组合预测在毕业生就业趋势预测中应用探索.docVIP

组合预测在毕业生就业趋势预测中应用探索 　　【摘 要】高校毕业生就业率是一项衡量高校办学校质量的一项重要指标，准确可靠的毕业生就业趋势预测能为学校制订新的发展战略决策提供参考。本文将AR模型和RBF模型相结合，对组合预测模型在高校毕业生就业趋势分析中的应用进行了有益的探索，预测过程中使用遗传算法求解模型的参数。实验结果表明组合预测模型在就业趋势的预测效果优于单项预测。 　　【关键词】就业；AR模型；RBF模型；组合预测 　　随着我国高等教育的飞速发展，国内的许多大学不断的扩招，但由于扩招的增速过大，超过了社会经济增长速度和市场对高水平人才的需求增长速度，致使近几年的大学生就业形势愈发严峻，大学毕业生的就业前景和就业趋势成为近年来许多人关注的敏感话题。做好毕业生就业趋势预测将对高校和大学生本人来说都是一个很有价值的信息。 　　在预测实践中，经常采用的预测方法有灰色预测法、ARMA模型法、神经网络算法等，这些预测算法对现实世界中的一些问题具有良好的预测效果，被广泛的加以应用，比如，灰色预测法是一种对含有不确定因素的系统进行预测的方法，其模型通过对原始数据的整理来寻求变化规律，是一种就数据寻找数据规律的途径，它不要求有大量的数据，数据也不需要具有典型的分布规律；ARMA模型法是一种时间预测序列，它通过对时间序列的具体分析，初步选定一个模型，然后用一系列统计方法来检验这个模型是否适用，它可用于各种类型的时间序列数据。但是由于单一模型的使用范围和使用条件存在这样或那样的局限性，使用单一模型往往使一些有用的信息得不到有效的利用，这会造成信息浪费，为了避免使用单一信息的缺憾，综合利用各种有效信息，来达到取长补短提高预测效果的目的，更加科学的做法是将不同的预测方法进行适当的组合，从而形成组合预测方法，只要组合适当就能提高预测精度。 　　由于影响高校毕业生就业率的因素较多，不同地域、不同科类、不同类型学校的就业率皆不尽相同，即便是相同的专业就业率也不尽相同，影响毕业生就业的因素同就业率的关系是非线性的，而且很难用常规的???数关系去描述。从某高校部分专业历年来毕业生就业数据为样本，构建AR模型和RBF模型相结合的组合预测模型，并使用遗传算法求解模型的参数，对毕业生就业趋势进行了预测。 　　1.预测模型算法简介 　　1.1 AR模型 　　AR模型是将预测对象随时间推移而形成的数据序列视为一个随机序列，这组随机变量所具有的依存关系或自相关性表征了预测对象发展的延续性，而把这种自相关性用模型描述出来，就可以用时间序列的过去值和现在值来预测其未来值。AR模型称为n阶自回归模型，是ARMA（n，m）模型的一个特例。建立AR模型最常用的方法是最小二乘法，AR（n）模型为： 　　式中{}为给定过程中的n个观测值{，，…，}，为模型的误差序列，常被称为模型残差，（～NID（0，）），模型阶次n和参数{，，…，}的选取必须满足某种最佳准则。 　　1.2 径向基函数神经网络模型 　　径向基函数神经网络模型简称RBF神经网络，是人工神经网络中应用较广泛的一种网络，RBF方法属于在高维空间进行差值的一种技术，该网络具有单隐层的三层前馈网络，有输入层、隐含层和输出层，层间多为全互连方式，由输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，由于其结构简单可以保证快速的学习速度，并避免局部极小问题。RBF神经网络结构如图1所示： 　　为网络第j个节点的中心向量；为节点j的基宽参数，且为大于零的数；为网络的权向量，RBF网络的输出为。 　　RBF神经网络的训练过程选用Matlab数学软件所提供的神经网络工具箱函数，Matlab是美国mathworks公司推出的数学软件，是一种强大的非线性分析和仿真软件，具有强大的数值计算和可视化功能。利用它所提供的工具箱，能保证计算过程的准确性，使人们把主要精力放在需要解决的问题上，来提高工作效率。 　　1.3 遗传算法 　　遗传算法（简写为GA）是一种求解多参数、非线性优化问题的有效方法，是现代有关智能计算中的关键技术之一。它仿照自然界的优胜劣汰、适者生存的原则，利用其独特的搜索方式来解决问题。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。遗传算法的主要步骤有：编码、初始群体的生成、适应性值评估检测、选择、交换、变异。 　　1.4 组合预测模型 　　组合预测就是采用一定的手段，对多种预测进