基于RBF神經網絡的企業人力資源需求預測模型研究

徐靜++王勃

摘 要：自人類進入21世紀，世界經濟快速發展，人力資源需求預測在企業人力資源管理中顯得日益重要，建立卓有成效的人力資源需求預測模型，能夠為企業在快速發展中的用人需求提供有力的保障。因此，以人力資源需求預測的內涵為主要研究內容，以RBF神經網絡為基礎，建立起人力資源需求預測模型，并對大量的無序數據進行訓練、學習和測試，最終得到企業用人需求的規則，為企業提出正確的策略提供了較為翔實的依據，具有較大的實用價值。

關鍵詞：RBF神經網絡；人力資源管理；需求；預測模型

中圖分類號：TP183；F272.92 文獻標志碼：A 文章編號：1673-291X（2017）02-0014-03

引言

隨著世界經濟的快速發展，企業人力資源已經成為一個企業良性發展的重要核心內容，并具有極其重要的戰略意義，因此也被越來越多的企業所重視。企業人力資源管理中的科學需求預測是其發展過程中的重要規劃之一，它能夠為企業人力資源管理中的各種用人需求提供強有力的支持保障，并以此為基礎，構建企業可持續發展的動力，以保證企業在市場經濟競爭中快速高效發展[1]。以企業當前人力資源需求預測的內涵為主要研究內容，以RBF神經網絡為基礎，建立起人力資源需求預測模型，以較為準確地預測企業各種人力資源的不同要求，最終得到企業用人需求的整體規則，為企業提出正確策略提供較為翔實的依據，具有較為重要的參考與指導的現實意義。

一、基于RBF神經網絡的企業人力資源需求預測模型的理論基礎

（一）人力資源需求預測的含義

人力資源需求是伴隨著人力資源管理的概念而產生的，其核心體系包括人力資源數量、人力資源構成、人力資源質量等三個重要方面。它是企業在生產運行階段，以企業發展目標為依據，通過企業保留過去和目前使用的人力資源相關數據，進行準確的評估。對于相關企業而言，不僅要清楚將來階段使用人力資源的預測，還要了解目前階段本企業人力資源的使用情況、崗位配置、招聘等相關需求信息。

其需求預測可以分成現階段人力資源需求預測、將來人力資源需求預測、消失人力資源需求預測等三大部分[2]。根據需求預測的相關分析結果，企業可以確定各級崗位類型及相關的人員配置數量。這對于企業有著重要的意義，它能夠保證企業在發展過程中及時采取有效措施調整人員使用中的問題，從而調動企業各類員工工作的積極性與熱情[3]。

（二）RBF神經網絡的基本原理

RBF（Radical Basis Function）神經網絡也稱為徑向基神經網絡，是一種有效的特殊前饋型神經網絡。RBF神經網絡具有最強的逼近性能、結構簡單性能以及訓練、學習速度較快的性能，因此能夠逼近較為復雜的隨機非線性函數，及時分析、處理大量的無規則的數據信息，得到較為理想的學習結果[4]。

RBF神經網絡是一種特殊的三層前饋網絡，首層為輸入層，是由大量的神經元組合而成，其輸入訓練樣本可用公式（1）表示。

其中，P是q組輸入訓練樣本。

第二層為隱形層，它是一種非線性的的轉化函數，可用公式（2）表示[5]。

其中，P是訓練樣本；ni是第i個樣本的中心，同P有相同的輸入組數；σi是第i個感應樣本變量，由它可得出樣本同中心位置的距離。f是隱形的神經元個數。||p-ni||是其距離的取值范圍，也就是p與n之間的長度距離[6]。Mi（p）是第i個神經元長度距離最大值。

第三層為輸出層，其輸出結果是經過隱形層非線性轉換后的線性變化的結果，可用公式（3）表示。

f是隱形的神經元個數，q為輸入層訓練組數，Gi為隱形層第i個樣本神經元權重值，Mi（p）是第i個樣本神經元距離長度的最大值。Le為給定輸入樣本數據后，相對應的輸出結果值[7]。其RBF神經網絡結構如圖1所示。

RBF神經網絡結構較為簡潔，相對性、編輯性較強，因此，在訓練的過程中，將會編輯最少的神經元權重，并對神經網絡中數據列進行累計加的方法逐步生成，形成累加列，同時，會用階梯漸進的方式，逐步接近中心位置，使用離散響應函數映射到相關的預測模型中，并以此為基礎進行較快速的訓練、學習，使這個過程速度最高，使用時間達到最短[8]。所以，選擇RBF神經網絡作為人力資源需求預測模型研究的基礎。

