CN109829567A - 基于机器学习的学位调控方法、装置和计算机设备 - Google Patents
基于机器学习的学位调控方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN109829567A CN109829567A CN201910002635.8A CN201910002635A CN109829567A CN 109829567 A CN109829567 A CN 109829567A CN 201910002635 A CN201910002635 A CN 201910002635A CN 109829567 A CN109829567 A CN 109829567A
- Authority
- CN
- China
- Prior art keywords
- degree
- school district
- year
- school
- district
- 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
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请揭示了一种基于机器学习的学位调控方法、装置、计算机设备和存储介质，所述方法包括：获取当年各个校区的适龄儿童数量，并采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数；将当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量；计算出预测的学位数量不足的校区与预测的学位数量富余的校区；将预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。从而实现了充分利用教育资源，进行学位调控。
Description
技术领域
本申请涉及到计算机领域，特别是涉及到一种基于机器学习的学位调控方法、装置、计算机设备和存储介质。
背景技术
智慧教育中，学位的安排和调剂是政府的重点工作之一，其中学位资源的预测与调剂优化可以为政府单位提供参考性的建议，提前做好学位预警工作。目前对于学位的调控，一般只是采用就近入学或是采用升学考试的方式，这些方式不能很好的利用教育资源，会造成部分学校招生不足，而其他学校生源过多的情况，对于校方与学生方面，均造成不利影响。因此现有技术没有成熟的学位调控方法。
发明内容
本申请的主要目的为提供一种基于机器学习的学位调控方法、装置、计算机设备和存储介质，旨在充分利用教育资源进行学位调控。
为了实现上述发明目的，本申请提出一种基于机器学习的学位调控方法，包括以下步骤：
获取当年各个校区的适龄儿童数量，并采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数；
将所述当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量；
根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区；
将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。
进一步地，所述利用爬虫技术采集学位舆情信息，以获取去年各个校区的学位需求数量的步骤，包括：
采用Python语言的Scrapy框架，在预设网站中爬取去年各个校区的学位需求帖子的IP地址；
从所述去年各个校区的学位需求帖子的IP地址中筛选出，处于所述各个校区中的IP地址；
对所述处于所述各个校区中的IP地址进行去重处理；
将经过所述去重处理后的IP地址的数量作为去年各个校区的学位需求数量。
进一步地，所述基于机器学习的学位需求预测模型的获得方法，包括：
获取由第一样本数据构成的训练集，所述第一样本数据由其他区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；
将所述训练集的第一样本数据输入到时间序列模型中进行训练，从而获得学位需求预测模型。
进一步地，所述将所述训练集的第一样本数据输入到时间序列模型中进行训练，从而获得学位需求预测模型的步骤，包括：
获取由第二样本数据构成的测试集，所述第二样本数据由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；
使用所述测试集的第二样本数据验证，将所述训练集的第一样本数据输入到时间序列模型中进行训练而得初始学位需求预测模型；
若验证通过，则将所述初始学位需求预测模型记为所述学位需求预测模型。
进一步地，所述基于机器学习的学位需求预测模型的获得方法，包括：
调用采用时间序列模型的已经训练完成的第一学位需求预测模型的各层权重参数；
将各层的所述权重参数初始化为所述时间序列模型的各层权重参数，以获得第二学位需求预测模型；
获取由第三样本数据构成的训练集，所述第三样本数据由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；
将所述第三样本数据输入所述第二学位需求预测模型中进行训练，获取所述学位需求预测模型。
进一步地，所述根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区的步骤,包括：
分别计算所述当年各个校区的学位预分配数量减去所述当年各个校区的学位需求数量，获得当年各个校区的学位预期差值；
将所述学位预期差值小于0的校区记为所述预测的学位数量不足的校区，以及将所述学位预期差值大于0的校区记为所述学位数量富余的校区。
进一步地，所述将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区的步骤,包括：
获取所述预测的学位数量不足的校区的多余生源的位置；
根据预设的分配规则，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区，其中所述分配规则依据所述位置至被分配至的校区的总距离最小的原则而设置。
本申请提供一种基于机器学习的学位调控装置，包括：
适龄儿童数量获取单元，用于获取当年各个校区的适龄儿童数量，并采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数；
学位需求预测模型运算单元，用于将所述当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量；
