灰色理论及神经网络在就业预测中的应用研究

灰色理论及神经网络在就业预测中的应用研究

维普资讯 http://doc.guandang.net

总第 2 2 6期 2 0 0 8年第 8期

计算机与数字丁程Compu t e r& Di g i t a l En g i n e e r i ng

Vo 1 . 3 6 NO. 81 54

灰色理论及神经网络在就业预测中的应用研究何运村张柱华4 3 0 0 2 3 )

(武汉 T业学院电气信息工程系武汉摘要

介绍 G M( 1, 1 )模型和 B P神经网络模型的预测原理，同时提出了灰色神经网络模型，并将相应模型用于就 G M( 1, 1 ) B P神经网络 T P 3 0 1 . 6 灰色神经网络就业预测

业预测，研究发现灰色神经网络模型具有较高精度与较高速度。关键词中图分类号

Re s e a r c h o n Ap p l i c a t i o n o f Gr a y T h e o r i e s a n dNe u r a l Ne t wo r k i n P r e d i c t i n g Emp l o y me n tHe Yu n c u n Zh a n g Zh u h u a

( D e p a r t me n t o f E l e c t r i c a n d I n f o r ma t i o n, Wu h a n P o l y t e c h n i c Un i v e r s i t y, Wu h a n 4 3 0 0 2 3 ) A b s t r a c t T h e p a p e r i n t r o d u c e s t h e e s t i ma t e p r i n c i p l e o f GM ( 1, 1 )mo d e l a n d t h e B P n e u r a l n e t w o r k mo d e l, p u t s f o r w a r d agr a y n e r v e ne t wo r k mo d e l i n t h e me a n t i me . Th e c o r r e s po n d mo d e l s a r e u s e d t o a n e mp l o y me n t e s t i ma t i on. Th e r e s u l t s s ho ws t ha tt h e g r a y n e u r a l n e t wor k mo de l ha s h i g h e r a c c u r a c y wi t h h i g h e r s p e e d.

K e y wo r d s G M( 1, 1 ), B P n e u r a

l n e t w o r k。 g r a y n e u r a l n e t w o r k, p r e d i c t i n g e mp l o y me n tCl a s s Num b e r TP 3 0 1 . 6

1 引言随着我国高等教育规模的扩大，高校毕业生的数量急剧增加，毕业生就业问题变得日益突出。准

行仿真预测。

2灰色理论在就业预测中的应用研究灰色理论是我围华中科技大学邓聚龙教授

确预测未来就业人口数量的发展趋势，为地方政府的决策提供科学的依据，具有非常重要的理论意义和研究价值。。 。本文研究预测方法有：灰色 G M

于1 9 8 2年提出的。灰色理论能用“少数据”建模归纳现实规律，克服了数据不足或系统周期短的矛盾。对时间序列短，统计数据少，信息不完备系统的建模与分析具有独特的功效。2 . 1模型的构造

( 1, 1 )预测， B P神经网络预测法和灰色神经网络预测法。

B P神经网络预测法在理论上可以趋近任何非线性函数， B P网络通过对大量样本数据进行学习

1 )对原始序列做 1一 A GO累加得生成序列¨ ( )= ‘。 ( i );( =1, 2,…, n )

训练并且储存这种模式，从而达到预测的目的。 灰色 G M( 1, 1 ) L 2 A预测法是将 G M( 1, 1 )模型

于是对¨ 有白化微分方程：

的预测值作为神经网络的输入，实际值作为神经网络的输出，用适当的网络结构进行训练，直到误差达到预期目标，再用预测值作为神经网络的输入进『上￡

+。 ㈩( f ):M; f∈[ 0,∞);2 )确定系数矩阵

收稿日期： 2 0 0 8年 3月 2 8日，修回日期： 2 0 0 8年 4月 1 1日 基金项目：武汉业学院大学生科研资助项目。 作者简介：何运村，学士。张柱华，研究方向：机器人视觉，多传感器信息融合。