二、基于RBF神經網絡的企業人力資源需求預測模型的構建

（一）建立符合企業實際的預測目標

企業要建立人力資源需求預測模型，首先應當根據企業的中長期發展戰略目標及實現此目標的相關方式，確定本企業目前人力資源的現狀，并制訂相關崗位職能計劃，以便建立起符合企業實際的預測目標。在確定目標時，要求對企業近五年的經濟活動數據進行收集、分析、統計等工作。這些經濟數據應當包括各階段的經濟目標、實現時間等相關數據，以此為基本依據來確定各方面的預測對象及建立符合企業實際的預測目標[9]。

（二）基于RBF神經網絡的企業人力資源需求預測模型的構建

基于RBF神經網絡的企業人力資源需求預測模型的構建步驟如下：

第一步：建立合適的編碼規則，建立初始化權重值

使用RBF神經網絡建立起的相關模型，首先需要對RBF神經網絡的訓練權重值進行二進制編碼組合，使之能夠達到模型處理運行數據的速度達到最快[10]。以二進制編碼為依據建立的訓練樣本權重值，用公式（4）表示。

其中，a為訓練樣本權重組數，b為隱形層神經元個數。

第二步：設置相關輸入參數

訓練樣本經過初始化權重后，設置相關輸入數據參數，用公式（5）表示。

其中，G為輸入最終參數值，m為輸入信息點數，Qn為權重值，Xn為實際輸入值。當0

第三步：數據在隱形層的轉換

當前使用公式（2）非線性的轉換函數，首先定義使用存放輸入數據的類Rp，p為訓練樣本值，對第一個數據a1，令其到該樣本中心n1的距離長度為|a21-n1|。如果|a21-n1|≤Mi，則a1為到中心ni的最短距離，Mi是公式（2）中的神經元長度距離值。如果|a21-n1|>Mi，則RBF在其神經系統中為a1新建一個樣本中心，同時配置一個新的隱形數據[12]。

第四步：輸出層的最終輸出

依據上述過程，根據公式（6），建立輸出值。

為輸出值，n為樣本中心的距離長度，Qin為權重值，ai為數據樣本值[13]。

通過RBF神經網絡建立的企業人力資源需求預測模型將相關預測過程有機連接，從而最大限度的消除了誤差問題，提高了預測精度，并由于結構簡潔，提高了連接效率，使模型的運算速度更快[14]。

（三）算法介紹

人力資源需求預測模型和RBF神經網絡之間關聯的相關數據可以通過數值型函數轉化為估算器，利用RBF神經網絡中的newrb的相關算法計算，通過newrb算法可以快速建立起一組徑向基神經網絡。該網絡可以較快接近相關調用函數，它在該預測模型里可以使用最快的四參網絡系統，在模型中隱形層添加多個神經元，可以使建立模型的誤差達到最低。算法表示可以用公式（7）表示[15]。

其中，以P為起點神經元，終點為Q的神經元輸入向量值組，組成P×Q的維矩陣。

以T為起點神經元，終點為Q的神經元預測輸出向量值組，組成T×Q的維矩陣。

GOAL為平均要求誤差，認定默認值為0。

SPREAD為徑向基的擴展度參數，認定默認值為1。SPREAD的值越大，表示預測模型的擴展速度等相關參數越平整。但是需要注意的是，如果SPREAD取值過于大，會導致在速度變化過程中RBF神經網絡形成較多神經元，造成過度誤差，出現不必要的損失，如果SPREAD取值過于小，就需要在RBF神經網絡中增加大量的神經元來適應newrb算法的緩慢變換，最終造成網絡堵塞，影響模型計算的速度。

MN表示newrb算法中能夠形成最大的神經元數目。

DF表示輸入與輸出后，newrb中添加的所有神經元個數，認定默認值為25。

NET表示newrb算法最終向該徑向網絡返回的值[16]。

三、基于RBF神經網絡的企業人力資源需求預測模型訓練及結果

通過上述步驟建立好模型后，為了建立精準型的模型，將RBF神經網絡相關訓練樣本的初始值輸入，其相關訓練參數設置如表1 所示。

由圖2可知，該RBF神經網絡具有較好的向權重值靠近的特點，準確使用企業的建立時間、年產值、利潤等相關屬性，使該模型具有較為平穩發展的特性，這些屬性與企業各種人力資源需求之間的關系是具有較為理想的整合度，解決了輸入神經元與輸出神經元之間的非線性、不符合相關統計數據規律的問題。

