基于神经网络集成的失业预警方法

《基于神经网络集成的失业预警方法》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于神经网络集成的失业预警方法李宏李建武宋玉龙【内容提要】提出采用神经网络集成技术对中国失业预警系统进行建模，以克服当前失业预警系统建模中存在的小样本、高维度、非线性、噪音数据等难题。采用BP神经网络回归模型对失业率进行预测；基于两种集成技术Bagging与AdaBoost对多个神经网络进行集成，以获得比单个预测模型更好的精度与稳定性；最后基于广东省的社会经济调查数据进行了实证分析，实验结果表明：在对失业率的预测上，Bagging集成方法的预测效果优于Adaboost集成方法，也优于单个最好的神经网络模型。【关键词】失业预警神经网络集成BaggingAdaBoost

2、失业预警系统是在高失业率出现之前，预先报警的系统。该项研究对于当前我国构建和谐社会具有重要意义。2008年爆发的国际金融危机对中国就业造成了巨大冲击，更突出了失业预警系统研究的重要性。2008年1月1日开始施行的《中华人民共和国就业促进法》第四十二条明确规定：县级以上人民政府建立失业预警制度，对可能出现的较大规模的失业，实施预防、调节和控制。建立失业预警预案系统，可以及时分析和预测劳动力市场状况，为政府有效控制失业率上升，弥补劳动力市场调节功能的不足，进行劳动力市场宏观调控提供可靠的参考依据，从而有利于维护社会稳定和经济的健康发展。一、失业预警研究现状国外失业预警模

3、型主要建立在宏观社会经济预警系统建模的基础之上。1950年，穆尔(Moore)的扩散指数建模法和1960年希特金(Shiskin)的综合指数建模法成为当时美国构造社会经济预警系统的两大基本方法[1-3]。1982年，恩格尔(Engle)创造性地提出了ARCH(AutoRegressiveConditionalHeteroskedasticity)类模型[4]，对预警风险的评估方法进行了改进。在此基础上，博勒斯莱夫(Bollerslev)于1986提出了GARCH模型(GeneralizedARCH)[5]。1997年，卡明斯基(Kaminsky)等人提出了KLR信号

4、分析法[6]。1988年，本文作者李宏所在的劳动科学研究所失业预警课题组首次倡导“劳动部门应建立包括失业预警系统在内的六大劳动预警系统”[7]，该课题组于2001年完成了国家科委软科学研究项目“我国失业预警系统与就业对策研究(K97—10—50)”，系统地建立了失业预测的“回归模型”和“神经网络模型”，这些模型的特点是以失业人数或失业率作为因变量，采用了数学建模方法、大型数据库和计算机软件技术[8]。传统的失业预警建模方法往往采用单一的预测模型，面对失业预警建模的小样本、高维度、非线性等诸多难题，本文提出采用机器学习中的集成学习思想，对多个神经网络模型进行集成，以改

5、善失业预警的效果。二、BP神经网络[9]1986年，鲁迈哈特(Rumelhart)等学者提出多层感知器的反向传播(Backpropogation，BP)算法，这种学习算法使得多层感知器可以实现逼近任意复杂的非线性函数，其拓扑结构如图1所示。假设BP神经网络有M层，n维输入向量为xp=(xp1，xp2,…，xpn)T，用Nj表示第j层神经元的个数，目标输出为d维的向量Tp=(Tp1，Tp2，…，Tpd)T，实际输出为0p=(Op1，OP2，…，Opd)，显然NM=d，N0=n，Wjik表示连接从(j-1)层的第k个神经元到第j层的第i个神经元的权值，Yji表示第j层的

6、第i个神经元的输出，这样就有YMi=Opi。考虑第j层第i个神经元，如图2所示。三、神经网络集成神经网络集成旨在通过训练多个神经网络个体，通过把它们集成起来以获得比单个神经网络更好的分类或回归效果。主要有两种实现途径：Bagging(BootstrapAggregating)与Boosting。1．Bagging算法[9-11]Bagging是1996年由布赖曼(Breiman)提出的基于分类器或者回归机的集成技术，其目的是提高原始分类器的精度或回归机的稳定性。Bagging还可以减少方差来避免过拟合现象，可以用于任何学习算法或回归技术。假设训练样本集D由n个训练样

7、本组成，即{(xi，yi)，i=1，2，…，n}，有放回的从D中随机抽取k个规模为n的样本集合，记为S1，S2，…，Sk，这些样本集合被称为Bootstrap样本集合，其中每一个样本集合被称为原始训练样本的自展复制(BootstrapReplicate)。利用这k个训练样本，可以训练k个回归机，记为fi(x)，i=1，2，…，k，Bagging的结果是取这k个回归机的简单平均，即其中f(x)是集成的回归结果。2．Boostin9算法[9-11]最具代表性的Boosting算法是AdaBoost(AdaptiveBoosting)，需要按顺序训练一系列的神经网络，