基于混沌分析算法的高校畢業生就業率預測

2020-12-07 06:12:45張英楠

現代電子技術 2020年21期

摘? 要：由于高校畢業生就業率與多種因素相關，具有復雜的變化規律，當前高校畢業生就業率預測模型存在一定的不足，如與實際值間的偏差大，建模時間長等，為了減少高校畢業生就業率預測誤差，設計了一種基于混沌分析算法的高校畢業生就業率預測模型。首先，收集高校畢業生就業率的歷史數據，結合歷史數據的隨機性、混沌性變化特點，采用混沌分析算法對歷史數據的隨機性、混沌性變化特點進行分析，重構高校畢業生就業率的歷史數據;然后，引入當前最流行的數據挖掘技術——最小二乘支持向量機構建高校畢業生就業率的歷史數據模型;最后，在相同平臺上與當前經典高校畢業生就業率預測模型進行對比測試。結果表明，混沌分析算法的高校畢業生就業率預測值與實際值之間的偏差相當小，高校畢業生就業率預測精度超過94%，而經典模型的高校畢業生就業率預測精度處于90%左右，同時混沌分析算法減少了高校畢業生就業率預測的建模時間，可以滿足現代高校畢業生就業率數據向大規模發展方向的要求。

關鍵詞：畢業生就業率; 預測精度; 數據挖掘技術; 經典模型; 隨機性變化特點; 混沌分析算法

中圖分類號： TN911.1?34; TP391? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）21?0101?05

College graduate employment rate prediction model based on chaos analysis algorithm

ZHANG Yingnan

（Jilin Agricultural University， Changchun 130000， China）

Abstract： For the college graduate employment rate is related with several factors and has complex changing rules， the current prediction model of the college graduate employment rate has some deficiencies， like large deviation from the actual values， long modeling duration， etc. In view of the above， a college graduate employment rate prediction model based on chaos analysis algorithm is designed to reduce the prediction error of the college graduate employment rate. The historical data of the college graduate employment rate are collected. The chaos analysis algorithm is used to analyze the characteristics of randomness and chaos of the historical data for the data reconstruction. And then， the most popular data mining technology named least square support vector machine is introduced for the model of the historical data of college graduate employment rate. Finally， comparative tests are performed on the same platform to compare the proposed model with the current classic employment rate prediction model. The results show that the deviation between the predicted value and the actual value of the college graduate employment rate by the chaos analysis algorithm is quite small， and the prediction accuracy of the college graduate employment rate exceeds 94%， while the prediction accuracy of the classic model is about 90%. At the same time， the chaos analysis algorithm can reduce the modeling duration of the prediction model， which meets the requirements of large?scale development of modern college graduate employment rate data.

Keywords： graduate employment rate; prediction accuracy; data mining technology; classic model; random change characteristics; chaos analysis algorithm

[f（x）=ωTφ（x）+b] （10）

式中[ω]和[b]分別為權值和偏置量。

基于最小二乘支持向量機的建模原理，引入松弛變量[ek]弱化高校畢業生就業率預測誤差，這樣可以得到一個如式（11）等價的形式，具體如下：

[minω，b，eJp（ω，e）=12ω2+12γi=1ne2is.t.? ? yi=ωTφ（xi）+b+ei，? i=1，2，…，t]? ? ?（11）

式中[γ]表示正則化參數。

引入[αi]為拉格朗日乘子，加快高校畢業生就業率預測建模效率，得到的拉格朗日函數為：

[L（ω，b，e，α）=J（ω，e）-i=1nαi（ωTφ（xi）-b+ei-yi）]? （12）

消去[ω]和[e]后，構建矩陣形式，具體為：

[0ITtItΩ+1γItbα=0y]? ? ? ? ?（13）

采用核函數替代內積操作，即[K（xi，xj）=φT（xi）φ（xj）]，最小二乘支持向量機的高校畢業生就業率預測函數為：

[f（x）=i=1NαiK（x，xi）+b] （14）

1.3? 混沌分析算法的高校畢業生就業率預測步驟

Step1：對具體高校畢業生就業率的歷史數據進行收集，并通過一些專家對數據進行分析，去掉一些錯誤數據，并對錯誤數據采用平均化方法進行補齊。

Step2：采用混沌分析算法中的關聯積分確定高校畢業生就業率數據的嵌入維和時間延遲。

Step3：采用嵌入維和時間延遲對原始高校畢業生就業率數據進行重構，得到一個多維的高校畢業生就業率數據。

Step4：根據一定的比例將多維高校畢業生就業率數據劃分為訓練集和驗證集。

Step5：最小二乘支持向量機對高校畢業生就業率數據的訓練集進行學習，并通過留一法確定最小二乘支持向量機的參數，從而建立高校畢業生就業率預測模型。

Step6：采用驗證集對高校畢業生就業率預測模型的性能進行分析，如果預測滿足實際應用要求，就可以對未來幾年的高校畢業生就業率進行預測，并將預測結果提供給高校的相關部門，為他們決策提供有價值的參考意見。

2? 實例分析

2.1? 高校畢業生就業率預測的分析平臺

為了檢測混沌分析算法的高校畢業生就業率預測效果，需要設計預測實驗，本文選擇的測試平臺如表1所示。在相同測試平臺下，選擇當前經典高校畢業生就業率預測模型進行對照測試，它們分別為最小二乘支持向量機的高校畢業生就業率預測模型（LSSVM）和BP神經網絡高校畢業生就業率預測模型（BPNN），LSSVM的建模數據沒有經過混沌處理，采用原始高校畢業生就業率數據直接建模;BPNN對原始高校畢業生就業率數據進行混沌分析，然后采用BP神經網絡進行建模。

