黃博宇

(西安工程大學 服裝與藝術設計學院， 陜西 西安 710048)

0 引言

隨著大學不斷的擴招，大學生的數(shù)量急劇增加，這給大學畢業(yè)生就業(yè)帶來了一定的困難[1-2]。而大學畢業(yè)就業(yè)率對于社會穩(wěn)定、大學的發(fā)展都起著舉足輕重的作用。因此，大學畢業(yè)生就業(yè)預測研究成為當前的熱點問題[2]。

近十多年來，國內(nèi)一些學者和專家以及一些研究機構對大學畢業(yè)生就業(yè)問題進行了一系列的分析，提出了許多有效的大學畢業(yè)生就業(yè)預測模型[4-6]，如線性回歸模型、灰色理論的GM(1,1)模型、神經(jīng)網(wǎng)絡、支持向量機等，其中線性回歸模型、灰色理論的GM(1,1)模型只能描述大學畢業(yè)生就業(yè)的線性變化特點，使得大學畢業(yè)生就業(yè)預測誤差相當大，無法滿足大學的發(fā)展要求。神經(jīng)網(wǎng)絡雖然有比較好的非線性建模能力，但是其要求大學畢業(yè)生就業(yè)的歷史數(shù)據(jù)多，使得大學畢業(yè)生就業(yè)成本高，而且大學畢業(yè)生就業(yè)歷史樣本實際很少，而且神經(jīng)網(wǎng)絡本身的結構比較復雜，使得大學畢業(yè)生就業(yè)預測結果不穩(wěn)定[7-9]。支持向量機的大學畢業(yè)生就業(yè)預測效果要優(yōu)于其他方法，是一種大數(shù)據(jù)分析技術，但是其參數(shù)影響大學畢業(yè)生就業(yè)預測結果，如何確定最優(yōu)參數(shù)是關鍵[10]。

針對當前大學畢業(yè)生就業(yè)預測精度低、效率低等缺陷，為了獲取更優(yōu)的大學畢業(yè)生就業(yè)預測結果，提出基于數(shù)據(jù)挖掘的大學畢業(yè)生就業(yè)預測模型，在MATLAB 2019的平臺下對大學畢業(yè)生就業(yè)預測模型的性能進行了仿真對比測試，驗證了本文模型的優(yōu)越性。

1 基于數(shù)據(jù)挖掘的大學畢業(yè)生就業(yè)預測模型設計

1.1 基于數(shù)據(jù)挖掘的大學畢業(yè)生就業(yè)預測模型工作原理

數(shù)據(jù)挖掘的大學畢業(yè)生就業(yè)預測模型工作原理為：首先對一個大學畢業(yè)生就業(yè)的歷史數(shù)據(jù)進行收集，然后采用ACO算法確定SVM的相關參數(shù)最優(yōu)值，最后SVM根據(jù)參數(shù)的最優(yōu)值建立大學畢業(yè)生就業(yè)預測模型，并對將來一段時間的大學畢業(yè)生就業(yè)進行估計，如圖1所示。

圖1 大學畢業(yè)生就業(yè)預測模型工作原理

1.2 支持向量機

f(x)=ωTφ(x)+b

(1)

對式(1)進行轉換，得到一個帶約束的優(yōu)化形式,如式(2)。

(2)

式中，C為懲罰參數(shù)；n表示歷史數(shù)據(jù)的數(shù)量;ξ表示松弛因子。

引入拉格朗日乘子αi建立式(2)的對偶形式，從而建立拉格朗日方程，具體如式(3)。

(3)

將式(3)轉成對偶形式，即有式(4)。

(4)

這樣得到支持向量的回歸估計函數(shù)為式(5)。

(5)

采用核函數(shù)k(xi,x)代替(φ(xi),φ(x))，式(5)變?yōu)槭?6)。

(6)

k(xi,x)定義如式(7)。

當?shù)装遄钔饩壚瓚_到235 MPa時底板的剪力滯系數(shù)分布圖如圖13所示。此時，塑性階段的剪力滯系數(shù)是通過數(shù)值計算的結果除以屈服應力235 MPa得到。從ANSYS中提取固端正應力結果后，此時底板最外側幾個點的正應力已經(jīng)超過屈服應力235 MPa，其他大部分點均未達到屈服應力，說明在這種均布荷載作用下各點的剪力滯系數(shù)與彈性階段剪力滯系數(shù)分布都差不多，同時截面的應力分布還處于彈性階段的狀態(tài)，模型的塑性變形不明顯，主要是彈性階段的變形。

(7)

式中，σ為核寬度。

參數(shù)σ和C對SVM的大學畢業(yè)就業(yè)分析時，它們影響大學畢業(yè)就業(yè)分析效果，采用蟻群算法對參數(shù)σ和C進行優(yōu)化。

1.3 蟻群算法(ACO)

螞蟻初始位置為Xi(xi1,xi2,…,xid)，第i只螞蟻的初始信息素計算式為式(8)。

Δτ(i)=exp(-f′(xi))

(8)

當f(xi)無限大時，信息素濃度會向零靠近，所以f(xi)進行相應的修正，具體如式(9)。

(9)

式中，avg為f(xi)的均值。

當一只螞蟻在完成一次搜索后，根據(jù)移動規(guī)則進行下一次搜索，具體為：選擇p個螞蟻，計算它們的信息素濃度，將信息素濃度最大個體作為目標如式(10)。

(10)

式中，Xbest為上次搜索過程中的最優(yōu)解。

由于信息素濃度越大，吸引程度越大，所以第i只螞蟻向目標螞蟻位置移動。當整個蟻群完成一次搜索后，對信息素進行更新操作，具體如式(11)。

τ(i)=(1-ρ)τ(i)+Δτ(i)