校区计算单元，用于根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区；
生源分配单元，用于将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。
本申请提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本申请提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本申请的基于机器学习的学位调控方法、装置、计算机设备和存储介质，利用爬虫技术采集学位舆情信息，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。从而实现了充分利用教育资料的学位调控。
附图说明
图1为本申请一实施例的基于机器学习的学位调控方法的流程示意图；
图2为本申请一实施例的基于机器学习的学位调控装置的结构示意框图；
图3为本申请一实施例的计算机设备的结构示意框图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
参照图1，本申请实施例提供一种基于机器学习的学位调控方法，包括以下步骤：
S1、获取当年各个校区的适龄儿童数量，并采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数；
S2、将所述当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量；
S3、根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区；
S4、将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。
如上述步骤S1所述，获取当年各个校区的适龄儿童数量，并采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数。当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数均与当年各个校区的学位需求数量相关。其中，获取当年各个校区的适龄儿童数量可以通过查询学籍、查询各个校区的所有儿童年龄获得。采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数，可以通过任意技术，例如采用爬虫技术，例如采用Python语言的Scrapy框架，在各个论坛、网上社区中进行爬取。其中，所述去年各个校区的关注数可以通过爬取所述校区的社交帐号的关注数得到。其中，所述校区指某个学校生源分布区域。
如上述步骤S2所述，将所述当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量。其中所述基于机器学习的学位需求预测模型为任意可行模型，优选时间序列模型。所述时间序列模型可以为循环神经网络模型、隐马尔可夫模型或者卷积神经网络等，优选卷积神经网络。所述学位需求预测模型经由训练集的样本训练而成，可以根据上述输入数据预测出当年各个校区的学位需求数量。
如上述步骤S3所述，根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区。当某个校区的学位预分配数量小于预测的学位需求数量时，表明该校区的学位数量不足，可将生源转至其他校区；当某个校区的学位预分配数量大于预测的学位需求数量时，表明该校区的学位数量富余，可接受新的生源。
如上述步骤S4所述，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。具体的分配规则，可依据优质学员优先安排的原则或者就近入学的原则，本实施方式优选就近入学的原则。
一个实施方式中，所述利用爬虫技术采集学位舆情信息，以获取去年各个校区的学位需求数量的步骤S1，包括：
S101、采用Python语言的Scrapy框架，在预设网站中爬取去年各个校区的学位需求帖子的IP地址；
S102、从所述去年各个校区的学位需求帖子的IP地址中筛选出，处于所述各个校区中的IP地址；
S103、对所述处于所述各个校区中的IP地址进行去重处理；
S104、将经过所述去重处理后的IP地址的数量作为去年各个校区的学位需求数量。
如上所述，实现了获取去年各个校区的学位需求数量。在当前环境中，人们一般会对需要的资讯在网上进行查询、咨询，因此可从网络中爬取相应信息以确定人们的需要。其中所述Python语言的Scrapy框架是在预设网站中进行爬取信息的有效手段，主要包括：引擎、调度器、下载器、爬虫、项目管道、下载器中间件、爬虫中间件、调度中间件等。具体爬取过程包括：引擎从调度器中取出一个链接用于接下来的抓取；引擎把链接封装成一个请求传给下载器；下载器把资源下载下来；爬虫解析出实体，交给实体管道进行进一步的处理。据此，在预设网站中，尤其是在各论坛和网络社区上(例如百度贴吧、网易社区、学校网站)爬取去年各个校区的学位需求帖子以及所述学位需求帖子的IP地址。再从这些IP地址中筛选出处于所述各个校区中的IP地址，再进行去重处理，即可得到对各个校区的学位有需求的IP地址，从而可以将经过所述去重处理后的IP地址的数量作为去年各个校区的学位需求数量。其中，去重是指将多个相同的IP地址进行删除处理，以只剩下一个IP地址。爬取的过程可为任意过程，例如以关键词“学位”、“某某学校入学”等进行爬取。
一个实施方式中，所述基于机器学习的学位需求预测模型的获得方法，包括：
S201、获取由第一样本数据构成的训练集，所述第一样本数据由其他区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；
S202、将所述训练集的第一样本数据输入到时间序列模型中进行训练，从而获得学位需求预测模型。
如上所述，实现了获得基于机器学习的学位需求预测模型。本实施方式中，所述学位需求预测模型基于时间序列模型训练而成，训练集的数据由其他区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成。据此训练出学位需求预测模型。其中时间序列模型优选卷积神经网络模型。其中，训练的过程中优选采用随机梯度下降法，利用反向传导法则更新所述卷积神经网络模型各层的参数。其中，采用其他区域的数据作为训练数据，可以明显地扩大训练集的容量，以获得更准确的学位需求预测模型。
