CN112085262A - 一种基于机器学习算法的大学生寝室调配方法 - Google Patents
一种基于机器学习算法的大学生寝室调配方法 Download PDFInfo
- Publication number
- CN112085262A CN112085262A CN202010854889.5A CN202010854889A CN112085262A CN 112085262 A CN112085262 A CN 112085262A CN 202010854889 A CN202010854889 A CN 202010854889A CN 112085262 A CN112085262 A CN 112085262A
- Authority
- CN
- China
- Prior art keywords
- bedroom
- score
- machine learning
- student
- students
- 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.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000008859 change Effects 0.000 claims abstract description 44
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 10
- 238000012706 support-vector machine Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000012417 linear regression Methods 0.000 claims abstract description 7
- 238000011002 quantification Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 abstract description 4
- 238000013499 data model Methods 0.000 abstract description 2
- 238000012216 screening Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004899 motility Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Educational Technology (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明名称为一种基于机器学习算法的大学生寝室调配方法;本发明属于社会行为学、数据科学、系统科学的交叉领域;本发明主要通过大学生的历史成绩数据以及寝室数据、通基于机器学习的经典算法,包括BP神经网络、Logistic回归、局部线性回归、支持向量机,建立学生成绩变化趋势的预测模型,通过模型精度比较筛选出适合各高校现实情况的数据模型;根据学生成绩分类,定义寝室状态,基于成绩变化趋势预测模型的基础上,计算出各寝室状态下的转化得分;根据实际情况合理设置约束条件,以转化得分最大为目标函数,通过CPLEX优化求解器求得最大目标函数值下各状态寝室的数量,实现寝室的优化调配。
Description
技术领域
本发明属于社会行为学、数据科学、系统科学的交叉的逻辑关系技术领域,具体为基于数据科学的社会行为学分析,最后通过系统科学算法进行优化实现。
背景技术
对于大学生的寝室分配问题,国内一直没有一套科学的方法,目前国内几乎所有的大学都是采用随机分配,或者按照姓名顺序进行寝室分配。2018年,南京大学率先采用按照大学生兴趣爱好进行寝室分配的方法,虽然有很多不足的地方,但是已经说明了高校已经开始重视起大学生的寝室生活。大学生的大部分时间在寝室度过,远远超过课堂时间,寝室环境对于个人的发展,人格的塑造,尤其对于处于青年阶段的大学生而言尤为重要。高校在重视学生课堂教学的同时也应该努力为学生营造更良好的寝室环境,使学生能够健康的成长。发明者所在的团队已经通过数据验证了寝室环境与学生成绩的关联性,为本发明的提出提供理论支撑。所以有必要提出一种科学的寝室人员调配方法。
社会行为学一直是社会关注的焦点,因为涉及到人,必然与人的差异性与主观能动性相关,从机理建模角度去描述人类行为现阶段只有理论上的可能,所以大多数研究与行为学相关的问题都是从数据角度考虑,本发明方法针对的就是一类行为学特征,从数据角度入手。
