APP下载

基于RNN 神经网络的人力资源管理风险预警模型∗

2020-10-09孙雪莹

计算机与数字工程 2020年7期
关键词:人力预警神经网络

徐 静 王 勃 孙雪莹

(1.陕西国防工业职业技术学院经济管理学院 西安 710300)(2.陕西国防工业职业技术学计算机与软件学院 西安710300)(3.西安电子科技大学物理与光电工程学院 西安 710071)

1 引言

随着经济高速发展,现代企业的人力资源成为市场竞争的核心资源,成为企业发展的动力支持。但是,与企业其他资源不同的是,人力资源在管理过程中将会面临多重风险,如招聘管理、考核管理等过程中存在的风险,企业如果忽视人力资源管理中的风险,将会给企业在运行过程中带来诸多的问题,最终造成不必要的损失。科学管理预警人力资源管理中的风险,对企业管理运行有重要的意义。建立基于GRU 神经网络的人力资源管理风险预警模型,该模型能够发挥它的容错、学习、自适应等优势,较为准确、完善、及时预警人力资源管理中的风险,提供给企业所需的人力资源整体需求框架,该模型具有较强的可行性。

2 基于GRU 神经网络的人力资源管理风险预警模型的理论基础

2.1 人力资源管理风险预警的内涵

人力资源管理风险是企业发展过程中不可避免的,越来越多的企业已经认识到人力资源管理在企业发展中的重要作用,其主要面临的风险表现在人力资源流失风险,薪酬管理风险,绩效考核管理等风险。企业应当在运行过程中,建立预警机制模型,精细化相关风险指标,及时确定人力资源管理中不利因素,快速预警其风险,获取系统、全面的有效数据,及时使用有效改进、调整措施,提升员工的工作积极性,进而有效保障企业快速发展。

2.2 RNN神经网络的基本原理

RNN(Recurrent Neural Network)神经网络,它是一种循环神经网络,除具有普通神经网络的优势,该网络还具有能够将前后有效信息单元进行记忆,有机连接成环状的特点,具有较强的动态性、时序性、计算性等特有优势。同时,该神经网络利用输入输出相关信息数据进行训练,及时、准确分析数据规则,对分析后的数据进行自主学习,形成较为平稳的环状结构。

RNN 神经网络是由输入层、隐藏层和输出层共三层组成,其结构如图1所示。

图1 RNN结构图

该结构图中M 表示输入层获取的原始输入信息数据点,P 表示隐藏层处理输入层传输过来的M,N 表示输出层输出处理后的信息数据点。其使用式(1)和(2)表示如下。

在式(1)和(2)中,i 是当前使用的时间。 Ni表示在时间i 输出的信息数据点值,Pi表示在时间i处信息数据点的学习记忆。K,l 分别表示激活函数,k与TANH函数相对应,l与SOFAMAX函数相对应。X 是输入层信息数据点传递到隐藏层的权重值,Y 是隐藏层信息数据点传递到输出层的权重值,Q 是隐藏层在上一次数据信息点值作为本次输入的权重。

RNN 神经网络简洁、高效,在训练的过程中,使用时间i 接收到原始数据信息点传输到输入层,将输入层数据信息点Mi传递给隐藏层得到处理数据点Pi,最后通过输出层输出完整数据信息点Ni。

3 基于RNN 神经网络的人力资源管理风险预警模型的构建

3.1 建立人力资源管理风险预警体系

人力资源管理风险预警是由多个较为广泛、科学、敏感的风险指标环节构成。这些指标环节既具有独立性,又相互关联影响。

3.1.1 人力资源流失风险

人力资源流失风险是指人员在企业中由于多种不确定的因素,造成的流失风险。人力资源流失会给企业带来许多不必要的损失,这种损失直接的影响就是由于人员流失,会造成已流失人员岗位的成本增加,带来薪酬上升的风险。甚至由于岗位人员长时间缺失,造成工作生产效率低下,直接会影响企业的生产进度等。

3.1.2 薪酬管理风险

企业根据员工不同的价值及工作情况,结合企业自身发展实际,制定出科学、合理符合企业及员工之间劳动关系的薪酬制度,这是激励员工工作热情最有效,也是最为敏感的方式之一。由于受经济发展等多方面的因素影响,企业面临着内部不同岗位间薪酬公平一致性等,或者外部同类企业等多方面的竞争,使自身的薪酬管理制度面临着诸多的挑战。因此,企业薪酬管理制度是否具有竞争力、公平力也是企业能否获得企业员工认可,吸引员工,有效提高员工工作积极性的有效方法之一。

