基于BP神经网络的全员劳动生产率预测分析

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于BP神经网络的全员劳动生产率预测分析范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要：全员劳动生产率是一个反映企业发展质量、体现企业经营效益的综合指标，是企业生产技术水平、经营管理水平、职工技术熟练程度和劳动积极性的综合表现。BP神经网络是现今使用较为广泛的神经网络模型，其能对时间序列数据组进行较为准确的预测。基于此，运用bp神经网络对未来5年新乡车务段编组、区段站运转人员劳动生产率进行预测分析，以便对企业进行精益化管理。

关键词：BP神经网络；新乡车务段；全员劳动生产率

中图分类号：G976.7 文献标志码：A 文章编号：1000—8772（2012）13—0121—02

全员劳动生产率的概念是基于劳动生产率发展而来的，其根据产品的价值量指标计算的平均每一个从业人员在单位时间内的产品生产量，是企业考察企业整体或者单个生产部门的重要参数指标。其计算公式为：全员劳动生产率=■。

在本文当中，笔者在对新乡车务段编组、区段站运转人员劳动生产率进行计算时，是按照郑州铁路局给定的统计计算公式计算得出的换算工作量/新乡车务段编组、区段站运转从业人员得出的2006年至2011年运转人员全员劳动生产率。

新乡车务段是郑州铁路局下属的豫北地区重要的运输生产单位，担负着豫北及山东6市14县的铁路运输生产任务。而运转工作又是车务段工作中的重头戏，其换算工作量占了全段换算工作量中的绝大部分。所以对新乡车务段编组、区段站运转人员劳动生产率进行有效的分析、预测有助于企业转变管理模式、优化人员配置，提高全段精益化管理程度。

BP （Back Propagation）神经网络，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入—输出模式映射关系，而无须事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层（hide layer）和输出层（output layer）。

本文采用3层网络模式对新乡车务段编组、区段站运转人员全员劳动生产率进行模拟预测，其网络结构如图1：

BP网络学习过程及步骤如下：

（1）初始化。给每个连接权值wij、vjt、阈值θj、γt赋予区间（—1，1）内的随机值。

（2）随机选取一组输入和目标样本■、■给网络。

（3）用输入样本■、连接wij和θj阈值计算中间层各单元的输入sj，然后用sj通过传递函数计算中间层各单元的输出bj。

■，■；■，■

（4）利用中间层的输出bj、连接权vjt和γt阈值计算输出层各单元的输出Lt，然后通过传递函数计算输出层各单元的响应Ct。

■，■；■，■

（5）利用网络目标向量■，网络实际输出Ct，计算输出层的各单元一般化误差dkt。

■

（6）利用连接权vjt、输出层的一般化误差dkt和中间层的输出bj计算中间层各单元的一般化误差■

（7）利用输出层各单元的一般化误差dkt与中间层各单元输出bj来修正连接权vjt和阈值γt。

■

（8）利用中间层各单元的一般化误差ekj，输入层各单元的输入■来修正连接权wij和阈值θj。

■

（9）随机选取下一个学习样本向量提供给网络，返回到步骤（3），直到m个训练样本训练完毕。

（10）重新从m各学习样本中随机选取一组输入和目标样本，返回步骤（3），直到网络全局误差E小于预先设定的一个极小值，即网络收敛。如果学习次数大于预先设定的值，网络就无法收敛，学习结束。

可以看出，在以上的学习步骤中，（7）—（8）步为网络误差的“逆传播过程”，（1）—（10）步则用于完成训练和收敛过程。

基于以上，依据2006年到2011年的新乡车务段编组、区段站运转人员全员劳动生产率的历史数据（如表1所示），对新乡车务段编组、区段站2012年到2016年的运转人员全员劳动生产率进行预测。神经网络的输入节点数选取三个，即运转人员全员劳动生产率连续三年值，神经网络的目标输出值是第四年的运转人员全员劳动生产率，每三年作为一个样本，依次进行，并对训练好的网络进行测试，检验预测精度。

资料来源：郑州铁路局铁路运输站段劳动生产率统计表2006—2011年

在基于时间序列的BP神经网络中最佳的隐层神经元个数比较难确定，也没有一个特定的标准。当前的理论可以证明，在隐层节点数足够的情况下，三层BP网络具有模拟任何非线性映射的能力。本文采用三层BP神经网络，隐层节点数采用经验公式与试算法确定为3到6个。

Matlab程序代码如下：对建立的神经网络进行训练，得到的误差如图2：

s=3：6

res=1：4； %

for i=1：4； %

net=newff（minmax（P），[s（i），3]，

{'tansig'，'purelin'}，'trainlm'）； %

net.trainparam.epochs=1000； %

net.trainparam.goal=0.001； %

lp.lr=1；

net=train（net，P，T）； %

y=sim（net，P）；

error=y—T；

res（i）=norm（error）；

end %

对训练好的网络，将处理后的运转人员全员劳动生产率的数据样本作为网络输入进行测试，得到拟合误差数据表见表2：

通过表2，可以看到测试样本的误差精度都小于3%，比较高，笔者用训练好的神经网络对未来5年的运转人员劳动生产率进行预测，预测如表3和图3所示。

可以看出未来五年新乡车务段编组、区段运转人员全员劳动生产率基本都维持在110以上的较高水平。