CN108428014A - 一种区域劳动力需求增量预测方法 - Google Patents
一种区域劳动力需求增量预测方法 Download PDFInfo
- Publication number
- CN108428014A CN108428014A CN201810289417.2A CN201810289417A CN108428014A CN 108428014 A CN108428014 A CN 108428014A CN 201810289417 A CN201810289417 A CN 201810289417A CN 108428014 A CN108428014 A CN 108428014A
- Authority
- CN
- China
- Prior art keywords
- recruitment
- confidence index
- consumer confidence
- following
- labour demand
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013277 forecasting method Methods 0.000 title claims abstract description 19
- 230000007115 recruitment Effects 0.000 claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000011161 development Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000001186 cumulative effect Effects 0.000 claims abstract description 5
- 238000011084 recovery Methods 0.000 claims abstract description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 18
- 230000007423 decrease Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 241001123248 Arma Species 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 206010016256 fatigue Diseases 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
本发明提供一种区域劳动力需求增量预测方法，包括如下步骤：搜集过去指定时间段单位用工信息；对所搜集到的数据进行异常值检测、异常值处理和空值处理；利用预处理过的数据计算过去用工景气指数；对所得过去用工景气指数进行平稳性检验；对所得过去用工景气指数进行数学建模，获得未来用工景气指数预测模型；根据所得未来用工景气指数预测模型预测未来指定时间段的预测值，进行累加恢复，获得未来用工景气指数；根据本地区的市场发展规划和行业发展政策所设定未来用工景气指数设定预警值，根据所得未来用工景气指数作出相应政策。采用本发明提供的方法，根据各工种历史用工的增量变化，预测其未来用工数量增量变化为决策提供参考。
Description
技术领域
本发明涉及人力资源与社会保障预测领域，特别涉及一种区域劳动力需求增量预测方法。
背景技术
区域劳动力增量需求是指一个省或者一个市或者某个区县的一段时期内总体或者某一工种的劳动力增量的需求。其中的一段时期通常指一个自然年，其中的增量可以是正的(有劳动力需求)也可以是负值(劳动力富余)。区域劳动力增量需求的预测意思在于通过预测未来时期内劳动力资源的增减量，为人力资源和社会保障部门各项人力、社会保障的政策制定提供参考依据。
区域劳动力增量需求的影响因素众多，如技术进步、经济增长、经济结构的变化、行业变迁、教育程度等。众多因素的不同影响导致区域劳动力增量需求成为一个多因素影响下的复杂预测问题。
在传统的区域劳动力增量需求预测中，通常采用的是区域劳动力总体的需求预测，而非增量。预测方法主要是依据对未来经济需求的总体预测，从而转化为人力资源的需求。具体方法如就业弹性法，根据GDP增长对劳动力就业的促进作用，将劳动力需求预测转化为GDP增长预测，该方法的缺点在于GDP的预测同样难以确定，同时GDP增长和劳动力需求的转化率非固定常数。又如生产函数法，采用C-D生成函数，通过GDP与技术条件、资本投入量、劳动力需求量的关系，转化称GDP预期与技术条件、资本投入量等多个因素的未来预测，较就业弹性法有一定提升，但由于变量间存在自相关性，常导致拟合度低，预测结果的准确度下降。
现有预测方法存在以下问题：
(1)需要进行GDP等信息的预测，再用这些预测信息预测劳动力需求，导致预测结果的放大。
(2)采用原理性预测的方法因变量众多，且变量间相关性较高，容易出现拟合度不足，预测结果准确度低的问题。
(3)采用常用的方法，往往是对一个总量预测的方法，此类整体进行预估，忽略了人员内部的流动、技术的兴衰等因素，特别是技术的发展可能GDP增长而人工需求却减少的情况。
(4)传统的方法以市场主体作为研究对象，为进一步细分，对政府相关决策提供的参考依据有限。
发明内容
为解决上述问题，本发明提供一种区域劳动力需求增量预测方法，包括如下步骤：
