一种农科研究生就业趋向预测方法及系统

摘要

本发明涉及一种农科研究生就业趋向预测方法及系统，涉及农科研究生就业领域，利用已毕业农科研究生信息数据建立样本数据库，训练支持向量机模型，利用粒子群算法对支持向量机的惩罚因子和核函数进行寻优，从而利用支持向量机对数据进行分析训练，有效提高了预测精度和处理速度，解决了现有技术中通过人为分析的方式或者其他算法来统计就业趋向，存在的预测精度低，且处理速度慢的问题。

说明书

技术领域

本发明涉及农科研究生就业领域，特别是涉及一种基于乡村振兴视角的农科研究生就业趋向预测方法及系统。

背景技术

现有的预测方法是通过人为分析的方式或者其他算法来统计就业趋向，存在预测精度低，且处理速度慢的问题。

因此，本领域亟需一种处理速度快，预测精度高的技术方案。

发明内容

本发明的目的是提供一种基于乡村振兴视角的农科研究生就业趋向预测方法及系统，利用支持向量机对数据进行分析训练，有效提高了预测精度和处理速度，解决了现有技术中通过人为分析的方式或者其他算法来统计就业趋向，存在的预测精度低，且处理速度慢的问题。

为实现上述目的，本发明提供了如下方案：

一方面，本发明提供了一种农科研究生就业趋向预测方法，所述方法包括：

获取已毕业农科研究生信息数据；

利用所述已毕业农科研究生信息数据建立样本数据库；

利用所述样本数据库训练支持向量机模型，利用粒子群算法对支持向量机的惩罚因子和核函数进行寻优，得到农科就业支持向量机模型；所述农科就业支持向量机模型输入为已毕业农科研究生信息数据，输出为已毕业农科研究生就业情况；所述已毕业农科研究生就业情况包括工作岗位；

将待毕业农科研究生数据输入所述农科就业支持向量机模型，得到工作岗位；

根据所述工作岗位预测对应待毕业农科研究生的就业趋向。

在一些实施例中，所述获取已毕业农科研究生信息数据，具体包括：

对研究生信息管理系统中的农科研究生信息数据进行筛选处理，挑选出已毕业的农科研究生信息数据。

在一些实施例中，在所述获取已毕业农科研究生信息数据之后，还包括：

利用Kettle、Informatica或者Datastage整合所述已毕业农科研究生信息数据。

在一些实施例中，在所述获取已毕业农科研究生信息数据之后，还包括：

对所述已毕业农科研究生信息数据进行数据清洗、数据校验、数据对齐以及数据删除。

在一些实施例中，所述支持向量机模型为：

其中，m为样本的个数，ω为待学习的模型参数；C为大于0的正则化常数；l(h(x

在一些实施例中，所述根据所述工作岗位预测对应待毕业农科研究生的就业趋向，具体包括：

获取有招聘需求的岗位，得到招聘岗位；

将所述工作岗位与所述招聘岗位进行对比分析，得到就业趋向。

另一方面，本发明还提供了一种农科研究生就业趋向预测系统，所述系统包括：

数据筛选模块，用于获取已毕业农科研究生信息数据；

样本数据库模块，用于利用所述已毕业农科研究生信息数据建立样本数据库；

模型训练模块，用于模型训练模块，用于利用所述样本数据库训练支持向量机模型，利用粒子群算法对支持向量机的惩罚因子和核函数进行寻优，得到农科就业支持向量机模型；所述农科就业支持向量机模型输入为已毕业农科研究生信息数据，输出为已毕业农科研究生就业情况；所述已毕业农科研究生就业情况包括工作岗位；

数据分析模块，用于将待毕业农科研究生数据输入所述农科就业支持向量机模型，得到工作岗位；

数据导出模块，用于根据所述工作岗位预测对应待毕业农科研究生的就业趋向。

在一些实施例中，还包括：

数据整合模块，用于利用Kettle、Informatica或者Datastage整合所述已毕业农科研究生信息数据。

在一些实施例中，还包括：

数据处理模块，用于对所述已毕业农科研究生信息数据进行数据清洗、数据校验、数据对齐以及数据删除。

在一些实施例中，所述支持向量机模型为：

其中，m为样本的个数，ω为待学习的模型参数；C为大于0的正则化常数；l(h(x

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明利用已毕业农科研究生信息数据建立样本数据库，训练支持向量机模型，利用粒子群算法对支持向量机的惩罚因子和核函数进行寻优，从而利用支持向量机对数据进行分析训练，有效提高了预测精度和处理速度，解决了现有技术中通过人为分析的方式或者其他算法来统计就业趋向，存在的预测精度低，且处理速度慢的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例一提供的农科研究生就业趋向预测方法流程图。