灰色理论及神经网络在就业预测中的应用研究

维普资讯 http://doc.guandang.net

第3 6卷 ( 2 0 0 8 )第 8期

计算机与数字工程

l 5 5

一

[ ‘ ’+‘ ’ ( 2 )]/ 2[ ‘ ( 2 )+‘ ’ ( 3 )]/ 2

3 B P神经网络在就业预测中的应用BP神经网络是一种

单向传播的多层前馈网络，它包括输人层、隐含层和输出层。同层结点之间无连接，层与层之间全互联。输入输出层结

一

一

[ ‘ ( n一1 )+‘ ( n )]/ 2

】,凡=[‘。 ( 2 ), ‘。’ ( 3 ),… ‘。’ ( n )]

3 )根据最小二乘法确定参数估计值： A=( G G) G Y N;4 )确定模型未‘ ’ ( +1 )=(‘。’ ( 1 )一u/ a ) e一“+u/ a;

点个数取输入输出向量的维数，隐层的层数和隐层

结点数需要经过反复试验确定。B P神经网络的学习过程分为信号的正向传播和误差的逆向传播两个过程。外部信号经过输入层、隐含层的神经元逐层处理 .直到输出层输出结果，如果输出结果达

5 )累减确定预测值未‘。’ ( +1 )=未‘ ( +1 )一未‘。 ( )6 )模型精度检验 e ( )=未‘。’ ( )一‘。 ( )C= S2/ Sl

不到预期期望值则转入误差反向传播过程，误差按照原通路返回，通过修改各层神经元的权值减小误差，然后再转人信号的正向传播，如此迭代，直到误差小于给定值，学习训练过程结束。

P=P{ l e ( )一q l<0}

3 . 1 B P神经网络的算法步骤

2 . 2模型的应用与检验以重庆市 1 9 9 3 -2 0 0 4年就业人口数据为依据进行预测研究，样本数据如表 1所示。表 1就业人口数量样本数据 (单位：万)Y N Y N

B P算法是一类有教师的学习算法，主要用于网

络权值和阀值的学习修正，其算法的计算步骤为：1 )初始化

初始化所有的权值为最小随机数； 2 )给出学习样本 3 )计算实际输出

l 9 9 3 1 9 9 4 1 9 951 9 96

l 6 5 8 . 95 1 7 2 9 . 5 5 1 7 09 . 2 6l 6 74. 90

l 9 9 9 2 0 0 0 2 0 0l2O O2

1 6 8 8 . 7 3 1 6 9 0 . 0 0 l 6 9 7 . 0 0l 7l O. 5O

计算隐含层和输出层各神经元输出。隐层传递函数采用 t a n s i g,输出层传递函数采用 p u r e l i n; 4

)计算输出误差 (采用均方误差 ) 5 )调整输出层权值系数

l 9 9 7

l 6 7 9. 91

2 0 0 3

1 7 2 6 . 36

1 9 9 8

1 6 8 6. 7l

2 0 0 4

1 7 l 5 . 6 2

使用 MA T L AB编写相关软件进行仿真得到就业人口数量的预测值与相对误差如图 1所示。

6 )调整隐含层权值系数7 )判断学习状态如误差满足要求 (均方差< )则学习过程结

束，否则返回第三步继续学习。3 . 2样本的选取与预处理

神经网络训练样本数据如表 1所示，由于系统

是非线性的，初始值对于学习能否达到局部最小和年份

是否能够收敛的结果影响很大，因此，初始权值在

就业人数预测的相对误差

输入累加时每个神经元的状态值接近于零，权值一般取随机数，要比较小，输入样本要进行线性归一

化处理，使那些比较大的输入仍能落在传递函数梯度大的地方，将数据处理为[ 0, 1]之间的数据，采l 9 9 3 l 9 9 4 l 99 5 l 9 9 6 l 9 9 7 l 9 9 8 l 9 9 9 20 0 0 2 0 0l 2 0 0 2 2 0 0 3 2 0 0 4

用如下公式进行线性归一化处理一

年份v

ai r n( )

图 1就业人口数量预测值与相对误差

=

可以看出，该模型的预测能力和外推能力都达到了较为满意的效果。检验时相对误差大多数都

这样样本数据和预测数据便都限定在区间[ 0, 1]内，预测模型输出数据经反归一化后便得到预测数

控制在± 0 . 7%左右，精度等级为二级(合格 )。这说明该模型用于就业人口数量的 …… 此处隐藏：4112字，全部文档内容请下载后查看。喜欢就下载吧 ……