S10：搜集过去指定时间段单位用工信息；
S20：对S10所搜集到的数据进行异常值检测、异常值处理和空值处理；
S30：利用S20预处理过的数据计算过去用工景气指数；
S40：对S30所得过去用工景气指数进行平稳性检验；
S50：对S40所得过去用工景气指数进行数学建模，获得未来用工景气指数预测模型；
S60：根据S40所得未来用工景气指数预测模型预测未来指定时间段的预测值，进行累加恢复，获得未来用工景气指数；
S70：根据本地区的市场发展规划和行业发展政策所设定未来用工景气指数设定预警值，根据S60所得未来用工景气指数作出相应政策。
进一步地，S50中对S40所得过去用工景气指数采用ARIMA模型进行数学建模的具体步骤如下：
S51：平均过程阶数p取从1至3，自回归过程阶数q取从1至13，以不同的p,q参数进行建模，并计算每次建模结果的AIC值；
S52：根据S51所计算的AIC值，查找最小的AIC值，并取最小的AIC值对应的p，q作为最后建模参数，最终确定了d、p、q的未来用工景气指数ARIMA模型；
S53：根据S52所得ARIMA模型预测未来指定时间段的预测值，并对预测值进行累加恢复，获得未来用工景气指数。
进一步地，S52中，建立未来用工景气指数ARIMA模型后，检验所建立的ARIMA模型的预测误差是否是平稳白噪声，如果否，则需要再次重新调整参数。
进一步地，S40：对S30所得到的数据进行平稳性检验，若数据满足宽平稳性，可直接采用ARMA模型建模；若数据不满足宽平稳性，则对数据进行差分确保满足宽平稳性，再采用ARIMA模型，并记录差分阶数d。
进一步地，所述用工景气指数包括总体用工景气指数和分行业用工景气。
进一步地，未来总体用工增量以及未来分工种用工增量预测方法，与用工景气指数预测方法一致。
进一步地，S20中所述用工景气指数的计算公式：
用工景气指数＝(用工数上升企业百分比-用工数下降企业百分比)*100+100；
利用以上公式可以计算总体用工景气指数、分行业用工景气指数；
指数值＞100，表明总体劳动力需求或者行业劳动力需求处于上升状态；
指数值＜100，表明总体劳动力需求或者行业劳动力需求处于下降状态。
进一步地，S20中，采用3σ法则对异常值进行检测，并通过拉格朗日插值法对异常数据处理。
本发明提供的提供的区域劳动力需求增量预测方法，具有以下效果：
(1)根据各企业的用工数量增减，计算用工景气指数，并预测未来用工景气指数，对总体市场和分行业的用工需求进行定性判断；
(2)根据各工种历史用工的增量变化，利用ARIMA模型对过去用工景气指数进行数学建模，获得未来用工景气指数预测模型，预测其未来用工数量增量变化；
(3)对于预测出未来有人员较大缺口的工种，根据历史数据分析用工稳定性较高的劳动力来源地，为决策提供参考；
(4)以增量预测替代总量预测，提高了预测的准确度。
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，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所建模型的拟合值与实际值曲线图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面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作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。
本发明提供一种区域劳动力需求增量预测方法，包括如下步骤：
S10：搜集过去指定时间段单位用工信息；
对厦门市劳动力就业数据中的单位用工数据进行整理，获取至少3年的用工信息，至少含以下字段：月份、单位id、用工数、单位性质、行业性质；
S20：对S10所搜集到的数据进行异常值检测、异常值处理和空值处理；
在厦门市劳动力就业数据中，由于某个月人工补录数据，导致该月的用工景气指数明显异常，自动检测出该月异常值后，用历史数据相关月份的数据通过3阶拉格朗日插值法产生相应数据，对该月份数据进行替换；
S30：利用S20预处理过的数据计算过去用工景气指数；
按月对数据进行整理，并取12月为默认的数据周期，同时12个月默认预测值，根据用工指数景气计算公式，进行用工景气指数计算；
用工景气指数＝(用工数上升企业百分比-用工数下降企业百分比)*100+100；
利用以上公式可以计算总体用工景气指数、分行业用工景气指数；
指数值＞100，表明总体劳动力需求或者行业劳动力需求处于上升状态；
指数值＜100，表明总体劳动力需求或者行业劳动力需求处于下降状态；
S40：对S30所得过去用工景气指数进行平稳性检验；
可选地，为确保存在时间平移不变性(即可通过历史数据预测未来数据)对数据进行平稳性检验(平稳性检验方法可采用单位根检验)，如果数据满足宽平稳性(又称弱平稳)，差分次数d＝0，可采用ARMA模型，否则做数据差分，再次进行平稳性检验，满足宽平稳性，差分次数d＝1，否则再次进行数据差分，直至满足宽平稳性，并记录差分次数d；
以厦门市总体用工景气指数未来值预测为例，已统计计算201412至201709的各单位用工数据，根据用工指数景气计算公式，获得历史各月份的用工指数景气值如下表：
| 月份 | 指数 | 月份 | 指数 | 月份 | 指数 |
| 201501 | 98.57 | 201601 | 98.37 | 201701 | 98.85 |
| 201502 | 95.80 | 201602 | 95.15 | 201702 | 95.77 |
