應用組合模型的高校畢業生就業率預測研究

徐永慧

(寧夏電化教育中心， 寧夏 銀川 750004 )

0 引言

由于高校不斷地擴招，每年畢業的大學生數量急劇增加，而企業所提供的工作崗位數量，不足以滿足大學生的就業需求，使得多個學生去搶同一個崗位，就業競爭十分激烈。高等院校的招生絕大部分取決于院校的畢業學生就業率，較高的就業率可以有效提高學校的知名度和聲譽。但是，由于受當下的經濟環境發展態勢、就業市場發展規模及畢業生自身發展情況等因素影響，其就業率具有一定的隨機性和周期性，是一種復雜的非線性系統，一直是高校關注的焦點[1-3]。

當前有部分學者對高校畢業生就業率進行了研究，主要預測方法有灰色模型和BP人工神經網絡等方法[4-6]，其中灰色模型是一種線性分析方法，可以有效反映當前高校畢業生的線性就業率變化特點，但是當高校畢業生就業發生隨機變化時，其無法及時獲取數據信息，導致高校畢業生就業率預測具有較大誤差；BP神經網絡雖然具有良好的非線性建模能力，但是高校畢業生的就業率具有周期性變化的特點，其無法有效獲取周期內的變化特征數值，導致預測結果具有誤差[7-9]。還有部分學者提出了組合模型的就業率預測方法，如多種神經網絡結合、多元線性回歸與模型結合等。這些組合模型在一定程度上可以有效獲取精準的就業率預測結果。但是，這些組合模型沒有特征分解能力，因此當就業率發生細微變化時，其無法獲取精確的預測結果，這些情況使得高校畢業生就業率預測精度有待進一步提高[10-12]。

由于單一模型對高校畢業生就業率預測的精準水平不高，誤差較大等問題，對此本文提出組合模型的高校畢業生就業率預測方法。采用小波分析方法，多尺度分解高校畢業生就業率數據序列，利用灰色模型確定累加序列參數，通過灰色模型和BP神經網絡獲取低頻和高頻高校畢業生就業率數據序列參數，利用誤差反饋值進行建模與預測，得到相應的預測結果，實現高校畢業生就業率的精準預測。最后進行實驗對比測試，得出有效性結論。

1 組合模型的高校畢業生就業率預測方法

1.1 小波分析

小波分析可以通過多尺度對復雜信號進行細分處理，對于信號x(t)，通過小波函數φ(t)進行a尺度和b偏移量的平移后，可以得到時域表達式為式(1)。

(1)

首先采用小波分析的Mallat算法對高校畢業生就業率歷史數據進行細分，得到高頻和低頻序列參數。一般通過3-4層的細分分解，可以得到比較理想的細分結果，將這些細分數值進行重構處理，融合就業率預測結果。

1.2 灰色模型

一個高校畢業生就業率數據序列X(0)={x(0)(1),x(0)(2),…,x(0)(n)}，對其進行一次累加產生一個新的序列X(1)={x(1)(1),x(1)(2),…,x(1)(n)}，其中第k項為式(2)。

(2)

灰色模型的預測方程，具體可以寫成式(3)。

(3)

式中，a，u為待定的參數。

可以解出式(3)得到式(4)。

(4)

對式(4)采用最小二乘法可以得到參數a和u。

1.3 BP神經網絡

(5)

式中，w為連接權值。

第L層的第i個節點的輸出為式(6)。

(6)

式中，f(·)為激勵函數，具體如式(7)。

(7)

通過誤差反饋對連接權值進行調整，直到精度滿足實際要求為止，由此完成訓練樣本學習。

1.4 組合模型的高校畢業生就業率預測步驟

(1) 采集高校畢業生就業率歷史數據，并通過相關專家對丟失數據進行補齊，錯誤的數據進行刪除。

(2) 高校畢業生就業率數據具有隨機性和周期性的特點，其不穩定性和時變性較強，因此對其進行歸一化處理，具體如式(8)。

(8)

(3) 采用小波分析對高校畢業生就業率歷史數據進行多尺度分解，得到低頻的高校畢業生就業率數據序列和高頻的高校畢業生就業率數據序列，其中低頻的高校畢業生就業率數據序列包含了周期性變化特點，而高頻的高校畢業生就業率數據序列包含了隨機性變化特點。

(4) 采用灰色模型對低頻的高校畢業生就業率數據序列進行建模與預測，得到相應的預測結果。

(5) 采用BP神經網絡對高頻的高校畢業生就業率數據序列進行建模與預測，得到相應的預測結果。

(6) 采用小波分析對低頻和高頻的高校畢業生就業率數據序列進行疊加，得到高校畢業生就業率最終預測結果。

綜合上述可知，組合模型的高校畢業生就業率預測方法的工作流程,如圖1所示。

圖1 組合模型的高校畢業生就業率預測流程

2 仿真測試

2.1 高校畢業生就業率的數據來源

為了驗證所提組合模型的高校畢業生就業率預測方法的有效性進行實驗，擬定實驗平臺即MATLABR 2019 b，主頻為1的環境下進行仿真實驗。采集寧夏銀川某高等院校2020年公開就業率數據，隨機選取25個樣本數據，構建模型對其進行分析，具體如圖2所示。

圖2 就業率時間序列數據

分析圖2可知，高校畢業生就業率在一定時期內具有明顯的上升或下降趨勢，因此其具有周期性的特點，并且就業率的隨機性較強。

2.2 預測精度對比

隨機選取25個樣本數據進行分類處理，將15個樣本數據作為訓練樣本，10個樣本作為檢驗樣本。統計本文方法、BP神經網絡和灰色系統對高校畢業生就業率的擬合和預測結果，具體測試結果分別如圖3、圖4所示。

圖3 高校畢業生就業率的擬合結果

圖4 高校畢業生就業率預測結果

對比圖3和圖4的高校畢業生就業率預測結果如下。

(1) 所有方法的高校畢業生就業率的擬合精度要高于預測精度，這表明它們的擬合能力要優于泛化能力，這符合一般預測方法的建模規則。

(2) 單一模型在預測過程中，無法滿足變化規律大、隨機性較強的高校畢業生就業率預測，不能全方位反映畢業生就業率變化特點，因此建模效果不夠理想。

(3) 相對于BP神經網絡和灰色系統預測結果偏差較大的問題，本文方法的預測準確性較高，有效減小誤差。組合模型可以充分利用結合模型的優點，對數據進行優化處理，根據就業率變化特點，獲取高校畢業生就業率預測結果，有效提高預測精度，由此驗證了本文方法的優越性。

2.3 穩定性測試

在全國范圍內，隨機選擇100所高等院校作為研究對象，采集它們畢業生就業率歷史數據，并采用不同方法對畢業生就業率進行建模與預測，預測精度如圖5所示。

圖5 高校畢業生就業率預測結果的穩定性分析

分析圖5可知，本文方法的預測精度為96.78%，由于本文方法利用小波分析對數值進行重構，可以有效獲取周期內的隨機變化特征數值。而BP神經網絡和灰色系統預測精度為91.34%和85.97%。由此可見，本文方法的高校畢業生就業率預測精度十分穩定，而對比方法的高校畢業生就業率預測精度波動范圍比較大。

3 總結

為了避免當前高校畢業生就業率預測方法存在的弊端，有效減少高校畢業生就業率的預測誤差，設計了組合模型的高校畢業生就業率預測方法。具體仿真實驗結果表明，本文方法是一種精度高、結果可靠、穩定性高的高校畢業生就業率預測方法，可以為復雜多變的高校畢業生就業率分析提供一種新的方法，有助于分析當代畢業生就業率的實際情況。