應(yīng)用組合模型的高校畢業(yè)生就業(yè)率預(yù)測研究

徐永慧

(寧夏電化教育中心， 寧夏 銀川 750004 )

0 引言

由于高校不斷地?cái)U(kuò)招，每年畢業(yè)的大學(xué)生數(shù)量急劇增加，而企業(yè)所提供的工作崗位數(shù)量，不足以滿足大學(xué)生的就業(yè)需求，使得多個(gè)學(xué)生去搶同一個(gè)崗位，就業(yè)競爭十分激烈。高等院校的招生絕大部分取決于院校的畢業(yè)學(xué)生就業(yè)率，較高的就業(yè)率可以有效提高學(xué)校的知名度和聲譽(yù)。但是，由于受當(dāng)下的經(jīng)濟(jì)環(huán)境發(fā)展態(tài)勢、就業(yè)市場發(fā)展規(guī)模及畢業(yè)生自身發(fā)展情況等因素影響，其就業(yè)率具有一定的隨機(jī)性和周期性，是一種復(fù)雜的非線性系統(tǒng)，一直是高校關(guān)注的焦點(diǎn)[1-3]。

當(dāng)前有部分學(xué)者對高校畢業(yè)生就業(yè)率進(jìn)行了研究，主要預(yù)測方法有灰色模型和BP人工神經(jīng)網(wǎng)絡(luò)等方法[4-6]，其中灰色模型是一種線性分析方法，可以有效反映當(dāng)前高校畢業(yè)生的線性就業(yè)率變化特點(diǎn)，但是當(dāng)高校畢業(yè)生就業(yè)發(fā)生隨機(jī)變化時(shí)，其無法及時(shí)獲取數(shù)據(jù)信息，導(dǎo)致高校畢業(yè)生就業(yè)率預(yù)測具有較大誤差；BP神經(jīng)網(wǎng)絡(luò)雖然具有良好的非線性建模能力，但是高校畢業(yè)生的就業(yè)率具有周期性變化的特點(diǎn)，其無法有效獲取周期內(nèi)的變化特征數(shù)值，導(dǎo)致預(yù)測結(jié)果具有誤差[7-9]。還有部分學(xué)者提出了組合模型的就業(yè)率預(yù)測方法，如多種神經(jīng)網(wǎng)絡(luò)結(jié)合、多元線性回歸與模型結(jié)合等。這些組合模型在一定程度上可以有效獲取精準(zhǔn)的就業(yè)率預(yù)測結(jié)果。但是，這些組合模型沒有特征分解能力，因此當(dāng)就業(yè)率發(fā)生細(xì)微變化時(shí)，其無法獲取精確的預(yù)測結(jié)果，這些情況使得高校畢業(yè)生就業(yè)率預(yù)測精度有待進(jìn)一步提高[10-12]。

由于單一模型對高校畢業(yè)生就業(yè)率預(yù)測的精準(zhǔn)水平不高，誤差較大等問題，對此本文提出組合模型的高校畢業(yè)生就業(yè)率預(yù)測方法。采用小波分析方法，多尺度分解高校畢業(yè)生就業(yè)率數(shù)據(jù)序列，利用灰色模型確定累加序列參數(shù)，通過灰色模型和BP神經(jīng)網(wǎng)絡(luò)獲取低頻和高頻高校畢業(yè)生就業(yè)率數(shù)據(jù)序列參數(shù)，利用誤差反饋值進(jìn)行建模與預(yù)測，得到相應(yīng)的預(yù)測結(jié)果，實(shí)現(xiàn)高校畢業(yè)生就業(yè)率的精準(zhǔn)預(yù)測。最后進(jìn)行實(shí)驗(yàn)對比測試，得出有效性結(jié)論。

1 組合模型的高校畢業(yè)生就業(yè)率預(yù)測方法

1.1 小波分析

小波分析可以通過多尺度對復(fù)雜信號(hào)進(jìn)行細(xì)分處理，對于信號(hào)x(t)，通過小波函數(shù)φ(t)進(jìn)行a尺度和b偏移量的平移后，可以得到時(shí)域表達(dá)式為式(1)。

(1)