图2为本发明实施例二提供的农科研究生就业趋向预测系统的框图。

图3为本发明实施例三提供的农科研究生就业趋向预测系统的框图。

图4为本发明实施例三提供的数据处理模块的框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于乡村振兴视角的农科研究生就业趋向预测方法及系统，利用支持向量机对数据进行分析训练，有效提高了预测精度和处理速度，解决了现有技术中通过人为分析的方式或者其他算法来统计就业趋向，存在的预测精度低，且处理速度慢的问题。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一：

如图1所示，本实施例提供了一种农科研究生就业趋向预测方法，该方法包括：

S1、获取已毕业农科研究生信息数据。

将研究生信息管理系统中的农科研究生的信息数据进行筛选处理，挑选出已毕业的农科研究生，所述农科研究生的信息数据包括研究生信息管理系统中的已毕业农科研究生和未毕业农科研究生的个人信息，从中选取出已毕业农科研究生的数据，并从已毕业农科研究生的数据中筛选出能够用来作为训练样本的数据样本。

获取已毕业农科研究生信息数据之后，将挑选出来的已毕业的农科研究生的各项数据进行整合，并选取符合要求的样本，所述已毕业农科毕业研究生数据包括性别、政治面貌、生源地、成绩、入学方式、本科院校、学位类型、科研能力、奖学金获奖等级及次数、竞赛获奖等级及次数、实习时长等信息数据，对这些数据进行初步整合，数据整合采用Kettle、Informatica、Datastage中的任意一种方式进行。

然而对整合后的已毕业农科研究生信息数据进行数据清洗、数据校验、数据对齐以及数据删除，数据删除的是数据处理中错误的数据。

S2、利用所述已毕业农科研究生信息数据建立样本数据库。

对上述处理后的已毕业农科研究生信息数据进行整合，并建立样本数据库，此处的整合，是对处理过后的数据进行整合，上述的整合是对其现有数据的整合。

S3、利用所述样本数据库训练支持向量机模型，利用粒子群算法对支持向量机的惩罚因子和核函数进行寻优，得到农科就业支持向量机模型；所述农科就业支持向量机模型输入为已毕业农科研究生信息数据，输出为已毕业农科研究生就业情况；所述已毕业农科研究生就业情况包括工作岗位；

采用标准算法建立支持向量机模型，所述支持向量机模型为：

其中，m为样本的个数，ω为待学习的模型参数；C为大于0的正则化常数；l(h(x

s.t.y

由上式得到的决策边界可以对任意样本进行分类。虽然超平面法向量是唯一优化目标，但学习数据和超平面的截距通过约束条件影响了该优化问题的求解。

将样本数据库中的样本放入支持向量机模型中进行训练。

训练过程中，通过粒子群算法对支持向量机的惩罚因子和核函数进行寻优，粒子群算法通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个“极值”来更新自己，第一个就是粒子本身所找到的最优解，这个解叫做个体极值 pBest，另一个极值是整个种群找到的最优解，这个极值是全局极值gBest，在找到这两个最优值时，粒子根据如下的公式来更新自己的速度和新的位置：

v[]＝v[]+c1*rand()*(pbest-present[])+c2*rand()*(gbest-present[])

present[]＝present[]+v[]

v[]是粒子的速度，present[]是当前粒子的位置，pbest[]和gbest[]如前定义，rand()是介于(0,1)之间的随机数，c1、c2是学习因子，通常c1＝c2＝2，得到一个最优解模型，支持向量机中惩罚因子越大，对目标函数的损失也越大，惩罚因子过大可能退化为硬间隔问题，而惩罚因子过小则错分的可能性变大，对样本的拟合性下降。

对于非线性问题，需要选择一个最优的核函数，因此，在模型的训练中就需要用粒子群算法对不同的惩罚因子和核函数进行寻优，获得最优解，在检测模型准确度和合理性时，将需要进行测试的检验向量写入程序。

S4、将待毕业农科研究生数据输入所述农科就业支持向量机模型，得到工作岗位。

将筛选出来的毕业生数据代入上述支持向量机模型，并生成对应的工作岗位，同时将训练出的训练结果与期望数据进行比较，找到其对应的就业分类结果。

S5、根据所述工作岗位预测对应待毕业农科研究生的就业趋向。

获取有招聘需求的岗位，得到招聘岗位；将所述工作岗位与所述招聘岗位进行对比分析，得到就业趋向。

将乡村岗位通过筛选的方式，将有人员需求的岗位选出来，将乡村岗位信息导入支持向量机模型中，同时对毕业农科研究生的条件进行分析，并将待测数据导入该训练好的模型，得到每个农科毕业研究生最合适的就业趋向。将每个岗位和与岗位最匹配的农科毕业研究生信息一起导出，并生成就业趋向。

