【技术实现步骤摘要】
本专利技术涉及一种薪酬模型的预测及构建方法、装置、设备及介质，属于数据预测领域。
技术介绍
1、为了对不同城市、不同学历及不同工作经验的薪酬进行预测并构建薪酬模型，需要大量的样本数据才能够更准确地进行预测，故利用已有的样本数据进行更精准的薪酬预测的尤为重要。
2、目前获取数据样本数据的方式为调研及用户主动提供，这导致薪酬数据库中能够获取的样本数据较少，导致在对不同城市、不同学历及不同工作经验的薪酬模型进行建立时，缺少足够的样本数据，例如，进行薪酬模型建立时，城市a学历b情况下，工龄为1年的样本数据过少，常规的薪酬模型建立则为利用市a学历b情况下，工龄为1年的样本数据的均值作为预测结果。
3、虽然上述方法能够实现利用已有样本数据进行薪酬预测，但是由于城市a学历b情况下，工龄为1年的样本数据过少，会导致建立城市a学历b情况下，工龄为1年的薪酬模型时的薪酬数值偏差较大，薪酬模型不够准确，故需要建立能够利用薪酬模型数据库的其他薪酬数据对待测薪酬进行预测并以此构建更准确的薪酬模型。
技术实现思路
1、本专利技术提供一种薪酬模型的预测及构建方法、装置、电子设备及存储介质，其主要目的在于建立能够利用薪酬模型数据库的其他薪酬数据对待测薪酬进行预测并以此构建更准确的薪酬模型。
2、为实现上述目的，本专利技术提供的一种薪酬模型的预测及构建方法，包括：
3、利用预构建的薪酬模型数据库获取工作种类，基于所述工作种类构建薪酬集，其中，所述薪酬集包括城市集、学历
4、z＝{a,b,c}
5、c＝{c1,c2,…,ci,…,cm}
6、其中，z表示薪酬集，a、b及c分别表示城市集、学历集及工龄集，ci(1≤i≤m)表示工龄集中工龄为i时的工龄薪酬集，工龄薪酬集中包括工龄为i时的多个工龄薪酬，m表示预设的工龄上限；
7、从所述薪酬集中依次提取第n组薪酬集，得到多个单位工龄集，其中，第n组薪酬集为：
8、zn＝{aq,bp,cn}
9、其中，zn(1≤n≤m)表示薪酬集中的第n组薪酬集，n表示工龄，且1≤n≤m，n为正整数，aq表示第n组薪酬集中的多个工龄薪酬均为城市q的薪酬，bq表示第n组薪酬集中的多个工龄薪酬均为学历p的薪酬，cn表示第n组薪酬集中的多个工龄薪酬均为工龄n的薪酬；
10、对所述多个单位工龄集中的每一个单位工龄集均执行如下操作：
11、利用预构建的数据筛选原则及单位工龄集筛选单位工龄集中的多个工龄薪酬，得到多个集中薪酬，基于所述多个集中薪酬获取筛选次数，汇总多个集中薪酬，得到集中薪酬集，利用预构建的样本偏度及样本峰度计算公式计算集中薪酬集的样本偏度及样本峰度，基于所述样本偏度、样本峰度、集中薪酬集及筛选次数获取可用单位工龄集，基于所述可用单位工龄集获取单位工龄均薪；
12、汇总所述多个单位工龄均薪，得到工龄均薪集，利用预构建的序列平稳性检验模型确认工龄均薪集中的多个单位工龄均薪平稳后，基于工龄均薪集得到平稳工龄均薪集，基于所述平稳工龄均薪集及预构建的预测模型获取预设的待估工龄下的预测工龄薪酬；
13、基于预构建的待估城市、待估学历、待估时间、薪酬集、数据筛选原则及预测模型获取待估城市的预测城市薪酬、待估学历的预测学历薪酬、待估时间下的预测时间薪酬，基于预测工龄薪酬、预测时间薪酬、预测城市薪酬及预测学历薪酬完成薪酬模型的预测及构建。
14、可选地，所述利用预构建的样本偏度及样本峰度计算公式计算集中薪酬集的样本偏度及样本峰度，基于所述样本偏度、样本峰度、集中薪酬集及筛选次数获取可用单位工龄集，包括：
15、样本偏度的计算公式为：
16、
17、样本峰度的计算公式为：
18、
19、其中，g1及g2分别表示集中薪酬集的样本偏度及样本峰度，e[(x-e(x))3]及e[(x-e(x))4]分别表示集中薪酬集的三阶矩及四阶矩，d(x)表示集中薪酬集的方差；
20、基于所述样本偏度及样本峰度获取集中薪酬集的峰度观察值及偏度观察值；
21、根据集中薪酬集的峰度观察值、偏度观察值及筛选次数获取可用单位工龄集。
22、可选地，所述根据集中薪酬集的峰度观察值、偏度观察值及筛选次数获取可用单位工龄集，包括：
23、基于所述峰度观察值获取峰度偏离值，比较峰度偏离值及预设的峰度偏离阈值；
24、若峰度偏离值大于等于峰度偏离阈值，则确认所述集中薪酬集待筛选，利用数据筛选原则筛选集中薪酬集中的多个集中薪酬，得到多个第二集中薪酬，汇总多个第二集中薪酬，得到第二集中薪酬集，基于所述多个第二集中薪酬更新筛选次数，得到第二筛选次数，基于所述第二筛选次数及第二集中薪酬集获取可用单位工龄集，其中，所述数据筛选原则为基于正态分布中的3σ原则，σ为待筛选的集合的方差；
25、若峰度偏离值小于峰度偏离阈值，则基于偏度观察值获取偏度偏离值；
26、比较偏度偏离值及预设的偏度偏离阈值；
27、若偏度偏离值大于等于偏度偏离阈值，则确认所述集中薪酬集待筛选；
28、若偏度偏离值小于偏度偏离阈值，则确认所述集中薪酬集为可用单位工龄集。
29、可选地，所述基于所述第二筛选次数及第二集中薪酬集获取可用单位工龄集，包括：
30、确认第二筛选次数为更新后筛选次数，比较更新后筛选次数及预设的次数阈值；
31、若更新后筛选次数大于等于次数阈值，则确认第二集中薪酬集为可用单位工龄集；
32、若更新后筛选次数小于次数阈值，则基于所述第二集中薪酬集获取第二偏度及第二峰度，基于所述第二偏度及第二峰度获取可用单位工龄集。
33、可选地，所述利用预构建的序列平稳性检验模型确认工龄均薪集中的多个单位工龄均薪平稳后，基于工龄均薪集得到平稳工龄均薪集，包括：
34、构建序列平稳性检验模型，将所述工龄均薪集中的多个单位工龄均薪输入至序列平稳性检验模型，得到检验结果，其中，所述序列平稳性检验模型为单位根检验模型；
35、若检验结果为多个单位工龄均薪为非平稳序列，则利用预构建的差分算法及所述工龄均薪集中的多个单位工龄均薪获取一阶均薪集，其中，所述一阶均薪集中包括多个一阶均薪，且所述多个一阶均薪的个数与多个单位工龄均薪的个数相同，利用序列平稳性检验模型及一阶均薪集确认一阶均薪集中的多个一阶均薪平稳后，确认所述一阶均薪集为平稳工龄均薪集；
36、若检验结果为多个单位工龄均薪为平稳序列，则确认所述工龄均薪集为平稳工龄均薪集。
37、可选地，所述预测模型为：
38、
39、其中，xt、xt-1、xt-2及xx-1分别表示预测模型中的工龄为t、t-1、t-2及x-1时的单位工龄均薪，x及y分别表示自回归模型的阶数及自回归模型的移动本文档来自技高网...
【技术保护点】
1.一种薪酬模型的预测及构建方法，其特征在于，所述方法包括：
2.如权利要求1所述的薪酬模型的预测及构建方法，其特征在于，所述利用预构建的样本偏度及样本峰度计算公式计算集中薪酬集的样本偏度及样本峰度，基于所述样本偏度、样本峰度、集中薪酬集及筛选次数获取可用单位工龄集，包括：
3.如权利要求2所述的薪酬模型的预测及构建方法，其特征在于，所述根据集中薪酬集的峰度观察值、偏度观察值及筛选次数获取可用单位工龄集，包括：
4.如权利要求3所述的薪酬模型的预测及构建方法，其特征在于，所述基于所述第二筛选次数及第二集中薪酬集获取可用单位工龄集，包括：
5.如权利要求1所述的薪酬模型的预测及构建方法，其特征在于，所述利用预构建的序列平稳性检验模型确认工龄均薪集中的多个单位工龄均薪平稳后，基于工龄均薪集得到平稳工龄均薪集，包括：
6.如权利要求1所述的薪酬模型的预测及构建方法，其特征在于，所述预测模型为：
7.如权利要求1至6中任意一项所述的薪酬模型的预测及构建方法，其特征在于，所述基于所述平稳工龄均薪集及预构建的预测模型获取
8.一种薪酬模型的预测及构建装置，其特征在于，所述装置包括：
9.一种电子设备，其特征在于，所述电子设备包括：
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的薪酬模型的预测及构建方法。
...【技术特征摘要】
1.一种薪酬模型的预测及构建方法，其特征在于，所述方法包括：
2.如权利要求1所述的薪酬模型的预测及构建方法，其特征在于，所述利用预构建的样本偏度及样本峰度计算公式计算集中薪酬集的样本偏度及样本峰度，基于所述样本偏度、样本峰度、集中薪酬集及筛选次数获取可用单位工龄集，包括：
3.如权利要求2所述的薪酬模型的预测及构建方法，其特征在于，所述根据集中薪酬集的峰度观察值、偏度观察值及筛选次数获取可用单位工龄集，包括：
4.如权利要求3所述的薪酬模型的预测及构建方法，其特征在于，所述基于所述第二筛选次数及第二集中薪酬集获取可用单位工龄集，包括：
5.如权利要求1所述的薪酬模型的预测及构建方法，其特征在于，所述利用预构建...
【专利技术属性】
技术研发人员：张海东，邹凌风，温俊锋，
申请(专利权)人：深圳市一览网络股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。