[发明专利]一种就业数据的定量分析方法及系统

权利要求书

1.一种就业数据的定量分析系统，其特征在于，包括基础数据分析模块、因果预测模块和趋势预测模块；

所述基础数据分析模块，获取的基础数据进行分析，从而得到分类后的训练集数据；

所述因果预测模块，对历史就业数据训练集数据进行分析从而得出因果判定规则；

所述趋势预测模块，对未就业人员数据训练集数据进行分析得出预测结果；

最终结合因果预测模块的因果判定规则和趋势预测模块的预测结果做出分析结果，所述分析结果包括就业规模与流向分析、就业力绩效分析、创业分析、要素表现与教育教学反馈。

2.根据权利要求1所述的一种就业数据的定量分析系统，其特征在于，因果预测模块集使用一元线性回归法、多元线性回归法、非线性回归法、本量利分析法对历史就业数据训练集数据进行分析从而得出因果判定规则。

3.根据权利要求1所述的一种就业数据的定量分析系统，其特征在于，所述趋势预测模块使用简单平均法、移动平均法、加权移动平均法、趋势分析法、指数平滑法对未就业人员数据训练集数据进行分析得出预测结果。

4.根据权利要求1所述的一种就业数据的定量分析系统，其特征在于，所述基础数据分析模块包括KNN近邻算法模块，所述KNN近邻算法模块包括训练集数据子单元和测试数据子单元，所述训练集数据子单元存储多类型的训练集数据，所述测试数据子单元存储多个历史就业数据和未就业人员数据作为测试数据，通过测试数据和训练集数据之间的特征向量之间距离来推算两者的相似度，从而推算出分析结果。

5.根据权利要求4所述的一种就业数据的定量分析系统，其特征在于，所述训练集数据距测试数据越近的数据权重越大，最后根据所有类型训练集数据的权重和进行比较，推算两者的相似度。

6.根据权利要求5所述的一种就业数据的定量分析系统，其特征在于，所述基础数据分析模块还包括Naive Bayes算法模块，通过获取历史就业数据和未就业人员数据的特征属性值，当特征属性值的值类型分连续值时启用Naive Bayes算法模块。

7.根据权利要求6所述的一种就业数据的定量分析系统，其特征在于，所述NaiveBayes算法模块引入了拉普拉斯校准规则，对每个类别所划分的计数加1避免统计概率中出现概率为0的情况。

8.根据权利要求7所述的一种就业数据的定量分析系统，其特征在于，所述基础数据分析模块还包括K-Means聚类算法模块、Apriori模式算法模块。

9.一种就业数据的定量分析方法，其特征在于，包括步骤：

S1：基础数据分析，采用KNN近邻算法、Naive Bayes算法、K-Means聚类算法、Apriori模式算法对基础数据进行分析，从而得到分类后的训练集数据；

S2：因果预测分析，采用一元线性回归法、多元线性回归法、非线性回归法、本量利分析法对训练集数据进行分析从而得出因果判定的规则；

S3：趋势预测分析，采用简单平均法、移动平均法、加权移动平均法、趋势分析法、指数平滑法对训练集数据进行分析得出预测结果。

10.根据权利要求9所述的一种就业数据的定量分析方法，其特征在于，所述基础数据包括历史就业人员的数据和未就业人员的数据，数据具体包括专业、年龄、性别、就业时间、毕业时间；所述步骤S2中的训练集数据是指已经就业的数据类型即历史就业数据，所述步骤S3中的训练数据是指未就业者的数据类型。