基于人工神经网络的山东省就业分析
发布时间：2022-02-17 18:04
山东省是我国的人口大省,随着人口数目的不断增长,就业形势越来越严峻,因此如何对就业人数进行分析,准确预测就业人数就显得尤为重要。本文分别运用Pearson相关系数和主成分分析的方法选择影响山东省就业人数的因素,构建BP神经网络模型对就业人数进行预测,并与残差自回归模型的预测结果进行了对比分析。本文借助BP神经网络对山东省就业人数进行预测分析。论文选取2000年至2018年相关指标的年度数据,确定了总人口数、第一产业产值、第二产业产值、第三产业产值、全社会固定资产投资额、人均地区生产总值、职工基本养老保险参保人数、居民消费价格总指数、城镇居民可支配收入、农村居民收入、普通高等教育毕业生数,共11个指标来研究其对山东省就业人数的影响。首先,文章利用Pearson相关系数对影响因素进行分析,将2000年至2015年的变量数据作为训练集建立BP神经网络模型,模型训练结果的平均相对误差为0.14%,利用模型对2016年至2018年山东省就业人数进行预测,通过计算预测值与真实值之间的相对误差,得到相对误差均小于8%,平均相对误差为3%,预测值的相对误差波动较小。其次,运用主成分分析的方法将11个原...
【文章来源】：山东师范大学山东省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
三层BP神经网络结构示意图
山东师范大学硕士学位论文17BP神经网络要求转移函数处处可微，因此选取Sigmoid函数作为转移函数。Sigmoid函数的输出形式类似生物神经元的信号输出，它的非线性特征可以提高神经网络的非线性映射能力。运用R软件中的neuralnet函数构建BP神经网络模型，在建立模型前需要对neuralnet函数参数进行设置，神经网络阈值的取值范围为[-1,1]，通过随机产生将阈值的初值设置为0.005。学习速率的取值目前没有确切的理论规定，通常的取值范围为[0.1,1]。如果学习速率太小，网络的收敛速度会非常慢；如果学习速率太大，又会使网络出现震荡而无法收敛，因此本文将学习速率的初值设置为0.1。2.4BP神经网络模型预测及结果分析（1）模型训练效果通过对训练样本进行学习，得到神经网络模型的结构图如下：通过使用R软件中的添加包NeuralNetTools,可以运用garson算法获得神经网络中的输入变量的相对重要性，结果如下图所示：图2-2BP神经网络结构图
山东师范大学硕士学位论文18由上图可以看出各个变量对模型输出预测的重要性各不相同，其中，变量5x全社会固定资产投资额对就业人数的影响最大，对模型建立有重要作用。上图是模型训练的预测结果与真实值的对比图，其中，蓝色菱形代表真实值，红色圆圈代表预测值，通过对比结果可以看出BP神经网络模型的预测结果和真实值之间的误差微小，变化趋势基本相同，说明训练得到的模型较为准确。为进一步验证模型的准确性，运用R软件计算了模型训练结果的平均相对误差为0.14%，平均相对误差较小，如图2-5所示，说明模型训练效果较好。图2-3输入变量相对重要性比例图图2-4模型训练结果图
【参考文献】：
期刊论文
[1]影响我国城镇就业人口数的因素分析[J]. 张婷,王宇鹏. 中外企业家. 2019(21)
[2]基于PCA-BP神经网络的就业人口预测[J]. 唐贤芳,刘小刚,崔岩. 微型电脑应用. 2019(07)
[3]我国全社会固定资产投资对GDP的影响分析[J]. 毛琳. 农村经济与科技. 2019(12)
[4]基于PCA-BP神经网络的高校毕业生失业率预测模型实证研究[J]. 刘照. 河北大学学报(自然科学版). 2018(01)
[5]基于BP神经网络的广东省第三产业就业人口数量预测研究[J]. 刘天麒. 无线互联科技. 2017(19)
[6]一种基于BP神经网络的就业分析预测模型[J]. 吴振磊,刘孝赵. 轻工科技. 2016(09)
[7]提高BP神经网络学习速率的算法研究[J]. 李志伟. 考试周刊. 2016(21)
[8]BP神经网络在大学毕业生就业率预测中的研究与应用[J]. 马丹丹,于占龙,刘越. 佳木斯大学学报(自然科学版). 2014(05)
[9]城镇劳动就业影响因素的实证研究——基于主成分分析法和VAR模型的分析[J]. 赵利,潘志远,王东霞. 宏观经济研究. 2014(05)