本实施例通过对每个农科研究生的各项情况进行分析整理，并结合乡村振兴岗位进行结合，选取出每个毕业研究生最合适的就业趋向，使每个农科研究生都能寻找到最合适的岗位，提高预测精度，并提高预测速度。

综上所述，该发明不仅可以对每个农科研究生的各项情况进行分析整理，并结合乡村振兴岗位进行结合，选取出每个毕业研究生最合适的就业趋向，且增加了预测精度和预测效率，解决了现有的部分农科研究生无法根据本身情况寻找到合适的岗位，且存在普通的预测方法，预测精度低，处理效果慢的问题。

实施例二：

如图2所示，本实施例提供了一种农科研究生就业趋向预测系统，该系统包括：

数据筛选模块M1，用于获取已毕业农科研究生信息数据。

样本数据库模块M2，用于利用所述已毕业农科研究生信息数据建立样本数据库。

模型训练模块M3，用于模型训练模块，用于利用所述样本数据库训练支持向量机模型，利用粒子群算法对支持向量机的惩罚因子和核函数进行寻优，得到农科就业支持向量机模型；所述农科就业支持向量机模型输入为已毕业农科研究生信息数据，输出为已毕业农科研究生就业情况；所述已毕业农科研究生就业情况包括工作岗位。

所述支持向量机模型为：

其中，m为样本的个数，ω为待学习的模型参数；C为大于0的正则化常数；l(h(x

数据分析模块M4，用于将待毕业农科研究生数据输入所述农科就业支持向量机模型，得到工作岗位；

数据导出模块M5，用于根据所述工作岗位预测对应待毕业农科研究生的就业趋向。

还包括：数据整合模块和数据处理模块。

数据整合模块，用于利用Kettle、Informatica或者Datastage整合所述已毕业农科研究生信息数据。

数据处理模块，用于对所述已毕业农科研究生信息数据进行数据清洗、数据校验、数据对齐以及数据删除。

实施例三：

如图3所示，本实施例提供了一种基于乡村振兴视角的农科研究生就业趋向预测系统，包括以下部分：

数据库，用于研究生信息管理系统中的信息储存，所述数据库与数据筛选模块相连接；

数据筛选模块，用于数据库中的研究生信息筛选，从中提取符合要求的样本数据，所述数据筛选模块与数据整合模块相连接；

数据整合模块，用于对数据筛选模块中筛选出的样本数据进行整合，使数据成为整体，所述数据整合模块与数据处理模块相连接；

数据处理模块，用于样本数据的处理，使数据更加清洁，所述数据处理模块与样本数据库相连接；数据处理模块如图4所示。

样本数据库，用于处理好样本数据的存储工作；

乡村岗位分析模块，用于对乡村岗位情况进行分析处理，所述乡村岗位分析模块与支持向量机模型相连接；

数据分析模块，用于对样本数据库中的样本数据进行分析处理，所述数据分析模块与支持向量机模型相连接；

支持向量机模型，用于对样本数据的训练和乡村岗位信息进行匹配，同时对农科研究生的就业趋向进行预测与分析，所述支持向量机模型与样本数据库连接。

数据导出模块，用于就业预测结果的导出，所述数据导出模块与支持向量机模块相连接。

所述数据整合模块整合的数据包括已毕业农科研究生的性别、政治面貌、生源地、成绩、入学方式、本科院校、学位类型、科研能力、奖学金获奖等级及次数、竞赛获奖等级及次数、实习时长等信息数据。

所述数据处理模块包括数据清洗模块、数据检验模块、数据对齐模块和数据删除模块；

所述数据清洗模块，用于样本数据的清洗，减少杂乱数据的影响，所述数据清洗模块与数据校验模块相连接；

所述数据校验模块，用于样本数据的校验，所述数据校验模块与数据对齐模块相连接；

所述数据删除模块，用于不符合要求的样本数据的删除；

所述数据清洗模块、数据校验模块、数据对齐模块以及数据删除模块依次进行。

综上所述：先将数据库中的农科研究生的信息数据进行提取然后通过数据筛选模块对选取出已毕业农科研究生的数据进行筛选，用来作为训练样本的数据样本，然后将挑选出来的已毕业的农科研究生的各项数据通过数据整合模块进行整合，并选取符合要求的样本，对选取出的样本数据通过数据处理模块进行处理，通过数据清洗模块、数据检验模块、数据对齐模块和数据删除模块依次进行数据清洗、数据校验、数据对齐以及数据删除，然后通过标准算法搭建支持向量机模型，并对支持向量机模型进行训练，然后通过乡村岗位分析模块对乡村岗位进行分析，将乡村岗位信息导入支持向量机模型中，同时通过数据分析模块对毕业农科研究生的条件进行分析，并将分析结果导入支持向量机模型中进行训练，得到每个农科毕业研究生最合适的就业趋向，然后将数据导出即可。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。