基于極限學(xué)習(xí)機(jī)的企業(yè)人才需求量預(yù)測(cè)

王夢(mèng)(中國(guó)石油工程建設(shè)有限公司，北京 100120)

0 引言

隨著現(xiàn)代企業(yè)規(guī)模的不斷擴(kuò)大，企業(yè)對(duì)人才的依賴(lài)日益突出，能夠準(zhǔn)確預(yù)測(cè)人才招聘中的人才需求量，對(duì)于提升企業(yè)人事管理水平具有重要意義。因此相關(guān)學(xué)者就企業(yè)人才需求量的預(yù)測(cè)從定性分析與定量計(jì)算進(jìn)行了一系列的探索。

通過(guò)查閱文獻(xiàn)在人才需求量上，主要是以建立影響因素指標(biāo)體系，采集歷史數(shù)據(jù)對(duì)未來(lái)做出預(yù)測(cè)，或者基于將人才需求量視為關(guān)于時(shí)間的變量，通過(guò)時(shí)間序列預(yù)測(cè)的方式進(jìn)行預(yù)測(cè)。時(shí)間序列是收集歷史統(tǒng)計(jì)數(shù)據(jù)，將研究的變量按照數(shù)據(jù)的先后順序排列起來(lái)，通過(guò)時(shí)間序列分析找出研究變量隨時(shí)間的變化關(guān)系。在分析中對(duì)于線性系統(tǒng)可以采用最小二乘法擬合回歸方程，而對(duì)于非線性系統(tǒng)的回歸則需要使用具有非線性擬合能力的計(jì)算模型，例如：BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等模型。此外，相關(guān)性預(yù)測(cè)模型是基于歷史統(tǒng)計(jì)數(shù)據(jù)，研究多影響因素對(duì)研究變量的回歸問(wèn)題。實(shí)際上人才需求量的預(yù)測(cè)是非線性變化的，具有隨機(jī)性和突變性，因此傳統(tǒng)的線性擬合算法預(yù)測(cè)的精度往往較低，并且影響人才需求量的因素還在不斷的研究探索中，整個(gè)預(yù)測(cè)過(guò)程呈現(xiàn)出灰色特征，即部分信息已知而部分信息還未知。本文將人才需求量作為時(shí)間變量，通過(guò)引入學(xué)習(xí)速率較高的極限學(xué)習(xí)機(jī)(ELM)機(jī)器學(xué)習(xí)算法模型[1-3]，對(duì)企業(yè)人才需求量進(jìn)行回歸擬合預(yù)測(cè)，為豐富人才需求量預(yù)測(cè)模型進(jìn)行有益的探索與嘗試，為企業(yè)人才需求量預(yù)測(cè)決策提供算法參考。

1 ELM理論

與BP神經(jīng)網(wǎng)絡(luò)相比，作為一種單隱含層前饋神經(jīng)網(wǎng)絡(luò)(SLFN) ELM在進(jìn)行機(jī)器學(xué)習(xí)之前只需要設(shè)置隱含神經(jīng)元的個(gè)數(shù)，通過(guò)隨機(jī)產(chǎn)生輸入層、隱含層之間的連接權(quán)值與閾值便可以獲得最優(yōu)解，無(wú)需向BP神經(jīng)網(wǎng)絡(luò)一樣進(jìn)行反復(fù)多次迭代，采用梯度下降使得誤差降低到所要求的的范圍內(nèi)。因此，ELM具有較高的學(xué)習(xí)效率與精度，有很多學(xué)者將ELM應(yīng)用到自己的研究領(lǐng)域中，例如文獻(xiàn)[5-8]。典型的ELM網(wǎng)絡(luò)結(jié)構(gòu)圖如圖1所示。

圖1 典型ELM網(wǎng)絡(luò)結(jié)構(gòu)

ELM作為機(jī)器學(xué)習(xí)家族中的一員，除了具有強(qiáng)大的分類(lèi)與擬合預(yù)測(cè)功能，還具有高效的學(xué)習(xí)速率。實(shí)際上ELM比同家族的BP的神經(jīng)網(wǎng)絡(luò)更容易收斂，訓(xùn)練的時(shí)間也較短。ELM自2004年被提出以來(lái)，模型在十幾年的時(shí)間里得到不斷的修正，使其泛化能力超過(guò)誤差反向傳播以BP神經(jīng)網(wǎng)絡(luò)為代表的機(jī)器學(xué)習(xí)算法。此外，ELM根據(jù)自身的神經(jīng)網(wǎng)絡(luò)搭建而定，而不需要向BP神經(jīng)網(wǎng)絡(luò)一樣需要在反復(fù)迭代學(xué)習(xí)中找到自身最合理的結(jié)構(gòu)。

