生就業數量預測模型的具體步驟如下：

（1） 對某一個大學的大學生就業歷史數據進行采集。

（2） 對歷史數據進行分析，去掉一些錯誤的數據，并通過加權平均補充完善遺失的數據。

（3） 通過灰色模型對大學生就業數據進行學習，得到大學生就業數量的預測結果。

（4） 通過神經網絡對大學生就業數據進行學習，得到大學生就業數量的預測結果。

（5） 采用線性回歸估計灰色模型和神經網絡的權值。

（6） 通過權值描述灰色模型的大學生就業數量預測結果和BP神經網絡的大學生就業數量的貢獻，從而得到大學生就業數量的預測結果。

綜上可知，組合方法的大學生就業數量建模流程如圖2所示。

3 實驗結果與分析

3.1 實驗數據

為了分析提出的大學生就業數量預測模型的性能，選擇150所大學的大學生就業數量作為實驗對象，如圖3所示。

3.2 結果與分析

選擇100個大學生就業數量作為訓練樣本，分別采用灰色模型和神經網絡進行學習，建立大學生就業數量的預測模型，對50個其他大學的大學生就業數量進行預測，得到的結果如圖4所示。從圖4可以看出，50個大學生就業數量的預測相當準確，與實際值沒有太多的偏差，實驗結果表明，本文模型從不同方向對大學生就業數量進行描述，得到了較好的大學生就業數量預測結果。

為了更好地分析本文模型的大學生就業數量預測效果，選擇灰色模型和神經網絡進行大學生就業數量對比測試，它們的結果如圖5和圖6所示。對圖5和圖6的大學生就業數量進行對比分析可知，灰色模型的大學生就業數量預測效果要明顯差于神經網絡，這是因為神經網絡的預測性能要優于灰色模型，但是相對于本文模型，神經網絡的預測準確性相對較差，這表明本文模型建立了性能更好的大學生就業數量預測模型，能夠更好地反映大學生就業數量的變化趨勢，具有比較明顯的優越性。

4 結 語

大學生就業數量預測結果直接關系大學生招生、管理和教學水平，具有重要的實際應用價值，一直是高校關注的焦點，為了提高就業人口數量的預測準確性，提出基于組合方法的大學生就業預測模型。采用灰色模型和神經網絡分別從不同角度對大學就業數量進行建模，通過合理確定權值描述灰色模型和神經網絡對大學生就業數量預測結果的貢獻。具體應用實例結果表明，組合方法可以提供更多的大學生就業數量信息，得到了可靠的預測結果，能夠有效刻畫大學生就業數量的發展趨勢，預測結果對于教育教學管理工作具有一定的指導作用。

參考文獻

[1] 高曉琴.高校應確立增強大學生就業競爭力的辦學理念[J].教育與職業，2012（21）：32?34.

[2] 董麗君.論構建完善的高校畢業生就業指導與服務體系[J].教育與職業，2012（20）：84?85.

[3] 陶韶菁，王坤鐘.高校就業服務學生評價指標體系構建的實證研究[J].現代教育管理，2009（10）：122?125.

[4] 朱春楠，范軍，鄒云龍.基于多元統計分析的高校畢業生就業狀況監測應用[J].東北師大學報（哲學社會科學版），2012（1）：165?170.

[5] 朱琳，朱建軍.基于熵權的TOPSIS法對高校促進就業措施的評價：以南京5所高校為例[J].價值工程，2010（14）：107?109.

[6] 楊霞玲，聶永紅.聚類分析在畢業生就業預測中的應用[J].廣西工學院學報，2005，16（4）：82?84.

[7] 周潤娟，蔡金平，胡長新.基于QTJ的大學生就業信心指數組合預測[J].重慶工商大學學報（自然科學版），2015，32（9）：76?80.

[8] 童輝杰，楊雅婕，呂航.應用神經網絡模型對大學畢業生就業質量的預測[J].人類工效學，2012，18（3）：20?24

[9] 程昌品，陳強.基于信息增益比的決策樹用于畢業生就業預測[J].計算機仿真，2010，27（2）：299?302.

[10] 韓媚，郭丹鳳.SVM的特征選擇方法在高校就業預測中的應用研究[J].杭州師范大學學報（自然科學版），2009，8（5）：358?362.

[11] 何運村，張柱華.灰色理論及神經網絡在就業預測中的應用研究[J].計算機與數字工程，2008，36（8）：155?157.