CN108629713A - 一种人工智能制定高考志愿填报方案的方法 - Google Patents

一种人工智能制定高考志愿填报方案的方法 Download PDF

Info

Publication number
CN108629713A
CN108629713A CN201810422003.2A CN201810422003A CN108629713A CN 108629713 A CN108629713 A CN 108629713A CN 201810422003 A CN201810422003 A CN 201810422003A CN 108629713 A CN108629713 A CN 108629713A
Authority
CN
China
Prior art keywords
data
examinee
school
scheme
report
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
CN201810422003.2A
Other languages
English (en)
Inventor
张俊
陈坤
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 CN201810422003.2A priority Critical patent/CN108629713A/zh
Publication of CN108629713A publication Critical patent/CN108629713A/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

本发明一种人工智能制定高考志愿填报方案的方法，其特征在于：它包括以下步骤：(1)、采集数据；(2)、清洗数据；(3)、输入考生信息；(4)、分析数据；(5)、智能选择；(6)、志愿评估；(7)、模拟投档。本发明所需要的系统装置包括：服务器、数据库管理软件、数据库管理系统、运行环境：windows web；软件开发语言：C#、asp.net、PHP。本发明具有如下优点：智能出方案：采用神经网络技术，方案自动匹配了13个维度的信息，给出了明确理由；内容精准：预测分数匹配精准、个人意向匹配精准、政策匹配精准、规则匹配精准、防撞车匹配精准；实现最佳：最佳的学校、最佳的专业，最佳的方案。

Description

一种人工智能制定高考志愿填报方案的方法
技术领域
本发明涉及高考填报技术领域，具体是指一种人工智能制定高考志愿填报方案的方法。
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、数据库技术的发展，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。高考志愿填报是一个很关键的事情。填报精准，能够上最佳的大学和最佳的专业；填报失误，轻则高分低就、学校专业不理想，重则“掉档”，失去当前批次录取的机会，甚至错失上大学的机会。大部分考生在填报志愿过程中，都是依靠自己的分析以及老师、家长、专家的经验，但个人的经验很不全面，不可能都了解全国2914所高校及其数万个专业的情况。迫切需要一种便捷的辅助决策系统，帮助他们科学填报高考志愿。现在已有许多帮助考生查询填报志愿资料的系统。系统收集了各高校与各省级教育考试院大量的相关信息。但大部分软件系统仅仅是提供分类查询功能，需要考生自己分析决策；少数软件系统虽然可以提供部分智能查询，但只按照历年投档分数情况，考生对学校地域的意向，专业的爱好等少数要素筛选出符合考生高考分数的高校，智能化程度不高，精准度不高，远远不能满足复杂的志愿填报策略和考生个性化需求。
发明内容
本发明要解决的技术问题是克服以上技术缺陷，提供一种人工智能制定高考志愿填报方案的方法。
为解决上述技术问题，本发明提供的技术方案为：一种人工智能制定高考志愿填报方案的方法，其特征在于，它包括以下步骤：
(1)、采集数据：包括数据内容、采集方法、结构化数据；
(2)、清洗数据：包括建立闭环数据结构、规范数据格式、消除数据错误；
(3)、输入考生信息：包括考生个人信息和考生意向信息；
(4)、分析数据：A、使用线差法、线差比法、排位法对各高校投档分进行综合预测分析；B、用线差法、档差法、排位法对各高校专业录取分的综合预测分析；C、用综合评价法对各高校的学校实力评价进行分析；D、用综合评价法对各高校的专业实力评价进行分析；
(5)、智能选择：提供高考填报方案，包括学校优先策略、专业优先策略、形成方案、克服并发计算瓶颈；
(6)、志愿评估：根据考生分数等信息与招考要求，按照填报策略要求给出是否合适的评价和风险提示；
(7)、模拟投档：为每位考生给出志愿是否合适的评估，提供扎堆填报的风险提示和调整学校专业的建议。
优选的，所述方法所需要的系统装置包括：服务器：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：SQL server；数据库管理系统：DBMS；运行环境：windows web；软件开发语言：C#、asp.net、PHP。
优选的，所述步骤(3)中的考生信息包括：考生号、姓名、性别、民族、科别类型、高考总分、全省排位、单科成绩、加分、小语种等；考生意向信息包括：学校地域、办学性质、学费、出国、专业爱好、学校类型等意向。
本发明具有如下优点：因为采用了神经网络技术进行智能分析，将志愿填报专家的思维结合海量大数据运算，为考生提供的志愿填报方案，更加全面科学合理，可以做到零失误；因为对历年的高校投档分数据和高校的师资队伍和学科建设数据进行了智能分析，为考生提供的学校，不仅符合考生分数的可能，而且实力相对更强；因为对历年的高校专业录取分数据和高校的专业评价数据进行了智能分析，为考生提供的专业，不仅符合考生分数的可能，而且实力相对更好；因为采用了一键出方案的设计，不仅仅提供信息查询方便，而是提供专家级的分析服务，可以取代人工专家咨询。
附图说明
图1为本发明的智能选择流程图。
具体实施方式
一种人工智能制定高考志愿填报方案的方法，其特征在于，它包括以下步骤：
(1)、采集数据：
一、数据内容：1、全国高校基础评价数据；2、全国高校专业评价数据；3、2010年以来每年的高校投档录取分数数据；4、2010年以来每年的高校专业录取分数数据；5、当年的招生计划数据；6、各省高招政策、投档规则、各高校录取规则、全国教育方面的代码规则等数据。
二、采集方法：1、线上用爬虫技术通过互联网从全国各高校、各省级教育考试院的网站上采集；2、线下用OCR技术从省级教育考试部门提供的各类招生参考纸质资料采集。
三、结构化数据：对扫描的数据、输入的数据、网页上复制的数据全部形成数据库可识别的数据。
(2)、清洗数据：
一、建立闭环数据结构，形成唯一性、一致性、完整性、可追溯、已去冗的基础数据、辅助数据和过程数据。
二、规范数据格式，形成可互相关联的各类数据库群。
三、消除数据错误，进行关联性分析，消除源头数据错误、采集数据错误、历史数据错误。
(3)、输入考生信息：
一、考生个人信息：考生号、姓名、性别、民族、科别类型、高考总分、全省排位、单科成绩、加分、小语种等。
二、考生意向信息：学校地域、办学性质、学费、出国、专业爱好、学校类型等意向。
(4)、分析数据：
A、使用线差法、线差比法、排位法对各高校投档分进行综合预测分析；
1.1、线差法：
匹配历年高校投档分：根据招生计划汇总数据库的学校名称、科别类型、批次类型、计划性质、分数线标准关联全国高校历年投档线数据库，获取历年投档线；
计算历年线差xc：历年投档线-历年同分数线标准的值，设t为投档线，f为历年同分数线标准的值，xc为线差，于是xc＝ti-fi(i＝1......m)；
计算平均线差Δxc：用历年档差除以年数，
计算历年波动系数λ1：λ1＝avedev(Δxc1......Δxcm)
计算历年趋势系数λ2：λ2＝slope(Δxc1......Δxcm)
计算预测高校投档线tdx：当年分数线值+平均线差+历年波动系数+历年趋势系数。tdx＝f+Δxc+λ1+λ2
1.2、线差比法：
在上述计算历年线差xc基础上
计算历年线差比xcb：(历年投档线-历年同分数线标准的值)/历年同分数线标准的值，设t为投档线，f为历年同分数线标准的值，xcb为线差，于是：xcb＝Δxci/fi(i＝1......m)
计算平均线差Δxcb：用历年档差除以年数，
计算历年波动系数λ1：λ1＝avedev(Δxcb1......Δxcbm)
计算历年趋势系数λ2：λ2＝slope(Δxcb1......Δxcbm)
计算预测高校投档线tdx：当年分数线值×(1+平均线差比+历年波动系数+历年趋势系数)。tdx＝f(1+Δxc+λ1+λ2)
1.3、排位法：
建立各省一分一位表，包括全省各科别类型的考生总分，从最高分到最低分，相应的累计人数。
匹配历年高校投档排位：根据招生计划汇总数据库的学校名称、科别类型、批次类型、计划性质、分数线标准关联全国高校历年投档线数据库，获取历年投档排位；
计算平均排位Δpw：用历年排位之和除以年数；
计算历年波动系数λ1：λ1＝avedev(pw1......pwm)
计算历年趋势系数λ2：λ2＝slope(pw1......pwm)
计算预测高校投档排位tdpw：平均排位+历年波动系数+历年趋势系数，tdpw＝Δpw+λ1+λ2)计算预测高校投档线tdx：用预测高校投档排位关联相应省一分一位表，获取考分数值。
1.4、综合分析得出最终高校投档线：
从招生当年往历年推，分别用3年、4年、5年的数据预测各高校投档分；
排除3个年度值中的异常值；
求3个年度值的平均值Δtdx:
B、用线差法、档差法、排位法对各高校专业录取分的综合预测分析；
2.1、线差法：
匹配历年专业录取分：根据招生计划数据库的学校名称、科别类型、批次类型、计划性质、分数线标准、专业名称关联全国高校历年专业录取分数数据库，获取历年专业录取平均分；
计算历年线差xc：历年专业录取平均分-历年同分数线标准的值，设t为投档线，f为历年同分数线标准的值，xc为线差，于是：xc＝ti-fi(i＝1......m)；
计算平均线差Δxc：用历年线差除以年数，
计算历年波动系数λ1：λ1＝avedev(Δxc1......Δxcm)
计算历年趋势系数λ2：λ2＝slope(Δxc1......Δxcm)
计算预测高校专业录取平均分lq：当年分数线值+平均线差+历年波动系数+历年趋势系数。tdx＝f+Δxc+λ1+λ2
2.2、档差法：
匹配历年专业录取分：根据招生计划数据库的学校名称、科别类型、批次类型、计划性质、分数线标准、专业名称关联全国高校历年专业录取分数数据库，获取历年专业录取平均分；
匹配历年高校投档分：根据招生计划数据库的学校名称、科别类型、批次类型、计划性质、分数线标准关联高校历年投档线数据库，获取历年历年高校投档分；
计算历年档差dc：历年专业录取平均分-历年高校投档分，设l为专业录取分，t为高校投档线，dc为档差，于是：dc＝li-ti(i＝1......m)；
计算平均档差Δdc：用历年档差除以年数，
计算预测高校投档线：根据高校历年投档线、分数线，按照科别类型、批次类型、计划性质、分数线标准分别计算(计算步骤略)；
计算预测高校专业录取平均分lq：当年高校预测投档线+平均档差+历年波动系数+历年趋势系数，lq＝td+Δdc+λ1+λ2
2.3、排位法：
建立各省一分一位表，包括全省各科别类型的考生总分，从最高分到最低分，相应的累计人数。匹配历年高校专业录取排位：根据招生计划数据库的学校名称、科别类型、批次类型、计划性质、分数线标准、专业名称关联全国高校历年专业录取分数数据库，获取历年投档排位；
计算平均排位Δpw：用历年排位之和除以年数；
计算历年波动系数λ1：λ1＝avedev(pw1......pwm)
计算历年趋势系数λ2：λ2＝slope(pw1......pwm)
计算预测高校专业录取排位lqpw：平均排位+历年波动系数+历年趋势系数，tdpw＝Δpw+λ1+λ2)
计算预测高校专业录取平均分lq：用预测高校投档排位关联相应省一分一位表，获取考分数值。
2.4、综合分析得出最终高校投档线：
排除3个方法值中的异常值；
求3个方法值的平均值Δtdx:
C、用综合评价法对各高校的学校实力评价进行分析；
一、采集各高校的学生规模(区分专科生、本科生、研究生)、师资队伍(区分正教授、副教授、院士(不含双聘、兼任)、长江学者)、学科水平(区分一级学科博士点数、二级学科博士点数、一级学科硕士点数、二级学科硕士点数、国家一级学科重点数、国家二级学科重点数、国家培育学科重点数、省级一级学科重点数、省级二级学科重点数)、科研能力(国家实验室数、教育部实验室数、省级实验室数等等)、政府评价数据(区分985、211、双一流)、社会评价数据(各类高校排位)；
二、采用加权系数法对各高校的学校实力进行计算。
设高校专业实力系数为Δzysl，加权系数为ΔX，学生规模数为s，师资队伍数据为a，学科水平为b，科研能力数为c，政府评价数据为d，社会评价数据为e。
D、用综合评价法对各高校的专业实力评价进行分析；
一、采集各高校的学科水平(区分一级学科博士点数、二级学科博士点数、一级学科硕士点数、二级学科硕士点数、国家一级学科重点数、国家二级学科重点数、国家培育学科重点数、省级一级学科重点数、省级二级学科重点数)、科研能力(国家实验室数、教育部实验室数、省级实验室数等等)、学科评估成绩(含教育部学科评估成绩、一流学科建设名单、省级专业评估成绩)；
二、采用加权系数法对各高校的专业实力进行计算：
设高校专业实力系数为Δzysl,加权系数为ΔX，学科水平为b,科研能力数为c，教育部学科评估成绩d。
(5)、智能选择：如图1所示：
一、学校优先策略
1、用考生高考总分比较预测学校投档线和高校地域、学费层次、留学意向初选学校；
2、用考生个人信息比较高招政策筛选出符合要求的学校；
3、用学校实力评价分析指数对初选学校进行排序选优；
4、用考生高考总分比较学校专业录取分和专业爱好、学校类型初选专业；
5、用考生个人信息比较录取规则筛选出符合要求的专业；
6、用学校专业实力评价分析指数对初选专业进行排序选优；
7、用填报策略对所选的多所学校和相应的专业进行排列，形成梯度。
8、对每所学校、每个专业都给出选择的理由，提示风险。
二、专业优先策略
1、用考生高考总分比较预测学校专业录取分和专业爱好、学校类型、留学意向等初选专业；
2、用学校专业实力评价分析指数对初选专业进行排序选优；
3、用选定的专业反推出符合要求的学校；
4、用考生个人信息比较高招政策筛选出符合要求的学校；
5、用学校实力评价分析指数对初选学校进行排序选优；
6、用考生个人信息比较录取规则筛选出符合要求的专业；
7、用填报策略对所选的多所学校和相应的专业进行排列，形成梯度。
8、对每所学校、每个专业都给出选择的理由，提示风险。
三、形成方案
形成融合了专家思维、梯度合理、有理由说明的志愿填报方案。
四、克服并发计算瓶颈
用神经网络算法，将上述步骤并行运算。
(6)、志愿评估：
1、输入考生自拟的志愿填报方案，包括平行志愿要求的2-10所学校、每所学校1-6个专业；
2、比较考生高考总分与学校投档预测分，按照填报策略要求给出是否合适的评价和风险提示；
3、比较考生高考总分与学校专业录取预测分，按照填报策略要求给出是否合适的评价和风险提示；
4、比较考生个人信息与高招政策要求，给出是否符合政策要求的评价和风险提示；
5、比较考生个人信息、单科成绩与相应高校录取规则，给出是否符合高校录取规则的评价和风险提示；
6、比较整体方案与填报策略，给出是否符合填报策略的评价和风险提示。
(7)、模拟投档：
1、收集考生在本系统产生的各批次志愿填报方案或考生输入自拟的志愿填报方案；
2、对考生高考成绩进行排序；
3、按照平行志愿的原则，将各考生的志愿进行模拟投档，记录各学校已投考生数及成绩；
4、按照同比例招生计划数对模拟数据进行分析，如果模拟数据大于等于计划数，有扎堆风险，则重新为之选择新的学校和专业；
5、为每位考生给出志愿是否合适的评估，提供扎堆填报的风险提示和调整学校专业的建议。
所述方法所需要的系统装置包括：
1、服务器：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；
2、数据库管理软件：SQL server；
3、数据库管理系统：DBMS；
4、运行环境：windows web；
5、软件开发语言：C#、asp.net、PHP。
实施例一：
基本情况：
信州区一中考生余**，2016年理科、第一批本科、总分592分、英语139、语文95、数学130、综合228。
个人意向：
学费不限、地域：一线城市、中外合作办学、专业：喜欢：经济类、数学、工商管理；不喜欢：哲学、法学、教育学、文学、历史学、工学、农学、医学、军事学、艺术学。
方案：
冲：中国农业大学、中国海洋大学。
稳：上海大学、西南大学。
保：成都理工大学、南昌大学。
结果：
上海大学：590分，高出2分成功录取，专业：工商管理类(中外合作办学)。
实施例二：
基本情况：
信州区二中考生王**，2016年理科、第一批本科、总分549分、英语121、语文92、数学122、综合214。
个人意向：
学费不限、地域：一线城市、不限、专业：喜欢：计算机类、电子信息类、自动化类；不喜欢：哲学、法学、教育学、文学、历史学、农学、医学、军事学、艺术学。
方案：
冲：成都理工大学、青岛理工大学。
稳：中南林业科技大学、四川师范大学。
保：沈阳农业大学、南昌大学。
结果：
青岛理工大学：549分，一分不差成功录取。
实施例三：
基本情况：
谢**：信州区一中，2017年理科，第一批本科、总分619分、英语142、语文104、数学132、综合241。
个人意向：
学费不限、地域：一线城市、专业：喜欢：经济学、理学、工学、医学、管理学；不喜欢：哲学、法学、教育学、文学、历史学、农学、军事学、艺术学。
方案：
冲：北京航空航天大学、同济大学。
稳：南开大学、中山大学、对外经贸大学、厦门大学、西安交通大学、武汉大学。
保：哈尔滨工业大学、南昌大学。
结果：
中山大学：619分，地质学类，一分不差成功录取。
实施例四：
基本情况：
李**：上饶县中学，2017年理科，第一批本科、总分528分、英语125、语文98、数学106、综合199。个人意向：
学费10000元以下、地域：不限、专业：喜欢：计算机类、电子信息类、自动化类、经济学、医学、教育学、管理学；不喜欢：哲学、法学、文学、历史学、农学、军事学、艺术学。
方案：
冲：贵州大学、广西大学、海南大学。
稳：东北林业大学、沈阳建筑大学、宁夏大学、福建师范大学、东北农业大学、中北大学。
保：江西农业大学。
结果：
福建师范大学：526分，电子信息类专业，高出2分成功录取。

Claims (3)

1.一种人工智能制定高考志愿填报方案的方法，其特征在于，它包括以下步骤：
(1)、采集数据：包括数据内容、采集方法、结构化数据；
(2)、清洗数据：包括建立闭环数据结构、规范数据格式、消除数据错误；
(3)、输入考生信息：包括考生个人信息和考生意向信息；
(4)、分析数据：A、使用线差法、线差比法、排位法对各高校投档分进行综合预测分析；B、用线差法、档差法、排位法对各高校专业录取分的综合预测分析；C、用综合评价法对各高校的学校实力评价进行分析；D、用综合评价法对各高校的专业实力评价进行分析；
(5)、智能选择：提供高考填报方案，包括学校优先策略、专业优先策略、形成方案、克服并发计算瓶颈；
(6)、志愿评估：根据考生分数等信息与招考要求，按照填报策略要求给出是否合适的评价和风险提示；
(7)、模拟投档：为每位考生给出志愿是否合适的评估，提供扎堆填报的风险提示和调整学校和专业的建议。
2.根据权利要求1所述的一种人工智能制定高考志愿填报方案的方法，其特征在于：所述方法所需要的系统装置包括：服务器：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：SQL server；数据库管理系统：DBMS；运行环境：windows web；软件开发语言：C#、asp.net、PHP。
3.根据权利要求1所述的一种人工智能制定高考志愿填报方案的方法，其特征在于：所述步骤(3)中的考生信息包括：考生号、姓名、性别、民族、科别类型、高考总分、全省排位、单科成绩、加分、小语种等；考生意向信息包括：学校地域、办学性质、学费、出国、专业爱好、学校类型等意向。
CN201810422003.2A 2018-05-04 2018-05-04 一种人工智能制定高考志愿填报方案的方法 Pending CN108629713A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810422003.2A CN108629713A (zh) 2018-05-04 2018-05-04 一种人工智能制定高考志愿填报方案的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810422003.2A CN108629713A (zh) 2018-05-04 2018-05-04 一种人工智能制定高考志愿填报方案的方法

Publications (1)

Publication Number Publication Date
CN108629713A true CN108629713A (zh) 2018-10-09

Family

ID=63695495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810422003.2A Pending CN108629713A (zh) 2018-05-04 2018-05-04 一种人工智能制定高考志愿填报方案的方法

Country Status (1)

Country Link
CN (1) CN108629713A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109471975A (zh) * 2018-11-06 2019-03-15 四川零点启航教育文化传播有限公司 一种多功能高考志愿数据分析系统
CN109598655A (zh) * 2018-11-15 2019-04-09 福建大道之行教育科技有限公司 一种基于大数据及人工智能的高考志愿精测方法及系统
CN109919375A (zh) * 2019-03-01 2019-06-21 北京慧辰资道资讯股份有限公司 一种基于大数据预测考试关键学生的方法及装置
CN109960707A (zh) * 2019-03-20 2019-07-02 上海亿阁信息科技有限公司 一种基于人工智能的高校招生数据采集方法及系统
CN110188958A (zh) * 2019-06-03 2019-08-30 杭州志优网络科技有限公司 一种高考志愿智能填报预测推荐的方法
CN110472929A (zh) * 2019-07-17 2019-11-19 武汉科技大学 一种基于神经网络的志愿填报方法、系统、装置和介质
CN111192175A (zh) * 2019-12-28 2020-05-22 西安指尖教育科技有限公司 基于关键因子摘取预估院校和专业调档分数递推映射算法
CN112348726A (zh) * 2020-12-02 2021-02-09 上海去森教育科技有限公司 一种高校志愿填报决策系统

Citations (1)

* 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

Patent Citations (1)

* 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

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109471975A (zh) * 2018-11-06 2019-03-15 四川零点启航教育文化传播有限公司 一种多功能高考志愿数据分析系统
CN109598655A (zh) * 2018-11-15 2019-04-09 福建大道之行教育科技有限公司 一种基于大数据及人工智能的高考志愿精测方法及系统
CN109919375A (zh) * 2019-03-01 2019-06-21 北京慧辰资道资讯股份有限公司 一种基于大数据预测考试关键学生的方法及装置
CN109960707A (zh) * 2019-03-20 2019-07-02 上海亿阁信息科技有限公司 一种基于人工智能的高校招生数据采集方法及系统
CN110188958A (zh) * 2019-06-03 2019-08-30 杭州志优网络科技有限公司 一种高考志愿智能填报预测推荐的方法
CN110472929A (zh) * 2019-07-17 2019-11-19 武汉科技大学 一种基于神经网络的志愿填报方法、系统、装置和介质
CN111192175A (zh) * 2019-12-28 2020-05-22 西安指尖教育科技有限公司 基于关键因子摘取预估院校和专业调档分数递推映射算法
CN112348726A (zh) * 2020-12-02 2021-02-09 上海去森教育科技有限公司 一种高校志愿填报决策系统

Similar Documents

Publication Publication Date Title
CN108629713A (zh) 一种人工智能制定高考志愿填报方案的方法
Tunas Bangsa Pematangsiantar Comparison of weighted sum model and multi attribute decision making weighted product methods in selecting the best elementary school in Indonesia
CN106127634B (zh) 一种基于朴素贝叶斯模型的学生学业成绩预测方法及系统
CN108182489A (zh) 一种基于在线学习行为分析的个性化学习推荐方法
Kapur Research methodology: Methods and strategies
Asanbe et al. Teachers’ performance evaluation in higher educational institution using data mining technique
CN109509123A (zh) 基于通用形态分析模型的高考志愿填报推荐系统及其方法
Daulay Lecturer performance decision support system using the TOPSIS method based on web
Herlambang et al. Intelligent computing system to predict vocational high school student learning achievement using Naï ve Bayes algorithm
Liang “OBE” Concept for new training mode of electronic information science and technology professionals under big data analysis
CN108763459A (zh) 基于心理测试及dnn算法的专业倾向分析方法及系统
Gao et al. A comparison between US and Chinese principal decision-making power: A measurement perspective based on PISA 2015
Kurniawan et al. Decision support model using FIM Sugeno for assessing the academic performance
Huang Teaching management data clustering analysis and implementation on ideological and political education of college students
Martínez-Sierra et al. Mexican high school students' social representations of mathematics, its teaching and learning
Angiani et al. Real marks analysis for predicting students’ performance
Siregar et al. Analysis Of Decision Support Systems Edas Method In New Student Admission Selection
Churnia et al. Analysis of student career maturity using holland’s theory
CN113744101A (zh) 新高考模式下考生志愿智能填报方法、装置及计算机设备
Maharani et al. Paskibraka member selection using a combination of AHP and TOPSIS methods on the office of youth and sports of kutai kartanegara regency
Gao et al. The use of the analytic hierarchy process in improving psychological empowerment and employee performance
CN110659313A (zh) 基于人工智能的高考志愿分析系统
Zhong et al. Construction of Continuing Education Teaching Quality Evaluation System Based on BP Neural Network
Yao Epistemic neural network based evaluation of online teaching status during epidemic period
Guan An online education course recommendation method based on knowledge graphs and reinforcement learning

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