文摘

科学合理的预测模型的毕业生就业数据可以有效地体现了复杂的特点,毕业生的就业数据和体现的非线性动态交互影响毕业生的就业形势的元素。它有很强的学习能力和稳定的特点,因此选择主要影响数据,影响毕业生的就业数据的变化。在本文中,根据学生的情况体现就业、数据挖掘分析模型利用统计方法建立了基于模型的聚类分析技术预测毕业生的就业形势。本文预测技术的毕业生的就业形势的基础上,长期短期记忆递归神经网络(LSTM)构想,包括网络结构设计、网络培训、和预测流程实现算法。此外,针对减少预测误差,一个LSTM预测模型参数优化算法基于多层网格搜索是构思。它也验证LSTM预测模型的适用性和正确性及其参数优化算法在分析毕业生的就业形势。

1。介绍

与相关技术在计算机行业的快速发展,其使用范围已扩大至所有级别的现代社会生活,甚至国家日常生活的许多领域(1]。数据库技术的快速进步和数据银行监管系统的广泛使用,人们积累越来越多的数据,有许多关键数据隐藏在大量数据的2]。只有先进的数据库技术可以有效地管理大量的数据,选择对自己有用的信息3]。数据挖掘是一种数据分析方法,分析了观测数据集,发现数据和规则的关系,并描述了数据库中的数据的一般特征(4]。为了预测当前数据,人们可以使用计算机获取预测信息。数据挖掘技术可以自动分析数据,进行推理和总结协会,找到一些内部数据之间的联系,并发现潜在的模式,发挥非常重要的作用,信息预测和决策行为,以建立新的模型,它为人们提供很大帮助的正确决策5]。毕业生的就业数据不仅受着多种因素的影响,但其中也有复杂的非线性动态交互(6]。的数据,毕业生的就业形势变得与序列相关性的特点,一个复杂的系统不稳定,和非线性。根据大量的毕业生的就业形势,预测研究生是否可以使用的问题实际上是一个数据挖掘问题7]。

数据挖掘是一种新的技术来查找和选择的信息从数据仓库。它是基于数据库和数据仓库,面对非专业的用户,定位在桌面上,并支持临时随机查询(8]。建立一个科学有效的预测模型,毕业生的就业形势已成为一个具有挑战性的工作和重要的学术和应用价值。有效地预测毕业后就业状况的合理开发具有重要的指导意义可靠性和可靠性的发展教育活动计划(9]。根据学生的情况体现就业,本文运用统计方法基于模型的聚类分析技术建立一个数据挖掘分析模型预测的毕业生的就业形势。本文基于长期短期记忆的毕业生就业预测方法,提出了递归神经网络(LSTM)包括网络结构设计、网络训练和预测过程的算法。此外,针对减少预测误差,验证,LSTM预测模型及其参数优化算法具有很强的适用性和高正确性在毕业生就业分析10]。

陈和任11]提出一种科学、有效的预测模型的毕业生就业数据可以充分反映复杂的特点,毕业生的就业数据,如非线性、非平稳,和系列相关,可以有效地反映影响因素的非线性动态交互的毕业生的就业情况。第三,它具有较强的学习能力和健壮的特性,以提取重要影响的信息,影响毕业生的就业数据的变化。Rasjid et al。12]表明,功能融合多周期的规模是一个重要的就业形势预测研究的分析方法,但大多数就业形势使用LSTM神经网络预测方法往往只提取特定周期特性,忽略了信息在其他时间尺度的就业形势。董et al。13)指出,类标签的可信度的基础的分类预测毕业生的就业形势,它的设置将直接影响到内部的输入数据和输出数据之间的相关性。它可以看到从14]LSTM神经网络具有更高的预测精度,可以有效地预测长期和短期动态趋势的毕业生的就业数据,显示其适用性和有效性在预测毕业生的就业数据。此外,小波分析和重建的毕业生就业数据可以有效地改善LSTM预测模型的泛化能力和预测长期和短期动态变化的正确性。