机器学习算法是人工智能领域一个最重要分支之一。机器学习算法主要通过数据分析、理解建立数据解析模型用以分类与预测。其成为当下的研究热点是因为现实我们研究的很多问题是难以用机理方法进行机理建模分析,比如本发明所针对的学生成绩预测模型,影响学生成绩的因素众多,内在、外在原因,一些突发事件都有可能影响学生的成绩,我们很难建立一个包含所有因素的机理模型,也很难量化这些因素,所以运用机器学习算法基于数据预测学生成绩变化成为了有效途径。一些经典的机器学习算法被应用到本发明中,具体采用哪种机器学习算法,取决于所建立的模型预测精度。每一种经典的机器学习算法都有其优缺点,应用范围也都有局限性,很大程度上依赖于数据特性,所以本发明需要最后综合运用几种经典的机器学习方法并进行比较最终确定。
最优化是系统科学中重要的研究内容,其中带有不等式约束的线性规划是最优化中比较常见的问题,本发明的寝室人员调动就可以抽象成此类问题,其中约束为各学习状态人员数量、专业限制等(以每个高校的先行寝室安排限制),最优化目标是整体(班级、专业、学院)学习进步的期望值最大。
发明内容
本发明目的是提供一种基于机器学习算法的大学生寝室调配方法。
为实现上述目的采用的技术方案是:
一种基于机器学习算法的大学生寝室调配方法,根据大学生大一、大二的学习成绩数据,运用机器学习算法建立起大学生大三下学期以后的成绩变化趋势预测模型,能够预测学生大三下学期后的成绩变化趋势。
所述机器学习算法包括BP神经网络、KNN、局部线性回归、支持向量机。
根据学生成绩的分类,建立并定义寝室状态,基于成绩变化趋势预测模型计算得到各个寝室状态未来的变化趋势期望值,进步+1,退步-1,成绩不变为 0的量化值。
大学生大一、大二的学习成绩数据的优化处理:
将学生按成绩分为优、中上、中、中下、差五个等级,规定专业的15%为优,25%为中上,25%为中,20%为中下,15%为差;每个等级量化处理分别对应1、2、3、4、5;初始化的成绩为大一上学期排名,目标为学习成绩的变化趋势,趋势为学生五学期的排名拟合直线的斜率;斜率为正,排名值增大,则说明学习退步,反之说明学习进步;定义寝室环境为室友的学习成绩,目标量为学习成绩的变化趋势。
寝室调配的优化算法:
基于成绩变化趋势预测模型,可以得到寝室内不同学生组合后的成绩变化转移概率;根据学生成绩状态的等级量化,可以得到有限种寝室人员组合种类,标注组合种类,基于机器学习算法可以得到组合种类间转化的概率转移矩阵;根据学生各状态的人数设置约束条件,以未来成绩变化的期望作为目标函数,最后采用优化求解器CPLEX,求解各组合类别的个数,实现寝室人员的优化调整。
本发明的优点是:
1、本发明中学生成绩进步与退步信息的获取,采用线性拟合方法,源数据采用专业排名数据,避免学期课程设置的差异性。其中拟合直线的斜率为正,说明排名增加,成绩后退定义为退步,若斜率为负则说明成绩进步。
2、本发明中整理后的结构化数据,特征包括性别,成绩优秀室友数量、成绩中上室友数量、成绩中等室友数量、成绩中下室友数量、成绩中下室友数量,目标变量为成绩的变化包括进步与退步两种状态。
附图说明
图1为本发明的社会行为学、数据科学、系统科学的交叉的逻辑关系图。
图2为本发明中成绩变化趋势拟合图。
具体实施方式
下面结合说明书附图1-2及实施例对本发明进一步详细说明。
一种基于机器学习算法的大学生寝室调配方法,根据大学生大一、大二的学习成绩数据,运用机器学习算法建立起大学生大三下学期以后的成绩变化趋势预测模型,能够预测学生大三下学期后的成绩变化趋势。
所述机器学习算法包括BP神经网络、KNN、局部线性回归、支持向量机。
根据学生成绩的分类,建立并定义寝室状态,基于成绩变化趋势预测模型计算得到各个寝室状态未来的变化趋势期望值,进步+1,退步-1,成绩不变为 0的量化值。
大学生大一、大二的学习成绩数据的优化处理:
将学生按成绩分为优、中上、中、中下、差五个等级,规定专业的15%为优,25%为中上,25%为中,20%为中下,15%为差;每个等级量化处理分别对应1、2、3、4、5;初始化的成绩为大一上学期排名,目标为学习成绩的变化趋势,趋势为学生五学期的排名拟合直线的斜率;斜率为正,排名值增大,则说明学习退步,反之说明学习进步;定义寝室环境为室友的学习成绩,目标量为学习成绩的变化趋势。
寝室调配的优化算法:
基于成绩变化趋势预测模型,可以得到寝室内不同学生组合后的成绩变化转移概率;根据学生成绩状态的等级量化,可以得到有限种寝室人员组合种类,标注组合种类,基于机器学习算法可以得到组合种类间转化的概率转移矩阵;根据学生各状态的人数设置约束条件,以未来成绩变化的期望作为目标函数,最后采用优化求解器CPLEX,求解各组合类别的个数,实现寝室人员的优化调整。
搜集整理数据。搜集数据,根据缺省进行有效数据筛选。
数据预处理。拟合学生大一上学期至大三上学期5个学期的成绩排名,得到成绩变化趋势量化值,结合当前寝室人员的分配情况,建立机器学习算法分析的标准化数据表。
成绩变化趋势数据解析模型的建立。结合表1所示的标准化数据结构,分别运用BP神经网络、SVM、Logistic回归、局部线性回归进行数据解析模型的建立,其中特征输入为性别、初始成绩,宿舍内各状态同学的数量,目标输出为学生的成绩变化趋势。
数据解析模型的选取。以大一上至大三上5个学期数据为训练数据集,大三下学期成绩数据作为测试数据集,进行模型的准确度测试,以确定成绩预测模型的选用。
