CN112308263A - 学位资源预测方法、装置、存储介质和芯片 - Google Patents
学位资源预测方法、装置、存储介质和芯片 Download PDFInfo
- Publication number
- CN112308263A CN112308263A CN201910676178.0A CN201910676178A CN112308263A CN 112308263 A CN112308263 A CN 112308263A CN 201910676178 A CN201910676178 A CN 201910676178A CN 112308263 A CN112308263 A CN 112308263A
- Authority
- CN
- China
- Prior art keywords
- prediction
- academic
- resource
- area
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000015654 memory Effects 0.000 claims abstract description 90
- 238000012545 processing Methods 0.000 claims abstract description 37
- 238000011161 development Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 60
- 238000003062 neural network model Methods 0.000 claims description 42
- 238000007726 management method Methods 0.000 claims description 28
- 238000013468 resource allocation Methods 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000012800 visualization Methods 0.000 description 8
- 238000012417 linear regression Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001617 migratory effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000001134 F-test Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012517 data analytics Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Educational Technology (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本申请提供了一种学位资源预测的方法、装置、存储介质和芯片,涉及计算机数据处理领域。其中,该学位资源预测方法包括:从存储器获取预测区域的学位资源预测参数,并根据预设的学位资源预测模型对该预测区域的学位资源预测参数进行处理,得到预测区域的学位资源需求信息,然后再呈现预测区域的学位资源需求信息。其中,上述学位资源预测参数包括人口数据、教育数据、经济发展数据和就业数据中的至少一种。本申请中通过包含多种参数的学位资源预测参数来确定预测区域的学位资源需求情况,能够更好地进行学位资源的预测,提高学位资源预测的准确性。
Description
技术领域
本申请涉及计算机数据处理领域,并且更具体地,涉及一种学位资源预测方法和系统。
背景技术
为了合理利用教育资源,教育部门一般会对某个区域在一段时间内的学位资源的需求情况进行预测,然后根据预测结果对教育资源进行合理的分配。因此,如何准确地进行学位资源的预测一个非常重要的问题。
传统方案中一般是采用统计学的方法来获取某个区域内的人口总数,然后再按照一定的比例计算出出该区域内的学龄人口,从而得到该区域的学位资源的需求情况。假设人均寿命为75岁,小学6年占整个年龄段的8%,那么,某个区域每年小学学位需求数=该区域人口总数*8%/6。
但是,由于人口流动等因素的影响,上述按照统计学的方法得到的人口总数并不十分准确,进而使得这种据方式的预测结果并不十分准确。
发明内容
本申请提供一种学位资源预测方法、装置、存储介质和芯片,以更好地对学位资源进行预测。
第一方面,提供了一种学位资源预测方法,该方法包括:从存储器获取预测区域的学位资源预测参数;根据预设的学位资源预测模型对预测区域的学位资源预测参数进行处理,得到预测区域的学位资源需求预测信息;呈现预测区域的学位资源需求预测信息。
其中,上述预测区域的学位资源预测参数是用于预测该预测区域的学位资源需求的参数,也就是说,根据预测区域的学位资源预测参数能够对预测区域的学位资源需求情况进行预测。
此外,上述预测区域的学位资源预测参数是存储器中保存的与预测区域相对应的学位资源预测参数,该预测区域的学位资源预测参数包括预测区域的人口数据、教育数据、经济发展数据和就业数据中的至少一种。
具体地,上述学位资源预测参数包括预测区域的人口数据、预测区域的教育数据、预测区域的经济数据和预测区域的就业数据。
可选地,上述预测区域的人口数据包括预测区域的以下数据:户籍数据、常住人口数量、迁入人口数量、迁出人口数量以及流动人口数量。
上述预测区域的户籍数据可以是预测区域的户籍人口数量。
可选地,上述预测区域的教育数据包括预测区域的以下数据:适龄入学儿童数量、适龄儿童学位占用情况、学校在校人数、适龄儿童父母受教育情况、重点学校升学率。
上述预测区域的适龄入学儿童数量可以包括预测区域的幼儿园、小学、初中和高中适龄入学儿童数量。
可选地,上述预测区域的经济数据包括预测区域的以下数据:国内生产总值GDP增速、房价走势、收入水平、本地各行业历年产值增加情况、住宅平均租金和大型社区建成数据。
预测区域的大型社区建成数据可以是指预测区域内的大型社区的建成的数量,居住的人口数量等等。
可选地,上述预测区域的就业数据包括预测区域的以下数据:就业率、失业率、不同行业历年从业人数、适龄儿童父母工作情况以及社保缴纳情况。
上述社保缴纳情况可以包括社保初始缴纳时间、社保缴纳持续时间,社保缴纳中断情况等等。
另外,上述学位资源预测模型是根据训练样本和训练样本的标签数据训练得到的,其中,训练样本包括预测区域的历史学位资源预测参数,训练样本的标签数据为预测区域的历史学位资源预测参数对应的学位资源真实需求信息。
应理解,上述历史学位资源预测参数,以及历史学位资源预测参数对应的学位资源真实需求信息是预测区域在相同时间内对应的参数或者信息。
例如,上述历史学位资源预测参数可以包括预测区域在之前的五年时间内每年的学位资源预测参数,以及预测区域在之前的五年时间内每年的学位资源真实需求数量。其中,预测区域在某一年(例如,第一年)的学位资源预测参数与预测区域在同一年的学位资源真实需求数据相对应。
可选地,上述存储器存储有多个不同区域的学位资源参数。
在需要进行学位资源需求预测时,可以根据需要预测的区域,从存储中获取相应区域的学位资源预测参数。
上述存储器可以是一个也可以是多个。
上述存储器可以是政府各个相关部门的数据库对应的存储器。例如,上述存储器可以是教育局、经信委、住建委、税务局、统计局和人社局等部门的数据库对应的存储器。
本申请中,通过训练得到的学位资源预测模型可以得到较为准确地反映预测区域的学位资源预测参数与预测区域的学位资源需求信息之间的对应关系的学位资源预测模型,后续再根据该学位资源预测模型对包含多种类型参数的预测区域的学位资源预测参数进行处理,能够较好地预测出预测区域的学位资源需求信息。
可选地,上述学位资源预测模型为回归模型或者神经网络模型。
上述回归模型可以是线性回归方程或者非线性回归方程。
当学位资源预测参数较为简单时(例如,学位资源预测参数包含的参数种类较少),可以采用(线性)回归(方程)模型来确定学位资源需求预测信息,而当学位资源参数较为复杂时(例如,学位资源预测参数包含的参数种类较多),可以采用神经网络模型来确定学位资源需求预测信息。
当上述学位资源预测模型为回归模型时,可以根据训练样本和训练样本的标签数据(学位资源实际需求信息)来确定回归模型中的回归方程的回归系数。具体地,可以先为回归模型的回归系数设置初始值,然后将历史学位资源预测参数代入到回归模型时,并不断调整回归模型的回归系数,使得回归方程输出的学位资源需求预测信息与学位资源实际需求信息之前的差值满足一定的条件(例如,回归方程输出的学位资源需求预测信息与学位资源实际需求信息之前的差值小于一定的阈值),此时得到的回归系数就是回归模型最终的回归系数。