一个实施方式中，所述将所述训练集的第一样本数据输入到时间序列模型中进行训练，从而获得学位需求预测模型的步骤S202，包括：
S2021、获取由第二样本数据构成的测试集，所述第二样本数据由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；
S2022、使用所述测试集的第二样本数据验证，将所述训练集的第一样本数据输入到时间序列模型中进行训练而得初始学位需求预测模型；
S2023、若验证通过，则将所述初始学位需求预测模型记为所述学位需求预测模型。
如上所述，实现了获得学位需求预测模型。如前所述，采用其他区域的数据作为训练数据，可以明显地扩大训练集的容量，以获得更准确的学位需求预测模型，但不确定该学位需求预测模型是否适用于当前区域。因此利用由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成的第二样本数据，以对初始学位需求预测模型进行验证。若验证通过，则表明所述初始学位需求预测模型可用。
一个实施方式中，所述基于机器学习的学位需求预测模型的获得方法，包括：
S211、调用采用时间序列模型的已经训练完成的第一学位需求预测模型的各层权重参数；
S212、将各层的所述权重参数初始化为所述时间序列模型的各层权重参数，以获得第二学位需求预测模型；
S213、获取由第三样本数据构成的训练集，所述第三样本数据由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；
S214、将所述第三样本数据输入所述第二学位需求预测模型中进行训练，获取所述学位需求预测模型。
如上所述，即采用迁移学习，将基于相同时间序列模型的，且已经训练好的第一学位需求预测模型的各层权重参数进行调用，以作为本申请的还未训练的时间序列模型的初始权重参数。若具有已经训练好的评价模型，即可以免去训练的步骤，从而直接得到第二学位需求预测模型。再将由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成的第三样本数据，输入所述第二学位需求预测模型中进行训练，获取所述学位需求预测模型。其中训练采用随机梯度下降法，并且利用反向传导法优化模型各层的参数，得到所述海报评估模型。
一个实施方式中，所述根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区的步骤S3,包括：
S301、分别计算所述当年各个校区的学位预分配数量减去所述当年各个校区的学位需求数量，获得当年各个校区的学位预期差值；
S302、将所述学位预期差值小于0的校区记为所述预测的学位数量不足的校区，以及将所述学位预期差值大于0的校区记为所述学位数量富余的校区。
如上所述，实现了根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区。本实施方式以计算出当年各个校区的学位预期差值的方式，来获知各个校区分别属于预测的学位数量不足的校区还是学位数量富余的校区。
一个实施方式中，所述将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区的步骤S4,包括：
S401、获取所述预测的学位数量不足的校区的多余生源的位置；
S402、根据预设的分配规则，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区，其中所述分配规则依据所述位置至被分配至的校区的总距离最小的原则而设置。
如上所述，实现了将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。本实施方式以就近入学的方式进行分配，更优选多余生源的位置至被分配至的校区的总距离最小的方式进行分配。其中，所述预测的学位数量不足的校区的多余生源的位置，可通过查询所述多余生源的被爬取的IP地址对应的实际地址而获取。所述位置至被分配至的校区的总距离最小是指，在该分配方案中所有的多余生源至相应的被分配的校区的距离之和，在所有可能的分配方案中最小，从而实现就近入学的目的。
本申请的基于机器学习的学位调控方法，利用爬虫技术采集学位舆情信息，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。从而实现了充分利用教育资料的学位调控。
参照图2，本申请实施例提供一种基于机器学习的学位调控装置，包括：
适龄儿童数量获取单元10，用于获取当年各个校区的适龄儿童数量，并采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数；
学位需求预测模型运算单元20，用于将所述当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量；
校区计算单元30，用于根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区；
生源分配单元40，用于将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。
如上述单元10所述，获取当年各个校区的适龄儿童数量，并采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数。当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数均与当年各个校区的学位需求数量相关。其中，获取当年各个校区的适龄儿童数量可以通过查询学籍、查询各个校区的所有儿童年龄获得。采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数，可以通过任意技术，例如采用爬虫技术，例如采用Python语言的Scrapy框架，在各个论坛、网上社区中进行爬取。其中，所述去年各个校区的关注数可以通过爬取所述校区的社交帐号的关注数得到。其中，所述校区指某个学校生源分布区域。
如上述单元20所述，将所述当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量。其中所述基于机器学习的学位需求预测模型为任意可行模型，优选时间序列模型。所述时间序列模型可以为循环神经网络模型、隐马尔可夫模型或者卷积神经网络等，优选卷积神经网络。所述学位需求预测模型经由训练集的样本训练而成，可以根据上述输入数据预测出当年各个校区的学位需求数量。
