神经网络技术在干部教育培训需求预测中的应用

乔阳

近年来，受复杂多变的国际形势及疫情反复等因素影响，干部教育培训工作的推进与改革发生了诸多新变化。新形势下，增强干部对国际国内事务的理解、运筹、策划等能力，同时提高不同领域不同类型干部的业务素质和水平，前提就是要在干部教育培训过程中明确培训方向并做好中长期培训安排，同时注重创新方式方法。

传统的干部教育培训需求主要通过调研、访谈等方式来获取，通常会分层抽取一定数量的干部作为调查对象，通过发放问卷、详细询问、座谈交流等方式来获取干部对于培训内容、时长、方式等方面的需求情况，这种传统的方法主要侧重于当前需求的跟踪掌握和参训者一定时期内的主观需求，但在有机结合新形势新要求与之前的培训数据来实现需求预测方面却效果不佳。当前，随着大数据手段和人工智能方法的普及应用，干部教育培训需求预测不再单纯地依赖传统方法，而更注重使用科学性、全面性、精准性的智能判断方法。人工神经网络技术具有自组织、自学习及记忆性的特点，在培训需求智能预测工作中具有较大优势。将干部教育培训数据与BP神经网络技术相结合，能够建立适用于培训需求预测的模型，从而对教育培训需求作出更为准确和长远的预判。

一、人工神经网络的预测方法

人工智能（Artificial Intelligence，AI）已经受到全世界的热切关注，在商业、农业、通信、交通及计算机科学等领域，都在对其应用进行探索。机器学习（Machine Learning）作为人工智能领域中重要的核心技术，可以在计算机中重现人类自主学习的能力。在计算机上模拟运算出的神经细胞网络称为人工神经网络，人工神经网络技术就是实现机器学习的主要方法。神经网络技术通过相互连接和协同运作的方式，产生高度复杂的识别与判断能力。在需求预测、搜索引擎、智能识别等众多行业中被广泛使用。

反向传播神经网络（BP）是目前应用最为广泛的神经网络之一，可以通过对近年干部教育培训数据的运算，找出培训信息的内在规律，用以预测干部教育培训需求。在神经网络中，传递输入信息的过程分为正向传播和反向传播，可以将网络层分为三种神经层，分别为输入层、中间层和输出层。输入层负责接收神经网络中所有的输入信息，同时将接收到的输入信息传递至中间层；中间层也称为隐藏层，对接收的信息进行运算；输出层对神经元进行运算，将神经元中的整体信息进行输出。反向传播神经网络通过将输出层产生的结果与正确答案的误差进行逆向传递，对神经网络中权重和偏置进行最优化的处理。在传播过程中使用梯度下降法，将误差在神经网络中传播，从而更新权重和偏置，达到最小化误差的目的。实际应用中，还需要通过激励函数使神经元产生兴奋，实现对复杂问题进行运算的能力,达到培训需求预测的目标。

二、神经网络技术在干部教育培训需求预测中的优势

神经网络技术发展迅速，BP神经网络可以为干部教育培训工作提供实质性帮助。BP神经网络在教育培训需求预测中可以发挥以下优势：

（一）具有较强的非线性映射能力

BP神经网络具有较强的非线性函数映射能力，非线性函数具有较强的信息处理能力，能够逼近任意复杂的非线性关系，适合解决内部机制复杂的培训需求预测问题。输入的干部教育培训信息属于非线性数据，输入值与输出值之间存在非线性映射关系。

（二）具有自学习和自适应能力

BP神经网络在训练环节，能够通过学习自动提取培训数据间的“规律”，并自适应地将学习内容存入网络的权值中，通过运算出的规律调节适应参数，显著提高模型预测能力。当各类培训信息输入BP神经网络中进行运算，对有效的培训信息赋予较大的权值，将存在干扰属性的培训信息赋予极小的权值，从而快速降低干扰信息对输出结果的影响。

（三）具有泛化能力

BP神经网络在训练后，可以存储输入与输出之间的非线性映射关系。保证模型可以不断接受新样本和新信息，提高模型的适用性。输入样本数据以外的培训数据，仍能运算出正确的映射关系，进行正确的分类。

（四）具有容错能力

BP神经网络中的信息采取联网式的存储方式，各类培训数据分散地存储在BP神经网络中，可以从缺失的输入数据中找到正确的规律，正常发挥预测培训需求的能力。在局部受损的情况下仍可进行正常的训练，使得模型内可以包含大量信息。

三、BP神经网络在干部教育培训需求预测中的流程

当使用BP神经网络模型实施预测时，为保证干部教育培训需求预测结果的稳定性和可靠性，需要经过模型训练、模型检验和模型预测三个环节。

（一）模型训练

BP神经网络模型需要通过学习和训练的环节，才能对干部教育培训需求进行预测。选取标准情况下开设的培训班，将参训信息作为样本数据进行研究，提升模型的预测能力。BP神经网络通过模型训练的方式，将培训样本数据进行运算，获得达到目标误差或最小误差的网络权值和阈值。

（二）模型检验

BP神经网络预测模型内部含有随机机制，若直接用于干部教育培训需求的预测工作，会使运算结果出现偏差。因此，需要通过模型检验的方式，确定BP神经网络模型在培训需求中具有所需要的精准性和稳定性。在检验环节，将参训信息的样本数据代入模型后输出的结果与近期标准培训班的真实数据值进行比较分析，从而判断预测效果。通过模型检验环节，可以提升培训需求预测结果的可信度。

（三）模型预测

设计的BP神经网络模型经过训练和检验即可投入干部教育培训需求的预测工作。若预测效果未达到目标，应对模型中的培训信息进行整理，重新构建预测模型。

四、BP神经网络在干部教育培训需求预测中的应用

基于神经网络的基本原理和特点，建议应用BP神经网络对干部教育培训需求的预测进行研究。使用BP神经网络在干部教育培训需求预测时，应通过以下三步骤进行。

（一）数据选取

在运用BP神经网络模型进行干部教育培训需求预测时，利用Python编程语言，对现有的近年干部教育培训相关情况的数据进行处理。选取5个输入变量，分别为：培训规模、培训时长、学员综合成绩、学员及单位对参训成效的评估综合分数、经费投入。输出变量为：课程设置比例系数。其中，课程设置比例系数这一指标需要根据当前培训内容体系情况来构建，为党的基本理论教育、党性教育、专业化能力培训、知识培训课程的时长赋予不同的权重系数，计算出数值，将其作为描述课程设置比例的指标，进行研究和预测。

（二）数据处理

1.数据标准化。由于选取指标数据的量化单位存在差异，所以必须对选取指标的原始数据进行统一的标准化处理，将所有指标数据运用Spss中的Z标准化方法，消除指标数据的量纲和数量级的影响，从而在训练前实现数据的标准化。

2.BP神经网络的参数选取。数据参数指标的选取设定对运用BP神经网络实现干部教育培训需求预测具有重要的影响，因此必须依据参数设定原则进行网络参数设定，这样才能最大程度减小误差，提高BP神经网络模型对培训需求预测的精准程度。

（1）节点级设计。输入层、输出层及隐含层节点数的设计要以指标选取的个数为基础，基于上述数据选取部分的描述，此研究拟设计输入层的节点数为5，即研究中自变量的个数；输出层节点数一般与被预测指标的个数一致，设计为1；隐含层节点数是模型中的一个重要参数，它的选取对神经网络模型的计算能力和目标函数的预测精准度有重要影响，但是目前还没有成熟的选取方法，通常情况下根据建模经验进行选取，在此将隐含层节点设计为4。

（2）节点连接。在完成了网络层数和各层级神经元节点数设计后要完成将相邻层级中的神经元的连接。

（3）设定一定的迭代次数，可选取1000次。允许误差设置为0.00001，当迭代结果小于该值时停止迭代，生成结果。

（三）结果预测

选取近年干部教育培训相关情况数据结果作为训练样表数据，即网络输入，以本年度干部教育培训相关情况数据结果作为预测样本数据，即训练输出。完成BP神经网络模型的训练，经过大量反复的逆向误差传播并修正，得到误差范围内的数据，从而完成数据预测。通过构建多个影响因素的BP神经网络模型，来准确预测最优课程设置比例，从而达到预测干部教育培训需求的目的。

五、对策建议

（一）探索创新预测方法，精准对焦培训需求

在实际工作中，应采用统计学、大数据和神经网络模型相结合的方式，提升干部教育培训需求预测的科学性、权威性和精准性。在培训过程中，需要充分结合组织需求、岗位需求和个人需求制定针对性的培训方案。加强对干部教育培训信息的收集、整理和分析工作，精准预测干部在实际工作中的培训需求。根据每位干部的职位和特点，分类分级构建培训体系，实现培训需求与岗位能力需要的高度契合，持续提升培训的深度和广度，确保各级干部熟练掌握相关基础知识和各项技能。

（二）建设干部教育培训信息库，扩大培训信息来源渠道

依托各级干部使用的网络培训平台，扩大信息来源渠道，建设规范完善的干部教育培训信息库，帮助培训机构快速获取需要分析的培训信息，为推动干部教育培训工作的改革和创新提供数据依据。信息库中记录参训干部的基本信息、参加培训和通过考试等情况，完成对各级干部培训考试的全过程信息化管理，构建科学规范的线上培训体系。开发数据接口，有效实现干部参训信息与各类业务工作的数据共享机制，确保BP神经网络接受、学习最新的培训数据，提高系统的泛化能力，全面提升干部教育培训的信息化水平。

（三）持续改进神经网络预测模型，增强培训需求预测能力

■耸入云霄｜付秀宏/摄

传统的培训需求预测方式，需要付出大量的劳动力和时间成本。BP神经网络可以在干部教育培训中，完成多条件、多目标的需求预测工作。通过神经网络技术，能够实现对干部教育培训需求较高精度水平的预测，为实现干部教育培训定制化的目标提供了实用工具，对明确干部教育培训指向起到了积极的作用，但其参数多、运算难度大、个别预测值误差大等缺点，在需求预测过程中仍然存在一定的局限性。随着神经网络技术的完善和干部教育培训数据库信息的扩充，可以将更多的培训信息作为分析指标，收集各类干部的培训信息作为测试数据，改进和解决现有预测模型遇到的问题，从而提高培训体系的系统化和精准化。

（四）建立数据化干部教育培训档案，搭建用户画像系统

通过建立干部教育培训档案的方式，存储大量干部参训数据及培训业务数据，抽象出用户信息的全貌。收集参训干部的任职情况、选课偏好、学习习惯等多维度的培训数据，进而对干部参训的特征属性进行刻画，挖掘潜在价值信息，制作标签化的用户模型。在培训档案内，为培训数据配置统计类标签、规则类标签和机器学习挖掘类标签，将各级干部教育培训信息“标签化”。通过聚类、综合评价等方法对统计类标签和规则类标签进行运算，发现干部参训的模式和特点，对各类干部进行精准画像，完成培训工作的基本规划。通过神经网络模型对挖掘类标签进行运算，发现干部参训的习惯和规律，从而对干部参与培训的需求开展预测判断。