| 201503 | 94.21 | 201603 | 97.55 | 201703 | 101.01 |
| 201504 | 97.98 | 201604 | 99.25 | 201704 | 100.54 |
| 201505 | 98.34 | 201605 | 98.17 | 201705 | 98.00 |
| 201506 | 98.04 | 201606 | 100.21 | 201706 | 101.70 |
| 201507 | 100.01 | 201607 | 100.33 | 201707 | 101.02 |
| 201508 | 98.53 | 201608 | 99.20 | 201708 | 94.62 |
| 201509 | 99.11 | 201609 | 99.27 | 201709 | 97.57 |
| 201510 | 100.29 | 201610 | 99.99 | ||
| 201511 | 99.62 | 201611 | 99.88 | ||
| 201512 | 99.08 | 201612 | 99.58 |
用工指数景气预测采用p从1到3，q取1到13的不同值，循环计算模型对应的AIC值，相应的结果AIC结果如下表所示：
| 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | |
| 1 | 82.04 | 78.67 | 80.01 | 81.55 | 80.77 | 79.75 | 81.62 | 82.82 | 84.91 | 83.66 | 85.66 | 87.82 | 89.40 |
| 2 | 81.41 | 79.70 | 78.48 | 80.07 | 82.08 | 82.88 | 82.14 | 85.24 | 86.50 | 99.88 | 86.91 | 85.38 | 87.22 |
| 3 | 82.96 | 81.03 | 80.15 | 81.71 | 83.21 | 82.36 | 84.29 | 82.82 | 84.48 | 86.04 | 90.15 | 87.36 | 89.45 |
从表中可知，厦门市总体用工景气指数最终采用p＝2，q＝3，对应的AIC值最小78.48，因此采用p＝2，q＝3进行建模；
为确保预测的准确性，检验所建立的ARIMA模型的预测误差是否是平稳白噪声，如果否，则需要再次重新调整参数；
以厦门市总体用工指数景气预测的结果为例，其测试实际值和预测值的误差符合均值为0.026，方差为1.6352的高斯白噪声分布；
根据所得ARIMA模型预测未来指定时间段的预测值，并对预测值进行累加恢复，获得未来用工景气指数；
最终确定了d、p、q的ARIMA型，并用该模型预测未来12个月值；
例如，厦门总体用工指数景气的建模参数为：d＝1，p＝2，q＝3；模型参数通过计算机软件识别的结果页面如下：
得出模型为：Xt-α1Xt-1-α2Xt-2＝εt+θ1εt-1+θ2εt-2+θ3εt-3，εt～N(0,1)
其中α1＝-1.0093,α2＝-0.5959,θ1＝-0.34314,θ2＝-0.74136,θ3＝0.084494
实施例一
利用以上模型预测未来12个月的景气指数值：
用此模型进行未来12个月值预测，只需要将相应月份的指数值代入以上公式，例如取得201711和201712的数据后，替代Xt-1和Xt-2,即可获得预测201801预测值-0.1164，类似的以201712和201801的值代入，可得201802的预测值-2.9092；
对预测结果根据差分次数d，进行累加恢复回原有数据水平：对于总体用工指数景气预测值，由于d＝1，即之前做过一次差分，因此，需要通过累加求和获取预测值，如201712的景气指数为99.0239，则201801的景气指数预测值为99.0239+(-0.1164)＝98.9075，201802的景气指数预测值为98.9075+(-2.9092)＝95.9983。
实施例二
采用2015年3月至2017年9月的各单位用工数据的实际指数验证上述模型的准确性：
由上述数据可知：模型的训练集中测试实际值和拟合值的误差均值为0.026，方差为1.6352，误差的均方值为1.3059。实际值和拟合值的曲线如图1所示，实际值与拟合值相吻合，误差很小，由此可见，所建立的模型所预测的值与实际值相吻合。
根据本地区的市场发展规划和行业发展政策所设定未来用工景气指数设定预警值，根据所得未来用工景气指数作出相应政策。
根据本地区的市场发展规划和行业发展政策，设定总体用工景气指数、分行业用工景气指数设定预警上下线，如设定关注上限110，下限90，报警上限120，下限80。当预测指数出现在110到120间，出现关注提示，当预测值大于120时，出现报警提示；
厦门市总体用工景气指数设置关注上限110，下限90，报警上限120，下限80。
总体用工增量预测以及分工种用工增量预测方法，与用工景气指数预测方法类似。先计算总体或者分工种的月用工总量，然后作差分，生成用工增量，增量有正值有负值，排序后，取前50个工种和后50个工种，即用工量需求最大的50个工种和人员需求锐减的50个工种。然后，用ARIMA预测这100个工种未来12个月的增量值。
优选地，S50中利用长短期记忆网络建模时间递归神经网络，根据过去用工指数景气指数和用工增量进行数学建模。
优选地，所述用工景气指数包括总体用工景气指数和分行业用工景气。