与其他模型相比,LSTM获得的非线性动态特性毕业生的就业数据,认为其不稳定特征和时间特征更全面,从而显示出更好的预测效果。

首先,阐述了相关研究工作,导致本文的内容。然后,深层神经网络的基本模型和长期短期记忆网络的结构和优化方法。根据模型,以地质工程的毕业生为例,LSTM神经网络在预测的有效性验证大学毕业生的就业形势。最后,本文的贡献和未来的发展方向进行了总结和分析。本文的主要贡献如下:(1)建立了一个数据挖掘分析模型通过使用统计方法基于模型的聚类分析技术预测毕业生的就业形势(2)毕业生的就业形势的预测技术基于长期短期记忆(LSTM)提出了递归神经网络(3)LSTM预测模型参数优化算法基于多层网格搜索是构思减少预测误差

2。相关工作

深度学习的一个经典的模型技术,LSTM神经网络有很大优势挖掘序列数据的长期依赖。杨和王15)提供民航飞机的毕业生的就业形势;由于其复杂和不规则的曲线形状,它是艰苦的对于现有的单一模式,实现理想的预测效果。为此,徐et al。16)构思基于SSA和SVR的混合方法。方法首先选择故障功能组件从原始数据模型和预测分开,并获得比单个模型更好的实验结果。在引用问题,传统的方法不能有效地预测噪声和非线性就业形势,Wan et al。17)使用多尺度功能融合作为出发点,提出和验证了预测技术基于树结构LSTM神经网络。梁等。18)构思一种新的可靠性预测方法基于径向基函数(RBF)和遗传算法(GA),实现好的结果通过选择适当的参数和网络结构。Munasypov et al。19)使用无限脉冲响应局部复发神经网络(IIR-LRNN)预测失败和预测工程组件和系统的可靠性。这种动态建模技术首次用于可靠性预测任务。比较该方法和径向基函数(RBF),传统的多层感知器(MLP)模型,和自回归移动平均(ARIMA)积分,可以看出,该方法的预测正确性更高。

研究毕业生就业的毕业生的就业预测具有积极意义,招生和教育管理。郭和赖20.从心理的角度总结:毕业生的心理压力是就业困难的根本原因之一。杜和Yu (21]分析了元素,影响毕业生的就业选择和就业的心理特征。李(22)开始建议,鼓励学生使用时间在家里来填补空缺,加强心理咨询。金和赵23)的研究指出,我们应该客观地理解当前的大学生就业形势,正确分析大学生的矛盾和问题就业、充分利用的情况下,科学作出回应,深化改革,改善政策,把挑战变成机遇,把压力变成动力,并促进高等教育。黄和杨24)使用五个多项式曲线拟合等数学模型从不同的角度对就业数据进行统计分析。苗(25构造一个早期预警系统为大学毕业生的失业率。通过平均误差和时间点误差的比较,结果表明,神经网络更适合当前的大学毕业生失业率的预测。

3所示。材料和方法

阐述了深层神经网络的基本构成和LSTM深层神经网络。本文探讨的理论基础和可行性LSTM网络根据毕业生就业数据预测技术。然后,小波分析的基本原理,提出了预处理的必要性和毕业生的就业数据(即。小波分析和重建)解释说。

作为典型的反射神经网络算法,BP神经网络具有更好的加工效果为离散和非线性数据,因为它采用向前传播算法。深度学习基于深层神经网络可以选择添加分层特性的反映不同层次根据给定的任务要求,构造深层结构,了解更多非线性反射数据和抽象特性。这个深层神经网络,是由多级特征选择和叠加,无疑是更容易获取和模仿的复杂成分数据。因此,本文建议使用深层神经网络模拟的复杂数据的毕业生的就业形势,从而实现预期的毕业生的就业形势数据。人工神经网络(ANN)包括输入层、隐藏层和输出层。更多的隐藏层可以适应更复杂的函数,其体系结构显示在图1。

