基于数据挖掘的失业人员再就业预测模型研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-6页 |
| 目录 | 第6-8页 |
| 1 引言 | 第8-18页 |
| ·研究背景与研究意义 | 第8页 |
| ·研究现状 | 第8-13页 |
| ·就业和失业问题 | 第8-12页 |
| ·我国失业人员再就业扶持办法与存在问题 | 第12-13页 |
| ·研究内容与创新点 | 第13-16页 |
| ·研究内容 | 第13-14页 |
| ·创新点 | 第14-16页 |
| ·论文的内容安排 | 第16-18页 |
| 2 数据挖掘的基本理论 | 第18-26页 |
| ·数据挖掘概述 | 第18-21页 |
| ·数据挖掘概念 | 第18-19页 |
| ·数据挖掘常用技术 | 第19-21页 |
| ·数据挖掘基本方法论 | 第21-26页 |
| ·数据挖掘过程 | 第21-22页 |
| ·数据挖掘常用算法 | 第22-26页 |
| 3 基于趋势模式的劳动力供需时间序列预测模型 | 第26-38页 |
| ·劳动力供需时间序列 | 第26-28页 |
| ·劳动力供需相关研究概述 | 第26页 |
| ·时间序列数据挖掘 | 第26-28页 |
| ·基于趋势模式的时序数据挖掘TTSDM | 第28-33页 |
| ·TTSDM基本思想 | 第28-32页 |
| ·TTSDM算法 | 第32-33页 |
| ·TTSDM实证分析 | 第33-38页 |
| ·数据准备 | 第33-34页 |
| ·实证分析 | 第34-38页 |
| 4 基于竞争神经网络的失业预警模型 | 第38-58页 |
| ·失业预警的理论与方法 | 第38-41页 |
| ·经济预警与失业预警 | 第38-39页 |
| ·经济预警方法体系 | 第39-41页 |
| ·基于竞争神经网络的失业预警方法 | 第41页 |
| ·自组织映射 | 第41-44页 |
| ·自组织映射神经网络概述 | 第41-42页 |
| ·自组织映射神经网络原理 | 第42-43页 |
| ·自组织映射学习算法 | 第43-44页 |
| ·学习矢量量化 | 第44-46页 |
| ·学习矢量量化神经网络概述 | 第44页 |
| ·学习矢量量化神经网络原理 | 第44-45页 |
| ·学习矢量量化学习算法 | 第45-46页 |
| ·基于LVQ的层次化组合算法SOM-LVQ | 第46-53页 |
| ·SOM-LVQ基本思想 | 第46-48页 |
| ·SOM-LVQ算法 | 第48-49页 |
| ·SOM-LVQ实现 | 第49-53页 |
| ·SOM-LVQ实证分析 | 第53-58页 |
| ·明确警源 | 第53-54页 |
| ·划分警度 | 第54-55页 |
| ·分析警情 | 第55-58页 |
| 5 基于聚类的再就业困难程度评分评级模型 | 第58-83页 |
| ·就业困难概述 | 第58-59页 |
| ·就业困难的概念 | 第58页 |
| ·就业困难的界定及存在问题 | 第58-59页 |
| ·就业困难程度评分评级指标体系 | 第59-63页 |
| ·指标体系 | 第59-60页 |
| ·指标含义 | 第60-63页 |
| ·基于层次分析法的评分模型 | 第63-73页 |
| ·层次分析法的原理 | 第63-67页 |
| ·基于层次分析法确定指标权重 | 第67-70页 |
| ·评分模型 | 第70-73页 |
| ·基于聚类的评级方法CBRM | 第73-79页 |
| ·传统评级方法 | 第73-74页 |
| ·聚类评级 | 第74-77页 |
| ·基于距离的聚类初始化方法 | 第77-79页 |
| ·CBRM实证分析 | 第79-83页 |
| ·聚类结果 | 第79页 |
| ·聚类结果比较 | 第79-83页 |
| 6 结论与展望 | 第83-86页 |
| ·论文总结 | 第83-84页 |
| ·进一步的研究方向 | 第84-86页 |
| 7 参考文献 | 第86-92页 |
| 附录1 攻读硕士期间发表的论文 | 第92页 |
| 附录2 攻读硕士期间参加的课题和项目 | 第92-93页 |
| 致谢 | 第93-94页 |
