混沌理论和支持向量机的就业率预测_吴苏礼.pdf

，基金项目微型电脑应用 年第 卷第期基金项目：年度黑龙江中医药大学科研基金项目（）作者简介：吴苏礼（），男，硕士，助教，研究方向为人工智能、心理学、教育学、大学生职业生规划；王冠卓（），男，硕士，副教授，研究方向为财务管理、心理学；刘大旭（），男，硕士，讲师，研究方向为管理学、大学生职业生涯规划。通信作者：雷双媛（），女，硕士，讲师，研究方向为医学美容、心理学。文章编号：（）混沌理论和支持向量机的就业率预测吴苏礼，雷双媛，王冠卓，刘大旭（黑龙江中医药大学，佳木斯学院，黑龙江，哈尔滨 ）摘要：就业率预测具有较强复杂性，为此提出了基于混沌理论和支持向量机的就业率预测方法，用以降低就业率预测误差。按照混沌变量运动自身规律使用越界处理优化混沌算法跳出局部最优提升搜索精度；运用支持向量机拟合就业率预测非线性关系，构建基于支持向量机的就业率预测模型，并使用邻近算法，构建样本数据集；运用经过优化的混沌粒子群算法优化支持向量机参数，训练数据样本集，构建改进支持向量机的就业率预测模型实现预测。通过实验验证，该方法具有较强的训练能力和较低的模型复杂程度且训练时间较快，预测高校毕业生就业率误差较低，具有良好的预测精度。关键词：混沌理论；支持向量机；粒子群；模型；非线性关系中图分类号：文献标志码：，（，）：，：；引言近年海量毕业生涌入社会，但是社会各行各业职位有限，就业压力逐年增大，就业竞争激烈。社会各界与高校都越来越重视大学生的就业率情况，每个高校对于大学生就业情况的统计都有一套已经形成体系的大学生就业率统计信息管理系统或者管理模型。高校信息管理水平不断提升，能够完整保存并汇总历年毕业生的就业情况数据与就业率统计结果，存储在高校的就业统计系统之中。高校为制定招生计划和教学计划，需要对毕业生历年就业情况进行预测，对于预测情况已经有众多学者做出研究：有学者使用灰色预测模型预测大学生就业情况，该方法利用数字建模实现就业率预测，但在预测准确性方面仍需进一步研究；还有学者提出以立体数据作为基础的就业率预测方法，该方法从横、纵两个方面实现就业率预测，同时也为大学生未来就业做出指导，但是存在计算过程较为复杂的情况，在未来研究中仍需进一步验证。混沌理论是同时包含量化分析与质性思考的方法，决定论方程无规律运动也是混沌性的来源，分析有关混沌理论的各种方法总结出两个有关混沌理论的基本观点：混沌是一种对于非线性系统内在随机性的确定，也就是说混沌理论是一种表面上看似无规律但实际上却存在内在联系的非周期行为，在处理混沌理论时，使用非线性手段处理非线性问题。支持向量机是一种人工智能算法，最终目的是实现结构风险最小化，对于非线性以及局部极小点等现实问题能够具有较好的解决效果，在各类预测问题中应用广泛。使用支持向量机实现预测时不但需要关联自身样本，同时还需要关联被预测的训练样本。在实际使用时，通过人工手段实现训练样本的输入与输出矩阵，评价模型预测效果与逼近能力的好坏采用均方根误差时进行衡量，但是这种方法仍然存在不足的地方，比如选取训练样本时没有正确的理论指导，若想实现模型修正必须不断调整真实值和预测值之间的误差，基金项目微型电脑应用 年第 卷第期待模型预测精度达到一个满意值方可停止修正，这种情况导致模型需要经过长时间训练，这种长时间的训练极其容易造成模型出现过拟合，因此需要引入非线性的混沌理论实现修正，对预测对象实行建模。本文主要研究基于混沌理论与支持向量机的就业率预测，为高校未来工作指明方向。基于混沌理论和支持向量机的就业率预测 混沌优化算法在就业率预测方法中使用混沌优化算法就是为了实现预测模型优化，搜索过程中使用混沌变量。式（）为 模型，通过该模型实现混沌映射：（）（）利用 （，），（，）表示连续对象的优化问题，待优化参数与的取值空间分别使用和，表示。经式（）获得混沌序列值，对该值载波，对应混沌变量与待优化参数，经迭代后将结果在，区间映射出来，同时获得与区间对应的值，由此求得（）的值，由此判断迭代结果是否最优，如果是最优迭代结果则停止迭代，反之继续迭代。