深层神经网络进一步深化网络的隐藏层的数量,使用无监督学习学习功能层的数据层,每一层的特征选择作为下一层的数据输入,即自下而上的学习特征选择。隐藏图层1的输出(26]

其中,权重数组如下:

之间的重量吗我输入层和单位jth隐藏图层1的单位。权重数组可以体现非线性影响的不同元素之间的互动关系(即输入特征向量)毕业生的就业形势。输入特征向量 ,输出向量 , 是偏见,n是输入的数量单位,k是隐藏在隐藏层单元的数量。激活函数,实现了非线性加权数据的变更。在深层神经网络多层叠加、非线性激活函数可以使一个更富有表现力的学习更抽象的特征反射模型。

基于特征反射学会隐藏图层1,隐藏层2的输出

以此类推,最后一个输出层

鉴于深层神经网络结构和激活功能,学习的目的是调整基于自上而下的监督学习来找到最好的参数 。 最小化经验风险,即

其中,损失函数采用绝对值误差的形式:

为了防止过度拟合,它是必要的进一步提出标准化的术语,它反映了网络结构的复杂性,即

其中,体现了网络结构的复杂性;更复杂的网络结构θ更大的J (θ)。与训练集模型建立后,它可以测试在测试集数据,以及该模型在测试集上的预测精度是一个很好的指导图。如果准确率大于90%,这表明该模型建立在训练集是可行的。该模型可用于预测其他数据,并预测结果的百分比是正确的。

LSTM神经网络是一种不同的循环神经网络(RNN)可以处理就业数据的长期依赖。LSTM神经网络结构(图2)包含子网(存储模块)连接圆。

噪声数据应该删除尽可能多的在数据准备阶段。通过分析毕业生的样本数据,样本空间的信息熵和预期的测试属性的信息熵计算获得测试属性的信息增益率,构造决策树。因此,形成不同的分类样本,每个样本数据分类和判断,这样的就业形势样本数据可以准确地预测。Batch-Normalization (BN)可以有效地解决梯度消失的问题,和辍学技术可以减轻过度拟合的问题通过阻止神经相互适应。因此,本文在设计LSTM神经网络时,明显增加了BN层和辍学层来优化神经网络结构。深度LSTM神经网络计算的组成图如图3。

使用忘记门确定需要的信息从细胞中删除:

其中,σ重量是乙状结肠激活函数,数据流设置为一个值在0和1之间,0意味着数据是完全删除,和1意味着所有数据保留。实时输出向量,是当前隐蔽层向量, , ,和的循环重量偏差,输入重量,分别和忘记门。

第二,细胞更新的状态数据。假设是一个外部输入门在0和1之间由乙状结肠激活控制功能:

然后,细胞状态的基础上更新是

最后,输出控制输出门的信息是

其中,输出门

4所示。结果分析和讨论

4.1。数据描述

在深度学习,样本数据通常分为训练集,验证集和测试集,如表所示1。深层神经网络训练时,特性的标准化样本数据中扮演一个重要的角色在发挥最好的深度学习算法的效果。对就业形势 ,其标准化治疗

其中, 。

本文的优化算法LSTM深层神经网络训练采用RMSprop算法。为了防止过度拟合现象的模型训练,的基础上,引入惩罚项,辍学方法进一步采用培训过程;也就是说,一些隐藏在隐藏层单元随机移除。

大学毕业生的就业形势的观察样本数据分为训练子集和测试子集。训练子集,一个中间候选生成预测模型通过内部规范,测试子集,一个中间的候选人通过外部规范收集就业预测模型。在建模的过程中,自组织神经网络算法屏幕输入变量的大学毕业生的就业形势各级采用相关规范并结合他们获得下一阶段的筛选模型,直到最终获得最佳就业复杂性模型。

把样本数据集大学毕业生的就业形势为训练集一个和测试集B;然后 。如果你形状预测模型,您需要把预测子集C再次,以确保 。

塑造的一般功能的输出之间的关系y预测模型的输入 ,Kolmogorov-Gabor多项式如下(27]:

每个单项的和治疗米输入模型的原始结构建模网络:

自组织过程自适应形成一级中间模型:

和训练集一个,参数预测方法用于预测系数 。在测试设置B,竞争模型透过外部规范和中间候选预测模型 收集并被视为第二层网络的输入。

4.2。结果分析

从整个就业领域的角度来看,大多数毕业生选择东部,南部,或沿海地区高工资和良好的就业环境,而毕业生去西部地区相对较少锻炼,创业和发展。从就业的角度单位,有很多大型和中型国有企业和机构,和大多数施工单位甲级和乙级资质;即选择的单位具有良好的发展前景。在过去,毕业生只能选择发展重点大学毕业生,但有更少的毕业生从当地和县级中小企业。以地质工程专业毕业生为样本集,基于小波重构的数据和原始数据,LSTM神经网络模型预测的毕业生的就业状况,探索建立LSTM神经网络的预测效果和重建的可行性毕业生的就业状况数据实证分析的小波。预测结果如图4- - - - - -6,分别。LSTM神经网络有良好的预测能力的毕业生的实际就业数据。

数据4- - - - - -6显示,点对点的静态预测效果。LSTM基于小波神经网络重建数据可以更好地预测长期的金融时间序列数据的动态趋势。图7显示了短期动态预测的影响大学毕业生的就业形势。图8进一步显示了LSTM神经网络的预测效果的长期动态变化趋势,毕业生的就业形势,预期效果与实际价值基本上是一致的。

就业形势的相关性是削弱了大量的噪声干扰,和一些弱关联规则几乎消失,导致相关样本的稀疏分布和大部分的噪声样本。这种不平衡样本分布预测模型的训练过程带来了很大的障碍(28- - - - - -33]。为了比较forecastive LSTM深层神经网络的能力,三个模型的中长期规划,支持向量机(SVM)和广义自回归条件异方差(GARCH)选择预测毕业生的就业形势。其中,其他机器学习算法的最优参数调整决定基于网格搜索和测量模型是GARCH(1,1)模型。赛尔不平等系数(T)和平均绝对误差(米)是用来测量预测模型的正确性。预测结果如表所示2。其中,

该值在[0,1],T= 0意味着预测价值完全适合真正的价值,和forecastive能力是最强的T= 1意味着forecastive能力是最糟糕的:

根据预测结果表2,可以看出LSTM神经网络的预测能力最好在测试设置中,可以有效地平衡训练集数据的预测效果,验证集和测试集。可能的原因是肤浅的机器学习算法容易陷入过度拟合的困境,及其能力学习和选择输入特征向量的特征较弱,和毕业生的就业数据的时间特性不能被收购。

然而,GARCH模型,传统的计量经济学方法,没有意识到良好的预测结果在训练集和测试集,可能的原因如下:首先,GARCH模型是一个线性模型,不能获得非线性动态经济变量之间的关系,然后无法描述毕业生的就业数据的非线性特征。GARCH和其他就业状况模型的建立需要可压缩数据。通常有必要执行微分或对数微分处理的数据,这无疑会导致就业数据信息的损失。延时和SVM,浅的机器学习算法,和LSTM神经网络,深度学习,可以有效地处理原始数据信号的非平稳的信息,体现了变量之间的非线性相互作用,从而描述的非线性动态特性数据。LSTM神经网络不仅克服了依赖索引选择传统的计量经济学模型的建模过程,而且还克服了缺陷,线性计量经济模型不能体现变量的非线性相互作用。同时,它克服了缺点,浅机器学习算法不能描述相关的就业形势,和数据特性学习能力弱,很容易overfit。因此,与其他模型相比,LSTM获得的非线性动态特性毕业生的就业数据,认为其不稳定特征和时间特征更全面,从而显示出更好的预测效果。