與其他前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(SLFN)一樣，ELM網(wǎng)絡(luò)層也包括輸入X，輸出Y以及連接二者的隱含層。假設(shè)有n個(gè)神經(jīng)元作為輸入層，則對(duì)應(yīng)有n個(gè)輸入變量。ELM網(wǎng)絡(luò)的連接權(quán)值w表達(dá)式如式(1)所示，隱含層與輸出層之間的連接權(quán)值β表達(dá)式如式(2)所示，隱含層閾值b的表達(dá)式如式(3)所示，樣本輸入X與結(jié)果輸出Y的表達(dá)式如式(4)所示，則ELM網(wǎng)絡(luò)輸出量為T(mén)表達(dá)式如式(5)，其中g(shù)(x)為hardlim激勵(lì)函數(shù)。

上式可以變形表示為如(6)式所示

其中H的表達(dá)式為：

ELM進(jìn)行機(jī)器學(xué)習(xí)之前通過(guò)產(chǎn)生隨機(jī)權(quán)重值w與閾值b，即是說(shuō)ELM網(wǎng)絡(luò)的輸入神經(jīng)元個(gè)數(shù)與隱含層神經(jīng)元個(gè)數(shù)數(shù)值一旦確定其結(jié)構(gòu)就會(huì)確定，則與該結(jié)構(gòu)匹配的連接權(quán)重值β就確定，這與BP神經(jīng)網(wǎng)絡(luò)相比省去了反復(fù)迭代利用梯度下降得到理想解的過(guò)程。由于ELM的學(xué)習(xí)速度、處理精度高，以及泛化能力強(qiáng)，被廣泛用于回歸、分類(lèi)、模式識(shí)別等領(lǐng)域。

2 企業(yè)員工需求量預(yù)測(cè)

企業(yè)在實(shí)際確定員工需求量時(shí)往往會(huì)分崗位，對(duì)崗位的工作經(jīng)驗(yàn)、崗位的學(xué)歷都有不同的要求，并且不同企業(yè)的影響因素不同，因此構(gòu)造通用的評(píng)價(jià)指標(biāo)體系存在難度。本文研究是統(tǒng)計(jì)了某個(gè)企業(yè)2010—2019年的員工總?cè)藬?shù)，相鄰年份的總?cè)藬?shù)差值即為當(dāng)年所需要的人才數(shù)量，因此是將人才數(shù)量作為宏觀統(tǒng)計(jì)量，而并沒(méi)有按照崗位和學(xué)歷等要求進(jìn)行數(shù)據(jù)分割。某企業(yè)過(guò)去10年的員工總?cè)藬?shù)統(tǒng)計(jì)表如表1所示。

表1 某個(gè)企業(yè)2010—2019年的員工總?cè)藬?shù)

在學(xué)習(xí)之前數(shù)據(jù)已經(jīng)按照時(shí)間順序排好，但是為了提高ELM的預(yù)測(cè)精度，我們選用9個(gè)樣本作為學(xué)習(xí)輸入樣本，僅剩下1個(gè)樣本進(jìn)行預(yù)測(cè)，使得ELM不但能夠進(jìn)行關(guān)于時(shí)間的正推，也可以實(shí)現(xiàn)關(guān)于時(shí)間的逆推，這樣可以實(shí)現(xiàn)每個(gè)樣本值的實(shí)際值與預(yù)測(cè)值的比較。ELM的預(yù)測(cè)結(jié)果如表2所示。實(shí)際值與預(yù)測(cè)值的對(duì)比如圖2(a)、(b)所示，誤差在可接受的范圍內(nèi)，并且ELM所預(yù)測(cè)的趨勢(shì)與實(shí)際非常接近。

表2 實(shí)際值與預(yù)測(cè)值對(duì)比

圖2 實(shí)際值與預(yù)測(cè)值的對(duì)比

3 結(jié)語(yǔ)

(1)將企業(yè)人才需求量視為基于年份時(shí)間變化的函數(shù)，以歷史統(tǒng)計(jì)數(shù)據(jù)作為樣本，省去了構(gòu)建人才需求量的影響因素評(píng)價(jià)指標(biāo)體系，使得預(yù)測(cè)方法更為通用。

(2)引入ELM作為數(shù)據(jù)預(yù)測(cè)模型，以時(shí)間序列作為輸入變量，由于其預(yù)測(cè)精度、學(xué)習(xí)效率較高，可以作為企業(yè)人才需求量的預(yù)測(cè)模型，具有較強(qiáng)的適用性。