优选地，未来总体用工增量以及未来分工种用工增量预测方法，与用工景气指数预测方法一致。
优选地，S20中，采用3σ法则对异常值进行检测，并通过拉格朗日插值法对异常数据处理。
本发明提供的提供的区域劳动力需求增量预测方法，具有以下效果：
(1)根据各企业的用工数量增减，计算用工景气指数，并预测未来用工景气指数，对总体市场和分行业的用工需求进行定性判断；
(2)根据各工种历史用工的增量变化，利用ARIMA模型对过去用工景气指数进行数学建模，获得未来用工景气指数预测模型，预测其未来用工数量增量变化；
(3)对于预测出未来有人员较大缺口的工种，根据历史数据分析用工稳定性较高的劳动力来源地，为决策提供参考；
(4)以增量预测替代总量预测，提高了预测的准确度。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种区域劳动力需求增量预测方法，其特征在于，包括如下步骤：
S10：搜集过去指定时间段单位用工信息；
S20：对S10所搜集到的数据进行异常值检测、异常值处理和空值处理；
S30：利用S20预处理过的数据计算过去用工景气指数；
S40：对S30所得过去用工景气指数进行平稳性检验；
S50：对S40所得过去用工景气指数进行数学建模，获得未来用工景气指数预测模型；
S60：根据S40所得未来用工景气指数预测模型预测未来指定时间段的预测值，进行累加恢复，获得未来用工景气指数；
S70：根据本地区的市场发展规划和行业发展政策所设定未来用工景气指数设定预警值，根据S60所得未来用工景气指数作出相应政策。
2.根据权利要求1所述区域劳动力需求增量预测方法，其特征在于：S50中对S40所得过去用工景气指数采用ARIMA模型进行数学建模的具体步骤如下：
S51：平均过程阶数p取从1至3，自回归过程阶数q取从1至13，以不同的p,q参数进行建模，并计算每次建模结果的AIC值；
S52：根据S51所计算的AIC值，查找最小的AIC值，并取最小的AIC值对应的p，q作为最后建模参数，最终确定了d、p、q的未来用工景气指数ARIMA模型；
S53：根据S52所得ARIMA模型预测未来指定时间段的预测值，并对预测值进行累加恢复，获得未来用工景气指数。
3.根据权利要求2所述的区域劳动力需求增量预测方法，其特征在于：S52中，建立未来用工景气指数ARIMA模型后，检验所建立的ARIMA模型的预测误差是否是平稳白噪声，如果否，则需要再次重新调整参数。
4.根据权利要求2所述的区域劳动力需求增量预测方法，其特征在于：S40：对S30所得到的数据进行平稳性检验，若数据满足宽平稳性，可直接采用ARMA模型建模；若数据不满足宽平稳性，则对数据进行差分确保满足宽平稳性，再采用ARIMA模型，并记录差分阶数d。
5.根据权利要求1所述的区域劳动力需求增量预测方法，其特征在于：所述用工景气指数包括总体用工景气指数和分行业用工景气。
6.根据权利要求1所述的区域劳动力需求增量预测方法，其特征在于：未来总体用工增量以及未来分工种用工增量预测方法，与用工景气指数预测方法一致。
7.根据权利要求1所述的区域劳动力需求增量预测方法，其特征在于：S20中所述用工景气指数的计算公式：
用工景气指数＝(用工数上升企业百分比-用工数下降企业百分比)*100+100；
利用以上公式可以计算总体用工景气指数、分行业用工景气指数；
指数值＞100，表明总体劳动力需求或者行业劳动力需求处于上升状态；
指数值＜100，表明总体劳动力需求或者行业劳动力需求处于下降状态。
8.根据权利要求1所述的区域劳动力需求增量预测方法，其特征在于：S20中，采用3σ法则对异常值进行检测，并通过拉格朗日插值法对异常数据处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810289417.2A CN108428014A (zh) | 2018-03-31 | 2018-03-31 | 一种区域劳动力需求增量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810289417.2A CN108428014A (zh) | 2018-03-31 | 2018-03-31 | 一种区域劳动力需求增量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108428014A true CN108428014A (zh) | 2018-08-21 |
Family
ID=63160249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810289417.2A Pending CN108428014A (zh) | 2018-03-31 | 2018-03-31 | 一种区域劳动力需求增量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108428014A (zh) |
-
2018
- 2018-03-31 CN CN201810289417.2A patent/CN108428014A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
| Kourentzes et al. | Improving forecasting by estimating time series structural components across multiple frequencies | |