如上述单元30所述，根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区。当某个校区的学位预分配数量小于预测的学位需求数量时，表明该校区的学位数量不足，可将生源转至其他校区；当某个校区的学位预分配数量大于预测的学位需求数量时，表明该校区的学位数量富余，可接受新的生源。
如上述单元40所述，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。具体的分配规则，可依据优质学员优先安排的原则或者就近入学的原则，本实施方式优选就近入学的原则。
一个实施方式中，所述适龄儿童数量获取单元10，包括：
爬取子单元，用于采用Python语言的Scrapy框架，在预设网站中爬取去年各个校区的学位需求帖子的IP地址；
筛选子单元，用于从所述去年各个校区的学位需求帖子的IP地址中筛选出，处于所述各个校区中的IP地址；
去重处理子单元，用于对所述处于所述各个校区中的IP地址进行去重处理；
学位需求数量获取子单元，用于将经过所述去重处理后的IP地址的数量作为去年各个校区的学位需求数量。
如上所述，实现了获取去年各个校区的学位需求数量。在当前环境中，人们一般会对需要的资讯在网上进行查询、咨询，因此可从网络中爬取相应信息以确定人们的需要。其中所述Python语言的Scrapy框架是在预设网站中进行爬取信息的有效手段，主要包括：引擎、调度器、下载器、爬虫、项目管道、下载器中间件、爬虫中间件、调度中间件等。具体爬取过程包括：引擎从调度器中取出一个链接用于接下来的抓取；引擎把链接封装成一个请求传给下载器；下载器把资源下载下来；爬虫解析出实体，交给实体管道进行进一步的处理。据此，在预设网站中，尤其是在各论坛和网络社区上(例如百度贴吧、网易社区、学校网站)爬取去年各个校区的学位需求帖子以及所述学位需求帖子的IP地址。再从这些IP地址中筛选出处于所述各个校区中的IP地址，再进行去重处理，即可得到对各个校区的学位有需求的IP地址，从而可以将经过所述去重处理后的IP地址的数量作为去年各个校区的学位需求数量。其中，去重是指将多个相同的IP地址进行删除处理，以只剩下一个IP地址。爬取的过程可为任意过程，例如以关键词“学位”、“某某学校入学”等进行爬取。
一个实施方式中，所述装置包括预测模型获得单元，所述预测模型获得单元，包括：
训练集获取子单元，用于获取由第一样本数据构成的训练集，所述第一样本数据由其他区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；
时间序列模型训练子单元，用于将所述训练集的第一样本数据输入到时间序列模型中进行训练，从而获得学位需求预测模型。
如上所述，实现了获得基于机器学习的学位需求预测模型。本实施方式中，所述学位需求预测模型基于时间序列模型训练而成，训练集的数据由其他区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成。据此训练出学位需求预测模型。其中时间序列模型优选卷积神经网络模型。其中，训练的过程中优选采用随机梯度下降法，利用反向传导法则更新所述卷积神经网络模型各层的参数。其中，采用其他区域的数据作为训练数据，可以明显地扩大训练集的容量，以获得更准确的学位需求预测模型。
一个实施方式中，所述时间序列模型训练子单元，包括：
测试集获取模块，用于获取由第二样本数据构成的测试集，所述第二样本数据由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；
需求预测模型验证模块，用于使用所述测试集的第二样本数据验证，将所述训练集的第一样本数据输入到时间序列模型中进行训练而得初始学位需求预测模型；
需求预测模型标记模块，用于若验证通过，则将所述初始学位需求预测模型记为所述学位需求预测模型。
如上所述，实现了获得学位需求预测模型。如前所述，采用其他区域的数据作为训练数据，可以明显地扩大训练集的容量，以获得更准确的学位需求预测模型，但不确定该学位需求预测模型是否适用于当前区域。因此利用由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成的第二样本数据，以对初始学位需求预测模型进行验证。若验证通过，则表明所述初始学位需求预测模型可用。
一个实施方式中，所述装置包括预测模型获得单元，所述预测模型获得单元，包括：
各层权重参数调用子单元，用于调用采用时间序列模型的已经训练完成的第一学位需求预测模型的各层权重参数；
第二学位需求预测模型获得子单元，用于将各层的所述权重参数初始化为所述时间序列模型的各层权重参数，以获得第二学位需求预测模型；
训练集获取子单元，用于获取由第三样本数据构成的训练集，所述第三样本数据由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；
第二学位需求预测模型训练子单元，用于将所述第三样本数据输入所述第二学位需求预测模型中进行训练，获取所述学位需求预测模型。
如上所述，即采用迁移学习，将基于相同时间序列模型的，且已经训练好的第一学位需求预测模型的各层权重参数进行调用，以作为本申请的还未训练的时间序列模型的初始权重参数。若具有已经训练好的评价模型，即可以免去训练的步骤，从而直接得到第二学位需求预测模型。再将由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成的第三样本数据，输入所述第二学位需求预测模型中进行训练，获取所述学位需求预测模型。其中训练采用随机梯度下降法，并且利用反向传导法优化模型各层的参数，得到所述海报评估模型。
一个实施方式中，所述校区计算单元30,包括：
分别计算子单元，用于分别计算所述当年各个校区的学位预分配数量减去所述当年各个校区的学位需求数量，获得当年各个校区的学位预期差值；
分别标记子单元，用于将所述学位预期差值小于0的校区记为所述预测的学位数量不足的校区，以及将所述学位预期差值大于0的校区记为所述学位数量富余的校区。
如上所述，实现了根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区。本实施方式以计算出当年各个校区的学位预期差值的方式，来获知各个校区分别属于预测的学位数量不足的校区还是学位数量富余的校区。
一个实施方式中，所述生源分配单元40,包括：