[10]BP神经网络模型与学习算法[J]. 樊振宇. 软件导刊. 2011(07)
硕士论文
[1]基于模糊神经网络的P2P网络贷款信用风险评估研究[D]. 王升云.湖南大学 2017
[2]吉林省流动人口就业及其影响因素分析[D]. 谢慧言.吉林大学 2015
[3]湖南省土地利用分区研究[D]. 刘琼.湖南师范大学 2013
[4]基于因果关系理论与BP神经网络整合模型的就业研究[D]. 王婧.西安建筑科技大学 2008
本文编号：3629867
【文章来源】：山东师范大学山东省
【文章页数】：57 页
【学位级别】：硕士
【部分图文】：
三层BP神经网络结构示意图
山东师范大学硕士学位论文17BP神经网络要求转移函数处处可微，因此选取Sigmoid函数作为转移函数。Sigmoid函数的输出形式类似生物神经元的信号输出，它的非线性特征可以提高神经网络的非线性映射能力。运用R软件中的neuralnet函数构建BP神经网络模型，在建立模型前需要对neuralnet函数参数进行设置，神经网络阈值的取值范围为[-1,1]，通过随机产生将阈值的初值设置为0.005。学习速率的取值目前没有确切的理论规定，通常的取值范围为[0.1,1]。如果学习速率太小，网络的收敛速度会非常慢；如果学习速率太大，又会使网络出现震荡而无法收敛，因此本文将学习速率的初值设置为0.1。2.4BP神经网络模型预测及结果分析（1）模型训练效果通过对训练样本进行学习，得到神经网络模型的结构图如下：通过使用R软件中的添加包NeuralNetTools,可以运用garson算法获得神经网络中的输入变量的相对重要性，结果如下图所示：图2-2BP神经网络结构图
山东师范大学硕士学位论文18由上图可以看出各个变量对模型输出预测的重要性各不相同，其中，变量5x全社会固定资产投资额对就业人数的影响最大，对模型建立有重要作用。上图是模型训练的预测结果与真实值的对比图，其中，蓝色菱形代表真实值，红色圆圈代表预测值，通过对比结果可以看出BP神经网络模型的预测结果和真实值之间的误差微小，变化趋势基本相同，说明训练得到的模型较为准确。为进一步验证模型的准确性，运用R软件计算了模型训练结果的平均相对误差为0.14%，平均相对误差较小，如图2-5所示，说明模型训练效果较好。图2-3输入变量相对重要性比例图图2-4模型训练结果图
【参考文献】：
期刊论文
[1]影响我国城镇就业人口数的因素分析[J]. 张婷,王宇鹏. 中外企业家. 2019(21)
[2]基于PCA-BP神经网络的就业人口预测[J]. 唐贤芳,刘小刚,崔岩. 微型电脑应用. 2019(07)
[3]我国全社会固定资产投资对GDP的影响分析[J]. 毛琳. 农村经济与科技. 2019(12)
[4]基于PCA-BP神经网络的高校毕业生失业率预测模型实证研究[J]. 刘照. 河北大学学报(自然科学版). 2018(01)
[5]基于BP神经网络的广东省第三产业就业人口数量预测研究[J]. 刘天麒. 无线互联科技. 2017(19)
[6]一种基于BP神经网络的就业分析预测模型[J]. 吴振磊,刘孝赵. 轻工科技. 2016(09)
[7]提高BP神经网络学习速率的算法研究[J]. 李志伟. 考试周刊. 2016(21)
[8]BP神经网络在大学毕业生就业率预测中的研究与应用[J]. 马丹丹,于占龙,刘越. 佳木斯大学学报(自然科学版). 2014(05)
[9]城镇劳动就业影响因素的实证研究——基于主成分分析法和VAR模型的分析[J]. 赵利,潘志远,王东霞. 宏观经济研究. 2014(05)
[10]BP神经网络模型与学习算法[J]. 樊振宇. 软件导刊. 2011(07)
硕士论文
[1]基于模糊神经网络的P2P网络贷款信用风险评估研究[D]. 王升云.湖南大学 2017
[2]吉林省流动人口就业及其影响因素分析[D]. 谢慧言.吉林大学 2015
[3]湖南省土地利用分区研究[D]. 刘琼.湖南师范大学 2013
[4]基于因果关系理论与BP神经网络整合模型的就业研究[D]. 王婧.西安建筑科技大学 2008
本文编号：3629867
本文链接：https://www.wllwen.com/shekelunwen/shekexiaolunwen/3629867.html