寝室状态量化。结合学生成绩等级的量化结果,根据寝室人员数量,可得有限种状态,例:某寝室优秀学生个数2人,中1人,差1人,此种组合作为一种状态,那么假设学生成绩等级分为2种,每个寝室4人,那么理论上组合的种类一共有5种,结合内容3的成绩预测模型以及寝室人员安排,可以得到这5种状态下的寝室成员的成绩变化趋势,从而可以得到寝室整体的变化量化得分,这里规定进步+1,不变0,退步-1,状态分类,以及某状态得分如表 2所示:
约束条件与目标函数建立。根据各成绩等级划分的人员数量设置约束条件,例:假设某专业人员共100人,寝室25个,学生成绩等级分为2个,各占50%,这里设A,B,C,D,E五种状态的寝室个数分别为a,b,c,d,e,每种寝室状态变化的期望得分分别为Sa、Sb、Sc、Sd、Se,那么建立约束条件与目标函数。
最优寝室人员分配方案求解。运用CPLEX优化求解器,将约束条件与目标函数程序化输入,得到运行结果,及a,b,c,d,e的一组最优解,也就是各种状态寝室的数量,以当前寝室分配为基础,以CPLEX运行结果为指导,完成寝室人员的优化调整。
本发明涉及三个核心内容。
1.数据的结构化处理
学生按成绩分为优、中上、中、中下、差五个等级,规定专业的15%为优,25%为中上,25%为中,20%为中下,15%为差。每个等级量化处理分别对应1、2、3、4、5。初始化的成绩为大一上学期排名,目标为学习成绩的变化趋势,趋势为学生五学期的排名拟合直线的斜率如附图2所示。斜率为正,排名值增大,则说明学习退步,反之说明学习进步。我们定义寝室环境为室友的学习成绩,目标量为学习成绩的变化趋势,结构化后的数据。
2.基于机器学习算法的成绩预测模型建立
基于结构化后的数据,分别采用BP神经网络、Logistic回归、局部线性回归与支持向量机(SVM)算法进行模型训练,特征为性别、室友成绩,目标值为学习成绩的变化趋势,用训练好的模型预测学生第六学期的成绩,正确率作为衡量数据模型精度的唯一标准。
3.寝室调配的优化算法
基于发明内容2的成绩变化趋势预测模型,可以得到寝室内不同学生组合后的成绩变化转移概率。根据内容1的学生成绩状态(优、中上、中、中下、差)的等级量化,可以得到有限种寝室人员组合种类,标注组合种类,基于内容2的结论可以得到组合种类间转化的概率转移矩阵。根据学生各状态的人数设置约束条件,最后采用优化求解器CPLEX,求解各组合类别的个数,实现寝室人员的优化调整。
本发明属于机器学习、社会行为学与系统科学的交叉领域,其中数据结构设计与处理涉及社会行为学中的“同群效应”,应用背景亦与社会行为学相关;发明中的学生成绩预测模型的建立与机器学习算法相关,包括BP神经网络、 SVM(支持向量机)、Logistic回归、局部线性回归算法;发明中的最优分配方案求解与系统科学相关。
图2是成绩变化趋势拟合图;学生成绩进步与退步信息的获取,采用线性拟合方法,源数据采用专业排名数据,避免学期课程设置的差异性。其中拟合直线的斜率为正,说明排名增加,成绩后退定义为退步,若斜率为负则说明成绩进步。
公式中以a,b,c,d,e为五种状态寝室的数量,Sa,Sb,Sc,Sd,Se为各状态未来的转化得分,共100人,四人寝室,约束条件建立依据是a,b,c,d,e为非负整数,a,b,c,d,e和为寝室总和,好学生占总量50%,差学生占总量50%;目标函数建议宗旨使进步的学生数量最大化化,反应在目标函数中为转化得分值最大。
表1为结构化以后的数据
性别 | 优 | 中上 | 中 | 中下 | 差 | 初始成绩 | 进退 |
1 | 1 | 2 | 0 | 0 | 0 | 1 | 0 |
1 | 1 | 2 | 0 | 0 | 0 | 1 | 0 |
1 | 2 | 1 | 0 | 0 | 0 | 2 | 0 |
1 | 2 | 1 | 0 | 0 | 0 | 2 | 0 |
… | … | … | … | … | … | … | … |
0 | 0 | 0 | 2 | 1 | 0 | 1 | 0 |
0 | 0 | 0 | 2 | 1 | 0 | 1 | 1 |
0 | 0 | 0 | 1 | 2 | 0 | 5 | 1 |
0 | 0 | 0 | 1 | 2 | 0 | 2 | 1 |
… | … | … | … | … | … | … | … |
表1:整理后的结构化数据,特征包括性别,成绩优秀室友数量、成绩中上室友数量、成绩中等室友数量、成绩中下室友数量、成绩中下室友数量,目标变量为成绩的变化包括进步与退步两种状态。
表2学生成绩二分类寝室状态定义与B类得分量化
此表为学生成绩分为好坏两种等级的寝室状态定义与B状态转化得分量化的示意图。假设学生成绩分为好坏两类,那么四人寝室的状态共有五种包括: 4好1差,3好1差,2好2差,1好3差,0好4差。规定进步得1分,退步 -1分,不进不退0分,那么寝室在B状态下的下一步得分由每个学生成绩变化的期望值相加得到,其中每个学生未来成绩的变化的概率由成绩变化的量化模型计算得出。
Claims (5)
