CN108596806A - 精确匹配历史数据的方法 - Google Patents

精确匹配历史数据的方法 Download PDF

Info

Publication number
CN108596806A
CN108596806A CN201810421643.1A CN201810421643A CN108596806A CN 108596806 A CN108596806 A CN 108596806A CN 201810421643 A CN201810421643 A CN 201810421643A CN 108596806 A CN108596806 A CN 108596806A
Authority
CN
China
Prior art keywords
matching
database
school
profession
admission
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
Application number
CN201810421643.1A
Other languages
English (en)
Inventor
张俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shangrao Pervasive Technology Co Ltd
Original Assignee
Shangrao Pervasive Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shangrao Pervasive Technology Co Ltd filed Critical Shangrao Pervasive Technology Co Ltd
Priority to CN201810421643.1A priority Critical patent/CN108596806A/zh
Publication of CN108596806A publication Critical patent/CN108596806A/zh
Pending legal-status Critical Current

Links

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2053—Education institution selection, admissions, or financial aid

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了精确匹配历史数据的方法，包括，建立全国高校历年投档线数据库、建立全国高校历年专业录取分数数据库、建立当年招生计划数据库、匹配学校投档分的计算步骤、匹配专业录取分的计算步骤，匹配学校投档分的计算步骤分为：精确匹配、不同计划性质匹配和不同批次类型匹配，匹配专业录取分的计算步骤分为：二级学科精确匹配、一级学科精确匹配、二级学科不同批次类型匹配和一级学科不同批次类型匹配。本发明与现有技术相比的优点在于：本发明可以大大提高预测高校投档线和专业录取分的准确度和可靠度，为高考考生在志愿填报中准确地判断与本人高考成绩相匹配的专业提供了可靠的数据，帮助考生选择到理想的专业。