本申请中,当学位资源预测模型为回归模型时,由于回归模型的计算相对比较简单,因此,训练得到回归模型的过程相对比较简单,能够根据回归模型和学位资源预测参数来快速确定学位资源需求预测信息,减少计算开销。
当上述学位资源预测模型为神经网络模型时,为了得到该神经网络模型,可以向神经网络模型中输入历史学位资源预测参数对神经网络模型进行训练,使得神经网络模型输出的学位资源需求预测信息与学位资源实际需求信息接近,并将神经网络模型输出的学位资源需求预测信息与学位资源实际需求信息之间的差值满足一定要求(例如,差值小于一定的阈值)时的神经网络模型作为最终训练得到的神经网络模型。
本申请中,当学位资源预测模型为神经网络模型时,由于神经网络模型的学习能力较强,因此,采用神经网络模型能够更为准确地确定学位资源需求预测信息。
上述预测区域的学位资源需求预测信息可以具体包括预测区域未来某段时间需要的学位资源数量。具体而言,预测区域的学位资源需求预测信息可以包括预测区域某一年或者某半年需要的学位资源的数量。例如,预测区域的学位资源需求预测信息可以包括预测区域在2019年下半年需要的学位资源的数量。
可选地,呈现预测区域的学位资源需求信息,包括:通过显示器呈现预测区域的学位资源需求预测信息。
上述显示器可以是液晶显示器、大屏显示器。上述显示器可以通过柱状图、饼图、折线图、散点图、气泡图以及雷达图等方式来形象的显示学位资源的需求预测信息。
上述预测区域的学位资源需求预测信息具体可以是预测区域(在某段时间)的学位需求数量。
结合第一方面,在第一方面的某些实现方式中,上述方法还包括:获取预测区域的学位资源实际提供信息;根据预测区域的学位资源实际提供信息和预测区域的学位资源需求预测信息,以及预测区域的入学政策信息,生成预测区域的用户画像。
其中,上述预测区域的学位资源实际提供信息用于指示预测区域实际能够提供的学位资源。
具体地,预测区域的学位资源实际提供信息可以用于指示预测区域实际能够提供的学位资源的数量。上述预测区域的学位资源实际提供信息可以根据预测区域的学校数量,每个学校每年或者每半年能够提供的学位数量来确定,也可以直接从存储器中获取。
用户画像是真实用户的虚拟代表,是建立在一系列真实数据之上的目标用户模型,用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。根据用户画像能够更形象的展示出特定用户的特点。
上述预测区域的用户画像包括满足预测区域入学政策的人员的用户画像,该预测区域的用户画像包括户籍信息、社保信息、受教育信息和住房信息中的至少一个。
通过预测区域的用户画像能够较为灵活方便地显示出满足预测区域的入学政策或者入学条件的适龄儿童的相关信息。
可选地,上述获取预测区域的学位资源实际提供信息,包括:从存储器获取预测区域的学位资源实际提供信息。
结合第一方面,在第一方面的某些实现方式中,上述预测区域的用户画像还包括不满足预测区域入学政策的人员的用户画像。
通过预测区域的用户画像还可以较为方便的显示不满足预测区域的入学政策或者入学条件的适龄儿童的相关信息。
应当理解的是,上述预测区域的用户画像可以只包括满足预测区域入学政策的人员的用户画像,也可以只包括不满足预测区域入学政策的人员的用户画像,也可以既包括满足预测区域入学政策的人员的用户画像又包括不满足预测区域入学政策的人员的用户画像。
结合第一方面,在第一方面的某些实现方式中,上述方法还包括:根据预测区域的学位资源实际提供信息、学位资源需求预测信息以及预测区域的用户画像,生成预测区域的学位资源调配信息。
其中,上述预测区域的学位资源调配信息包括预测区域需要调配的学位资源数量。
通过生成预测区域的学位资源调配信息,便于在预测区域的学位资源不足或者过多时,与预测区域之外的其他区域之间进行学位资源的调配。
结合第一方面,在第一方面的某些实现方式中,上述预测区域的学位资源调配信息包括预测区域的学位资源的缺口数量,以及预测区域中需要调配到其他区域入学的人员。
其中,上述需要调配到其他区域入学的人员的用户画像为不满足预测区域入学政策的人员的用户画像。
当上述预测区域的学位资源调配信息包括学位资源缺口数量以及预测区域中需要调配到其他区域入学的人员时,能够较为方便的显示需要调度的人员的信息,便于后续进行学位资源的调配。
结合第一方面,在第一方面的某些实现方式中,上述预测区域的学位资源调配信息包括预测区域的学位资源的多余数量。
当预测区域的学位资源调配信息包括学位资源的多余数量时,能够灵活显示预测区域多余的学位资源数量,便于后续进行学位资源的调配。
应当理解的是,当预测区域能够实际提供的学位资源的数量小于或者等于预测区域学位资源需求的预测数量时,预测区域的学位资源调配信息可以包括预测区域的学位资源的缺口数量。而当预测区域能够实际提供的学位资源的数量大于预测区域学位资源需求的预测数量时,预测区域的学位资源调配信息可以包括预测区域的学位资源的多余数量。
结合第一方面,在第一方面的某些实现方式中,上述方法还包括:呈现预测区域的学位资源调配信息。
通过呈现预测区域的学位资源调配信息,能够直观的显示出预测区域的学位资源的缺口数量或者多余数量,便于后续进行学位资源的调配。
结合第一方面,在第一方面的某些实现方式中,上述从存储器获取预测区域的学位资源预测参数包括:向存储器管理平台发送预测区域的学位资源预测参数请求消息;接收存储器管理平台发送的预测区域的学位资源预测参数。
其中,上述学位资源预测参数请求消息包括预测区域的区域信息,上述预测区域的学位资源预测参数是存储器管理平台根据学位资源预测参数请求消息从存储器中获取的与预测区域匹配的学位资源预测参数。
上述存储器可以存储有不同区域的学位资源预测参数,通过与存储器管理平台的交互,能够从存储器中获取预测区域对应的学位资源预测参数(预测区域的学位资源参数)。
结合第一方面,在第一方面的某些实现方式中,在根据预设的学位资源预测模型对所述预测区域的学位资源预测参数进行处理,得到预测区域的学位资源需求预测信息之前,上述方法还包括:根据回归方程从预测区域的学位资源预测参数中确定出预测区域的学位资源关键预测参数;上述根据预设的学位资源预测模型对预测区域的学位资源预测参数进行处理,得到预测区域的学位资源需求预测信息,包括:根据预设的学位资源模型对预测区域的学位资源关键预测参数进行处理,得到预测区域的学位资源需求预测信息。
本申请中,通过回归方程从预测区域的学位资源预测参数中选择出重要性较高的学位资源关键预测参数,并根据该学位资源关键预测参数进行学位资源需求的预测,使得学位资源预测更有针对性,可以进一步提高学位资源需求预测的准确性。
结合第一方面,在第一方面的某些实现方式中,上述从存储器获取预测区域的学位资源预测参数,包括:按照预设的参数提取周期从存储器获取所述预测区域的学位资源预测参数。
本申请中,按照一定的周期从存储器获取预测区域的学位资源预测参数,能够在一定程度上保证预测区域的学位资源预测参数的实时性,进而提高最终得到的预测区域的学位资源需求预测信息的准确性。
上述参数提取周期可以根据经验灵活设置,参数提取周期的设置只要满足学位资源预测参数的及时更新即可。
例如,上述参数提取周期可以是一天、一个星期或者一个月,也可以是小于一天、小于一个星期或者小于一个月的任意一个时间长度。
另外,为了保证预测区域的学位资源预测参数的实时性,可以在确定预测区域的学位资源需求预测信息之前,先对预测区域的学位资源预测参数进行更新,然后再根据更新后的预测区域的学位资源参数来确定预测区域的学位资源需求预测信息。
第二方面,提供一种学位资源预测模型的训练方法,该方法包括:将训练样本输入到学位资源预测模型,得到训练样本对应的预测结果;根据训练样本对应的预测结果与训练样本的标签数据确定学位资源预测模型的模型参数,其中,该训练样本为预测区域的历史学位资源预测参数,该训练样本的标签数据为预测区域的历史学位资源预测参数对应的学位资源真实需求信息。
其中,上述学位资源预测模型用于对学位资源需求进行预测。
本申请中,通过上述训练方法能够获取到反映学位资源预测参数和学位资源需求信息之间对应关系的学位资源预测模型,进而可以根据该学位资源预测模型进行学位资源需求的预测。
结合第二方面,在第二方面的某些实现方式中,上述学位资源预测模型为回归模型或者神经网络模型。
当学位资源预测参数较为简单时(例如,学位资源预测参数包含的参数种类较少),可以采用回归(方程)模型来确定学位资源需求预测信息,而当学位资源参数较为复杂时(例如,学位资源预测参数包含的参数种类较多),可以采用神经网络模型来确定学位资源需求预测信息。