4.3。讨论

本文探讨的理论基础和实际应用LSTM神经网络预测的毕业生的就业情况。小波分析用于分解和重构毕业生的就业形势,以消除短期随机干扰噪声的影响,并提高模型的预测精度为样本外数据和预测未来趋势的能力。其次,相比与多层感知机等机器学习算法和支持向量机,和计量模型,如GARCH LSTM神经网络具有更高的预测精度。这也充分证明了LSTM神经网络有很强的预测能力毕业生的实际就业情况。不可否认的是,尽管深度学习得到了广泛的应用,取得了巨大的成功在许多人工智能领域,如语音识别和自动驾驶,其应用研究领域的就业预测仍相对较少。本文深度学习的可行性LSTM神经网络预测毕业生的就业形势探讨理论上,基于就业预测数据和实证结果证明的适用性和有效性LSTM神经网络研究领域的毕业生的就业形势的预测。这可以用于参考构建预测模型的毕业生的就业形势的背景下大数据和人工智能。复杂是表达的简单的形式通过分层特性的学习,解决核心问题的表征学习和克服了依赖的缺陷特征向量选择现有的就业预测研究方法。同时,深度学习很有优势在处理非结构化数据,如文本和图片,这是矿业就业预测信息具有重要意义。因此,它仍然是值得进一步探索结合深入学习算法与其他就业预测研究领域扩大现有的就业预测研究方法。 This paper focuses on LSTM neural network to predict the future trends of graduates' employment, but how to build a graduate employment prediction model based on deep learning algorithm to improve the prediction accuracy of short-term random disturbance noise still needs further exploration.

中国经济的快速发展和经济形势的持续改进,以及政府的不断努力调控毕业生的就业政策,新增劳动力的就业岗位不断增加,和对毕业生的需求将继续增加。然而,受到我国整体就业形势的影响,毕业生的绝对数量逐年增加,但社会对毕业生的需求的增长速度不同步,和供给和需求之间的矛盾仍然存在。因此,毕业生的就业形势依然严峻。毕业生应该放弃传统的价值观和产业概念和检查和选择他们公认的职业以积极、务实的精神和一种新的和广阔的视野。

5。结论

从预测结果,我们可以看到,大学毕业生的就业率在中国显示了一个稳定的趋势,和增长和下降趋势非常小。由于人口基数大,中国的快速增长,人口和大学毕业生的数量将显示一个增加的趋势在未来几年。测试数据被添加到分类树,和就业率之间的差异和实际就业率显示的分类树作为标准来判断的正确性。本文将开始系统级就业基于LSTM复发性神经网络预测技术,包括培训、LSTM模型的预测和参数优化。本文的理论基础和实际应用LSTM神经网络应用于预测的毕业生的就业形势数据搜索和分解和重构小波分析是毕业生的就业状况数据,以消除短期随机干扰噪声的影响,并提高预测模型的正确性之外的数据样本和预测未来趋势的能力。LSTM神经网络不仅克服了依赖索引选择传统的计量经济学模型的建模过程,而且还克服了缺陷,线性计量经济模型不能体现变量的非线性相互作用。同时,它克服了缺点,浅机器学习算法不能描述相关的就业形势,和数据特性学习能力弱,很容易overfit。因此,与其他模型相比,LSTM获得的非线性动态特性毕业生的就业数据,认为其不稳定特征和时间特征更全面,从而显示出更好的预测效果。

LSTM神经网络具有更高的预测精度。学校应该识别自我发展和校友事业的入口点,积极开展各领域的交流与合作等生产、教育、和研究,推荐优秀毕业生在企事业单位工作的校友所在的地方,建立一个良好的平台为毕业生的就业,不断提高毕业生的质量工作。对于那些学生没有使用在那些年里,我们应该努力跟踪它们,进行分类,建立了其毕业生的就业信息数据库,注册他们的意图,不断改善失业毕业生的监控系统,随时追踪他们的行踪,并帮助他们找到工作顺利。同时,加强与校友的联系是必要的和以前的毕业生,以不同的方式收集信息,为后来者提供各种就业信息。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由金陵科技学院的支持。