1.一种基于机器学习算法的大学生寝室调配方法,其特征在于,
根据大学生大一、大二的学习成绩数据,运用机器学习算法建立起大学生大三下学期以后的成绩变化趋势预测模型,能够预测学生大三下学期后的成绩变化趋势。
2.根据权利要求1所述的一种基于机器学习算法的大学生寝室调配方法,其特征在于,
所述机器学习算法包括BP神经网络、KNN、局部线性回归、支持向量机。
3.根据权利要求1所述的一种基于机器学习算法的大学生寝室调配方法,其特征在于,
根据学生成绩的分类,建立并定义寝室状态,基于成绩变化趋势预测模型计算得到各个寝室状态未来的变化趋势期望值,进步+1,退步-1,成绩不变为0的量化值。
4.根据权利要求1所述的一种基于机器学习算法的大学生寝室调配方法,其特征在于,
大学生大一、大二的学习成绩数据的优化处理:
将学生按成绩分为优、中上、中、中下、差五个等级,规定专业的15%为优,25%为中上,25%为中,20%为中下,15%为差;每个等级量化处理分别对应1、2、3、4、5;初始化的成绩为大一上学期排名,目标为学习成绩的变化趋势,趋势为学生五学期的排名拟合直线的斜率;斜率为正,排名值增大,则说明学习退步,反之说明学习进步;定义寝室环境为室友的学习成绩,目标量为学习成绩的变化趋势。
5.根据权利要求1所述的一种基于机器学习算法的大学生寝室调配方法,其特征在于,
寝室调配的优化算法:
基于成绩变化趋势预测模型,可以得到寝室内不同学生组合后的成绩变化转移概率;根据学生成绩状态的等级量化,可以得到有限种寝室人员组合种类,标注组合种类,基于机器学习算法可以得到组合种类间转化的概率转移矩阵;根据学生各状态的人数设置约束条件,以未来成绩变化的期望作为目标函数,最后采用优化求解器CPLEX,求解各组合类别的个数,实现寝室人员的优化调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010854889.5A CN112085262B (zh) | 2020-08-24 | 2020-08-24 | 一种基于机器学习算法的大学生寝室调配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010854889.5A CN112085262B (zh) | 2020-08-24 | 2020-08-24 | 一种基于机器学习算法的大学生寝室调配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112085262A true CN112085262A (zh) | 2020-12-15 |
CN112085262B CN112085262B (zh) | 2023-12-26 |
Family
ID=73728505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010854889.5A Active CN112085262B (zh) | 2020-08-24 | 2020-08-24 | 一种基于机器学习算法的大学生寝室调配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085262B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734296A (zh) * | 2021-01-27 | 2021-04-30 | 西安科技大学 | 一种基于大数据的智慧校园学生宿舍分配方法 |
CN113221327A (zh) * | 2021-04-14 | 2021-08-06 | 辽宁石油化工大学 | 一种基于adaboost集成算法的深部爆破破坏区形状预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007279778A (ja) * | 2006-04-03 | 2007-10-25 | Kazuhiko Katsumata | 入学者選抜方法及び入学者選抜システム |
CN107025463A (zh) * | 2017-04-10 | 2017-08-08 | 刘欣语 | 基于合并分组算法的寝室分组装置及方法 |
CN108241625A (zh) * | 2016-12-23 | 2018-07-03 | 科大讯飞股份有限公司 | 预测学生成绩变化趋势的方法及系统 |
CN109389277A (zh) * | 2017-08-04 | 2019-02-26 | 丰田自动车株式会社 | 调配保证系统 |
CN110070473A (zh) * | 2019-04-23 | 2019-07-30 | 南京林业大学 | 学生学业警示帮扶系统及其方法 |
CN110189236A (zh) * | 2019-04-30 | 2019-08-30 | 南京航空航天大学 | 基于大数据的学习预警方法 |
CN110288148A (zh) * | 2019-06-21 | 2019-09-27 | 福建师范大学 | 一种开放式实训课程的学生组队方法 |
CN110706136A (zh) * | 2019-06-01 | 2020-01-17 | 强龙祥 | Ai+数字化校园建设方案研究 |
CN111047201A (zh) * | 2019-12-16 | 2020-04-21 | 河南科技学院 | 一种基于深度学习的宿舍分配方法及装置 |
-
2020
- 2020-08-24 CN CN202010854889.5A patent/CN112085262B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007279778A (ja) * | 2006-04-03 | 2007-10-25 | Kazuhiko Katsumata | 入学者選抜方法及び入学者選抜システム |
CN108241625A (zh) * | 2016-12-23 | 2018-07-03 | 科大讯飞股份有限公司 | 预测学生成绩变化趋势的方法及系统 |
CN107025463A (zh) * | 2017-04-10 | 2017-08-08 | 刘欣语 | 基于合并分组算法的寝室分组装置及方法 |
CN109389277A (zh) * | 2017-08-04 | 2019-02-26 | 丰田自动车株式会社 | 调配保证系统 |
CN110070473A (zh) * | 2019-04-23 | 2019-07-30 | 南京林业大学 | 学生学业警示帮扶系统及其方法 |
CN110189236A (zh) * | 2019-04-30 | 2019-08-30 | 南京航空航天大学 | 基于大数据的学习预警方法 |
CN110706136A (zh) * | 2019-06-01 | 2020-01-17 | 强龙祥 | Ai+数字化校园建设方案研究 |
CN110288148A (zh) * | 2019-06-21 | 2019-09-27 | 福建师范大学 | 一种开放式实训课程的学生组队方法 |
CN111047201A (zh) * | 2019-12-16 | 2020-04-21 | 河南科技学院 | 一种基于深度学习的宿舍分配方法及装置 |
Non-Patent Citations (4)
Title |
---|
姜萍;姜叶飞;: "大数据背景下高校档案管理模式变革研究", 兰台世界, no. 11, pages 30 - 31 * |
张明珠 等: "寝室氛围对学生成绩的影响", 中国集体经济, pages 179 - 180 * |
杨文鹏;胡新煜;郭晶;: "宿舍因素对学业成绩的影响――以某校管理学院的样本为例", 纺织高校基础科学学报, no. 04, pages 596 - 602 * |
胡韬: "基于大数据和深度学习的学生寝室管理系统研究", 数码世界, no. 03, pages 224 - 225 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734296A (zh) * | 2021-01-27 | 2021-04-30 | 西安科技大学 | 一种基于大数据的智慧校园学生宿舍分配方法 |
CN112734296B (zh) * | 2021-01-27 | 2021-11-16 | 西安科技大学 | 一种基于大数据的智慧校园学生宿舍分配方法 |
CN113221327A (zh) * | 2021-04-14 | 2021-08-06 | 辽宁石油化工大学 | 一种基于adaboost集成算法的深部爆破破坏区形状预测方法 |
CN113221327B (zh) * | 2021-04-14 | 2023-09-01 | 辽宁石油化工大学 | 一种基于adaboost集成算法的深部爆破破坏区形状预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112085262B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kabakchieva | Student performance prediction by using data mining classification algorithms | |
Alao et al. | Analyzing employee attrition using decision tree algorithms | |
Alkashami et al. | AI different approaches and ANFIS data mining: A novel approach to predicting early employment readiness in middle eastern nations | |
Poczęta et al. | Learning fuzzy cognitive maps using structure optimization genetic algorithm | |
CN112085262A (zh) | 一种基于机器学习算法的大学生寝室调配方法 | |
Zhang et al. | A novel method based on FTS with both GA-FCM and multifactor BPNN for stock forecasting | |
Schmidt et al. | Synthesizing agile and knowledge discovery: case study results | |
Wanjau et al. | Improving student enrollment prediction using ensemble classifiers | |
CN106485069A (zh) | 康复信息推送的方法及系统 | |
Cheewaprakobkit | Predicting student academic achievement by using the decision tree and neural network techniques | |
Cervera et al. | Forecasting model with machine learning in higher education ICFES exams | |
Cam et al. | Discovery of Course Success Using Unsupervised Machine Learning Algorithms. | |
Chai et al. | Correlation Analysis-Based Neural Network Self-Organizing Genetic Evolutionary Algorithm | |
Güner et al. | Predicting academically at-risk engineering students: A soft computing application | |
Katti et al. | University admission prediction using Google Vertex AI | |
Asril et al. | Prediction of students study period using K-Nearest Neighbor algorithm | |
Uvidia Fassler et al. | Application of knowledge discovery in data bases analysis to predict the academic performance of university students based on their admissions test | |
Bustillo et al. | Variable Minimization-based Prediction Model with Enhanced Genetic Algorithm using Flip Multi-sliced Average Crossover (FMSAX) Operator | |
Prianto et al. | Implementation of K-Means Methods In Clustering Students Ability Levels in English Language | |
Gafarov et al. | Analysis of students’ academic performance by using machine learning tools | |
Guo | Empirical analysis for English teaching integration and optimization based on big data mining technology | |
Jasso | Linking individuals and societies | |
Ding | Prediction analysis of college Teachers’ happiness based on the graph convolutional network | |
Khymytsia et al. | Intellectual analysis of the results of the cliometric monitoring | |
Siraj et al. | Mining enrollment data using descriptive and predictive approaches |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |