神經網絡技術在干部教育培訓需求預測中的應用

喬陽

近年來，受復雜多變的國際形勢及疫情反復等因素影響，干部教育培訓工作的推進與改革發生了諸多新變化。新形勢下，增強干部對國際國內事務的理解、運籌、策劃等能力，同時提高不同領域不同類型干部的業務素質和水平，前提就是要在干部教育培訓過程中明確培訓方向并做好中長期培訓安排，同時注重創新方式方法。

傳統的干部教育培訓需求主要通過調研、訪談等方式來獲取，通常會分層抽取一定數量的干部作為調查對象，通過發放問卷、詳細詢問、座談交流等方式來獲取干部對于培訓內容、時長、方式等方面的需求情況，這種傳統的方法主要側重于當前需求的跟蹤掌握和參訓者一定時期內的主觀需求，但在有機結合新形勢新要求與之前的培訓數據來實現需求預測方面卻效果不佳。當前，隨著大數據手段和人工智能方法的普及應用，干部教育培訓需求預測不再單純地依賴傳統方法，而更注重使用科學性、全面性、精準性的智能判斷方法。人工神經網絡技術具有自組織、自學習及記憶性的特點，在培訓需求智能預測工作中具有較大優勢。將干部教育培訓數據與BP神經網絡技術相結合，能夠建立適用于培訓需求預測的模型，從而對教育培訓需求作出更為準確和長遠的預判。

一、人工神經網絡的預測方法

人工智能（Artificial Intelligence，AI）已經受到全世界的熱切關注，在商業、農業、通信、交通及計算機科學等領域，都在對其應用進行探索。機器學習（Machine Learning）作為人工智能領域中重要的核心技術，可以在計算機中重現人類自主學習的能力。在計算機上模擬運算出的神經細胞網絡稱為人工神經網絡，人工神經網絡技術就是實現機器學習的主要方法。神經網絡技術通過相互連接和協同運作的方式，產生高度復雜的識別與判斷能力。在需求預測、搜索引擎、智能識別等眾多行業中被廣泛使用。

反向傳播神經網絡（BP）是目前應用最為廣泛的神經網絡之一，可以通過對近年干部教育培訓數據的運算，找出培訓信息的內在規律，用以預測干部教育培訓需求。在神經網絡中，傳遞輸入信息的過程分為正向傳播和反向傳播，可以將網絡層分為三種神經層，分別為輸入層、中間層和輸出層。輸入層負責接收神經網絡中所有的輸入信息，同時將接收到的輸入信息傳遞至中間層；中間層也稱為隱藏層，對接收的信息進行運算；輸出層對神經元進行運算，將神經元中的整體信息進行輸出。反向傳播神經網絡通過將輸出層產生的結果與正確答案的誤差進行逆向傳遞，對神經網絡中權重和偏置進行最優化的處理。在傳播過程中使用梯度下降法，將誤差在神經網絡中傳播，從而更新權重和偏置，達到最小化誤差的目的。實際應用中，還需要通過激勵函數使神經元產生興奮，實現對復雜問題進行運算的能力,達到培訓需求預測的目標。

二、神經網絡技術在干部教育培訓需求預測中的優勢

神經網絡技術發展迅速，BP神經網絡可以為干部教育培訓工作提供實質性幫助。BP神經網絡在教育培訓需求預測中可以發揮以下優勢：

（一）具有較強的非線性映射能力

BP神經網絡具有較強的非線性函數映射能力，非線性函數具有較強的信息處理能力，能夠逼近任意復雜的非線性關系，適合解決內部機制復雜的培訓需求預測問題。輸入的干部教育培訓信息屬于非線性數據，輸入值與輸出值之間存在非線性映射關系。

（二）具有自學習和自適應能力

BP神經網絡在訓練環節，能夠通過學習自動提取培訓數據間的“規律”，并自適應地將學習內容存入網絡的權值中，通過運算出的規律調節適應參數，顯著提高模型預測能力。當各類培訓信息輸入BP神經網絡中進行運算，對有效的培訓信息賦予較大的權值，將存在干擾屬性的培訓信息賦予極小的權值，從而快速降低干擾信息對輸出結果的影響。

