基于灰色系统的大学生就业率预测

1、基于灰色系统的大学生就业率预测摘要：大学生就业受到经济、政策等多种因素的影响，使得当前大学生就业率预测误差大，为了解决该难题，设计基 于灰色系统的大学生就业率预测方法。首先，对当前大学生就业率预测研究现状进行分析，找到引起误差的原因；然后，收 集大学生就业率的历史数据，通过灰色系统对大学生就业率变化特点进行拟合，建立大学生就业率预测模型；最后，采用大 学生就业率数据实现仿真测试。结果表明，灰色系统可以反映大学生就业率变化特点，获得了高精度的大学生就业率预测 结果，预测误差远远小于当前其他大学生就业率预测方法，预测结果可以为大学就业管理部门提供一定的参考信息。关键词：大学生就业率；预测模型；灰色

2、系统；拟合结果；残差修正；预测精度College students employment rate prediction based on grey systemAbstract: The employment of college students is influenced by many factors such as economy and policy , which makes the prediction error of the current college students employment rate big. Therefore, a college students

3、 employment rate prediction method based on grey system was designed. The present research situation of the employment rate of college students is analyzed to find the reason causing the prediction error，and then the historical data of the employment rate of college students is collected. The change

4、 characteristics of the employment rate of college students are fitted by means of grey system to establish the employment rate prediction model of college students. The data of the employment rate of college students is adopted for simulation test. The simulation results show that the grey system c

5、an reflect the change characteristics of the college students employment rate, and obtain the high-precision prediction results of the college students employment rate. The prediction error is far less than that of the current other employment rate prediction methods of college students . The predic

6、tion results can provide some reference information for the college students employment management department.Keywords: employment rate of college students ; prediction model; grey system; fitting result; residual error correction; prediction accuracy0引言大学生就业对国家和社会的稳定起着重要的作用, 而大学生就业率预测可以帮助大学以及教育管理部

7、门了解大学生就业的变化趋势，制定相应大学生就业 率措施，因此大学生就业率预测成为大学生管理研究 中的热点问题T。针对大学生就业率预测问题，许多学者进行了深入 的分析和调研，提出了一些大学生就业率预测方法。最 初大学生就业率预测采用专家系统，通过领域内一些专 家对大学生就业率变化特点进行分析，建立大学生就业 率预测的知识专家库，对未来某时刻的大学生就业率进 行估计和预测，但该方法工作过程复杂，大学生就业率预 测效果与专家库的知识丰富度密切相关,并且大学生就 业率预测结果具有一定的盲目性4-5,o随后出现了基于统 计学理论的大学生就业率预测方法，通过统计学中的方 法对大学生就业率的变化特点进行建模

8、和预测6-7,o如多 元回归分析,根据大学生就业率的历史数据对多元回归 分析模型的参数进行估计,但由于多元回归分析假设大 学生就业率是一种线性变化特点，而实际大学生就业率受到一个地区的经济、国家和城市的就业政策、大学生 自身心理因素等影响，具有较强的非线性变化特点，因 此多元回归分析的大学生就业率预测精度低，大学生就 业率预测误差大8,o随着现代统计学以及非线性理论的 发展，出现基于神经网络的大学生就业率预测方法。神 经网络具有比较好的非线性拟合能力，可以对大学生就 业率变化趋势进行预测，得到了比多元回归分析更优的大 学生就业率预测结果。但由于神经网络通常结构复杂，而 且要求大学生就业率历史数

9、据相当多，易出现“过拟合” 预测结果，增加了大学生就业率预测的实际成本9-0,o针对当前大学生就业率预测误差大的难题，本文提 出基于灰色系统的大学生就业率预测方法。首先收集 大学生就业率的历史数据,然后通过灰色系统对大学生 就业率变化特点进行拟合，建立大学生就业率预测模 型，最后采用大学生就业率数据实现了仿真测试，并分 析了该方法的有效性和优越性。1灰色系统模型 GM(1,1)有学者根据灰色理论提出了灰色系统，假设研究对 象有一定灰色，根据对象已知的当前信息进行分析，建 立相应的数学模型，然后根据模型对对象的各个因素 之间的关联进行分析和量化，得到可以描述对象变化特 点的模型ll,o灰色系统最

10、常用的模型为GM( 1, 1),因此 本文选择GM(1,1)对大学生就业率进行建模与预测， GM(1,1)的工作步骤如下：设研究对象的历史数据序列为= 此(1 ),舟)(2 ),此(n- 1 ),舟)(n),对 X。进行 一次累加操作，得到新的数据序列为X = x(l) ( 1 ),x(l) ( 2 ),x(l) ( n - 1 ),x(l) ( n ),其中：kx(l)( k ) = /)( m ), k = 1,2,n( 1)m = 1对新的数据X进行建模,得到灰色系统的预测 方程为:dX(|)dt+ aX =udX(|)dt+ aX =u2)基于灰色系统的大学生就业率预测设参数u的估计值