2.2? 高校畢業生就業率歷史數據

為了體現高校畢業生就業率預測結果的公平性，選擇5所類型不同的高校畢業生就業率歷史數據作為測試對象，具體如表2所示。

2.3? 高校畢業生就業率歷史數據的混沌分析

采用上述混沌分析算法對表2的5所類型不同的高校畢業生就業率歷史數據進行分析，計算嵌入維和時間延遲，具體如表3所示。從表3可以看出，5所高校畢業生就業率歷史數據的嵌入維和時間延遲各不相同，這表明5所高校畢業生就業率變化特點不完全相同，但是均具有混沌性和隨機性，根據表3的嵌入維和時間延遲重構5所高校畢業生就業率歷史數據，重構高校畢業生就業率預測學習樣本。從重構的高校畢業生就業率預測學習樣本選擇500個樣本作為驗證樣本，其他作為測試樣本。

2.4? 高校畢業生就業率預測結果分析

由于高校畢業生就業率建模主要是為了描述將來高校畢業生就業率變化情況，因為只采用一步預測沒有太多的實際價值，因此本文進行一步和多步的高校畢業生就業率預測，統計的一步和多步的高校畢業生就業率預測精度結果分別如圖2和圖3所示。

對圖2和圖3的一步和多步的高校畢業生就業率預測精度進行分析可以發現：

1）相對于一步高校畢業生就業率預測精度，多步的高校畢業生就業率預測精度有所降低，這是因為多步預測有誤差累計效果，使得高校畢業生就業率預測誤差不斷增加。

2）最小二乘支持向量機的高校畢業生就業率預測精度不高于90%，這是因為其沒有引入混沌分析算法，最小二乘支持向量機采用原始高校畢業生就業率數據直接建模，無法準確描述高校畢業生就業率的變化特點，使得最小二乘支持向量機的高校畢業生就業率預測錯誤比較大。

3） BP神經網絡的高校畢業生就業率預測精度也處于90%左右，這是因為雖然引入了混沌分析算法對原始高校畢業生就業率數據進行重構，但是BP神經網絡的學習能力有限，經常得到局部最優，使得高校畢業生就業率預測錯誤結果不穩定，出現多個錯誤比較大的點，使得高校畢業生就業率整體預測精度不高。

4）在所有模型中，本文模型的高校畢業生就業率預測精度最高，單步預測精度超過95%，多步預測精度超過92%，高校畢業生就業率預測誤差小于當前的經典模型。這是因為本文模型不僅引入了混沌分析算法對原始高校畢業生就業率數據進行重構，同時采用學習能力更強的最小二乘支持向量機對高校畢業生就業率數據進行學習，可以更好地描述高校畢業生就業率變化特點，提高了高校畢業生就業率整體預測精度，實驗結果驗證了本文高校畢業生就業率預測模型的優越性。

2.5? 高校畢業生就業率建模時間對比

統計3種模型對5所高校畢業生就業率建模時間，分別統計一步和多步高校畢業生就業率建模時間，結果分別如圖4和圖5所示。

對圖4和圖5的一步和多步高校畢業生就業率建模時間進行對比和分析可以發現，無論是一步和多步預測，本文模型的高校畢業生就業率建模時間均要少于經典模型，提升了高校畢業生就業率建模速度，可以滿足大規模高校畢業生就業率數據的建模與分析，具有更加廣泛的實際應用范圍。

3? 結? 語

高校畢業生就業率預測有利于幫助高校畢業生管理者制定相應的計劃，受到了當前多所高校的高度關注。但是高校畢業生就業率與多種因素密切相關，各種因素之間又相互聯系，變化規律十分復雜，使得當前高校畢業生就業率預測模型無法全面、準確地描述該變化特點。為了減少高校畢業生就業率預測誤差，提升高校畢業生就業率預測速度，本文設計了一種基于混沌分析算法的高校畢業生就業率預測模型，并通過對比實驗分析該高校畢業生就業率預測模型的有效性和優越性，同時為其他相似問題提供了一種有效的建模思路。

參考文獻

[1] 武毅英.我國高校畢業生就業率預警線之探討[J].江蘇高教，2007（6）：61?64.

[2] 金大偉，張明健.改進高校畢業生就業率統計方法初探[J].遼寧教育研究，2007（4）：99?101.

[3] 胡宇辰.試論建立我國高校畢業生就業率統計的監督機制[J].社會科學研究，2005（2）：189?191.

[4] 楊學坤，吳樹勤.高校畢業生就業率統計的科學方法研究：從區別“就業率統計”和“就業狀況估計”兩個不同概念出發[J].甘肅社會科學，2004（6）：133?135.

[5] 張學敏，柴曉旭.我國高校畢業生就業率與高校教育質量評價研究[J].東北師大學報（哲學社會科學版），2019（3）：131?141.

[6] 張穩，恰汗·合孜爾.畢業生就業率預測及質量評估研究[J].計算機工程與科學，2009，31（5）：141?143.

[7] 鄒治，陳萬明.高校畢業生就業率的解讀與就業預警線的重構：以江蘇省高校相關數據為證[J].現代教育科學，2009（2）：1?5.

[8] 曲娜，化存才.高校畢業生就業率的一個微分方程定量模型[J].云南大學學報（自然科學版），2007（z1）：24?26.

[9] 亓紅強，張福堃，高大鯤，等.基于灰色系統的大學生就業率預測[J].現代電子技術，2019，42（11）：174?177.

[10] 王先述.基于Cramer法則和ARMA模型的我國高校畢業生就業預測[J].統計與決策，2010（22）：97?99.

[11] 程昌品，陳強.基于信息增益比的決策樹用于畢業生就業預測[J].計算機仿真，2010，27（2）：299?302.