（三）具有泛化能力

BP神經網絡在訓練后，可以存儲輸入與輸出之間的非線性映射關系。保證模型可以不斷接受新樣本和新信息，提高模型的適用性。輸入樣本數據以外的培訓數據，仍能運算出正確的映射關系，進行正確的分類。

（四）具有容錯能力

BP神經網絡中的信息采取聯網式的存儲方式，各類培訓數據分散地存儲在BP神經網絡中，可以從缺失的輸入數據中找到正確的規律，正常發揮預測培訓需求的能力。在局部受損的情況下仍可進行正常的訓練，使得模型內可以包含大量信息。

三、BP神經網絡在干部教育培訓需求預測中的流程

當使用BP神經網絡模型實施預測時，為保證干部教育培訓需求預測結果的穩定性和可靠性，需要經過模型訓練、模型檢驗和模型預測三個環節。

（一）模型訓練

BP神經網絡模型需要通過學習和訓練的環節，才能對干部教育培訓需求進行預測。選取標準情況下開設的培訓班，將參訓信息作為樣本數據進行研究，提升模型的預測能力。BP神經網絡通過模型訓練的方式，將培訓樣本數據進行運算，獲得達到目標誤差或最小誤差的網絡權值和閾值。

（二）模型檢驗

BP神經網絡預測模型內部含有隨機機制，若直接用于干部教育培訓需求的預測工作，會使運算結果出現偏差。因此，需要通過模型檢驗的方式，確定BP神經網絡模型在培訓需求中具有所需要的精準性和穩定性。在檢驗環節，將參訓信息的樣本數據代入模型后輸出的結果與近期標準培訓班的真實數據值進行比較分析，從而判斷預測效果。通過模型檢驗環節，可以提升培訓需求預測結果的可信度。

（三）模型預測

設計的BP神經網絡模型經過訓練和檢驗即可投入干部教育培訓需求的預測工作。若預測效果未達到目標，應對模型中的培訓信息進行整理，重新構建預測模型。

四、BP神經網絡在干部教育培訓需求預測中的應用

基于神經網絡的基本原理和特點，建議應用BP神經網絡對干部教育培訓需求的預測進行研究。使用BP神經網絡在干部教育培訓需求預測時，應通過以下三步驟進行。

（一）數據選取

在運用BP神經網絡模型進行干部教育培訓需求預測時，利用Python編程語言，對現有的近年干部教育培訓相關情況的數據進行處理。選取5個輸入變量，分別為：培訓規模、培訓時長、學員綜合成績、學員及單位對參訓成效的評估綜合分數、經費投入。輸出變量為：課程設置比例系數。其中，課程設置比例系數這一指標需要根據當前培訓內容體系情況來構建，為黨的基本理論教育、黨性教育、專業化能力培訓、知識培訓課程的時長賦予不同的權重系數，計算出數值，將其作為描述課程設置比例的指標，進行研究和預測。

（二）數據處理

1.數據標準化。由于選取指標數據的量化單位存在差異，所以必須對選取指標的原始數據進行統一的標準化處理，將所有指標數據運用Spss中的Z標準化方法，消除指標數據的量綱和數量級的影響，從而在訓練前實現數據的標準化。

2.BP神經網絡的參數選取。數據參數指標的選取設定對運用BP神經網絡實現干部教育培訓需求預測具有重要的影響，因此必須依據參數設定原則進行網絡參數設定，這樣才能最大程度減小誤差，提高BP神經網絡模型對培訓需求預測的精準程度。

（1）節點級設計。輸入層、輸出層及隱含層節點數的設計要以指標選取的個數為基礎，基于上述數據選取部分的描述，此研究擬設計輸入層的節點數為5，即研究中自變量的個數；輸出層節點數一般與被預測指標的個數一致，設計為1；隱含層節點數是模型中的一個重要參數，它的選取對神經網絡模型的計算能力和目標函數的預測精準度有重要影響，但是目前還沒有成熟的選取方法，通常情況下根據建模經驗進行選取，在此將隱含層節點設計為4。