首先采用小波分析的Mallat算法對高校畢業(yè)生就業(yè)率歷史數(shù)據(jù)進(jìn)行細(xì)分，得到高頻和低頻序列參數(shù)。一般通過3-4層的細(xì)分分解，可以得到比較理想的細(xì)分結(jié)果，將這些細(xì)分?jǐn)?shù)值進(jìn)行重構(gòu)處理，融合就業(yè)率預(yù)測結(jié)果。

1.2 灰色模型

一個(gè)高校畢業(yè)生就業(yè)率數(shù)據(jù)序列X(0)={x(0)(1),x(0)(2),…,x(0)(n)}，對其進(jìn)行一次累加產(chǎn)生一個(gè)新的序列X(1)={x(1)(1),x(1)(2),…,x(1)(n)}，其中第k項(xiàng)為式(2)。

(2)

灰色模型的預(yù)測方程，具體可以寫成式(3)。

(3)

式中，a，u為待定的參數(shù)。

可以解出式(3)得到式(4)。

(4)

對式(4)采用最小二乘法可以得到參數(shù)a和u。

1.3 BP神經(jīng)網(wǎng)絡(luò)

(5)

式中，w為連接權(quán)值。

第L層的第i個(gè)節(jié)點(diǎn)的輸出為式(6)。

(6)

式中，f(·)為激勵(lì)函數(shù)，具體如式(7)。

(7)

通過誤差反饋對連接權(quán)值進(jìn)行調(diào)整，直到精度滿足實(shí)際要求為止，由此完成訓(xùn)練樣本學(xué)習(xí)。

1.4 組合模型的高校畢業(yè)生就業(yè)率預(yù)測步驟

(1) 采集高校畢業(yè)生就業(yè)率歷史數(shù)據(jù)，并通過相關(guān)專家對丟失數(shù)據(jù)進(jìn)行補(bǔ)齊，錯(cuò)誤的數(shù)據(jù)進(jìn)行刪除。

(2) 高校畢業(yè)生就業(yè)率數(shù)據(jù)具有隨機(jī)性和周期性的特點(diǎn)，其不穩(wěn)定性和時(shí)變性較強(qiáng)，因此對其進(jìn)行歸一化處理，具體如式(8)。

(8)

(3) 采用小波分析對高校畢業(yè)生就業(yè)率歷史數(shù)據(jù)進(jìn)行多尺度分解，得到低頻的高校畢業(yè)生就業(yè)率數(shù)據(jù)序列和高頻的高校畢業(yè)生就業(yè)率數(shù)據(jù)序列，其中低頻的高校畢業(yè)生就業(yè)率數(shù)據(jù)序列包含了周期性變化特點(diǎn)，而高頻的高校畢業(yè)生就業(yè)率數(shù)據(jù)序列包含了隨機(jī)性變化特點(diǎn)。

(4) 采用灰色模型對低頻的高校畢業(yè)生就業(yè)率數(shù)據(jù)序列進(jìn)行建模與預(yù)測，得到相應(yīng)的預(yù)測結(jié)果。

(5) 采用BP神經(jīng)網(wǎng)絡(luò)對高頻的高校畢業(yè)生就業(yè)率數(shù)據(jù)序列進(jìn)行建模與預(yù)測，得到相應(yīng)的預(yù)測結(jié)果。

(6) 采用小波分析對低頻和高頻的高校畢業(yè)生就業(yè)率數(shù)據(jù)序列進(jìn)行疊加，得到高校畢業(yè)生就業(yè)率最終預(yù)測結(jié)果。

綜合上述可知，組合模型的高校畢業(yè)生就業(yè)率預(yù)測方法的工作流程,如圖1所示。

圖1 組合模型的高校畢業(yè)生就業(yè)率預(yù)測流程

2 仿真測試

2.1 高校畢業(yè)生就業(yè)率的數(shù)據(jù)來源

為了驗(yàn)證所提組合模型的高校畢業(yè)生就業(yè)率預(yù)測方法的有效性進(jìn)行實(shí)驗(yàn)，擬定實(shí)驗(yàn)平臺(tái)即MATLABR 2019 b，主頻為1的環(huán)境下進(jìn)行仿真實(shí)驗(yàn)。采集寧夏銀川某高等院校2020年公開就業(yè)率數(shù)據(jù)，隨機(jī)選取25個(gè)樣本數(shù)據(jù)，構(gòu)建模型對其進(jìn)行分析，具體如圖2所示。

