文摘

随着互联网技术的日益普及,人们现在越来越习惯于通过互联网获取信息或帮助。与此同时,信息服务产业的巨大发展导致信息服务人才需求的爆炸性增长。近年来,许多信息服务人才需求报告在中国上映,和它有一个信息服务产业规划的重要指导意义。然而,有三个问题与信息服务行业人才需求报告。首先,人才需求分析和预测的相关性和支持信息服务产业规划需要澄清。第二,信息服务人员的协调和合作需求报告准备需要改进。三是科学合理的更广泛应用信息服务人员需求预测模型。在未来,我们需要更合理的开发和利用信息服务人员需求预测模型和提高信息服务人员的质量需求报告。同时,信息服务行业的配角科学规划需要不断加强。因此,信息服务行业人才需求预测具有重要意义。 In this paper, a prediction model of information service talent demand is established by using gray system theory. For the deviations of the GM (1, 1) model, a combined GM (1, 1)-BP neural network prediction model is proposed. The simulation results show that the prediction results of the prediction model in this paper are satisfactory. Therefore, the GM (1, 1)-BP model proposed in this paper can be used as a reference for government decision-making and information service personnel training.

1。介绍

人才是主要的资源支持中国的创新发展1]。合理使用人才、准确预测需求的人才会影响一个国家的快速发展。工业人才需求预测适应新一轮科技革命和产业变革的趋势,来分析和预测所需人才数量的高质量发展的行业,这是科学发展的一个重要基础产业人才培养。新技术的蓬勃发展和广泛应用的人工智能、云计算、移动互联网、和大数据在德国,信息技术服务已经成为全面数字化的战略引擎,经济社会的信息化和情报。信息技术服务正在成为一个关键的力量推动技术创新、经济和社会转型、升级和高质量的发展。

各行各业的大力开发和利用信息产业应用程序(2]。一些研究表明,33.5%的企业实践在实际工作中应用信息技术和生产工艺,成功的产品和案例。32.6%的企业建立自己的信息服务平台。25.6%的公司的发展进行了充分的研究和准备。

目前,信息技术相关专业人才不能满足企业快速发展的需要(3]。统计数据显示,目前全国只有470万IT专业人员。在未来3 - 5年,大数据人才的缺口高达1500万多,和信息服务行业必将面临全球专业人才短缺4]。

目前,信息服务人才主要分布在移动互联网5]。这是紧随其后的是O2O、金融网络,游戏,社交网络,教育、企业服务,和其他字段,如图1。

信息服务人才需求预测可以提供可靠的基础人才规划信息服务行业,提供实时数据编译的人才需求报告。信息服务人才的需求模式的广泛应用,使人才协同服务各行业可以更充分和合理应用。人才需求预测的发展可分为三个阶段(6]。一个好的人才需求预测模型不仅能准确地预测人才需求的总量还预测未来人才需求的增长趋势。准确的预测结果可以促进人才的成长,确保完整和合理使用人才。初期是手动方法,也就是说,科研人员通过手工收集人才数据的方法。然后,数据估计基于经验的人才。计算很大,工作过程是复杂的,预测结果是在错误发生时的实际价值,因此,限制是非常明显的。随后,人才需求预测模型基于数理统计理论的出现,如线性回归和灰色模型(GM),主要使用一些数学建模方法分析人才需求预测(7]。这些方法只能描述线性或人才需求的上升趋势。人才需求的趋势并不一定是上升或线性趋势也呈下降趋势和非线性变化特征(8]。这些方法建立的模型不能准确描述人才需求变化的特点,预测精度是有时非常低。现代统计方法,如反向传播神经网络(摘要),已应用于人才需求预测(9]。他们有很强的非线性建模能力,可以自适应地调整,因此他们成为最常用的人才需求预测的方法。由于人才需求预测是一个复杂的系统,有许多特点,单个神经网络不能全面跟踪人才需求变化的特点(10]。

随着信息服务行业的兴起,越来越多的学术学者研究信息服务人才的需求(11]。早在2005年,文献[12)进行了预测研究对信息服务的专业人士的需求。目前,用于这一领域的研究方法和模型逐渐成熟。文献[13)分析和预测,中国对信息服务人才的需求通过使用信息服务人才需求的变化指数(LPDIC)。文献[14)利用非线性回归模型预测信息服务人才的需求在广东省。文献[15]预测信息服务人才的总量在山东省使用二进制线性回归预测和灰色预测方法。文献[16使用平滑指数和时间序列预测方法预测的需求人才在浙江省房地产信息服务。

它可以看到从上面的文献总结,中国学者使用多元化的模型的方法来预测信息服务人才的需求。有指数变化方法,非线性回归模型、二元线性回归模型、GM(1, 1)模型和指数平滑法(17]。灰色GM(1,1)预测模型是一种常见的模型中单一预测方法具有良好的预测精度,已广泛应用于需求预测研究在许多领域18]。通用汽车具有良好的周期性和线性建模能力(19]。BP神经网络具有强大的非线性建模能力,但是一个方法只能描述的零碎信息人才的需求。基于组合优化理论,针对当前人才需求预测方法的缺点,提出了一种GM(1, 1)的bp神经网络模型基于GM(1, 1),摘要信息服务人才需求预测。

