就业的整体稳定是国家经济发展和社会稳定的重要基础,由于受到突如其来疫情冲击,在就业需求增加与经济下行的双重压力背景下,国家相关就业指导部门及高校科研机构更进一步地重视社会就业问题。近年来,城镇劳动力由于受到经济增速下滑和经济结构的变化影响,就业形势较为严峻;随着人工智能技术的不断发展,技术进步所带来的失业也是逐渐成为社会所不容忽视的问题。因此,本文引入机器学习的方法来构建适用于我国城镇劳动力的就业预测,这对于国家在有关社会就业出台相关政策支持和进一步稳定就业都具有一定意义。针对目前国内外对于就业预测研究不多的问题,本文在拥有准确、有效的数据前提下,探索利用并优化机器学习的方法对就业进行预测和分析,进而完成预测模型的训练。基于本文的研究目标,本文以中国城镇劳动力作为研究对象,构建了中国城镇劳动力就业预测框架。框架包括预测指标体系构建、特征工程、非平衡数据处理、预测模型训练方法设计和预测模型评价五个主要部分。首先,本文对中国城镇劳动力的就业特点进行了研究,提出了包括个体指标与非个体指标的指标体系,其中个体指标包含劳动者个体基本情况、教育经历、劳动者状态、工作经历四大维度的27个二级指标,非个体指标包含国家就业总体水平、国民收入水平、劳动力结构和其他因素四大维度等13个二级指标,构建了符合中国城镇劳动力就业特点的预测指标体系;其次,通过数据预处理以及不同方法的特征选择来构建效果更优的特征组合;然后,提出IPS样本合成算法对不平衡数据进行处理,在此基础上进一步建立基于XGBoost的预测模型训练方法,并采用BOA算法来进行模型参数调优,得到最终的预测结果;最后对不同方面模型的预测效果进行对比评价,来验证本文提出方法的有效性,并根据实证结果提出对策建议。通过模型对比发现,与传统模型训练方法相比,采用IPS-BOA-XGBoost模型在主要评价指标上具有更好的预测效果,测试集上Auc为0.94,表示模型整体分类效果较好;特异度（Specificity）为0.99,表示在预测就业样本准确率上,模型效果较高;召回率（Recall）为0.75,表明在预测未就业样本准确率上也达到了较好效果;总体来看,相比于其他模型训练方法,本文提出的预测模型具有更好的预测效果。