当上述学位资源预测模型为回归模型时,可以根据训练样本和训练样本的标签数据(学位资源实际需求信息)来确定回归模型中的回归方程的回归系数,具体地,可以先为回归模型的回归系数设置初始值,然后将历史学位资源预测参数代入到回归模型时,并不断调整回归模型的回归系数,使得回归方程输出的学位资源需求预测信息与学位资源实际需求信息之前的差值满足一定的条件(例如,回归方程输出的学位资源需求预测信息与学位资源实际需求信息之前的差值小于一定的阈值),此时得到的回归系数就是回归模型最终的回归系数。
本申请中,当学位资源预测模型为回归模型时,由于回归模型的训练或者确定相对比较简单,也便于后续能够根据回归模型和学位资源预测参数来快速确定学位资源需求预测信息,可以减少计算开销。
当上述预测模型为神经网络模型时,为了得到该神经网络模型,可以向神经网络模型中输入历史学位资源预测参数对神经网络模型进行训练,使得神经网络模型输出的学位资源需求预测信息与学位资源实际需求信息接近,并将神经网络模型输出的学位资源需求预测信息与学位资源实际需求信息之间的差值满足一定要求(例如,差值小于一定的阈值)时的神经网络模型作为最终训练得到的神经网络模型。
本申请中,当预测模型为神经网络模型时,由于神经网络模型的学习能力较强,便于后续能够根据神经网络模型能够更为准确地确定学位资源需求预测信息。
第三方面,提供了一种学位资源预测装置,该装置包括用于执行上述第一方面中的任意一种实现方式中的方法的模块。
第四方面,提供了一种学位资源预测模型训练装置,该装置包括用于执行上述第二方面中的任意一种实现方式中的方法的模块。
上述第三方面或者第四方面的装置可以包含一个或者多个模块,该一个或者多个模块中的任意一个模块可以由电路、现场可编程门阵列FPGA、特殊应用集成电路ASIC以及通用处理器中的任意一种构成。
第五方面,提供了一种学位资源预测装置,该装置包括:存储器,用于存储程序;处理器,用于执行存储器存储的程序,当所述存储器存储的程序被执行时,所述处理器用于执行第一方面中的任意一种实现方式中的方法。
第六方面,提供了一种学位资源预测模型训练装置,该装置包括:存储器,用于存储程序;处理器,用于执行存储器存储的程序,当所述存储器存储的程序被执行时,所述处理器用于执行第二方面中的任意一种实现方式中的方法。
第七方面,提供一种计算机可读存储介质,该计算机可读存储介质存储用于设备执行的程序代码,该程序代码包括用于执行第一方面或者第二方面中的任意一种实现方式中的方法。
第八方面,提供一种包含指令的计算机程序产品,当该计算机程序产品在计算机上运行时,使得计算机执行上述第一方面或第二方面中的任意一种实现方式中的方法。
第九方面,提供一种芯片,所述芯片包括处理器与数据接口,所述处理器通过所述数据接口读取存储器上存储的指令,执行上述第一方面或第二方面中的任意一种实现方式中的方法。
可选地,作为一种实现方式,所述芯片还可以包括存储器,所述存储器中存储有指令,所述处理器用于执行所述存储器上存储的指令,当所述指令被执行时,所述处理器用于执行第一方面或第二方面中的任意一种实现方式中的方法。
上述各个方面中出现的处理器可以由电路、现场可编程门阵列FPGA、特殊应用集成电路ASIC以及通用处理器中的任意一种构成。
附图说明
图1是一种人工智能主体框架的示意图;
图2是本申请实施例的学位资源预测方法的示意性流程图;
图3是本申请实施例的学位资源预测方法的示意性流程图;
图4是本申请实施例的学位资源预测方法的示意性流程图;
图5是本申请实施例的学位资源预测方法的示意性流程图;
图6是获取预测区域的学位资源预测参数的过程的示意图;
图7是本申请实施例的学位资源预测方法的流程图;
图8是本申请实施例的学位资源预测方法的流程图;
图9是本申请实施例的学位资源预测装置的示意性框图;
图10是本申请实施例的学位资源预测装置的示意性框图;
图11是本申请实施例的学位资源预测系统的示意图;
图12是本申请实施例的学位资源预测系统的示意图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
图1示出一种人工智能主体框架的示意图,该主体框架描述了人工智能系统总体工作流程,适用于通用的人工智能领域应用需求。
下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行描述。
“智能信息链”反映的是数据的获取到处理的一系列过程。举例来说,“智能信息链”反映的可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中,数据经历了“数据—信息—知识—智慧”的凝练过程。
“IT价值链”从人工智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程,反映的是人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能系统提供计算能力支持,实现与外部世界的沟通,并通过基础平台实现支撑。在基础设施中,可以通过传感器与外部沟通。基础设施中的计算能力可以由智能芯片提供,智能芯片可以是中央处理器(central processing unit,CPU)、网络处理器(neural-network process units,NPU)、图形处理器(graphics processing unit,GPU)、应用特有集成电路(application specific integrated circuit,ASIC)、现场可编程逻辑门阵列(field programmable gate array,FPGA)等硬件加速芯片提供;基础平台包括分布式计算框架及网络等相关的平台保障和支持,可以包括云存储和计算、互联互通网络等。例如,传感器和外部沟通获取数据,并将这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本,还涉及到传统设备的物联网数据,包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练,机器学习,深度学习,搜索,推理,决策等方式。
其中,机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能系统中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的信息进行机器思维和求解问题的过程,典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程,通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后,进一步基于数据处理的结果可以形成一些通用的能力,比如可以是算法或者一个通用系统,例如,翻译,文本的分析,计算机视觉的处理,语音识别,图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能系统在各领域的产品和应用,是对人工智能整体解决方案的封装,将智能信息决策产品化、实现落地应用,其应用领域主要包括:智能制造、智能交通、智能家居、智能医疗、智能安防、自动驾驶,平安城市,智能终端等。
随着经济的快速发展,人们越来越重视教育,学位资源的分配是一个非常重要的问题。为了合理利用教育资源,教育部门一般要对某个区域(例如,一个行政区,一个开发区或者一个学区)的学位资源进行预测,得到该区域的学位资源需求预测信息,然后根据该区域的学位资源需求预测信息进行学位资源的分配。下面结合图2对本申请实施例的学位资源预测方法进行详细的介绍。
图2是本申请实施例的学位资源预测方法的示意性流程图。图2所示的方法可以由学位资源预测装置或者学位资源预测系统执行,图2所示的方法包括步骤1001至步骤1003,下面对这些步骤进行详细的介绍。
1001、从存储器获取预测区域的学位资源预测参数。
上述预测区域可以是一个省,自治区,直辖市,也可以是一个城市(例如,深圳),也可以是一个城市的某个行政辖区(例如,深圳的龙岗区)或者开发区(例如,高新技术开发区、经济技术开发区),也可以是由若干街道组成的区域(例如,可以是一个学区)。
其中,上述预测区域的学位资源预测参数是用于预测该预测区域的学位资源需求的参数,也就是说,根据预测区域的学位资源预测参数能够对预测区域的学位资源需求情况进行预测。
可选地,上述存储器存储有多个不同区域的学位资源参数。
上述存储器可以是一个也可以是多个。
上述存储器可以是政府各个相关部门的数据库对应的存储器。例如,上述存储器可以是教育局、经信委、住建委、税务局、统计局和人社局等部门的数据库对应的存储器。