（2）節點連接。在完成了網絡層數和各層級神經元節點數設計后要完成將相鄰層級中的神經元的連接。

（3）設定一定的迭代次數，可選取1000次。允許誤差設置為0.00001，當迭代結果小于該值時停止迭代，生成結果。

（三）結果預測

選取近年干部教育培訓相關情況數據結果作為訓練樣表數據，即網絡輸入，以本年度干部教育培訓相關情況數據結果作為預測樣本數據，即訓練輸出。完成BP神經網絡模型的訓練，經過大量反復的逆向誤差傳播并修正，得到誤差范圍內的數據，從而完成數據預測。通過構建多個影響因素的BP神經網絡模型，來準確預測最優課程設置比例，從而達到預測干部教育培訓需求的目的。

五、對策建議

（一）探索創新預測方法，精準對焦培訓需求

在實際工作中，應采用統計學、大數據和神經網絡模型相結合的方式，提升干部教育培訓需求預測的科學性、權威性和精準性。在培訓過程中，需要充分結合組織需求、崗位需求和個人需求制定針對性的培訓方案。加強對干部教育培訓信息的收集、整理和分析工作，精準預測干部在實際工作中的培訓需求。根據每位干部的職位和特點，分類分級構建培訓體系，實現培訓需求與崗位能力需要的高度契合，持續提升培訓的深度和廣度，確保各級干部熟練掌握相關基礎知識和各項技能。

（二）建設干部教育培訓信息庫，擴大培訓信息來源渠道

依托各級干部使用的網絡培訓平臺，擴大信息來源渠道，建設規范完善的干部教育培訓信息庫，幫助培訓機構快速獲取需要分析的培訓信息，為推動干部教育培訓工作的改革和創新提供數據依據。信息庫中記錄參訓干部的基本信息、參加培訓和通過考試等情況，完成對各級干部培訓考試的全過程信息化管理，構建科學規范的線上培訓體系。開發數據接口，有效實現干部參訓信息與各類業務工作的數據共享機制，確保BP神經網絡接受、學習最新的培訓數據，提高系統的泛化能力，全面提升干部教育培訓的信息化水平。

（三）持續改進神經網絡預測模型，增強培訓需求預測能力

■聳入云霄｜付秀宏/攝

傳統的培訓需求預測方式，需要付出大量的勞動力和時間成本。BP神經網絡可以在干部教育培訓中，完成多條件、多目標的需求預測工作。通過神經網絡技術，能夠實現對干部教育培訓需求較高精度水平的預測，為實現干部教育培訓定制化的目標提供了實用工具，對明確干部教育培訓指向起到了積極的作用，但其參數多、運算難度大、個別預測值誤差大等缺點，在需求預測過程中仍然存在一定的局限性。隨著神經網絡技術的完善和干部教育培訓數據庫信息的擴充，可以將更多的培訓信息作為分析指標，收集各類干部的培訓信息作為測試數據，改進和解決現有預測模型遇到的問題，從而提高培訓體系的系統化和精準化。

（四）建立數據化干部教育培訓檔案，搭建用戶畫像系統

通過建立干部教育培訓檔案的方式，存儲大量干部參訓數據及培訓業務數據，抽象出用戶信息的全貌。收集參訓干部的任職情況、選課偏好、學習習慣等多維度的培訓數據，進而對干部參訓的特征屬性進行刻畫，挖掘潛在價值信息，制作標簽化的用戶模型。在培訓檔案內，為培訓數據配置統計類標簽、規則類標簽和機器學習挖掘類標簽，將各級干部教育培訓信息“標簽化”。通過聚類、綜合評價等方法對統計類標簽和規則類標簽進行運算，發現干部參訓的模式和特點，對各類干部進行精準畫像，完成培訓工作的基本規劃。通過神經網絡模型對挖掘類標簽進行運算，發現干部參訓的習慣和規律，從而對干部參與培訓的需求開展預測判斷。