多余生源的位置子单元,用于获取所述预测的学位数量不足的校区的多余生源的位置；
生源分配子单元,用于根据预设的分配规则，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区，其中所述分配规则依据所述位置至被分配至的校区的总距离最小的原则而设置。
如上所述，实现了将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。本实施方式以就近入学的方式进行分配，更优选多余生源的位置至被分配至的校区的总距离最小的方式进行分配。其中，所述预测的学位数量不足的校区的多余生源的位置，可通过查询所述多余生源的被爬取的IP地址对应的实际地址而获取。所述位置至被分配至的校区的总距离最小是指，在该分配方案中所有的多余生源至相应的被分配的校区的距离之和，在所有可能的分配方案中最小，从而实现就近入学的目的。
本申请的基于机器学习的学位调控装置，利用爬虫技术采集学位舆情信息，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。从而实现了充分利用教育资料的学位调控。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于机器学习的学位调控方法所用数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于机器学习的学位调控方法。
上述处理器执行上述基于机器学习的学位调控方法，包括以下步骤：获取当年各个校区的适龄儿童数量，并采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数；将所述当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量；根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区；将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。
在一个实施方式中，所述利用爬虫技术采集学位舆情信息，以获取去年各个校区的学位需求数量的步骤，包括：采用Python语言的Scrapy框架，在预设网站中爬取去年各个校区的学位需求帖子的IP地址；从所述去年各个校区的学位需求帖子的IP地址中筛选出，处于所述各个校区中的IP地址；对所述处于所述各个校区中的IP地址进行去重处理；将经过所述去重处理后的IP地址的数量作为去年各个校区的学位需求数量。
在一个实施方式中，所述基于机器学习的学位需求预测模型的获得方法，包括：获取由第一样本数据构成的训练集，所述第一样本数据由其他区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；将所述训练集的第一样本数据输入到时间序列模型中进行训练，从而获得学位需求预测模型。
在一个实施方式中，所述将所述训练集的第一样本数据输入到时间序列模型中进行训练，从而获得学位需求预测模型的步骤，包括：获取由第二样本数据构成的测试集，所述第二样本数据由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；使用所述测试集的第二样本数据验证，将所述训练集的第一样本数据输入到时间序列模型中进行训练而得初始学位需求预测模型；若验证通过，则将所述初始学位需求预测模型记为所述学位需求预测模型。
在一个实施方式中，所述基于机器学习的学位需求预测模型的获得方法，包括：调用采用时间序列模型的已经训练完成的第一学位需求预测模型的各层权重参数；将各层的所述权重参数初始化为所述时间序列模型的各层权重参数，以获得第二学位需求预测模型；获取由第三样本数据构成的训练集，所述第三样本数据由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；将所述第三样本数据输入所述第二学位需求预测模型中进行训练，获取所述学位需求预测模型。
在一个实施方式中，所述根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区的步骤,包括：分别计算所述当年各个校区的学位预分配数量减去所述当年各个校区的学位需求数量，获得当年各个校区的学位预期差值；将所述学位预期差值小于0的校区记为所述预测的学位数量不足的校区，以及将所述学位预期差值大于0的校区记为所述学位数量富余的校区。
在一个实施方式中，所述将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区的步骤,包括：获取所述预测的学位数量不足的校区的多余生源的位置；根据预设的分配规则，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区，其中所述分配规则依据所述位置至被分配至的校区的总距离最小的原则而设置。
本领域技术人员可以理解，图中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定。
本申请的计算机设备，利用爬虫技术采集学位舆情信息，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。从而实现了充分利用教育资料的学位调控。
本申请一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现基于机器学习的学位调控方法，包括以下步骤：获取当年各个校区的适龄儿童数量，并采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数；将所述当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量；根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区；将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。
在一个实施方式中，所述利用爬虫技术采集学位舆情信息，以获取去年各个校区的学位需求数量的步骤，包括：采用Python语言的Scrapy框架，在预设网站中爬取去年各个校区的学位需求帖子的IP地址；从所述去年各个校区的学位需求帖子的IP地址中筛选出，处于所述各个校区中的IP地址；对所述处于所述各个校区中的IP地址进行去重处理；将经过所述去重处理后的IP地址的数量作为去年各个校区的学位需求数量。
在一个实施方式中，所述基于机器学习的学位需求预测模型的获得方法，包括：获取由第一样本数据构成的训练集，所述第一样本数据由其他区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；将所述训练集的第一样本数据输入到时间序列模型中进行训练，从而获得学位需求预测模型。
在一个实施方式中，所述将所述训练集的第一样本数据输入到时间序列模型中进行训练，从而获得学位需求预测模型的步骤，包括：获取由第二样本数据构成的测试集，所述第二样本数据由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；使用所述测试集的第二样本数据验证，将所述训练集的第一样本数据输入到时间序列模型中进行训练而得初始学位需求预测模型；若验证通过，则将所述初始学位需求预测模型记为所述学位需求预测模型。
在一个实施方式中，所述基于机器学习的学位需求预测模型的获得方法，包括：调用采用时间序列模型的已经训练完成的第一学位需求预测模型的各层权重参数；将各层的所述权重参数初始化为所述时间序列模型的各层权重参数，以获得第二学位需求预测模型；获取由第三样本数据构成的训练集，所述第三样本数据由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；将所述第三样本数据输入所述第二学位需求预测模型中进行训练，获取所述学位需求预测模型。
在一个实施方式中，所述根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区的步骤,包括：分别计算所述当年各个校区的学位预分配数量减去所述当年各个校区的学位需求数量，获得当年各个校区的学位预期差值；将所述学位预期差值小于0的校区记为所述预测的学位数量不足的校区，以及将所述学位预期差值大于0的校区记为所述学位数量富余的校区。
在一个实施方式中，所述将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区的步骤,包括：获取所述预测的学位数量不足的校区的多余生源的位置；根据预设的分配规则，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区，其中所述分配规则依据所述位置至被分配至的校区的总距离最小的原则而设置。
本申请的计算机可读存储介质，利用爬虫技术采集学位舆情信息，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。从而实现了充分利用教育资料的学位调控。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种基于机器学习的学位调控方法，其特征在于，包括：
获取当年各个校区的适龄儿童数量，并采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数；
将所述当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量；
根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区；
将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。
2.根据权利要求1所述的基于机器学习的学位调控方法，其特征在于，所述利用爬虫技术采集学位舆情信息，以获取去年各个校区的学位需求数量的步骤，包括：
采用Python语言的Scrapy框架，在预设网站中爬取去年各个校区的学位需求帖子的IP地址；
从所述去年各个校区的学位需求帖子的IP地址中筛选出，处于所述各个校区中的IP地址；
对所述处于所述各个校区中的IP地址进行去重处理；
将经过所述去重处理后的IP地址的数量作为去年各个校区的学位需求数量。
3.根据权利要求1所述的基于机器学习的学位调控方法，其特征在于，所述基于机器学习的学位需求预测模型的获得方法，包括：
获取由第一样本数据构成的训练集，所述第一样本数据由其他区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；
将所述训练集的第一样本数据输入到时间序列模型中进行训练，从而获得学位需求预测模型。
4.根据权利要求3所述的基于机器学习的学位调控方法，其特征在于，所述将所述训练集的第一样本数据输入到时间序列模型中进行训练，从而获得学位需求预测模型的步骤，包括：
获取由第二样本数据构成的测试集，所述第二样本数据由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；
使用所述测试集的第二样本数据验证，将所述训练集的第一样本数据输入到时间序列模型中进行训练而得初始学位需求预测模型；
若验证通过，则将所述初始学位需求预测模型记为所述学位需求预测模型。
5.根据权利要求1所述的基于机器学习的学位调控方法，其特征在于，所述基于机器学习的学位需求预测模型的获得方法，包括：
调用采用时间序列模型的已经训练完成的第一学位需求预测模型的各层权重参数；
将各层的所述权重参数初始化为所述时间序列模型的各层权重参数，以获得第二学位需求预测模型；
获取由第三样本数据构成的训练集，所述第三样本数据由当前区域的某年各个校区的适龄儿童数量、所述某年之前一年各个校区的学位需求数量、所述某年之前一年各个校区的关注数和所述某年各个校区的学位需求数量构成；
将所述第三样本数据输入所述第二学位需求预测模型中进行训练，获取所述学位需求预测模型。
6.根据权利要求1所述的基于机器学习的学位调控方法，其特征在于，所述根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区的步骤,包括：
分别计算所述当年各个校区的学位预分配数量减去所述当年各个校区的学位需求数量，获得当年各个校区的学位预期差值；
将所述学位预期差值小于0的校区记为所述预测的学位数量不足的校区，以及将所述学位预期差值大于0的校区记为所述学位数量富余的校区。
7.根据权利要求1所述的基于机器学习的学位调控方法，其特征在于，所述将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区的步骤,包括：
获取所述预测的学位数量不足的校区的多余生源的位置；
根据预设的分配规则，将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区，其中所述分配规则依据所述位置至被分配至的校区的总距离最小的原则而设置。
8.一种基于机器学习的学位调控装置，其特征在于，包括：
适龄儿童数量获取单元，用于获取当年各个校区的适龄儿童数量，并采集学位舆情信息，以获取去年各个校区的学位需求数量和去年各个校区的关注数；
学位需求预测模型运算单元，用于将所述当年各个校区的适龄儿童数量、去年各个校区的学位需求数量和去年各个校区的关注数，输入到预设的基于机器学习的学位需求预测模型中进行运算，预测出当年各个校区的学位需求数量；
校区计算单元，用于根据当年各个校区的学位预分配数量和预测出的当年各个校区的学位需求数量，计算出预测的学位数量不足的校区与预测的学位数量富余的校区；
生源分配单元，用于将所述预测的学位数量不足的校区的多余生源，分配至预测的学位数量富余的校区。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910002635.8A CN109829567A (zh) | 2019-01-02 | 2019-01-02 | 基于机器学习的学位调控方法、装置和计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910002635.8A CN109829567A (zh) | 2019-01-02 | 2019-01-02 | 基于机器学习的学位调控方法、装置和计算机设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109829567A true CN109829567A (zh) | 2019-05-31 |
Family
ID=66861535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910002635.8A Pending CN109829567A (zh) | 2019-01-02 | 2019-01-02 | 基于机器学习的学位调控方法、装置和计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109829567A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308263A (zh) * | 2019-07-25 | 2021-02-02 | 华为技术有限公司 | 学位资源预测方法、装置、存储介质和芯片 |
| CN114693177A (zh) * | 2022-05-18 | 2022-07-01 | 成都秦川物联网科技股份有限公司 | 基于物联网的智慧城市就学管理方法、系统、装置及介质 |
| CN117634802A (zh) * | 2023-11-27 | 2024-03-01 | 四川才子软件信息网络有限公司 | 一种学区学位情况预测方法、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107203872A (zh) * | 2017-05-26 | 2017-09-26 | 山东省科学院情报研究所 | 基于大数据的区域人才需求量化分析方法 |
| CN107679663A (zh) * | 2017-10-09 | 2018-02-09 | 中国电子科技集团公司第二十八研究所 | 一种教育资源监测预警系统 |
| CN108509492A (zh) * | 2018-02-12 | 2018-09-07 | 郑长敬 | 基于房地产行业的大数据处理及系统 |
| CN108875590A (zh) * | 2018-05-25 | 2018-11-23 | 平安科技（深圳）有限公司 | Bmi预测方法、装置、计算机设备和存储介质 |
-
2019
- 2019-01-02 CN CN201910002635.8A patent/CN109829567A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107203872A (zh) * | 2017-05-26 | 2017-09-26 | 山东省科学院情报研究所 | 基于大数据的区域人才需求量化分析方法 |
| CN107679663A (zh) * | 2017-10-09 | 2018-02-09 | 中国电子科技集团公司第二十八研究所 | 一种教育资源监测预警系统 |
| CN108509492A (zh) * | 2018-02-12 | 2018-09-07 | 郑长敬 | 基于房地产行业的大数据处理及系统 |
| CN108875590A (zh) * | 2018-05-25 | 2018-11-23 | 平安科技（深圳）有限公司 | Bmi预测方法、装置、计算机设备和存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| 张文亮等: "基于大数据的我国公民出国留学意向研究", 《电子商务》 * |
| 文岚等: "基于BP神经网络的广西人才需求预测实证分析", 《中小企业管理与科技(下旬刊)》 * |
| 林等: "基于就近原则的中小学招生划片系统设计与实现", 《计算机时代》 * |
| 游丹丹等: "我国网络舆情预测研究综述", 《情报科学》 * |
| 黑马程序员编著: "《解析Python网络爬虫 核心技术、Scrapy框架、分布式爬虫》", 31 July 2018, 北京：中国铁道出版社 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308263A (zh) * | 2019-07-25 | 2021-02-02 | 华为技术有限公司 | 学位资源预测方法、装置、存储介质和芯片 |
| CN114693177A (zh) * | 2022-05-18 | 2022-07-01 | 成都秦川物联网科技股份有限公司 | 基于物联网的智慧城市就学管理方法、系统、装置及介质 |
| CN114693177B (zh) * | 2022-05-18 | 2022-10-11 | 成都秦川物联网科技股份有限公司 | 基于物联网的智慧城市就学管理方法、系统、装置及介质 |
