基于BP神經網絡算法的技能人才模型建立研究

□何玉輝 尹存濤

一、引言

據廣元市人力資源和社會保障事業發展統計公報指出截止2018年底，全市專業技術人才達到58,300人，具有高級職稱的人才占比10%左右。近年來廣元市對人才越來越重視，開展了多批次的人才引進工作，引進了一些領域緊缺急需人才，為引進的人才提供了安家費與工作補助費。近年來，廣元市舉辦了職業技能大賽，對技能人才非常重視。因此依據現有數據，建立系統模型，對技能人才需求進行預測與分析，具有重要的意義。

近年來許多研究人員對這一問題采用多種方法進行了研究。康杰建立了GM(1,2)模型，對四川革命老區達州市進行了人才總量需求預測[1]，同時在人才培養方面提出自己的觀點。仇夢華對浙江省高技能人才需求進行了預測[2]，選取了BP神經網絡預測模型，基于Python進行了神經網絡訓練，采用GM(1,1)模型對影響BP神經網絡預測模型輸出值的影響變量進行了預測，從而作為系統輸入，對2018～2030年高技能人才需求進行了預測。

本文在文獻調研的基礎上，結合廣元市統計局、四川省統計局等已知的數據，分析出影響專業技術人才數量的指標，同時根據已知數據，對神經網絡進行訓練，比較不同的隱含層對神經網絡模型的影響，最終確定神經網絡模型的輸入層、隱含層節點數，并基于Matlab進行程序編寫與調試，對2010～2018年技能人才預測值與實際值進行分析。

二、影響指標選擇

(一)技能人才數量變化規律。通過對圖1技能人才數量總體變化趨勢進行分析，從2010年～2018年，廣元市技能人才數量逐漸遞增，但是不是簡單的線性關系。

圖1 技能人才數量總體變化趨勢

(二)回歸分析。仇夢華等人，采用回歸分析，確定了影響技能人才需求的總體指標，包括GDP、固定資產投資，教育支出、科技支出等。利用SPSS軟件，進行回歸分析，分析影響技能人才需求的總體指標。

1.教育支出指標分析。利用2010～2018年的教育支出，導入SPSS軟件中，利用分析-回歸-線性，得到調整后的R^2為0.586[3]。

2.GDP指標分析。利用2010～2018年的GDP數據，導入SPSS軟件中，利用分析-回歸-線性，選取人才數量為因變量，GDP為自變量，得到調整后的R^2為0.919。

3.其他指標分析。對固定資產投資指標進行分析，選取人才數量為因變量，固定資產投資為自變量,得到調整后的R^2為0.833。

通過以上分析，確定影響人才需求的主要指標包括教育支出、GDP指標、固定資產投資。通過軟件分析得到，三項指標作為自變量，人才需求作為因變量，得到調整后的R^2為0.95左右，依照統計學相關知識，說明教育支出、GDP指標、固定資產投資這三項指標對技能人才需求解釋力達到0.95左右。

三、BP神經網絡模型建立

(一)BP神經網絡結構。BP神經網絡主要包括輸入層、隱含層、輸出層，這里假設BP神經網絡隱含層只有1層，節點個數待定。由于系統輸入有三項指標，教育支出為X1，GDP指標為X2，固定資產投資為X3，隱含層節點假定為4個，由于需要預測技能人才數量只有一個變量，因此輸出層，設計1個節點。三層BP神經網絡結構如圖2所示。

圖2 三層BP神經網絡結構

(二)數據歸一化處理。王小川等人在Matlab神經網絡43個案例分析一書中指出[4]，數據歸一化是BP神經網絡建立的一個重要步驟，常見的方法有最大最小法，平均數方差法。最大最小法公式中，FK為待求值，Xmin為輸入序列X1中的最小值，Xmax輸入序列X1中的最大值，Xi為輸入變量的某一個值。

FK=(Xi-Xmin)/(Xmax-Xmin)

對2010年～2018年的數據進行歸一化處理，得到歸一化結果，如果后面的值繼續增大，可以通過設置Xmax最大值的估計值。

(三)隱含層節點數確定。神經網絡隱含層確定的方法主要通過實驗來確定[5～7]，通過對比分析，得到結果，但是也有一些經驗公式可以利用。

其中X為輸入節點個數，Y為輸出節點個數，N為隱含層節點個數，A的取值范圍為(1，10)。

(四)BP神經網絡算法實現方法。輸入數據保存在X1、X2、X3中，輸出數據保存在Y中，并對數據X1、X2、X3以及Y進行歸一化處理，設置一些參數，利用newff函數建立神經網絡，調用train訓練[8～10]，利用sim函數觀察輸出值，輸出權值與閾值，判斷輸出的結果是否滿足了精度要求，如果達到要求，就停止訓練，否則就繼續訓練。

四、分析與驗證

(一)基于Matlab與邁實軟件進行驗證。以2010～2018年固定資產投資為例，基于邁實軟件探索不同的隱含層節點個數與訓練次數的關系。假設有一個輸入變量時間T。設置網絡層數為3，均方差1e-04，通過軟件仿真分析得到，隱含層節點數為8時，訓練次數為32,252次，可以達到預期要求。嘗試不同的隱含層節點數，得到如表1所示，通過分析表1的數據不難得出，對于固定資產投資預測，可以選用隱含層節點數為7，此時訓練次數為11,538次。

表1 隱含層節點數目對訓練次數的影響

基于Matlab實現神經網絡算法，將原始2010～2018年固定資產投資數據保存在EXCEL中，利用xlsread讀取數據并進行保存，對數據采用mapminmax函數進行歸一化處理[11～12]，建立模型，并進行訓練與預測，計算目標值與實際值的偏差，如果查找到某次訓練目標值與實際值接近要求的誤差，則計算結束。基于Matlab編程實現神經網絡算法預測值與實際值如表2所示。

(二)利用BP神經網絡建立專業技術人才總量模型。按照前面所述，輸入層為3個節點，輸出層為1個節點，設置精

表2 基于Matlab編程實現神經網絡算法預測值與實際值

度等指標，建立2010～2018年的神經網絡模型。基于BP神經網絡模型，結果可能與當年的實際值有一定差距，但是理論上神經網絡算法在模型建立方面具有一定優越性。基于BP神經網絡建立的專業技術人才模型分析如表3所示。

表3 基于BP神經網絡建立的專業技術人才模型