一种基于地理加权回归的就业岗位预测方法、设备、介质技术

本发明专利技术涉及一种基于地理加权回归的就业岗位预测方法、设备、介质，所述方法包括如下步骤：获取建模基础数据，在街道尺度上对多种岗位类型分别建立多元线性回归模型，确定各个岗位类型对应的具有显著影响的变量类型；基于各个岗位类型对应的具有显著影响的变量类型以及各个街道的位置信息，构建地理加权回归的就业岗位预测模型，并基于真实就业岗位数进行校正；获取具有显著影响的变量类型对应的真实值并输入校正后的就业岗位预测模型中，获取就业岗位预测值，实现就业岗位的预测。与现有技术相比，本发明专利技术提高了现有就业岗位分布预测的精度，进而提升交通需求模型预测效果。进而提升交通需求模型预测效果。进而提升交通需求模型预测效果。

【技术实现步骤摘要】
一种基于地理加权回归的就业岗位预测方法、设备、介质


[0001]本专利技术涉及交通规划
，尤其是涉及一种基于地理加权回归的就业岗位预测方法、设备、介质。

技术介绍

[0002]交通需求预测是交通规划的重要组成部分，是衔接交通需求与供给的重要环节。而作为交通需求预测模型的输入数据，就业岗位数量指标获取是交通量分布预测的重要前提。因此能够基于人口、土地利用、交通可达性等指标，分析对于不同岗位具有显著作用的影响因素并准确预测各类岗位需求，对保障交通模型预测精度具有重要的意义。
[0003]城市发展离不开商业用地、办公用地和工业用地的规划与建设，这些用地将带来大量的人口与就业岗位，此外，居民期望通勤时间能够在一个合理范围内，且生活娱乐能够相对方便，这些因素都会对居民的住房选址产生一定影响。因此，可达性与就业岗位分布也密切相关。然而在不同的空间范围内，这些影响因素对岗位需求的影响程度也是有差异的。
[0004]中国专利申请号CN201911252595.9公开了一种基于大数据的交通生成预测方法，包括：获取交通分区各类人口的数量和交通分区的基础数据；记录交通分区各类人口的交通生成相关数据；分别建立第一回归分析模型，并用获取的现状数据进行模型参数标定；分别建立第二回归分析模型，并利用现状数据进行模型参数标定；利用第一回归分析模型，计算规划年各交通小区的各类人口数量；利用第二回归分析模型计算规划年各交通小区有/无固定工作居住人口的内部出行率；计算有/无固定工作居住人口的产生吸引量；计算岗位人口和外来人口的产生吸引量。
[0005]上述申请以及大部分现有方法需要使用就业岗位作为预测模型的输入数据以对未来的交通需求进行预测，但是，当前缺少一种就业岗位预测方法，以准确的预测就业岗位。

技术实现思路

[0006]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于地理加权回归的就业岗位预测方法，通过建立多元线性回归模型确定各个岗位类型对应的具有显著影响的变量类型，进而构建地理加权回归的就业岗位预测模型，以提高现有就业岗位分布预测的精度，进而提升交通需求模型预测效果。
[0007]本专利技术的目的可以通过以下技术方案来实现：
[0008]本专利技术的一个方面，提供了一种基于地理加权回归的就业岗位预测方法，包括如下步骤：
[0009]获取建模基础数据，在街道尺度上对多种岗位类型分别建立多元线性回归模型，确定各个岗位类型对应的具有显著影响的变量类型；
[0010]基于各个岗位类型对应的具有显著影响的变量类型以及各个街道的位置信息，构建地理加权回归的就业岗位预测模型，并基于真实就业岗位数进行校正；
[0011]获取具有显著影响的变量类型对应的真实值并输入校正后的就业岗位预测模型中，获取就业岗位预测值，实现就业岗位的预测。
[0012]作为优选的技术方案，确定各个岗位类型对应的具有显著影响的变量类型的过程包括如下步骤：
[0013]基于建立好的多元线性回归模型，基于回归模型中各个变量类型对应的拟合参数的大小，根据预设的规则确定具有显著影响的变量类型。
[0014]作为优选的技术方案，所述的预设的规则为：拟合参数大于预设值。
[0015]作为优选的技术方案，所述的地理加权回归的就业岗位预测模型为：
[0016][0017]其中，y
i
表示预测的就业岗位，β
bwj
表示基于各个街道的位置信息获取的第j个解释变量的第i个采样点的回归参数，x
i
为具有显著影响的变量，ε
i
为随机效应项，(u
i
,v
i
)表示第i个采样点的坐标。
[0018]作为优选的技术方案，所述的回归参数采用下式获取：
[0019][0020]其中，表示第i个采样点的回归参数，X表示解释变量观测值矩阵，Y表示预测变量的观测值向量，(u
i
,v
i
)表示第i个采样点的坐标，W(u
i
,v
i
)为权重矩阵且满足：
[0021]W(u
i
,v
i
)＝diag(w1(u
i
,v
i
),w2(u
i
,v
i
),
…
,w
n
(u
i
,v
i
))
[0022][0023]其中，d
ij
表示空间位置j到回归点i的欧氏距离，b是从回归点i到其第M个最近居的距离，M是最近邻居的最优值。
[0024]作为优选的技术方案，所述的最近邻居的最优值通过使校正的赤池信息准则值达到最小确定。
[0025]作为优选的技术方案，所述的基于真实就业岗位数进行校正包括如下步骤：
[0026]基于真实就业岗位数，使用back
‑
fitting算法对就业岗位预测模型的回归参数进行校正。
[0027]作为优选的技术方案，所述的就业岗位预测方法还包括如下步骤：
[0028]输出包括所述就业岗位预测值、岗位预测精度和变量类型影响程度的可视化信号。
[0029]作为优选的技术方案，所述的具有显著影响的变量类型包括人口、用地建筑面积和可达性。
[0030]作为优选的技术方案，所述的岗位类型包括商服类岗位、办公类岗位、运输类岗位、工业类岗位、教育类岗位、医疗类岗位和其他类岗位。
[0031]本专利技术的另一个方面，提供了一种电子设备，包括：
[0032]影响变量确定模块，用于获取建模基础数据，在街道尺度上对多种岗位类型分别建立多元线性回归模型，确定各个岗位类型对应的具有显著影响的变量类型；
[0033]预测模型构建模块，用于基于各个岗位类型对应的具有显著影响的变量类型以及各个街道的位置信息，构建地理加权回归的就业岗位预测模型，并基于真实就业岗位数进行校正，还用于获取具有显著影响的变量类型对应的真实值并输入校正后的就业岗位预测模型中，获取就业岗位预测值，实现就业岗位的预测。
[0034]本专利技术的另一个方面，提供了一种计算机可读存储介质，包括供电子设备的一个或多个处理器执行的一个或多个程序，所述一个或多个程序包括用于执行上述基于地理加权回归的就业岗位预测方法的指令。
[0035]与现有技术相比，本专利技术具有以下优点：
[0036](1)预测精度高：本专利技术首先通过建立多元线性回归模型确定各个岗位类型对应的具有显著影响的变量类型，然后构建地理加权回归的就业岗位预测模型，并使用真实的就业岗位值对模型进行校正。本专利技术针对不同岗位类型分别构建线性回归模型以确定具有显著影响变量类型以用于后续建模预测，同时地理加权回归的预测模型充分考虑各采样点的位置影响，提高现有就业岗位分布预测的精度。
[0037](2)提升交通需求模型预测效果：交通需求预测是交本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于地理加权回归的就业岗位预测方法，其特征在于，包括如下步骤：获取建模基础数据，在街道尺度上对多种岗位类型分别建立多元线性回归模型，确定各个岗位类型对应的具有显著影响的变量类型；基于各个岗位类型对应的具有显著影响的变量类型以及各个街道的位置信息，构建地理加权回归的就业岗位预测模型，并基于真实就业岗位数进行校正；获取具有显著影响的变量类型对应的真实值并输入校正后的就业岗位预测模型中，获取就业岗位预测值，实现就业岗位的预测。2.根据权利要求1所述的一种基于地理加权回归的就业岗位预测方法，其特征在于，确定各个岗位类型对应的具有显著影响的变量类型的过程包括如下步骤：基于建立好的多元线性回归模型，基于回归模型中各个变量类型对应的拟合参数的大小，根据预设的规则确定具有显著影响的变量类型。3.根据权利要求2所述的一种基于地理加权回归的就业岗位预测方法，其特征在于，所述的预设的规则为：拟合参数大于预设值。4.根据权利要求1所述的一种基于地理加权回归的就业岗位预测方法，其特征在于，所述的地理加权回归的就业岗位预测模型为：其中，yi表示预测的就业岗位，β
bwj
表示基于各个街道的位置信息获取的第j个解释变量的第i个采样点的回归参数，x
i
为具有显著影响的变量，ε
i
为随机效应项，(u
i
,v
i
)表示第i个采样点的坐标。5.根据权利要求4所述的一种基于地理加权回归的就业岗位预测方法，其特征在于，所述的回归参数采用下式获取：其中，表示第i个采样点的回归参数，X表示解释变量观测值矩阵，Y表示预测变量的观测值向量，(u
i
,v
i
)表示第i个采样点的坐标，W(u
i
,v
i
)为权重矩阵且满足：W(u
i
,v
i
)＝diag(w1(u
i
,v
i
),w...

【专利技术属性】
技术研发人员：张华，周军，马亮，谭泽芳，刘涵，殷嘉俊，杨超，郭莉，陈明垟，
申请(专利权)人：同济大学，
类型：发明
国别省市：