圖2 就業(yè)率時(shí)間序列數(shù)據(jù)

分析圖2可知，高校畢業(yè)生就業(yè)率在一定時(shí)期內(nèi)具有明顯的上升或下降趨勢，因此其具有周期性的特點(diǎn)，并且就業(yè)率的隨機(jī)性較強(qiáng)。

2.2 預(yù)測精度對比

隨機(jī)選取25個(gè)樣本數(shù)據(jù)進(jìn)行分類處理，將15個(gè)樣本數(shù)據(jù)作為訓(xùn)練樣本，10個(gè)樣本作為檢驗(yàn)樣本。統(tǒng)計(jì)本文方法、BP神經(jīng)網(wǎng)絡(luò)和灰色系統(tǒng)對高校畢業(yè)生就業(yè)率的擬合和預(yù)測結(jié)果，具體測試結(jié)果分別如圖3、圖4所示。

圖3 高校畢業(yè)生就業(yè)率的擬合結(jié)果

圖4 高校畢業(yè)生就業(yè)率預(yù)測結(jié)果

對比圖3和圖4的高校畢業(yè)生就業(yè)率預(yù)測結(jié)果如下。

(1) 所有方法的高校畢業(yè)生就業(yè)率的擬合精度要高于預(yù)測精度，這表明它們的擬合能力要優(yōu)于泛化能力，這符合一般預(yù)測方法的建模規(guī)則。

(2) 單一模型在預(yù)測過程中，無法滿足變化規(guī)律大、隨機(jī)性較強(qiáng)的高校畢業(yè)生就業(yè)率預(yù)測，不能全方位反映畢業(yè)生就業(yè)率變化特點(diǎn)，因此建模效果不夠理想。

(3) 相對于BP神經(jīng)網(wǎng)絡(luò)和灰色系統(tǒng)預(yù)測結(jié)果偏差較大的問題，本文方法的預(yù)測準(zhǔn)確性較高，有效減小誤差。組合模型可以充分利用結(jié)合模型的優(yōu)點(diǎn)，對數(shù)據(jù)進(jìn)行優(yōu)化處理，根據(jù)就業(yè)率變化特點(diǎn)，獲取高校畢業(yè)生就業(yè)率預(yù)測結(jié)果，有效提高預(yù)測精度，由此驗(yàn)證了本文方法的優(yōu)越性。

2.3 穩(wěn)定性測試

在全國范圍內(nèi)，隨機(jī)選擇100所高等院校作為研究對象，采集它們畢業(yè)生就業(yè)率歷史數(shù)據(jù)，并采用不同方法對畢業(yè)生就業(yè)率進(jìn)行建模與預(yù)測，預(yù)測精度如圖5所示。

圖5 高校畢業(yè)生就業(yè)率預(yù)測結(jié)果的穩(wěn)定性分析

分析圖5可知，本文方法的預(yù)測精度為96.78%，由于本文方法利用小波分析對數(shù)值進(jìn)行重構(gòu)，可以有效獲取周期內(nèi)的隨機(jī)變化特征數(shù)值。而BP神經(jīng)網(wǎng)絡(luò)和灰色系統(tǒng)預(yù)測精度為91.34%和85.97%。由此可見，本文方法的高校畢業(yè)生就業(yè)率預(yù)測精度十分穩(wěn)定，而對比方法的高校畢業(yè)生就業(yè)率預(yù)測精度波動(dòng)范圍比較大。

3 總結(jié)

為了避免當(dāng)前高校畢業(yè)生就業(yè)率預(yù)測方法存在的弊端，有效減少高校畢業(yè)生就業(yè)率的預(yù)測誤差，設(shè)計(jì)了組合模型的高校畢業(yè)生就業(yè)率預(yù)測方法。具體仿真實(shí)驗(yàn)結(jié)果表明，本文方法是一種精度高、結(jié)果可靠、穩(wěn)定性高的高校畢業(yè)生就業(yè)率預(yù)測方法，可以為復(fù)雜多變的高校畢業(yè)生就業(yè)率分析提供一種新的方法，有助于分析當(dāng)代畢業(yè)生就業(yè)率的實(shí)際情況。