本文包括四个主要部分:第一部分是引言,第二部分是算法的方法,第三部分是结果分析和讨论,第四部分是结论。

2。方法

灰色理论是一种动态模糊预测模型。与曲线拟合相比,灰色模型预测的优点,它不需要大量的原始数据,没有数据的分布要求。实际应用的系统可以监控从已知信息中提取有价值的内容。本文中采用的预测模型GM (1,1)。

2.1。建设的灰色预测模型

自从GM(1,1)模型要求监测数据有一个相等的时间间隔在建模过程中,服务人员的信息需求数据没有相等的时间间隔。因此,nonisochronous的数据信息服务人才的需求使同时使用立方插值法形成的数据序列信息服务人才的需求,如以下公式所示:

为了充分揭示信息服务人员需求的发展趋势数据,积累的数据来生成(1-AGO)序列 ,如以下公式所示:

紧凑相邻的价值生成序列 ,如以下公式所示: 在哪里 。

然后,GM(1,1)模型可以表示为下面的公式: 在哪里发展系数,有效的区间是(−2,2)。是灰色的行动。生成添加剂矩阵和常数向量 。

MATLAB是用来解决最小二乘法,灰色系数计算,如以下公式所示:

最后,参数和估计得到。

信息服务人才需求预测模型最终计算,如以下公式所示:

2.2。计算结果的精度检验

建模计算结果的准确性测试来验证模型是否满足预测精度的要求。

原始序列信息服务人才的需求 。仿真序列信息服务人才的需求 。剩余如下公式所示:

原始信息服务人才需求的平均值序列如下公式所示:

原始序列的方差信息服务人才需求以下公式所示:

剩余订单的平均值的原始信息服务人才需求以下公式所示:

原始信息服务人才需求的剩余方差序列如下公式所示:

原文的均方误差信息服务人才的需求序列如下公式所示:

小误差概率检验原始信息服务人才的需求序列如下公式所示: 均方误差越小 ,预测精度越高。小误差概率越高 ,预测精度越高。具体的歧视标准如表所示1。

2.3。改进的GM(1,1)模型

BP网络模型是一种误差反向传播算法训练的多层前馈网络。它有自我训练和自适应的特点,分类,和多维函数的映射。同时,非线性连续函数可以安装精度高。在培训的过程中,BP网络模型不断调整节点之间连接的权重(神经元)实现信息处理的目的。普通BP网络模型包括输入、隐藏层和输出层。层完全相互连接,神经元之间没有连接层。其结构如图2。在培训的过程中,输入训练数据样本映射到隐层,和实际输出值计算和传输到输出层。在这个过程中,网络的重量保持不变,上一层单层神经元的影响。其工作原理如图3。

灰色系统理论建模过程中需要相等的时间间隔数据。然而,在实际实践中,信息服务人员需求数据往往是不平等的间隔,所以有必要插入数据。插值的过程会影响模型的预测精度。因此,我们需要找到一种方法来弥补这个错误。BP网络模型是一种广泛使用的网络模型,它可以通过训练模型GM(1,1)的残拟合训练两个数据源的数据。剩余校正是利用训练模型来执行的。然后,灰色GM(1,1)模型建立了bp串联组合。该模型施工过程如下:首先,GM(1,1)灰色模型。信息服务人员需求预测与时间序列的变化,预报值的GM(1,1)灰色模型 ,以及预测残留 。残余构造序列,创建了BP网络模型和剩余校正。最后,预报值的GM(1, 1)模型和预测剩余价值叠加获取信息服务人才的需求数据修改后的BP网络模型。具体的过程如图4。

2.4。组合模型

组合预测模型是指不同的单一模型的组合预测对象与不同的权重相同。通过结合不同预测模型的优点和缺点,赋予不同的权重系数选择的曲线和灰色模型。组合优化预测模型的结果,和具体过程如下:(1)需求的数据n组被指示为信息服务人才 。的预测结果GM(1,1)灰色模型 。模型的预测结果曲线 。相应的预测误差灰色模型的阶段是 。模型的预测误差曲线 。认为灰色模型的加权系数和曲线模型 ,然后 。 和是满足预测模型的最优解。(2)组合模型的预测价值 。预测误差是 。 是预测误差的平方和的两组模型,如以下公式所示: (3)为满足最小预测误差,我们需要满足以下方程:

让 T组合预测模型的权重系数向量, 。计算预测误差的平方和的灰色GM(1, 1)模型 。预测误差的平方和曲线模型 ,而灰色模型的预测误差之间的协方差,和曲线模型 ,

在哪里 ,然后公式(16)可以表示为下面的公式:

3所示。结果分析和讨论

3.1。数据源

本文主要的国家层面的需求规模预测信息服务人才14五年计划时期。因此,输入值的统计值是信息服务人才的数量在全国口径。至于样本长度,涉及两种预测方法的组合模型,这对样本长度有不同的要求。采用小样本预测灰色模型和数据在10年内在文献中通常用于预测。一些研究表明,获得了良好的结果当灰色预测的样本大小是8。因此,考虑到国民经济发展的趋势和指类似的文献,8样本被选为输入值。本文选择中国统计年鉴的数据(1999 - 2020),研发人员的全职同等数量从2012年到2019年的灰色预测模型的输入值。从1995年到2019年的数据作为输入值的指数平滑模型。通过这种方式,长期和短期预测的组合实现,保证预测精度。由于相关统计范围的政策,上述数据不包括来自香港、澳门和台湾。

3.2。灰色预测信息服务人才的需求

信息服务人员的全职同等数量从2013年到2020年如表所示2。

根据数据,原始数据序列构造和累积数据序列 ,数据矩阵 ,和得到处理后,如以下公式所示。

当原始数据序列σ水平 落的能力范围之内 ,表明,原始数据序列是平稳序列。根据计算,阶段比率 。所有的可适应的时间间隔 ,表明原始数据是平稳序列,和GM(1, 1)预测。你得到 灰色微分方程计算如下公式:

进一步的解决,得到预测模型。

为了分析模型的预测精度,信息服务人员的需求从2013年到2020年估计的预测模型,并与实际值相比。预测结果如表所示3。2013是基本周期,预计值与实际值相同。通过计算指数的相关性模型,平均相对误差 ,的关联程度 ,和后验误差比率 被获得。从 和 ,小误差概率 获得了。模型的评价结果如表所示4。

评价结果表明,灰色预测模型通过三种测试后不同测试中表现良好,证明该模型具有良好的预测精度。计算值小于临界值,表明该模型可以用于中长期预测。该模型用于预测科技人才的需求规模在中国14五年计划期间,和预测结果如表所示5。

3.3。时间序列预测信息服务人才的需求

时间序列模型是一个通用名称的一系列模型,其中最常用的模型回归移动平均模型和指数平滑模型。前者是一般用于预测静止的数据,而后者可处理非平稳的数据。本文用于预测三种常见模型,该模型与最小均方根误差(RMSE)被选为时间序列模型。图5显示了国家的全职等效数据的散点图信息服务人员从1995年到2019年。根据散点图,它可以观察到的变化信息服务人员的数量有一个整体上升趋势。数据的自相关分析表明,并不是所有的数据都是白噪声和时间相关,因此时间序列模型适用于分析。

此外,通过拟合每个点在图5,发现F值是最大的指数分布曲线时用于拟合,表明这组数据提出了指数分布和适合指数平滑预测方法。在时间序列分析中,通常被认为是季节性。因为本文获得的数据是没有季节周期和年度计划,只有季节性分析。根据四种常见模型,SPSS软件被用来预测和分析信息服务人员的全职同等数量从1995年到2019年,和相应的均方根误差(RMSE)值得到如表所示6。通过分析和比较,发现棕色线性趋势模型指数平滑法的预测效果最好,然后是模型用于预测信息服务人才的总量从2021年到2025年。结果如表所示7。

3.4。组合预测信息服务人才的需求

结果的GM(1,1)预测模型和BP神经网络预测模型使用最优加权平均加权分组方法。组合模型的预测结果是根据加权平均获得的重量。比较的有效性模型,三个模型的预测结果对信息服务人才的需求从2013年到2020年在图所示6。在三种预测模型中,美和日军的组合模型是1.77%和7.15,分别为这两个低于单一模型,证明了误差更小的组合模型更好的预测效果。

该模型用于预测信息服务人才的需求在中国14五年计划期间,和预测结果如表所示8。

4所示。结论

信息服务人员需求预测是科学规划具有重要意义。通过计算获得的曲线拟合原始统计数据可以更好的预测信息服务人才的需求数据,和它的效果好。信息服务业人才预测的算法基于GM(1,1)灰色模型需要较少的样本数据,并具有较高的预测精度。然而,对于数据和复杂的特性,预测结果不满意,预测曲线逐渐偏离测量曲线随着预测时间的增加。因此,BP网络模型可以用于更新和优化的GM(1, 1)模型提高预测精度。通过构造一个组合预测模型,两个模型结合的优势,提高预测效果。在分析和处理大量的离散和随机数据,需要选择多个模型预测比较。在预测精度高的情况下,模型的选择应遵循的原则的平均相对误差最小化残差。实验结果表明,该预测算法在本文中达到最好的结果。分配不平等的重量系数形成的组合预测模型提高了预测精度,但仍继承了灰色模型的特点,预测误差在稍后阶段。 In the later period, the combined prediction model can be trained by the neural network after wavelet denoising to improve the prediction accuracy.

数据可用性

标签数据集用于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。