從圖2數據可以看出，該模型預測初始序列較多，而初始序列列數越多，證明其獲取的原始數據年度越長，部門、崗位越多，預策出來的誤差數據也就越小，因此也就具有較為理想的自學、容錯的能力，形成了較為理想的整合實際數據，提高了人力資源需求預測的準確度與精確度。該種預測模型對于中、大型企業具有較為理想的作用，并表現出相關技術對于企業人力資源需求較為重要的影響，因此，在采集相關企業數據樣本的時候，要多考慮每個企業的特點、數據獲取的渠道等，這樣，就可以使該模型達到較為準確的預測。

基于RBF神經網絡的企業人力資源需求預測模型的實際應用，對企業人力資源需求預測是一種頗有成效且方便快捷的方法，該模型較精確地預測了人力資源的需求，為企業的發展提供了必要的依據[17]。

四、結論

本文的研究和相關實踐證明，企業人力資源需求預測是每一個企業制訂人力資源計劃時需要重點研究的一個內容，而基于RBF神經網絡的企業人力資源需求預測模型對于企業在實際運行過程中完全是可行的，企業要在日益激烈市場競爭中取得優勢，正確的人力資源需求規劃是重要條件，是滿足企業長久發展的需要。而由于社會環境等與企業發展相關的條件在發生著較快的變換，就需要使用RBF神經網絡提供的企業人力資源需求預測模型對企業未來的人力資源需求提供更加準確、精準的動態數據，為企業的核心發展力提供強有力的決策保障和數據參考依據。

參考文獻：

[1] ANNADUBIEL，HOLGER ERNST.InduStr-Ial Centers in Emerging Markets：Moti-vations，Barriers，and Success Facto-rs[M].The

Off shoring Challenge，2013：191-209.

[2] HOU，MAOZHANG，CHEN，WENJUN，YANG，ZHIQING.Current Situation and Count-Ermeasures of Strategic Emerging Indus-tries

in China[J].WIT Transactions on Information and Communication Tech-nologies，2014，（52）：461-466.

[3] Kun Wang，Xingli Fan，Xiaowen Fu，Yiran Zhou.Benchmarking the performance of Chinese airlines：An investigation of productivity，

yield and cost competitiveness[J].Journal of Air Transport Management，2014：3-14.

[4] Nawaf Hamadneh，Saratha Sathasivam.Learning Logic Programming in Radial Basis Function Network via Genetic Algorithm[J].

Journal of Applied Sciences，2012，9（12）：110-121.

[5] I-Cheng Yeh，Chung-Chih Chen，Xin-ying Zhang，Chong Wu，Kuan-Chieh Huang，Adaptive radial basis function net-Works

with kernel shape parameter-s[J].Neural Comput & Applic，2012，（21）：469-480.

[6] 任佩瑜，王苗，任競斐.從自然系統到管理系統——熵理論發展的階段和管理熵規律[J].管理世界，2013，12（3）：182-183.

[7] 李海峰，李純果.深度學習結構和算法計較分析[J].河北大學學報，2012，32（5）：230-237.

[8] 卞永峰，李恩平.基于組合預測模型的山西省轉型期緊缺科技人才需求預測研究[J].科技管理研究，2013，10（21）：41-45.

[9] 徐國浪，魏延.基于多核函數的模糊支持向量機學習算法[J].重慶師范大學學報，2012，11（6）：50-53.

[10] 張超，李擎，陳鵬，等.一種基于粒子群參數優化的改進蟻群算法及其應用[J].北京科技大學學報，2013，35（7）：873-878.

[11] 丁碩，常曉恒，巫慶輝.RBF與BP網絡在模式分類領域內的對比研究[J].電子測試，2014：41-43.

[12] 張立.基于灰色預測模型GM（1，1）的人力資源需求預測研究[J].人力資源管理，2011，9（4）：234-235.

[13] 蔣榮華，曹琦.基于灰色 BP 神經網絡的企業人力資源需求預測[J].中國人力資源開發，2011，1（2）：42-45.

[14] 甘敏，彭曉燕，彭輝.RBF神經網絡參數估計的兩種混合優化算法[J].控制與決策，2009，24（8）：72-76.

[15] 孫涵，楊普容，成金華.基于Matlab支持向量回歸機的能源需求預測模型[J].系統工程理論與實踐，2011，31（10）：21-27.

[16] 劉道華，張禮濤，曾召霞，等.基于正交最小二乘法的徑向基神經網絡模型[J].信陽師范學院學報，2013，26（3）：428-431.

[17] 韓紅桂，喬俊飛，薄迎春.基于信息強度的RBF神經網絡結構設計研究[J].自動化學報，2012，38（7）：1083-1090.

[責任編輯 柯 黎]