上述预测区域的学位资源预测参数可以是存储器中保存的与预测区域相对应的学位资源预测参数,该预测区域的学位资源预测参数包括预测区域的人口数据、教育数据、经济发展数据和就业数据中的至少一种。
在需要进行学位资源需求预测时,可以根据需要预测的区域,从存储中获取相应区域的学位资源预测参数。
可选地,上述学位资源预测参数包括预测区域的人口数据、预测区域的教育数据、预测区域的经济数据和预测区域的就业数据。
具体地,如表1所示,预测区域的学位资源预测参数包括预测区域的人口数据、预测区域的教育数据、预测区域的经济数据和预测区域的就业数据。
表1
在表1中,预测区域的人口数据、预测区域的教育数据、预测区域的经济数据和预测区域的就业数据中的每种数据还可以包含多种(个)数据,下面结合表2对预测区域的人口数据、预测区域的教育数据、预测区域的经济数据和预测区域的就业数据具体包含的数据进行详细描述。
如表2所示,预测区域的人口数据包括预测区域的以下数据:户籍数据、常住人口数量、迁入人口数量、迁出人口数量以及流动人口数量。其中,预测区域的户籍数据可以是预测区域的户籍人口数量。
如表2所示,预测区域的教育数据还可以包括预测区域的以下数据:适龄入学儿童数量、适龄儿童学位占用情况、学校在校人数、适龄儿童父母受教育情况、重点学校升学率。其中,预测区域的适龄入学儿童数量可以包括预测区域的幼儿园、小学、初中和高中适龄入学儿童数量。
如表2所示,预测区域的经济数据还可以包括预测区域的以下数据:国内生产总值(gross domestic product,GDP)增速、房价走势、收入水平、本地各行业历年产值增加情况、住宅平均租金和大型社区建成数据。其中,预测区域的大型社区建成数据可以是指预测区域内的大型社区的建成的数量,居住的人口数量等等。
如表2所示,预测区域的就业数据还可以包括预测区域的以下数据:就业率、失业率、不同行业历年从业人数、适龄儿童父母工作情况以及社保缴纳情况。上述社保缴纳情况可以包括社保初始缴纳时间、社保缴纳持续时间,社保缴纳中断情况等等。
表2
应理解,除了表1和表2所示的参数和数据之外,预测区域的学位资源参数还可以包括其他任何与学位资源需求有关的参数或者数据。
1002、根据预设的学位资源预测模型对所述预测区域的学位资源预测参数进行处理,得到所述预测区域的学位资源需求预测信息。
其中,上述步骤1002中的学位资源预测模型是根据训练样本和训练样本的标签数据训练得到的,其中,训练样本包括预测区域的历史学位资源预测参数,训练样本的标签数据为预测区域的历史学位资源预测参数对应的学位资源真实需求信息。
应当理解的是,上述训练样本以及上述训练样本的标签数据是匹配的,上述历史学位资源预测参数,以及历史学位资源预测参数对应的学位资源真实需求信息可以是预测区域在相同时间内对应的参数或者信息。
具体地,上述历史学位资源预测参数可以包括预测区域在之前的五年时间内每年的学位资源预测参数,以及预测区域在之前的五年时间内每年的学位资源真实需求数量。其中,预测区域在某一年(例如,第一年)的学位资源预测参数与预测区域在同一年的学位资源真实需求数据相对应。
例如,上述历史学位资源预测参数可以包括预测区域在2014-2018年之间的每年的学位资源预测参数,以及预测区域在2014-2018年每年的学位资源真实需求数量,其中,预测区域在2014年的学位资源预测参数与预测区域在2014年的学位资源真实需求数据相对应(预测区域的学位资源预测参数和预测区域的学位资源真实需求数据在其他相同年份也是对应的)。
上述学位资源预测模型既可以是回归模型也可以是神经网络模型。当学位资源预测参数较为简单时(例如,学位资源预测参数包含的参数种类较少),可以采用回归(方程)模型来确定学位资源需求预测信息,而当学位资源参数较为复杂时(例如,学位资源预测参数包含的参数种类较多),可以采用神经网络模型来确定学位资源需求预测信息。下面分别对这两种类型的模型进行详细说明。
学位资源预测模型为回归模型:
当上述学位资源预测模型为回归模型时,可以根据训练样本和训练样本的标签数据(学位资源实际需求信息)来确定回归模型中的回归方程的回归系数。具体地,可以先为回归模型的回归系数设置初始值,然后将历史学位资源预测参数代入到回归模型时,并不断调整回归模型的回归系数,使得回归方程输出的学位资源需求预测信息与学位资源实际需求信息之前的差值满足一定的条件(例如,回归方程输出的学位资源需求预测信息与学位资源实际需求信息之前的差值小于一定的阈值),此时得到的回归系数就是回归模型最终的回归系数。
本申请中,当学位资源预测模型为回归模型时,由于回归模型的计算相对比较简单,因此,训练得到回归模型的过程相对比较简单,能够根据回归模型和学位资源预测参数来快速确定学位资源需求预测信息,减少计算开销。
学位资源预测模型为神经网络模型:
当上述预测模型为神经网络模型时,为了得到该神经网络模型,可以向神经网络模型中输入历史学位资源预测参数对神经网络模型进行训练,使得神经网络模型输出的学位资源需求预测信息与学位资源实际需求信息接近,并将神经网络模型输出的学位资源需求预测信息与学位资源实际需求信息之间的差值满足一定要求(例如,差值小于一定的阈值)时的神经网络模型作为最终训练得到的神经网络模型。
本申请中,当预测模型为神经网络模型时,由于神经网络模型的学习能力较强,因此,采用神经网络模型能够更为准确地确定学位资源需求预测信息。
上述预测区域的学位资源需求预测信息可以具体包括预测区域未来某段时间需要的学位资源数量。具体而言,预测区域的学位资源需求预测信息可以包括预测区域某一年或者某半年需要的学位资源的数量。例如,预测区域的学位资源需求预测信息可以包括预测区域在2019年下半年需要的学位资源的数量。
上述学位资源的数量具体可以是指学位数量。
1003、呈现预测区域的学位资源需求预测信息。
上述预测区域的学位资源需求预测信息具体可以是预测区域的学位需求数量。
在上述步骤1003中,具体可以通过显示器显示预测区域的学位资源需求预测信息。这里的显示器可以是是液晶显示器、大屏显示器等各种可用的显示器。
上述显示器可以通过柱状图、饼图、折线图、散点图、气泡图以及雷达图等方式来形象的显示学位资源的需求预测信息。例如,可以通过显示器显示的柱状图来表示预测区域需求的学位资源需求的数量。当然,也可以通过显示器直接显示预测区域的学位需求数量。
上述学位资源需求预测信息具体可以是预测区域某段时间(例如,半年,一年)的学位需求数量。
上述学位资源需求预测信息具体还可以是预测区域的各个教育阶段的学位需求数量(例如,幼儿园学位需求数量、小学学位需求数量,初中学位需求数量等)。
本申请中,通过训练得到的学位资源预测模型可以得到较为准确地反映预测区域的学位资源预测参数与预测区域的学位资源需求信息之间的对应关系的学位资源预测模型,后续再根据该学位资源预测模型对包含多种类型参数的预测区域的学位资源预测参数进行处理,能够较好地预测出预测区域的学位资源需求信息。
由于预测区域的学位资源需求预测信息可能与预测区域的学位资源实际提供信息可能不匹配,也就是预测区域实际能够提供的学位资源数量与预测区域的需要的学位资源数量不匹配,因此,可以获取预测区域的学位资源实际提供信息,以更好地对学位资源的需求情况进行评估。
如图3所示,本申请实施例的学位资源预测方法还包括以下步骤:
1004、获取预测区域的学位资源实际提供信息;
1005、根据预测区域的学位资源实际提供信息和预测区域的学位资源需求预测信息,以及预测区域的入学政策信息,生成预测区域的用户画像。
其中,上述预测区域的学位资源实际提供信息用于指示预测区域实际能够提供的学位资源(数量)。上述预测区域的学位资源实际提供信息可以根据预测区域的学校数量,每个学校每年或者每半年能够提供的学位数量来确定。
应理解,用户画像是真实用户的虚拟代表,是建立在一系列真实数据之上的目标用户模型,用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。根据用户画像能够更形象的展示出特定用户的特点。
上述预测区域的用户画像包括满足预测区域入学政策的人员的用户画像,该预测区域的用户画像包括户籍信息、社保信息、受教育信息和住房信息中的至少一个。
本申请中,通过预测区域的用户画像能够较为灵活方便地显示出满足预测区域的入学政策或者入学条件的适龄儿童的相关信息,便于预测区域内的用户确认是否有相应的入学资格。
上述步骤1001至1006中,步骤1004发生在1005之前即可,本申请对步骤1004与步骤1001至1003的发生的前后顺序不做限定,步骤1004既可以发生在步骤1001至步骤1003中的任意一个步骤之前,也可以发生在步骤1001至步骤1003中的任意一个步骤之后。