通过以下步骤实现混沌优化算法改进。（）对算法实行初始化，设与分别表示搜索次数与二次搜索迭代次数，把个初值（，）赋值到式（）中（初值之间差异较小），则混沌变量集合 有个差异轨迹，设表示迭代常数。（）开始第一次载波。在第个优化变量内，使用式（）把已经确定的个混沌变量，引入，使优化变量转换为混沌变量：，（），（）通过式（）放大混沌变量的变化范围，使变量取值范围在对应的优化量中。（）实现粗略搜索。使，与（）相等，等于，针对性能指标（）实行计算，计算目标函数获得（）。（）假如小于，此时与相等，跳转至步骤（），否则就将第一次搜索停止。（）依据式（）开始第二次载波：，（，）（）其中，与分别表示当前最优解与迭代次数。（）越界处理的同时使二次载波搜索结果（）与二次载波混沌变量，相等，对性能指标（）实行计算，实现精搜索。（）假如 小于，此时 与 相等，跳转至步骤（）。（）假如小于，此时与相等，跳转至步骤（），否则第二次搜索停止，将最优解输出。由以上步骤能够看出，本文方法对混沌算法做出点改进：把常见的混沌算法内的调节系数变更成关联迭代次数；步骤中增加越界处理；改进原有载波方法。通过以上步骤实现混沌优化算法的改进，提升模型寻优能力。基于支持向量机的就业率预测模型式（）为训练数据点集：（，y）（）其中，与y分别为输入向量与输出值，代表样本数量。支持向量机回归就是把数据通过非线性映射至高维特征空间中，同时展开线性回归：y（）（）（）其中，与分别表示偏置项与超平面权重向量。本文基于支持向量机 的就业率预测模型的回归过程中使用不敏感损失函数，使用式（）描述：，如果y（，）y（，），其他（）为保证模型复杂度和经验风险最小，对约束条件优化求解：（）（）.y（）（）y，（）所有大于的常数都使用表示，为了实现模型训练误差与复杂度的平衡，一旦超出的样本，设置惩罚参数。将式（）和式（）转化为对偶问题：，（）（，）（），（），（）（）约束条件为，（），（）与均代表对偶参数，同时（，）（）。只要满足 条件就可以选取核函数（）。预测就业率时具有非线性特征，本文核函数选取径向基函数（，）核：（，）（）（）其中，表示径向基核函数宽度。求解式（）与式（），式（）为（），（）（，）（）经过以上支持向量机回归函数获知径向基核函数宽度与惩罚参数决定支持向量机的预测性能，所以使用混沌粒子群算法对支持向量机的参数实行优化，图为优化流程。初始化粒子群参数，为获得支持向量机参数，反编码粒子，对每个粒子的适应度实行计算，对于个体和全集合的最优值实行更新，判断是否需满足终止条件。如果不满足实行混沌操作粒子，并且更新粒子的位置和速度，重新计算粒子的适应度值；如果符合终止条件就反编码全局最优解获得支持向量机参数。，基金项目微型电脑应用 年第 卷第期图支持向量机参数优化流程 改进支持向量机的预测模型（）数据预处理预测就业率时受到多种因素影响，数据之间存在较大差距，随机性与非线性较强，之间的数据最能导致支持向量机敏感，先 对 数 据 归 一 化 处 理 再 输 入 到 支 持 向 量 机 中训练：（）归一化处理预测结果，再将预测结果恢复成真实值：（）（）其中，表示原始数据，表示就业率的极大值，表示就业率的极小值。（）模型的输入与输出结构使用函数关系表示混沌理论相空间的某个相点向下个相点演变：（）（）相点的前个分量均为已经获知的数据，为使模型更简洁，构建一个预测器（映射），也就是（）。韦氏数据具有动力学行为，将非线性映射与支持向量机拟合，相空间饱和嵌入维数作为输入节点的数目，仅有一个输出节点。（）为提升基于支持向量机的就业率预测模型的泛化推理能力，模型训练样本为预测中心的个邻近点，依据欧式距离标准获得邻近相点：（，）（）其中，与 分别表示预测中心相点与的第个邻近相点。（）模型预测步骤基于混沌理论与支持向量机的就业率预测如下：步骤预处理原始数据；步骤构建基于支持向量机的就业率预测模型输入向量与输出变量，选取样本时使用邻近算法，构建样本训练集；步骤训练模型：使用混沌粒子优化基于支持向量机的就业率预测模型参数，训练数据样本集；步骤实现预测：在步骤训练获得的改进支持向量机就业率预测模型中代入预测中心点数据，获得就业率预测值。结果分析以某高校作为研究对象，收集该校历届毕业生就业数据。该大学是我国著名 重点大学，近十年就业率保持在 以上。在计算机中搭建测试平台，在该测试平台中同时使用同类预测模型：灰色预测模型（对比方法）和立体数据预测模型（对比方法）作为实验对照，这个对照方法分别为参考文献 与参考文献 中的方法。为验证混沌算法的寻优情况，使用 测试函数开展测试实验，比较种方法的寻优搜索变化情况，结果见图。从图中能够看出，测试函数实验中，本文方法展现出更加优异的全局搜索能力与更加快速的收敛速度，这主要是由于本文方法混沌优化过程中使用越界处理，具有精搜索能力，能够实现快速寻优，因此在函数测试中具有更加优异的效果。从图中能够明显看出，种对比方法收敛速度较慢且寻优能力较差，在函数测试中不具备优势。图函数最优值变化趋势使用 年至 年这 年的就业率数据作为训练样本对模型训练，训练对比结果见图。从图中能够看出，本文方法训练样本时，可以迅速收敛，迭代次数小于 次，训练曲线趋于平稳，说明本文方法具有较好的样本训练效果，以及较低模型计算复杂度。图支持向量机模型训练过程训练过程时间消耗对比结果见图。从图中能够看出，本文方法只需要较短时间就能完成模型训练，说明本文方法效率较高。种对比方法所耗费的驯良时间较长，影响预测效率。图训练时间消耗对比收集研究对象近十年的就业率，使用本文方法对实验对象的就业率实行预测，将预测结果与实际对比，验证预测结果与实际值之间的均方误差与平均百分比误差，同时将本文方法与单独使用混沌理论预测就业率方法以及单独使用支持向量机的就业率预测方法相对比，结果见图。从图中能够看出，单纯使用混沌理论或者单纯使用支持向量机对研 ，基金项目微型电脑应用 年第 卷第期究对象毕业生就业率均方误差与平均百分比误差均较高，说明单独使用一种方法预测毕业生就业率存在不够精准的情况，而本文方法综合混沌理论与支持向量机的优点对高校毕业生就业率实行预测，误差指标均较低，由此可以看出，使用本文方法预测就业率时具有较高的准确率。（）均方误差（）平均百分比误差图误差指标比较总结预测高校毕业生就业率，能够有利于高校制定教学管理计划与教学任务，是目前高校广泛研究的内容。为了降低高校毕业生的就业率预测误差，本文研究基于混沌理论与支持向量机的就业率预测方法。考虑到就业率预测的非线性特点，运用混沌理论优化支持向量机参数，在解空间搜索，跳出局部最优，实现高效率搜索。在支持向量机中训练数据集，训练模型中代入预测中心点数据实现最终就业率预测。将某高校历届毕业生数据作为研究对象开展实验，与同类方法相比，本文方法能够实现快速收敛与快速寻优，且样本训练时间较快。经过验证，本文方法在预测高校毕业生就业率时具有较高精度。参考文献吕宏玉，杨建林基于在线评论的就业行业情报挖掘研究：以图书情报专业求职者为例 情报理论与实践，（）：孙佳特，於文博 基于职业生涯指导下大学生就业价值取向研究福建茶叶，（）：李勇杰，秦艳辉基于混沌理论及 的新能源出力短期预测方法水电能源科学，（）：白春江，崔万照，李军 基于混沌理论的无源互调功率预测研究 电子与信息学报，（）：韦师基于灰色预测模型的我国就业发展趋势分析统计与决策，（）：吕同双，王洪国，刘迎港，等基于立体数据的高校学生就业去 向 预 测 方 法 计 算 机 集 成 制 造 系 统，（）：黄发明，殷坤龙，杨背背，等基于时间序列分解和多变量混沌模型的滑坡阶跃式位移预测地球科学，（）：田慧明，吴成茂，田小平基于混沌理论和整数变换的可逆信息隐藏计算机工程与应用，（）：李飞，蒋敏兰基于支持向量机回归的蛋鸡产蛋率预测模型江苏农业科学，（）：王宏刚，王姗姗，姚佳，等基于邻域粗糙集与支持向量机的射频识别系统识别率预测计算机集成制造系统，（）：袁义生，