| Ma et al. | A method for multiple periodic factor prediction problems using complex fuzzy sets | |
| Bissing et al. | A hybrid regression model for day-ahead energy price forecasting | |
| Musundi et al. | Modeling and forecasting Kenyan GDP using autoregressive integrated moving average (ARIMA) models | |
| CN110400021B (zh) | 银行网点现金用量预测方法及装置 | |
| CN111210093B (zh) | 基于大数据的日用水量预测方法 | |
| CN106529704A (zh) | 月最大电力负荷预测方法及装置 | |
| Simpson et al. | Modelling business cycle movements in the UK economy | |
| Catik et al. | A comparative analysis of alternative univariate time series models in forecasting Turkish inflation | |
| CN110020173A (zh) | 用于优化搜索排序的方法、装置及电子设备 | |
| Oshodi et al. | Comparing univariate techniques for tender price index forecasting: Box-Jenkins and neural network model | |
| Tripathi et al. | Comparative study of software cost estimation technique | |
| Zhukov | Economic Assessment of the Development Level of the Central Federal District Regions of the Russian Federation: Econometric Approach. | |
| CN105894138A (zh) | 一种制造业发货量的最优加权组合预测方法 | |
| CN111582394B (zh) | 一种群体评估方法、装置、设备及介质 | |
| Matos et al. | Operating reserve adequacy evaluation using uncertainties of wind power forecast | |
| Jakšić et al. | Fuzzy approach in ranking of banks according to financial performances | |
| KR20220115357A (ko) | 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 | |
| CN110992189A (zh) | 资源数据估值方法、装置、计算机设备和存储介质 | |
| CN108428014A (zh) | 一种区域劳动力需求增量预测方法 | |
| Zavvar et al. | Measuring of software maintainability using adaptive fuzzy neural network | |
| WO2022222230A1 (zh) | 基于机器学习的指标预测方法、装置、设备及存储介质 | |
| Lima et al. | Fuzzy modeling for function points analysis | |
| CN107862476A (zh) | 一种基于数据分析的计量用表需求计算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 361008 Room 502, No.18, guanri Road, phase II, software park, Xiamen City, Fujian Province Applicant after: YLZ INFORMATION TECHNOLOGY Co.,Ltd. Applicant after: Yilianzhong Zhiding (Xiamen) Technology Co.,Ltd. Address before: 361008 Room 502, No.18, guanri Road, phase II, software park, Xiamen City, Fujian Province Applicant before: YLZ INFORMATION TECHNOLOGY Co.,Ltd. Applicant before: YILIANZHONG (XIAMEN) BIG DATA TECHNOLOGY CO.,LTD. |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180821 |
|
| RJ01 | Rejection of invention patent application after publication |