另外,在上述步骤1004中,可以通过多种方式获取预测区域的学位资源实际提供信息。例如,可以根据预测区域内的学校数量,以及每个学校能够提供的学位数量来确定预测区域的学位资源实际提供数量,当然,也可以从教育资源平台中直接获取预测区域的学位资源实际提供信息。
可选地,上述获取预测区域的学位资源实际提供信息,包括:从教育资源平台获取预测区域的学位资源实际提供信息。
具体地,可以从教育资源平台的数据库中或者教育平台的存储单元中获取预测区域的学位资源实际提供信息。
上述步骤1005中生成的预测区域的用户画像除了可以包含满足预测区域入学政策的人员的用户画像之外,还可以包含不满足预测区域入学政策的人员的用户画像。
通过预测区域的用户画像还可以较为方便的显示不满足预测区域的入学政策或者入学条件的适龄儿童的相关信息,便于预测区域的用户确认是否有相应的入学资格,当不具备预测区域的入学资格时能够及时采用其他措施。
应理解,上述预测区域的用户画像既可以只包括满足预测区域入学政策的人员的用户画像,也可以只包括不满足预测区域入学政策的人员的用户画像,也可以既包括满足预测区域入学政策的人员的用户画像又包括不满足预测区域入学政策的人员的用户画像。
本申请中,在获取到预测区域的学位资源需求预测信息和预测区域的学位资源实际提供信息之后,可以对学位资源进行相应的调配的调整,以提高学位资源的利用率,满足用户的学位需求。
如图4所示,本申请实施例的学位资源预测方法还包括:
1006、根据预测区域的学位资源实际提供信息、学位资源需求预测信息以及预测区域的用户画像,生成预测区域的学位资源调配信息。
其中,上述预测区域的学位资源调配信息包括预测区域需要调配的学位资源数量。
本申请中,通过生成预测区域的学位资源调配信息,便于在预测区域的学位资源不足或者过多时,与预测区域之外的其他区域之间进行学位资源的调配。
一般来说,预测区域能够实际提供的学位资源的数量与预测区域需求的学位资源数量是不太匹配的,这时通过生成预测区域的学位资源的学位资源调配信息,能够提高学位资源的利用效率。其中,预测区域能够实际提供的学位资源的数量可以根据预测区域的学位资源实际提供信息来确定,预测区域需求的学位资源数量可以根据预测区域的学位资源需求预测信息来确定。
当预测区域实际能够提供的学位资源的数量与预测区域需求的学位资源数量的大小关系不同时,预测区域的学位资源调配信息具体包含的数据或者信息不太相同。
当预测区域实际能够提供的学位资源的数量小于预测区域需求的学位资源数量时,预测区域的学位资源调配信息可以包括预测区域的学位资源的缺口数量,进一步的,该预测区域的学位资源调配信息还可以包括预测区域中需要调配到其他区域入学的人员。
其中,上述需要调配到其他区域入学的人员的用户画像为不满足预测区域入学政策的人员的用户画像。
本申请中,当上述预测区域的学位资源调配信息包括学位资源缺口数量以及预测区域中需要调配到其他区域入学的人员时,能够较为方便的显示需要调度的人员的信息,便于后续进行学位资源的调配。
当预测区域实际能够提供的学位资源的数量大于预测区域需求的学位资源数量时,预测区域的学位资源调配信息可以包括预测区域的学位资源的多余数量,进一步的,该预测区域的学位资源调配信息还可以包括其他区域中需要调配到预测区域入学的人员。
其中,上述其他区域中需要调配到预测区域入学的人员的用户画像为其他区域中满足预测区域入学政策的人员的用户画像。
当预测区域的学位资源调配信息包括学位资源的多余数量时,能够灵活显示预测区域多余的学位资源数量,便于后续进行学位资源的调配。
进一步的,当该预测区域的学位资源调配信息还可以包括其他区域中需要调配到预测区域入学的人员时,能够较为方便地显示其他区域中可以调度到预测区域的人员信息,便于后续进行学位资源的调配。
如图5所示,本申请实施例的学位资源预测方法还包括:
1007、呈现预测区域的学位资源调配信息。
本申请中,通过呈现预测区域的学位资源调配信息,能够直观的显示出预测区域的学位资源的缺口数量或者多余数量,便于后续进行学位资源的调配。
在上述步骤1001中,可以通过与存储器管理平台之间的交互来获取预测区域的学位资源预测参数。具体地,可以向存储器管理平台发送预测区域的学位资源预测参数请求消息,然后接收存储器管理平台发送的预测区域的学位资源预测参数。下面结合图6对该过程进行详细描述说明。
图6示出了获取预测区域的学位资源预测参数的过程。图6所示的过程包括以下步骤:
2001、学位资源预测平台向存储器管理平台发送学位资源预测参数请求消息;
2002、存储器管理平台根据预测区域的学位资源预测参数请求消息,从存储器中获取预测区域的学位资源预测参数;
2003、存储器管理平台向学位资源预测平台发送预测区域的学位资源预测参数。
其中,上述学位资源预测参数请求消息包括预测区域的区域信息。
一般来说,存储器中可以存储有多个区域的学位资源预测参数,在接收到预测区域的学位资源预测参数请求消息之后,存储器管理平台可以根据该预测区域的学位资源预测参数请求消息从存储器中获取与预测区域匹配的学位资源预测参数。
上述学位资源预测平台与存储器管理平台之间可以通过有线方式或者无线方式进行通信。
在进行学位资源进行预测时,还可以先从预测区域的学位资源预测参数中筛选出预测区域的学位资源关键预测参数,然后根据该预测区域的学位资源关键预测参数确定预测区域的学位资源需求情况。
可选地,上述步骤1001中从存储器获取预测区域的学位资源预测参数,包括:按照预设的参数提取周期从存储器获取所述预测区域的学位资源预测参数。
本申请中,按照一定的周期从存储器获取预测区域的学位资源预测参数,能够在一定程度上保证预测区域的学位资源预测参数的实时性,进而提高最终得到的预测区域的学位资源需求预测信息的准确性。
上述参数提取周期可以根据经验灵活设置,参数提取周期的设置只要满足学位资源预测参数的及时更新即可。
上述参数提取周期可以是一天、一个星期或者一个月,也可以是小于一天、小于一个星期或者小于一个月的任意一个时间长度。
另外,为了保证预测区域的学位资源预测参数的实时性,还可以在确定预测区域的学位资源需求预测信息之前,先对预测区域的学位资源预测参数进行更新,然后再根据更新后的预测区域的学位资源参数来确定预测区域的学位资源需求预测信息。
可选地,上述步骤1002具体包括以下步骤:
1002a、根据回归方程从预测区域的学位资源预测参数中确定出预测区域的学位资源关键预测参数;
1002b、根据预设的学位资源模型对预测区域的学位资源关键预测参数进行处理,得到预测区域的学位资源需求预测信息。
本申请中,通过回归方程从预测区域的学位资源预测参数中选择出重要性较高的学位资源关键预测参数,并根据该学位资源关键预测参数进行学位资源需求的预测,使得学位资源预测更有针对性,可以进一步提高学位资源需求预测的准确性。
在上述步骤1002a中,可以利用现有的回归方程模型从预测区域的学位资源预测参数中选择出学位资源关键预测参数。
具体地,可以将学位资源预测参数中的每个参数逐个代入到预设的回归方程中,当第i个参数代入后导致第j个参数对学位预测的相关性降低时,将第j个参数从所述学位预测资源参数中剔除,以得到学位资源关键预测参数。
也就是说,在上述过程中,可以将学位资源预测参数中的一个参数先代入到回归方程中,然后再将学位资源预测参数中的其他参数再逐个代入到回归方程中,当后面代入的参数导致前面已经代入的参数与学位预测的相关性降低时,将前面的与学位预测的相关性较低的参数剔除掉,直到将学位资源预测参数代入完毕,回归方程中剩余的参数就是学位资源关键预测参数。
下面结合图7对获取学位资源关键预测参数的过程进行详细说明。
图7是本申请实施例的学位资源预测方法的流程图。图7所示的方法可以由学位资源预测装置或者学位资源预测系统执行,图7所示的方法包括步骤3001至步骤3009,下面对这些步骤进行详细的介绍。
3001、开始。
步骤3001表示开始进行学位资源的预测。
3002、从学位资源预测参数中选择一个参数。
上述学位资源预测参数可以包括预测区域的预测区域的人口数据、预测区域的教育数据、预测区域的经济数据和预测区域的就业数据中的至少一种。也就是说,步骤3002中的学位资源预测参数可以包括表1中的至少一种参数。
上述每种类型的数据还可以包括多个数据,上述每种类型的数据具体包括的数据可以如表2所示。
上述步骤3002中从学位资源预测参数中选择一个参数,相当于是从表2的第2列选择一个具体的参数。
3003、确定该参数与学位资源预测的相关性。
在步骤3003中,可以将该参数代入到预设的回归方程中,以判断该参数与学位资源的相关性的大小。
3004、确定该参数与学位资源的相关性是否大于第一阈值。
在步骤3004中,如果该参数与学位资源的相关性大于第一阈值的话,那么,该参数就与学位资源的相关性较大,可以用于学位资源的预测,执行步骤3006;如果该参数与学位资源的相关性小于第一阈值的话,那么,该参数就与学位资源的相关性较弱,不能用于学位资源的预测,因此,需要执行步骤3005。
3005、丢弃该参数。
步骤3005中,丢弃该参数也就是不将该参数作为学位资源关键预测参数。
3006、将该参数确定为学位资源关键预测参数。
3007、确定该参数是否为最后一个学位资源预测参数。
步骤3007中,要确定当前的参数是否为最后一个学位资源预测参数,如果不是的话就需要重新执行步骤3002,继续从学位资源预测参数中再获取一个新的参数,直到将所有的学位资源参数确定完毕之后再执行步骤3008。
3008、获得学位资源关键预测参数。
上述学位资源关键预测参数就是与学位资源的相关性大于第一阈值的参数的集合,也就是说,上述学位资源预测参数中与学位资源的相关性大于第一阈值的全部参数均可以作为学位资源关键预测参数。
3009、根据学位资源关键预测参数确定预测区域的学位资源需求预测信息。
步骤3009中确定预测区域的学位资源需求预测信息的具体过程可以参见上文中对步骤1002的相关描述,这里不再详细介绍。
下面以学位资源预测模型为回归模型为例,对回归模型的训练过程进行详细说明。
当学位资源预测模型为回归模型时,学位资源预测模型可以用公式(1)表示。
在获取到学位资源预测模型对应的回归方程后,接下来要进行模型训练。在进行模型训练时,可以获取预测区域历年各个学校的报名人数(例如,可以是小学一年级的报名人数),然后计算报名人数的实际值与上述向量公式计算的预测值的差值平方和,并选出差值平方和最小的那组线性回归系数作为回归预测方程的线性回归系数。具体如公式(4)所示:
在求解线性回归系数时,可以将Q分别对b0,b1,..,bp求偏导数,令偏导数为0。经过化简线性回归系数可以得到b0,b1,..,bp必须满足如公式(5)所示的标准方程组:
接下来,按照一般的线性代数求解方程组的办法对上述公式(5)进行求解就可以解出b0,b1,…,bp,从而得到回归方程。
为了根据回归方程更准确确定预测区域的学位资源需求预测信息,在根据历史数据得到回归方程之后,还可以对回归方程进行显著性检测,如果回归方程的显著性满足要求就利用该回归方程确定预测区域的学位资源需求预测信息。如果回归方程的显著性不满足要求的话,则根据预测区域的历史数据重新再对回归方程进行训练,直到获取到显著性满足要求的回归方程。
具体地,可以采用F检验来检验回归方程的显著性,F检验可以采用下面的公式(6)。
值得注意的是,上述逐步回归算法是业界已公开的技术,有现成商用软件支持基于此模型的统计分析和计算。例如,可以采用IBM公司的统计产品与服务解决方案(statistical product and service solutions,SPSS)软件。
本申请中,通过对回归方程进行显著性检测,能够确定回归方程的显著性,并根据显著性满足要求的回归方程来确定预测区域的学位资源需求预测信息,可以得到预测区域更准确的学位资源需求预测信息。
在本申请实施例中,可以通过学位资源预测装置或者学位资源预测系统从存储器管理平台的交互获取预测区域的学位资源预测参数,然后再根据该预测区域的学位资源预测参数确定预测区域的学位资源需求预测信息。为了对本申请实施例中的交互过程有一个更直观的理解,下面结合图8进行说明。
图8是本申请实施例的学位资源预测方法的流程图。图8所示的方法可以由学位资源预测装置或者学位资源预测系统与存储器管理平台共同执行,图8所示的方法包括步骤4001至步骤4005,下面对这些步骤进行简单的介绍。
4001、学位资源预测平台向存储器管理平台发送学位资源预测参数请求消息。
上述学位资源预测参数请求消息包括预测区域的区域信息,该学位资源预测参数请求消息用于从存储器中获取预测区域的学位资源预测参数。
4002、存储器管理平台根据预测区域的学位资源预测参数请求消息,从存储器中获取预测区域的学位资源预测参数。
存储器中一般存储有不同区域的学位资源预测参数,存储器管理平台在接收到学位资源预测参数请求消息之后,能够根据该学位资源预测请求参数从存储器中获取预测区域对应的学位资源预测参数,也就是预测区域的学位资源参数。
4003、存储器管理平台向学位资源预测平台发送预测区域的学位资源预测参数。
上述步骤4001至4003的相关内容已经在介绍上文中步骤2001至2003的内容时进行了详细介绍,为了不必要的重复,这里不再详细描述。
4004、根据预设的学位资源预测模型对所述预测区域的学位资源预测参数进行处理,得到所述预测区域的学位资源需求预测信息。
其中,上述学位资源预测模型是根据训练样本和训练样本的标签数据训练得到的,该训练样本为预测区域的历史学位资源预测参数、训练样本的标签数据为预测区域的历史学位资源预测参数对应的学位资源真实需求信息。
4005、控制显示器呈现预测区域的学位资源需求预测信息。
上述步骤4004和4005的相关内容已经在介绍上文中步骤1002和1003的内容时进行了详细介绍,为了不必要的重复,这里不再详细描述。
上文结合附图对本申请实施例的学位资源预测方法进行了详细的介绍,下面结合附图对执行本申请实施例的学位资源预测装置进行介绍,应理解,下文介绍的学位资源预测装置能够执行本申请实施例的学位资源预测方法的各个步骤,下面在介绍本申请实施例的学位资源的预测装置时适当省略重复的描述。
图9是本申请实施例的学位资源预测装置的示意性框图。图9所示的学位资源预测装置5000也可以称为学位资源预测系统,该装置5000包括获取单元5001、处理单元5002和呈现单元5003。
其中,获取单元5001可以是具有通信功能的模块,通过该获取单元5001能够从存储器(该存储器可以是装置5000之外用于保存不同区域的学位资源预测参数的存储器)获取预测区域的学位资源预测参数。
处理单元5002具体可以由电路、现场可编程门阵列FPGA、特殊应用集成电路ASIC以及通用处理器中的任意一种构成,用于对获取到预测区域的学位资源预测参数进行处理。
呈现单元5003可以是具有显示功能的显示器,用于呈现预测区域的学位资源需求预测信息。
上述获取单元5001相当于图10所示的装置6000中的通信接口6003,处理单元5002相当于图10所示的装置6000中处理器6002。
图10是本申请实施例的学位资源预测装置的示意性框图。图10所示的学位资源预测装置6000(该装置6000具体可以是一种计算机设备)包括存储器6001、处理器6002、通信接口6003以及总线6004。其中,存储器6001、处理器6002、通信接口6003通过总线6004实现彼此之间的通信连接。
存储器6001可以是只读存储器(read only memory,ROM),静态存储设备,动态存储设备或者随机存取存储器(random access memory,RAM)。存储器6001可以存储程序,当存储器6001中存储的程序被处理器6002执行时,处理器6002用于执行本申请实施例的学位资源预测方法的各个步骤。
处理器6002可以采用通用的中央处理器(central processing unit,CPU),微处理器,应用专用集成电路(application specific integrated circuit,ASIC),图形处理器(graphics processing unit,GPU)或者一个或多个集成电路,用于执行相关程序,以实现本申请方法实施例的学位资源预测方法。
处理器6002还可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,本申请的学位资源预测方法的各个步骤可以通过处理器6002中的硬件的集成逻辑电路或者软件形式的指令完成。
上述处理器6002还可以是通用处理器、数字信号处理器(digital signalprocessing,DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmable gatearray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器6001,处理器6002读取存储器6001中的信息,结合其硬件完成本学位资源预测装置中包括的单元所需执行的功能,或者执行本申请方法实施例的学位资源预测方法。
通信接口6003使用例如但不限于收发器一类的收发装置,来实现装置6000与其他设备或通信网络之间的通信。例如,可以通过通信接口6003获取从存储器获取预测区域的学位资源预测参数。
总线6004可包括在装置6000各个部件(例如,存储器6001、处理器6002、通信接口6003)之间传送信息的通路。
另外,上述装置6000还可以包括显示器6005,该显示器6005用于呈现预测区域的学位资源需求预测信息。
应注意,尽管上述装置6000仅仅示出了存储器、处理器、通信接口,但是在具体实现过程中,本领域的技术人员应当理解,装置6000还可以包括实现正常运行所必须的其他器件。同时,根据具体需要,本领域的技术人员应当理解,装置6000还可包括实现其他附加功能的硬件器件。此外,本领域的技术人员应当理解,装置6000也可仅仅包括实现本申请实施例所必须的器件,而不必包括图10中所示的全部器件。
本申请中的学位资源预测装置也可以称为学位资源预测系统,下面结合图11和图12对学位资源预测系统的具体结构和形态进行详细的描述。
图11是本申请实施例的学位资源预测系统的示意图。图11所示的学位资源预测系统7000可以执行本申请实施例的学位资源预测方法的各个步骤。
上述学位资源预测系统7000可基于一个云化的架构实现,学位资源预测系统7000可以分为基础设施7001、业务平台7002和前端业务展示7003这三个层次。下面分别对这三个层级进行详细介绍。
基础设施7001:
基础设施7001主要包括用于提供计算所需的物理环境及所需要的计算、网络、存储等物理资源,以及展示大厅的装修、音响、灯光等控制系统。基础设施7001一般要对接政府的不同委办局的数据源,因此在基础设施7001的架构进行设计时可以考虑为基础设施7001提供与各个数据源的网络连通能力,以及获取数据后的原始数据存储能力功能。
另外,基础设施7001在实现时,既可以是基于云化和虚拟化技术来实现,也可以基于非云化技术实现。
业务平台7002:
业务平台7002主要提供大数据平台。大数据平台一般由大数据基础组件和应用使能服务组件组成。大数据基础组件可以提供并行计算和分布式存储功能,用于数据的存储和计算。大数据基础组件还支持数据接入与治理功能,用于数据接入、清洗、去重、元数据管理等。
应用使能服务组件用于提供面向上层应用的数据服务功能,具体可以包括各种数据库的建设;还包含大数据分析引擎以提供模型建立、模型训练、模型优化、模型应用功能;包含数据实例管理引擎以提供面向学位需求预测应用的数据挖掘、特征分析、学校需求预测。
前端业务展示7003:
前端业务展示7003位于最上层,用于将大数据分析的结果以合适的方式展示出来(具体地,可以将预测区域的学位资源需求预测信息展示出来)。其中可视化展示平台从下层业务平台中获取业务展示所需数据并按照应用使用者所要求的图表格式进行组装;运行监测与感知模块获取那些需要监测、预警类的展示数据进行呈现;决策分析模块获取那些用于洞察、分析、建议类的数据进行展示。展示方式包括但是不限于通过大屏、个人电脑(personal computer,PC)、手机、个人数字助理(personal digital assistant,PAD)等终端设备进行展示。
图12是本申请实施例的学位资源预测系统的示意图。图12所示的学位资源预测系统8000可以执行本申请实施例的学位资源预测方法的各个步骤。
上述学位资源预测系统8000可以相当于上文中的学位资源预测系统7000的具体实现。学位资源预测系统8000也可以分为多个层次,具体地,学位资源预测系统8000包括以下层次:数据接入平台8001、数据治理平台8002、原始库8003、业务库8004、大数据分析平台8005、数据示例管理平台8006和业务可视化呈现平台8007。
下面分别对这些层级的平台进行详细的介绍。
数据接入平台8001:
数据接入平8001负责接入与业务相关的各政府职能部门、互联网、其他公开数据等的原始数据,需要支持各种常用的数据库访问接口或文件传输接口,支持常用的文件与数据格式。数据接入后形成归集库,通常一个接入源形成一个归集库。数据接入平台8001接口的数据源有多种类型。该数据源可以包括上述表1和表2所示的各种类型的数据。
数据治理平台8002:
数据治理平台8002用于将归集库中的数据进行清洗和治理,剔除无效数据、重复数据等,并对数据做归类和整理,确保数据的有效性,形成最终可以使用的数据集。
原始库8003:
经过数据治理平台治理后的数据统一进原始库形成各类库表,在本申请中,原始库8003可以有人口库、教育资源库、宏观经济库、房屋库等。
本申请到的步骤1001中从数据库中获取的预测区域的学位资源预测参数可以来自于原始库8003。
业务库8004:
业务库8004用于支撑上层的业务可视化呈现,业务可视化呈现层所需的所有数据均来自于业务库8004。业务库8004的数据来自于原始库8003和大数据平台。业务库8004根据业务需求从不同的原始库中提取不同的数据形成可以支撑上层业务可视化的数据库表。另外,需要基于大数据建模分析结果而形成的业务数据则来自于大数据平台。
在本申请中,由于是对学位资源进行预测,因此,业务库8004具体可以是业务库为招生学位业务库。
大数据分析平台8005:
大数据分析平台8005主要完成本申请中的学位资源预测模型的建模过程,以及模型后续的优化,以使得预测的结果与真实情况最接近、使得制定教育入学政策的决策建议更客观、准确。
业务可视化呈现层8006:
业务可视化呈现8006实现业务的可视化呈现,呈现终端可以是发光二极管(light-emitting diode,LED)大屏、PC、笔记本、PAD以及智能手机等终端。
业务可视化呈现层8006可以基于业务呈现的需要,从业务库中提取业务数据,并通过可视化图表形式进行业务呈现。例如,业务可视化呈现层8006可以呈现预测区域的学位资源需求预测信息。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (24)
1.一种学位资源预测方法,其特征在于,包括:
从存储器获取预测区域的学位资源预测参数,所述预测区域的学位资源预测参数是所述存储器中保存的与所述预测区域相对应的学位资源预测参数,所述预测区域的学位资源预测参数包括所述预测区域的人口数据、教育数据、经济发展数据和就业数据中的至少一种;
根据预设的学位资源预测模型对所述预测区域的学位资源预测参数进行处理,得到所述预测区域的学位资源需求预测信息,所述学位资源预测模型是根据训练样本和所述训练样本的标签数据训练得到的,所述训练样本为所述预测区域的历史学位资源预测参数、所述训练样本的标签数据为所述预测区域的历史学位资源预测参数对应的学位资源真实需求信息;
呈现所述预测区域的学位资源需求预测信息。
2.如权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述预测区域的学位资源实际提供信息,所述预测区域的学位资源实际提供信息用于指示所述预测区域实际能够提供的学位资源;
根据所述预测区域的学位资源实际提供信息和所述预测区域的学位资源需求预测信息,以及所述预测区域的入学政策信息,生成所述预测区域的用户画像,其中,所述预测区域的用户画像包括满足所述预测区域入学政策的人员的用户画像,所述预测区域的用户画像包括户籍信息、社保信息、受教育信息和住房信息中的至少一个。
3.如权利要求2所述的方法,其特征在于,所述预测区域的用户画像还包括不满足所述预测区域入学政策的人员的用户画像。
4.如权利要求2或3所述的方法,其特征在于,所述方法包括:
根据所述预测区域的学位资源实际提供信息、所述学位资源需求预测信息以及所述预测区域的用户画像,确定所述预测区域的学位资源调配信息,其中,所述预测区域的学位资源调配信息包括所述预测区域需要调配的学位资源数量。
5.如权利要求4所述的方法,其特征在于,所述预测区域的学位资源调配信息包括所述预测区域的学位资源的缺口数量,以及所述预测区域中需要调配到其他区域入学的人员,其中,所述需要调配到其他区域入学的人员的用户画像为不满足所述预测区域入学政策的人员的用户画像。
6.如权利要求4或5所述的方法,其特征在于,所述预测区域的学位资源调配信息包括预测区域的学位资源的多余数量。
7.如权利要求4-6中任一项所述的方法,其特征在于,所述方法还包括:
呈现所述预测区域的学位资源调配信息。
8.如权利要求1-7中任一项所述的方法,其特征在于,所述从存储器获取预测区域的学位资源预测参数包括:
向所述存储器管理平台发送所述预测区域的学位资源预测参数请求消息,所述学位资源预测参数请求消息包括所述预测区域的区域信息;
接收所述存储器管理平台发送的所述预测区域的学位资源预测参数,所述预测区域的学位资源预测参数是所述存储器管理平台根据所述学位资源预测参数请求消息从所述存储器中获取的与所述预测区域匹配的学位资源预测参数。
9.如权利要求1-8中任一项所述的方法,其特征在于,所述根据预设的学位资源预测模型对所述预测区域的学位资源预测参数进行处理,得到所述预测区域的学位资源需求预测信息,包括:
根据回归方程从所述预测区域的学位资源预测参数中确定出所述预测区域的学位资源关键预测参数;