Description

精确匹配历史数据的方法
技术领域
本发明涉及高考投档分析领域，具体是指精确匹配历史数据的方法。
背景技术
互联网的高速发展，电脑与手机等移动终端的广泛普及，高校信息与政府高招信息的公开、数据库技术与人工智能技术的发展，为大数据分析、人工智能指导高考填报志愿技术提供了可能。高考志愿填报辅助决策系统收集了各高校与各省级教育考试院大量的相关信息,包括各高校在各省的历年投档线和专业录取最高分、最低分和平均分。高考志愿填报辅助决策系统就是对这些海量的历史数据进行分析，从而为考生提供准确的高考志愿填报辅助决策服务。每个高考志愿填报辅助决策系统在预测各高校的招生当年的投档线和专业录取分时，都需要根据招生计划中高校的招生属性匹配历史数据，然后对这些数据按照一定的数学模型进行分析运算，就可以比较准确地计算出预测分数，从而为考生提供适合他们高考成绩的学校及其专业。因此，在预测高校投档线和专业录取分时，如何准确地匹配历史数据成为高考志愿填报辅助系统核心运算一个重要的环节。
高校在招生过程中的属性主要包括招生年份、学校代码、科别类型、批次类型、计划性质和分数线标准。在计算预测学校投档线和专业录取分，匹配历史数据时，应该按照这6个属性进行精确匹配，并根据历年的属性变化进行修正，这样数据就能准确反映历史事实。现有的高考志愿填报辅助系统在匹配历史数据时，并没有根据这6个属性进行精确匹配，只是匹配招生年份和科别类型2个属性，进行计算。现有只匹配招生年份和科别类型2个属性的匹配历史数据的方法，在预测学校投档分和专业录取分时有2个缺点：无法符合历史实际情况，误差较大。
发明内容
本发明要解决的技术问题是，本发明采取精确匹配历史数据的方法，完全可以解决目前只匹配招生年份和科别类型2个属性的匹配历史数据的方法存在的问题，符合历史实际情况，误差更小。
为解决上述技术问题，本发明提供的技术方案为：精确匹配历史数据的方法，包括，建立全国高校历年投档线数据库、建立全国高校历年专业录取分数数据库、建立当年招生计划数据库、匹配学校投档分的计算步骤、匹配专业录取分的计算步骤，所述的全国高校历年投档线数据库内容包括学校名称、科别类型、批次类型、计划性质、分数线标准、年份、各省的投档线、各批次的分数线标准值，所述的全国高校历年专业录取分数数据库，内容包括学校名称、科别类型、分数线标准、年份、各省的专业名称、二级学科代码及其录取最高分、最低分、平均分，所述的当年招生计划数据库，内容包括学校名称、科别类型、批次类型、计划性质、分数线标准、专业名称，所述的匹配学校投档分的计算步骤分为：精确匹配、不同计划性质匹配和不同批次类型匹配，所述的匹配专业录取分的计算步骤分为：二级学科精确匹配、一级学科精确匹配、二级学科不同批次类型匹配和一级学科不同批次类型匹配。
作为改进，服务器采用数据库服务器、WEB服务器、WEBService服务器、负载均衡服务器、信息安全服务器，数据库管理软件采用SQL server，数据库管理系统采用DBMS，运行环境为windows web，软件开发语言为C#、asp.net、PHP。
本发明与现有技术相比的优点在于：本发明可以大大提高预测高校投档线和专业录取分的准确度和可靠度，为高考考生在志愿填报中准确地判断与本人高考成绩相匹配的专业提供了可靠的数据，帮助考生选择到理想的专业，进而录取到理想的大学。
具体实施方式
本发明在具体实施时，精确匹配历史数据的方法，包括，建立全国高校历年投档线数据库、建立全国高校历年专业录取分数数据库、建立当年招生计划数据库、匹配学校投档分的计算步骤、匹配专业录取分的计算步骤，所述的全国高校历年投档线数据库内容包括学校名称、科别类型、批次类型、计划性质、分数线标准、年份、各省的投档线、各批次的分数线标准值，所述的全国高校历年专业录取分数数据库，内容包括学校名称、科别类型、分数线标准、年份、各省的专业名称、二级学科代码及其录取最高分、最低分、平均分，所述的当年招生计划数据库，内容包括学校名称、科别类型、批次类型、计划性质、分数线标准、专业名称，所述的匹配学校投档分的计算步骤分为：精确匹配：对全部学校的各个招生属性进行匹配。根据招生计划数据库的学校代码、科别类型、批次类型、计划性质、分数线标准，加上以往的年份关联高校历年投档线数据库，获取每所高校在不同招生属性的历年高校投档分；不同计划性质匹配：对精确匹配没有匹配到历史数据的学校及招生属性进行匹配。根据招生计划数据库的学校名称、科别类型、批次类型、分数线标准关联高校历年投档线数据库，获取没有匹配到历史数据的高校在不同招生属性的历年高校投档分；不同批次类型匹配：对不同计划性质匹配没有匹配到历史数据的学校及招生属性进行匹配。根据招生计划数据库的学校名称、科别类型、分数线标准关联高校历年投档线数据库，获取没有匹配到历史数据的高校在不同招生属性的历年高校投档分。当出现多个符合匹配条件的数据时，要取其平均值作为该年的数据；所述的匹配专业录取分的计算步骤分为：二级学科精确匹配：对全部学校的各个招生属性各个专业用二级学科代码进行匹配。根据招生计划数据库的学校名称、科别类型、批次类型(仅为提前批次)、分数线标准、二级学科代码，加上以往的年份关联高校历年专业录取分数数据库，获取每所高校在不同招生属性的历年专业录取分；一级学科精确匹配：对二级学科精确匹配没有匹配到历史数据的学校各个招生属性各个专业用一级学科代码进行匹配。根据招生计划数据库的学校名称、科别类型、批次类型、分数线标准、一级学科代码，加上以往的年份关联高校历年投档线数据库，获取没有匹配到历史数据的高校在不同招生属性的历年专业录取分；、二级学科不同批次类型匹配：对一级学科、二级学科精确匹配没有匹配到历史数据的学校各个招生属性各个专业，取消批次类型属性，用二级学科代码进行匹配。根据招生计划数据库的学校名称、科别类型、分数线标准、二级学科代码，加上以往的年份关联高校历年专业录取分数数据库，获取每所高校在不同招生属性的历年专业录取分。当出现多个符合匹配条件的数据时，要取其平均值作为该年的数据；一级学科不同批次类型匹配：对二级学科不同批次类型匹配没有匹配到历史数据的学校各个招生属性各个专业，取消批次类型属性，用一级学科代码进行匹配。根据招生计划数据库的学校名称、科别类型、分数线标准、一级学科代码，加上以往的年份关联高校历年专业录取分数数据库，获取每所高校在不同招生属性的历年专业录取分。当出现多个符合匹配条件的数据时，要取其平均值作为该年的数据。
服务器采用数据库服务器、WEB服务器、WEBService服务器、负载均衡服务器、信息安全服务器，数据库管理软件采用SQL server，数据库管理系统采用DBMS，运行环境为windows web，软件开发语言为C#、asp.net、PHP。
实施例：
1、预测投档线：
2、预测专业录取分：
以上对本发明及其实施方式进行了描述，这种描述没有限制性，具体实施方式中所示的也只是本发明的实施例之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (2)

1.精确匹配历史数据的方法，其特征在于：包括，建立全国高校历年投档线数据库、建立全国高校历年专业录取分数数据库、建立当年招生计划数据库、匹配学校投档分的计算步骤、匹配专业录取分的计算步骤，所述的全国高校历年投档线数据库内容包括学校名称、科别类型、批次类型、计划性质、分数线标准、年份、各省的投档线、各批次的分数线标准值，所述的全国高校历年专业录取分数数据库，内容包括学校名称、科别类型、分数线标准、年份、各省的专业名称、二级学科代码及其录取最高分、最低分、平均分，所述的当年招生计划数据库，内容包括学校名称、科别类型、批次类型、计划性质、分数线标准、专业名称，所述的匹配学校投档分的计算步骤分为：精确匹配、不同计划性质匹配和不同批次类型匹配，所述的匹配专业录取分的计算步骤分为：二级学科精确匹配、一级学科精确匹配、二级学科不同批次类型匹配和一级学科不同批次类型匹配。
2.根据权利要求1所述的精确匹配历史数据的方法，其特征在于：服务器采用数据库服务器、WEB服务器、WEBService服务器、负载均衡服务器、信息安全服务器，数据库管理软件采用SQL server，数据库管理系统采用DBMS，运行环境为windows web，软件开发语言为C#、asp.net、PHP。
CN201810421643.1A 2018-05-04 2018-05-04 精确匹配历史数据的方法 Pending CN108596806A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810421643.1A CN108596806A (zh) 2018-05-04 2018-05-04 精确匹配历史数据的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810421643.1A CN108596806A (zh) 2018-05-04 2018-05-04 精确匹配历史数据的方法

Publications (1)

Publication Number Publication Date
CN108596806A true CN108596806A (zh) 2018-09-28

Family

ID=63619870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810421643.1A Pending CN108596806A (zh) 2018-05-04 2018-05-04 精确匹配历史数据的方法

Country Status (1)

Country Link
CN (1) CN108596806A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116244415A (zh) * 2023-01-17 2023-06-09 广州高才信息科技有限公司 识别学科专业名称并进行自动归类的计算机操作系统及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927602A (zh) * 2014-04-28 2014-07-16 河南云卓数据服务有限公司 一种面向高考志愿填报的辅助决策方法
CN104392316A (zh) * 2014-11-21 2015-03-04 浪潮电子信息产业股份有限公司 一种基于云计算的高考志愿填报决策支持系统
CN106251260A (zh) * 2016-07-29 2016-12-21 浪潮电子信息产业股份有限公司 一种考生志愿填报模拟系统及方法
CN107609711A (zh) * 2017-09-27 2018-01-19 百度在线网络技术（北京）有限公司 一种报考信息的提供方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927602A (zh) * 2014-04-28 2014-07-16 河南云卓数据服务有限公司 一种面向高考志愿填报的辅助决策方法
CN104392316A (zh) * 2014-11-21 2015-03-04 浪潮电子信息产业股份有限公司 一种基于云计算的高考志愿填报决策支持系统
CN106251260A (zh) * 2016-07-29 2016-12-21 浪潮电子信息产业股份有限公司 一种考生志愿填报模拟系统及方法
CN107609711A (zh) * 2017-09-27 2018-01-19 百度在线网络技术（北京）有限公司 一种报考信息的提供方法、装置、设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
洪立光: ""高考数据分析及可视化展示系统数据采集及管理模块的设计与实现"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116244415A (zh) * 2023-01-17 2023-06-09 广州高才信息科技有限公司 识别学科专业名称并进行自动归类的计算机操作系统及方法

Similar Documents

Publication Publication Date Title
Liu et al. An integrated national mortality surveillance system for death registration and mortality surveillance, China
CN109727169A (zh) 基于工作岗位的员工培训内容推送及接收方法和系统
Gao et al. Implementation of E-health record systems and E-medical record systems in China
CN107194158A (zh) 一种基于图像识别的疾病辅助诊断方法
CN113360671A (zh) 一种基于知识图谱的医保医疗单据审核方法及其系统
CN111709658B (zh) 基于大数据技术的初中学生综合素质评价系统及方法
CN108629713A (zh) 一种人工智能制定高考志愿填报方案的方法
CN106803385A (zh) 一种飞行辅助训练考核评定系统
CN109800354A (zh) 一种基于区块链存储的简历修改意图识别方法及系统
CN109192312B (zh) 一种心力衰竭患者不良事件智能管理系统及方法
Peng et al. An introduction to artificial intelligence and machine learning for online education
US20160093010A1 (en) Multi-payer clinical documentation e-learning platform
CN108596806A (zh) 精确匹配历史数据的方法
US11561970B2 (en) Techniques for accurately specifying identification information
CN106446570A (zh) 一种基于学术大数据的会议影响力评估方法
CN104615740B (zh) 一种志愿者地理信息信誉度计算方法
CN106327392A (zh) 一种基于大数据的考试录取智能预测方法
CN108763459A (zh) 基于心理测试及dnn算法的专业倾向分析方法及系统
CN105741080A (zh) 数字化面试测评系统
CN112241417B (zh) 页面数据的验证方法、装置、介质及电子设备
CN108647816A (zh) 用档差法预测高校专业录取分的方法
CN108197194A (zh) 一种报案信息的处理方法及系统
Kabudula et al. Evaluation of record linkage of mortality data between a health and demographic surveillance system and national civil registration system in South Africa
Wang et al. The research of doctors recommendation algorithm based on clustering and collaborative filtering
KR102481664B1 (ko) 대학입시 합격가능성 예측 시스템 및 서비스 방법

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