| US11854104B1 (en) | 2022-05-18 | 2023-12-26 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and systems for managing school attendance of smart city based on the Internet of Things |
| CN117634802A (zh) * | 2023-11-27 | 2024-03-01 | 四川才子软件信息网络有限公司 | 一种学区学位情况预测方法、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xu et al. | A decision-making rule for modeling travelers’ route choice behavior based on cumulative prospect theory | |
| Ingolfsson et al. | Optimal ambulance location with random delays and travel times | |
| Helbing | Agent-based modeling | |
| Chiu et al. | Dynamic traffic assignment: A primer (transportation research circular e-c153) | |
| Islam et al. | Bus service quality prediction and attribute ranking: a neural network approach | |
| CN109829567A (zh) | 基于机器学习的学位调控方法、装置和计算机设备 | |
| Hasnine et al. | Tour-based mode choice modelling as the core of an activity-based travel demand modelling framework: A review of state-of-the-art | |
| McEwen et al. | Using role-play for expert science communication with professional stakeholders in flood risk management | |
| Willekens | Evidence-based monitoring of international migration flows in Europe | |
| Dimitrov et al. | Modeling the interaction between buses, passengers and cars on a bus route using a multi-agent system | |
| Roberts et al. | Modeling complex human–environment interactions: the Grand Canyon river trip simulator | |
| Ben Abdrabbah et al. | Social activities recommendation system for students in smart campus | |
| Cano-Moreno et al. | Using TRIZ10 for enhancing creativity in engineering design education | |
| Guraliuk et al. | Expert Assessment of the Quality of Remote Educational Resources. | |
| Pizarro et al. | ABM RoutePlanner: An agent-based model simulation for suggesting preference-based routes in Spain | |
| Cheranchery et al. | Improving ridership and reducing subsidy for premium bus service in Kolkata Metro City | |
| CN115222081A (zh) | 学位资源预测方法、装置及计算机设备 | |
| Kamali et al. | An analysis of special needs student busing | |
| Kapoor et al. | Empowering smart cities though community participation a literature review | |
| Bradley et al. | Implementation of a practical model system to predict long-distance travel for the entire US population | |
| Ruiz et al. | Agent-based simulation for border crossing modeling | |
| Stupavský et al. | Antisocial Behavior and the Dopamine Loop on Different Technological Platforms and Industries: An Overview | |
| Gao | Politics, law, and administrative discretion: the case of work safety regulation in China | |
| Venkatachalapathy et al. | A Rubric-Driven Evaluation of Open Data Portals and Their Data in Transportation | |
| Benson | Movement ecology and the minimal animal |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |