基于BP神經(jīng)網(wǎng)絡對大學生就業(yè)率預測模型研究——以四川衛(wèi)生康復職業(yè)學院為例

李佳林

?

基于BP神經(jīng)網(wǎng)絡對大學生就業(yè)率預測模型研究——以四川衛(wèi)生康復職業(yè)學院為例

李佳林

四川衛(wèi)生康復職業(yè)學院人文社科部，四川 自貢 643000

針對近年來大學生就業(yè)發(fā)展問題，以四川衛(wèi)生康復職業(yè)學院2000～2015年就業(yè)率為依據(jù)，采用LMBP算法，構建人工神經(jīng)網(wǎng)絡預測模型，使用MATLAB實驗仿真，預測大學畢業(yè)生的就業(yè)率。通過該網(wǎng)絡的訓練學習可知，該網(wǎng)絡的最大誤差為1.72%，滿足預期要求；最后通過該模型預測了2016～2018年就業(yè)率分別為91.8659%、92.7938%、93.8210%，就業(yè)率預測模型研究為大學畢業(yè)生的就業(yè)指導提供了技術和理論依據(jù)，同時為政府和高校提供科學的決策依據(jù)。

大學畢業(yè)生；就業(yè)率；LMBP算法；BP神經(jīng)網(wǎng)絡；預測

大學生就業(yè)問題與專業(yè)性、行業(yè)性、綜合性有關，而BP神經(jīng)網(wǎng)絡又具有非線性特性和自學習、自組織、自適應能力，因此本文以BP神經(jīng)網(wǎng)絡的LM（Levenberg-Marquadt）反傳算法[1]，結合四川衛(wèi)生康復職業(yè)學院近16年的畢業(yè)生的就業(yè)率的數(shù)據(jù)統(tǒng)計，構建了基于LMBP神經(jīng)網(wǎng)絡的大學畢業(yè)生就業(yè)預測模型，并預測了未來3年大學生的就業(yè)率，為高校提供了可靠的決策依據(jù)和就業(yè)指導意義。

1 網(wǎng)絡預測模型和LMBP算法

1.1 BP神經(jīng)網(wǎng)絡模型

BP神經(jīng)網(wǎng)絡也稱為誤差反向傳播網(wǎng)絡（Back Propagation Network）,是1986年由Rumelhart和McCelland等科學家提出一種由非線性變換單元組成的前饋網(wǎng)絡，是目前人工神經(jīng)網(wǎng)絡中使用最為廣泛的學習算法之一[2]。

結構上，BP神經(jīng)網(wǎng)絡是一種典型的多層網(wǎng)絡，分別是輸入層、隱含層、輸出層，層與層之間采用全鏈接方式，同一層單元之間無連接。輸入層和輸出層的節(jié)點數(shù)一般由實際的要求確定，而隱含層的節(jié)點數(shù)根據(jù)多次試驗來確定。

1.2 就業(yè)率預測模型

一個隱含層的BP網(wǎng)絡可以逼近任意一個連續(xù)函數(shù)，三層的BP網(wǎng)絡可以完成任意的n維到m維的映射。

為此，本文采用三層BP神經(jīng)網(wǎng)絡預測大學畢業(yè)生的就業(yè)率，學習和訓練已有的數(shù)據(jù)，找到輸入與輸出一種內(nèi)在關系，從而建立起一種網(wǎng)絡預測模型。如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡結構

設計每層網(wǎng)絡的神經(jīng)元個數(shù),由于是基于時間順序的神經(jīng)網(wǎng)絡預測模型，將前3年數(shù)據(jù)作為一組輸入向量，第4年作為輸出向量，為此輸入層的神經(jīng)元個數(shù)確定為3，相應的輸出層的神經(jīng)元個數(shù)為1。對于隱元層神經(jīng)元個數(shù)的確定，目前還沒有統(tǒng)一確定的設計方法，目前普遍是根據(jù)經(jīng)驗和多次反復試驗選擇[3]。

根據(jù)經(jīng)驗選擇如下公式進行設計：

本次就業(yè)率預測模型中，輸入層到隱含層采用S型傳遞函數(shù)tan-sigmod，該函數(shù)能將隱含層網(wǎng)絡輸出映射到-1～1，且可微。隱含層到輸出層采用線性函數(shù)purelin，拓寬網(wǎng)絡輸出。由于該預測網(wǎng)絡訓練采用LM反轉學習算法，為此選用trainlm作為訓練函數(shù)，加快收斂速度。

1.3 LMBP算法

傳統(tǒng)的BP算法的修正權值是采用等量梯度算法，其收斂速度相對較慢，為此采用改進型的LMBP算法達到快速收斂。LMBP算法是利用二階導數(shù)信息進行搜索，既具有擬牛頓算法的快速收斂，同時具有梯度算法的整體收斂性；該算法的改進大大提高了BP算法的學習效率，其修正式

式中：JJ=H，是網(wǎng)絡誤差函數(shù)對權值和閾值一階導數(shù)的雅可比矩陣（Jacobi），是網(wǎng)絡誤差向量[6]。

2 實驗仿真

2.1 樣本采集與預處理

本次研究的樣本采集是依據(jù)四川衛(wèi)生康復職業(yè)學院近16年畢業(yè)生就業(yè)率，樣本如表1所示。

為了適應網(wǎng)絡輸出，減少網(wǎng)絡層之間的權值調整，提高網(wǎng)絡的收斂速度，從而將樣本進行如下歸一化預處理：

表1 2000-2015畢業(yè)生就業(yè)率

本次設計的就業(yè)率預測模型中，前3年作為輸入，第4年作為輸出，為此將歸一化后數(shù)據(jù)建立如下的樣本，如表2所示：

表2 樣本建立

2.2 建立訓練預測模型

在樣本中，以2000～2012年的數(shù)據(jù)，建立10組作為學習樣本P，相應地建立10個監(jiān)督目標樣本T[7]。利用MATLAB的newff函數(shù)創(chuàng)建BP網(wǎng)絡模型，源代碼如下：

Net1=newff(minmax（P）,[5,1],{‘tansig’,’ purelin’},’trainlm’);

網(wǎng)絡訓練的參數(shù)如下：

net1.trainParam.show=100;

net1.trainParam.epoch=1000;

net1.trainParam.goal=1e-4;

net1=train（net1,P,T）;

2.3 網(wǎng)絡學習

通過MATLAB的BP神經(jīng)網(wǎng)絡訓練，圖2可以看到該預測模型結構以及訓練過程的不同參數(shù)，同時在圖3的誤差變化曲線圖中發(fā)現(xiàn)，經(jīng)過6次迭代以后就達到了性能要求1e-4。

圖2 預測模型與訓練參數(shù)圖

圖3 誤差變化曲線圖

2.4 網(wǎng)絡仿真與檢驗

網(wǎng)絡訓練后，利用2013～2015年的3個樣本來檢驗該預測網(wǎng)絡：

Ptest=[0.9203-0.2717-0.5036

-0.27170.5036-0.5942

-0.5036-0.5942-0.5217];

相應的目標樣本，即：

Ttest=[-0.5942-0.5217-0.4239];

利用MATLAB中仿真函數(shù)sim（）檢驗預測網(wǎng)絡模型，圖4是實際值與預測值的誤差曲線圖。

其中“-+”表示真實數(shù)據(jù)，“-o”表示預測數(shù)據(jù)，從圖3 中可以發(fā)現(xiàn)，2013～2015年的實際值與預測值的最大誤差為1.7%，達到了均方誤差的要求，說明該預測模型保證可靠的預測精度。

從圖4的回歸曲線中也可看到該預測模型就有很好的數(shù)據(jù)擬合能力。

圖4 預測回歸圖

2.5 就業(yè)率預測

利用檢驗好的預測模型，分別對2016～2018年的大學畢業(yè)生的就業(yè)率進行預測，預測的結果為91.865 9%、92.793 8%、93.821 0%，可以看出就業(yè)率在逐年緩慢升高，其原因目前醫(yī)療行業(yè)還處于需求醫(yī)務人員狀態(tài)，該領域畢業(yè)生的就業(yè)情況相對較好。

3 結語

由于大學畢業(yè)生就業(yè)率問題具有非線性特點，提出了基于BP神經(jīng)網(wǎng)絡的預測方法。根據(jù)四川衛(wèi)生康復職業(yè)學院近年來學生的就業(yè)率，使用了MATLAB進行仿真預測，通過已有的數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡預測模型，經(jīng)學習和檢驗，該預測就業(yè)率模型達到了預定性能指標，滿足要求；同時通過該模型，預測了2016～2018年學院的就業(yè)率。由于大學生就業(yè)率問題與專業(yè)、行業(yè)背景等因素有關，在后續(xù)的工作研究中會加入這些因素，從而能更加客觀地評價大學生就業(yè)率問題。

[1]張德豐.MATLAB神經(jīng)網(wǎng)絡應用設計[M].北京：機械工業(yè)出版社，2011.

[2]傅薈璇.MATLAB神經(jīng)網(wǎng)絡應用設計[M].北京：機械工業(yè)出版社，2010.

[3]馬丹丹，于占龍，劉越.BP神經(jīng)網(wǎng)絡在大學畢業(yè)生就業(yè)率預測中的研究與應用[J].佳木斯大學學報，2014，32（5）：751-753.

Research on College Students’ Employment Rate Prediction Model based on BP Neural Network——a Case Study of Sichuan Health and Rehabilitation Career Academy

Li Jialin

Department of Humanities and Social Sciences, Department of Humanities and Social Sciences, Career Academy, Sichuan Zigong 643000

For the employment of university graduates in recent years development, in Sichuan Vocational College of health and rehabilitation 2000-2015 employment rate as the basis by LMBP algorithm, artificial neural network prediction model is constructed, using MATLAB simulation to predict the employment rate of university graduates. Know learning through the training of the network, the maximum error of the network was 1.72%, meet the expected requirements. Finally through the model predicted 2016～2018 employment rate respectively 91.8659%, 92.7938%, 93.8210%, employment rate prediction model research for university graduates employment guidance provides technical and theoretical basis, at the same time as the government and Colleges and universities to provide scientific basis for decision making.

college graduates; employment rate; LMBP algorithm; BP neural network; prediction

F249.2;TP183

A

1009-6434（2016）08-0097-03