(11)

式中，ρ為信息素的揮發(fā)因子。

1.4 數(shù)據(jù)挖掘的大學畢業(yè)生就業(yè)預測步驟

Step1：選擇多個大學作為畢業(yè)就業(yè)狀況預測對象，并對其大學畢業(yè)就業(yè)歷史數(shù)據(jù)進行采集。

Step2：大學畢業(yè)生就業(yè)與多種因素相關，如大學本身的層次、大學專業(yè)、大學所處的地理位置等，使各個大學畢業(yè)就業(yè)歷史數(shù)據(jù)的值差異比較大，如果直接輸入到SVM進行學習，使得SVM的訓練效率低，因此對其進行歸一化操作，具體為式(12)。

(12)

式中，yi,j表示第i個大學第j年的就業(yè)歷史數(shù)據(jù)值；max和min分別表示整個大學畢業(yè)就業(yè)數(shù)據(jù)的最大值和最小值。

Step3：選擇一部分大學畢業(yè)就業(yè)歷史數(shù)據(jù)，將它們組合在一起形成大學畢業(yè)就業(yè)分析的訓練樣本，用于確定SVM的參數(shù)值。

Step4：將校畢業(yè)就業(yè)分析的訓練樣本輸入到SVM，采用ACO算法確定SVM的參數(shù)最優(yōu)值。

Step5：根據(jù)參數(shù)最優(yōu)值，SVM重新對校畢業(yè)就業(yè)分析的訓練樣本學習，建立大學畢業(yè)就業(yè)分析模型，并可以對將來幾年的大學畢業(yè)就業(yè)狀態(tài)進行預測和分析。

2 大學畢業(yè)生就業(yè)預測的實例分析

2.1 數(shù)據(jù)來源

數(shù)據(jù)挖掘的大學畢業(yè)生就業(yè)預測模型(ACO-SVM)的性能，對其進行仿真測試，首先設置仿真測試環(huán)境，包括硬件環(huán)境和軟件，在相同測試環(huán)境下，選擇蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡(ACO-BPNN)、傳統(tǒng)支持向量機(SVM)、深度學習算法中的卷積神經(jīng)網(wǎng)絡(CNN)進行對比測試，以驗證本文模型的優(yōu)越性。采用大學畢業(yè)生就業(yè)預測精度以及建模時間作為性能評估標準。

為了使大學畢業(yè)生就業(yè)預測結果具有較強的說服力，選擇全國4類大學作為測試數(shù)據(jù)，收集它們畢業(yè)就業(yè)數(shù)據(jù)，4類大學分別為985、211大學、一本大學、二本學院和大專，它們歷史數(shù)據(jù)具體如表1所示。

表1 畢業(yè)就業(yè)狀況預測的實驗數(shù)據(jù)

沒有列出影響因素，訓練樣本數(shù)量和測試樣本數(shù)的比例為5∶1。

2.2 大學畢業(yè)生就業(yè)預測精度對比

采用4種大學畢業(yè)生就業(yè)預測模型對表1的實驗數(shù)據(jù)進行建模與分析，得到4類大學的畢業(yè)就業(yè)狀況預測精度如圖2所示。

圖2 大學畢業(yè)生就業(yè)預測精度對比

對圖2的大學畢業(yè)生就業(yè)預測精度分析，可得以下結論。

(1) ACO-BPNN的大學畢業(yè)生就業(yè)預測精度最低，說明ACO-BPNN無法準確描述大學畢業(yè)生就業(yè)變化特點，導致分析誤差最大。

(2) SVM的大學畢業(yè)生就業(yè)預測精度要高于ACO-BPNN，主要是因為SVM的泛化能力要強于BP神經(jīng)網(wǎng)絡，沒有BP神經(jīng)網(wǎng)絡建模的限制條件，減少了大學畢業(yè)生就業(yè)預測誤差。

(3) CNN的就業(yè)預測精度要優(yōu)于SVM以及ACO-BPNN，因為其屬于當前流行的深度學習算法，具有較好的擬合和建模能力，但是其預測效果也要差于ACO-SVM，這是因為CNN同樣也存在參數(shù)優(yōu)化問題，這是下一階段要解決的問題。

(4) ACO-SVM的大學畢業(yè)生就業(yè)預測精度要大幅度高于對比模型，這表明ACO-SVM較好的克服了當前模型存在大學畢業(yè)生就業(yè)預測誤差大，很好地描述了大學畢業(yè)生就業(yè)變化特點，驗證了ACO-SVM的優(yōu)越性。

2.3 大學畢業(yè)生就業(yè)預測效率對比

ACO-SVM的大學畢業(yè)生就業(yè)預測模型與對比模型的訓練時間和測試時間如表2所示。

由表2可以看出，SVM的大學畢業(yè)生就業(yè)預測總時間最長，大學畢業(yè)生就業(yè)預測效率最低，其次為ACO-BPNN，這是因為BP神經(jīng)網(wǎng)絡的收斂速度慢，建模效率較低，大學畢業(yè)生就業(yè)預測效率最高者為ACO-SVM，加快了大學畢業(yè)生就業(yè)預測速度。

表2 預測模型的訓練和測試時間對比

3 總結

為了獲取更優(yōu)的大學畢業(yè)生就業(yè)預測結果，提出基于數(shù)據(jù)挖掘的大學畢業(yè)生就業(yè)預測模型。對比測試結果表明，數(shù)據(jù)挖掘大學畢業(yè)生就業(yè)預測精度達到了90%以上，減少了大學畢業(yè)生就業(yè)預測誤差，大學畢業(yè)生就業(yè)預測時間短，獲得理想的大學畢業(yè)生就業(yè)預測結果。