3.1.3 绩效考核管理风险

绩效考核管理是人力资源管理中的核心,企业绩效考核中可量化的指标应当具有客观性、公平性、公正性等。使指标在设定时符合企业不同岗位的实际工作需求,同时明确了企业员工岗位的具体要求。由于受量化指标中标准过高的风险或者公平性的影响,会使企业员工缺乏工作目标性,影响员工的工作积极性。

3.2 基于RNN 神经网络的人力资源管理风险预警模型的构建

该模型的构架使用以下步骤完成。

第一步:建立输入层风险指标体系

根据RNN 神经网络三层组成,建立模型的输入层应当为人力资源风险指标信息数据,在建立模型使用最主要的三重风险指标数据,其中各指标数据的值域取值范围结合实际进行设置,其中恒定指标取值范围[1,5],对于彼岸花指标数据其值域取值范围设置在[0,100%]之间。具体风险指标体系如表1所示。

表1 人力资源风险指标体系

使用表1 中的相关风险指标数据作为输入层的输入信息数据点,使用函数TANH 进行激活,有效增加其训练效率,为使数据保持在有效取值范围[0,1]之间,使用式(3)所示的归化算法统一处理。

其中,Gab为输入层风险指标信息数据,Gb=MAX(Gab),Ga=MIN(Gab),Gab∈(0,1)为归化后的量化指标显信息数据。

第二步:建立隐藏层的风险指标信息数据

风险指标信息数据经过输入层的归化处理,并经过TANH 函数激活后,需要在隐藏层建立相关映射联系,数据经过充分训练和学习工作后,可以不断提高学习的精度和效率。其隐藏层的风险指标信息数据精度可用式(4)表示。

其中,Pi是单位时间i为隐藏层输出的风险指标信息数据,K 表示激活函数TANH,d 为单位时间i 输入的风险指标信息量的最大值。 Hid为隐藏层到输出层的最大输出信息的通讯权重值。Gi为归化后的量化指标信息数据,Ri为单位时间i输出的信息量的临界值。

第三步:建立输出层的风险指标信息数据

风险指标信息数据经过前两层的有效处理之后,需要通过输出层输出最终结果,作为预警参考数据,输出结果可用式(5)表示。

其中,Si为单位时间i 在输出层输出的风险指标信息数据,L 为激活函数SOFAMAX,Fie为输出通讯权重值,e 为最大输出值,Ei为输出临界值。其最终输出结果可以界定为A(安全)、B(基本安全)、C(危险警告)、D(最危险)。

4 风险预警模型的训练及结果

模型建立后,实用比较稳定的Matlab工具对风险指标信息数据进行训练。训练选取20 组样本,使用TRAINGDA 函数进行训练,其训练误差如图2所示。

图2 训练误差图

由图2可知,RNN 神经网络下该模型对于训练样本具有收敛速度最快,减少计算量等特点。通过临界值的调节,有效缩短训练时间,提高了训练的效率。通过对20 组样本测试,得出的测试结果误差小于3%,符合建立模型的要求。该模型克服了传统方式下人为干扰因素,节约了大量人力物力成本,并能够对人力资源风险进行科学、有效的评估。

5 结语

企业在高速发展过程中,人力资源管理风险已经成为企业管理中关键环节,也是急需解决重要的问题之一。企业在传统人力资源管理中受人为等很多外界因素的影响,结果误差较大,企业难以拿出较为理想的应对方案。针对企业管理中的实际问题,采用RNN 神经网络,结合人力资源管理三大风险建立预警模型,及时为企业提供高质量的人力资源风险数据,使企业能够及时制定出合理的应对预案,将风险降到初始化状态,最终为企业可持续发展提供动力。

展开全文▼

猜你喜欢

人力预警神经网络
基于神经网络的船舶电力系统故障诊断方法
MIV-PSO-BP神经网络用户热负荷预测
预警型智能包装在食品安全中的应用和设计
激励机制在企业人力资源管理中的应用
人力资源管理促进企业绩效提升
基于改进Hopfield神经网络的对地攻击型无人机自主能力评价
企业人力资源管理
超级秀场 大风预警
海外并购中的人力资源整合之道
三次样条和二次删除相辅助的WASD神经网络与日本人口预测