11、为U= ( a, b ),根据最小二乘 法(LS)可以得到U= (BT B )-1 B TY,其中：-| (x,l,(1) + x(2)1B =-；( x (2) + x (3)1(3)-y (x,l)( n - 1) + x(l)( n ) 1舟)(2)x(0,(3)x(0)( n )得到参数a,u的值后，对式(2)进行求解，从而 得到：X()( k +1) = ( x(0,(1)- - )e-ak + -(5)aaX()( k + 1)=就(k + 1)-X()( k )(6)1.2预测结果的残差修正通常情况下，GM(1,1)的预测精度难以达到实际 应用的要求，需要对预测结果的残差进行修正

12、1气设实 际值和预测值之间的残差为e(0) =( e (1), e ( 2 ), e ( k ) s ( n )，取残差尾段可得到e(0) = ( e (ko), e (k0 + 1 e ( n ),相应的一阶累加序列为：e(l) = ( e(l,(ko),e(l,(ko + 1),，e,l,( n ) GM(1,1)的解为：e(l,( k + 1) = ( e ( k o) - u ) exp - a ( k - ko) + ua,a e残差序列的尾段模拟序列为：e (k + 1) = (- a”) ( e (ko) - u ) exp - ae ( k - ko) 根据X( k + 1)

13、= X(k + 1) - X(k )可得： X(0)( k + 1) = ( - a ) ( x(0) (1) - ) exp ( - ak ) 残差修正时间响应计算公式为：Xs)(k + 1)= -a (x(0,( 1)-头)exp ( -ak ), k ko(x(0,( 1) - u) exp ( -ak ) ae (e (ko) - u) e*k-ko), k N ko(10)e-a(10)e-a基于灰色系统的大学生就业率预测步骤如下：1基于灰色系统的大学生就业率预测步骤如下：1)收集某所高校近几年的大学生就业率历史数 并通过专家对一些错误的数据进行剔除，保证数据的有效性。采用式(12)

14、对原始大学生就业率数据进行处 理，获得更优的大学生就业率预测结果。X = ( X - *屈)/( Xmax - Xmi )(12)采用灰色系统中的GM(1,1)对大学生就业率数 据建模，得到大学生就业率预测结果。4）对大学生就业率预测结果的残差进行修正，以 提高大学生就业率预测精度。5）采用式（13）对大学生就业率预测结果进行处 理，得到实际的大学生就业率预测结果。)+ X min(13)+ X min(13)图1基于灰色系统的大学生就业率预测流程Fig. 1 Forecast process of college students employmentrate based on grey s

15、ystem3大学生就业率预测性能的测试3.13大学生就业率预测性能的测试选择某大学连续20年的毕业生就业数据作为研究 对象，如图2所示。图2某大学20年的毕业生就业数据Fig. 2 Employment data of a certain universityduring 20 years大学生就业率的单步预测结果采用灰色系统对图2中的大学生就业率数据进行 建模和预测，得到的大学生就业率一步预测结果如图3 所示。从图3可以发现，灰色系统能够对大学生就业率 的变化趋势进行描述，大学生就业率的期望值和灰色系 统的预测值之间的偏差很少，可获得误差小、精度高的 大学生就业率预测结果。大学生就业率的多步

16、预测结果由于大学生一步预测结果只能反映下一年的大学 生就业变化趋势，不利于高校制定长期的大学生就业管 理措施，因此需要进行大学生就业率的多步预测，采用 滚动方式实现大学生就业率的4步预测，得到的大学生 就业率4步预测结果如图4所示。0 5 0 5 00 9 9 8 8图3大学生就业率一步预测结果Fig. 3 One step prediction results of employment rate of college students图40 5 0 5 00 9 9 8 8图3大学生就业率一步预测结果Fig. 3 One step prediction results of employm

17、ent rate of college students图4大学生就业率多步预测结果Fig. 4 Multi-step prediction results of employment rate of college students3.4与其他方法的大学生就业率预测结果对比为了测试灰色系统的先进性，选择BP神经网络、多 元回归分析进行大学生就业率预测的对比实验，统计它 们一步和多步的预测精度,得到的统计结果如表1所示。 分析表1的统计结果可以发现：1）多元回归分析的大学生就业率预测精度最低，这 表明其大学生就业率的预测误差最大，这主要是由于多 元回归分析是一种线性分析方法，无法描述大学生就业

18、 率的非线性变化特点，导致大学生就业率的预测效果差。2）相对于多元回归分析，BP神经网络的大学生就 业率的预测精度有了一定的改善,有效地减少了大学生 就业率的预测误差，这主要是由于BP神经网络是一种 非线性分析方法，可以建立整体预测性能更优的大学生 就业率预测模型。3）相对于多元回归分析、BP神经网络，灰色系统的 大学生就业率预测结果更优，无论是一步预测或者是多 步大学生就业率的预测结果精度更高，这主要是因为灰 色系统不仅克服多元回归分析非线性建模能力的缺陷，同 时解决了 BP神经网络易“过拟合”的不足,使得大学生就 业率预测误差得到大幅度下降，具有十分显著的优势。表1与其他方法的大学生就业率预测精度对比Table 1 Comparison of prediction accuracy of college students employment rate of using different methods %方法一步预测