基于BP神经网络的我国高校毕业生就业情况预测

电子技术与软件工程

Electronic Technology&Software Engineering

数据库技术Database Technology

许红

(湖南工商大学湖南省长沙市430100)

摘要：本文从经济、社会以及高校三个方面总结出12个影响因素，利用主成分分析对2005-2019年的相关数据进行降维，运用Spss、Matlab等工具，建立高校毕业生就业率BP神经网络预测模型，预测出我国2020年和2021年的高校毕业生就业率数据分别为91.586%和91.556%，针对预测数据分析就业形势，并提出相关建议。

关键词：高校毕业生；就业率；主成分分析；BP神经网络预测

1问题的提出

法国1997年实施《青年就业法案》，解决失业青年就业艰难的问题l，,o国内外有关高校毕业生就业的法律保障制度体系相对完整，学者对高校毕业生就业问题的探究也比较完善。Inakilriondo (2020)评估了欧盟推行的伊拉斯研究计划对西班牙研究生就业和薪资的影响⑵。谷家川(2020)从心理学角度考量：毕业生心理压力是就业困难的根本原因之一⑶；孙涛、王龙淼、徐学彬(2020)分析了影响毕业生就业选择的因素和就业的心理特点【4】。从国家发生自然灾害和全球性疫情等方面分析：吴华华(2020)提出鼓励学生利用在家时间补缺补漏、加强心理疏导等建议⑸。

毕业生就业工作中，关于就业预测研究的文献较少。张稳(2008)利用多项式曲线拟合等五种数学模型，从不同角度对就业数据进行统计分析⑹。邹治(2012)构建高校毕业生失业预警系统，通过平均误差和时点误差的比较发现神经网络更为适用于当前高校毕业生失业率的预测⑺。

2高校毕业生就业率影响因素分析

水处理控制系统从经济、社会和高校三个方面研究相关因素对就业率的影响。从经济总量看，影响因素有国内生产总值和第三产业总值；从经济结构来看，影响因素有第三产业总值、居民消费水平和城镇化率，将经济影响因素归类制成图lo

我国作为世界上人口最多的国家，人口基数大且增长快，对就业市场的供需平衡有极大的影响，社会因素主要通过人口总量和就业人口数量对高校毕业生就业率产生影响，如图2。

高校毕业学生人数每年都以60-70万人的速度增加，教育部发展规划司显示，2013年高等教育毛入学率达到34.5%叫由此可知，影响高校毕业生就业的主要因素是高校招生数和高校经济投入。

3主成分分析

影响高校毕业生就业率的因素有12个，收集我国2005年-2019年的相关数据作为样本数据(数据来源于国家统计局年度数据、中国教育经费统计年鉴)，选取2005-2014年的数据作为训练样本集，2015-2019年的数据作为测试样本集，利用SPSS和MATLAB进行主成分分析。画出影响因素累计贡献率折线图见图3，从图中看出在12个影响因素中，有两个因素的累计贡献率较大，可作为主成分。

沙生冰草表1为提取主成分的总方差汇总表。提取特征值大于1的前两个变量作为主成分，可解释99.476%的总方差，方差贡献率较高，说明主成分的提取可靠性较强，可选取前两个因子作为主成分。

松崖别业图卷分别求岀两个主成分的成分荷载矩阵，通过成分得分系数矩阵计算每个因素在主成分上的得分。由成分得分系数矩阵写出各主成分的表达式：

f严0.091Z|+0.090Z2+0.089Z3+0.090Z4+0.090Z5+0.090Z6-0.051Z7+ 0.086Z8+0.090Z9+0.090Z|0+0.088Z h+0.090Z12

f2=0.004Z,+0.010Z2+0.174Z3+0.024乙+0.076Z S+0.085Z6+1.060Z7 +0.240Z8+0.116Z9+0.103Z10-

0.194Z H-0.025Z12

第一主成分可解释为经济因素影响较大的成分；第二主成分为社会因素影响较大的成分。高校因素对高校毕业生就业率的影响相对较小。

4BP神经网络实现

龙牙星BP神经网络是一种按误差逆传播算法训练的多层前向型的人

|经济因素|

|经济总量||经济结构|

GDP第三产业

总值

第三产业居民消费

增加値水平

|城镇化率|

袁殊

图1：影响高校毕业生就业率的经济因素树状图

总人口数］人口白然

—1城长率

|社会因素|

图2：影响高校毕业生就业率的社会因素树状图

100%

90%

80%

70%

60%

50%

童装论坛

40%

30%

20%

10%

图3：各个特征累计贡献率统计图

工神经网络，由于调整权值时采用反向传播(BackPropagation)学习算法，故称为BP网络。BP网络的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。

对高校毕业生就业率相关数据进行神经网络训练，此时高校毕业生就业率预测模型结构如图4所示。训练完成后，输出2005〜2019年高校毕业生就业率预测数据，得到12个影响因素主成分分析后的BP神经网络训练就业率预测值与真实值仿真结果如图5，从图中看出网络输出就业率与实际就业率结果相差不大，说明训练拟合效果较好。

计算得到传统BP神经网络平均相对误差为0.874%，而通过主成分分析后的数据进行BP神经网络仿真的平均误差为0.121%，可见本文所用模型的精度更高。

图6中左图为传统BP神经网络在训练过程需要的次数，需要运行625次才能达到期望的精度，而右图代表的改进BP神经网络只需运行98次就能达到相同的精度，因此，本文所用方法在程序运行效率上有很大的提高，具有推广意义。

197

本文发布于:2024-09-23 19:27:00，感谢您对本站的认可！

本文链接：https://www.17tex.com/xueshu/50586.html

上一篇：基于BP神经网络算法对学生学习行为预测的研究

下一篇：神经网络在蛋白质折叠预测中的应用