根据预设的学位资源模型对所述预测区域的学位资源关键预测参数进行处理,得到所述预测区域的学位资源需求预测信息。
10.如权利要求1-9中任一项所述的方法,其特征在于,所述学位资源预测模型为回归模型或者神经网络模型。
11.如权利要求1-10中任一项所述的方法,其特征在于,所述从存储器获取预测区域的学位资源预测参数,包括:
按照预设的参数提取周期从所述存储器获取所述预测区域的学位资源预测参数。
12.一种学位资源预测装置,其特征在于,包括:
获取单元,用于从存储器获取预测区域的学位资源预测参数,所述预测区域的学位资源预测参数是所述存储器中保存的与所述预测区域相对应的学位资源预测参数,所述预测区域的学位资源预测参数包括所述预测区域的人口数据、教育数据、经济发展数据和就业数据中的至少一种;
处理单元,用于根据预设的学位资源预测模型对所述预测区域的学位资源预测参数进行处理,得到所述预测区域的学位资源需求预测信息,所述学位资源预测模型是根据训练样本和所述训练样本的标签数据训练得到的,所述训练样本为所述预测区域的历史学位资源预测参数、所述训练样本的标签数据为所述预测区域的历史学位资源预测参数对应的学位资源真实需求信息;
呈现单元,用于呈现所述预测区域的学位资源需求预测信息。
13.如权利要求12所述的装置,其特征在于,所述获取单元还用于:
获取所述预测区域的学位资源实际提供信息,所述预测区域的学位资源实际提供信息用于指示所述预测区域实际能够提供的学位资源;
所述处理单元用于根据所述预测区域的学位资源实际提供信息和所述预测区域的学位资源需求预测信息,以及所述预测区域的入学政策信息,生成所述预测区域的用户画像,其中,所述预测区域的用户画像包括满足所述预测区域入学政策的人员的用户画像,所述预测区域的用户画像包括户籍信息、社保信息、受教育信息和住房信息中的至少一个。
14.如权利要求13所述的装置,其特征在于,所述预测区域的用户画像还包括不满足所述预测区域入学政策的人员的用户画像。
15.如权利要求13或14所述的装置,其特征在于,所述处理单元还用于:
根据所述预测区域的学位资源实际提供信息、所述学位资源需求预测信息以及所述预测区域的用户画像,确定所述预测区域的学位资源调配信息,其中,所述预测区域的学位资源调配信息包括所述预测区域需要调配的学位资源数量。
16.如权利要求15所述的装置,其特征在于,所述预测区域的学位资源调配信息包括所述预测区域的学位资源的缺口数量,以及所述预测区域中需要调配到其他区域入学的人员,其中,所述需要调配到其他区域入学的人员的用户画像为不满足所述预测区域入学政策的人员的用户画像。
17.如权利要求15或16所述的装置,其特征在于,所述预测区域的学位资源调配信息包括预测区域的学位资源的多余数量。
18.如权利要求15-17中任一项所述的装置,其特征在于,所述呈现单元还用于呈现所述预测区域的学位资源调配信息。
19.如权利要求12-18中任一项所述的装置,其特征在于,所述获取单元用于:
向所述存储器管理平台发送所述预测区域的学位资源预测参数请求消息,所述学位资源预测参数请求消息包括所述预测区域的区域信息;
接收所述存储器管理平台发送的所述预测区域的学位资源预测参数,所述预测区域的学位资源预测参数是所述存储器管理平台根据所述学位资源预测参数请求消息从所述存储器中获取的与所述预测区域匹配的学位资源预测参数。
20.如权利要求12-19中任一项所述的装置,其特征在于,所述处理单元用于:
根据回归方程从所述预测区域的学位资源预测参数中确定出所述预测区域的学位资源关键预测参数;
根据预设的学位资源模型对所述预测区域的学位资源关键预测参数进行处理,得到所述预测区域的学位资源需求预测信息。
21.如权利要求12-20中任一项所述的装置,其特征在于,所述学位资源预测模型为回归模型或者神经网络模型。
22.如权利要求12-21中任一项所述的装置,其特征在于,所述获取单元用于按照预设的参数提取周期从所述存储器获取所述预测区域的学位资源预测参数。
23.一种计算机可读存储介质,其特征在于,所述计算机可读介质存储用于设备执行的程序代码,该程序代码包括用于执行如权利要求1-11中任一项所述的方法。
24.一种芯片,其特征在于,所述芯片包括处理器与数据接口,所述处理器通过所述数据接口读取存储器上存储的指令,以执行如权利要求1-11中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910676178.0A CN112308263A (zh) | 2019-07-25 | 2019-07-25 | 学位资源预测方法、装置、存储介质和芯片 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910676178.0A CN112308263A (zh) | 2019-07-25 | 2019-07-25 | 学位资源预测方法、装置、存储介质和芯片 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308263A true CN112308263A (zh) | 2021-02-02 |
Family
ID=74329208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910676178.0A Pending CN112308263A (zh) | 2019-07-25 | 2019-07-25 | 学位资源预测方法、装置、存储介质和芯片 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308263A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925921A (zh) * | 2021-04-21 | 2021-06-08 | 海南大学 | 基于dikw图谱的资源识别方法、相关装置及可读介质 |
CN114169603A (zh) * | 2021-12-04 | 2022-03-11 | 湖北第二师范学院 | 一种基于XGBoost的区域小学入学学位预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109409757A (zh) * | 2018-11-02 | 2019-03-01 | 中电科新型智慧城市研究院有限公司 | 一种基于朴素贝叶斯算法与曲线建模的城区学位压力评估方法 |
CN109829567A (zh) * | 2019-01-02 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于机器学习的学位调控方法、装置和计算机设备 |
-
2019
- 2019-07-25 CN CN201910676178.0A patent/CN112308263A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109409757A (zh) * | 2018-11-02 | 2019-03-01 | 中电科新型智慧城市研究院有限公司 | 一种基于朴素贝叶斯算法与曲线建模的城区学位压力评估方法 |
CN109829567A (zh) * | 2019-01-02 | 2019-05-31 | 平安科技(深圳)有限公司 | 基于机器学习的学位调控方法、装置和计算机设备 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925921A (zh) * | 2021-04-21 | 2021-06-08 | 海南大学 | 基于dikw图谱的资源识别方法、相关装置及可读介质 |
CN112925921B (zh) * | 2021-04-21 | 2022-02-22 | 海南大学 | 基于dikw图谱的资源识别方法、相关装置及可读介质 |
CN114169603A (zh) * | 2021-12-04 | 2022-03-11 | 湖北第二师范学院 | 一种基于XGBoost的区域小学入学学位预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Anthopoulos | Understanding smart cities: A tool for smart government or an industrial trick? | |
Contreras et al. | Assessing post-disaster recovery using sentiment analysis: The case of L’Aquila, Italy | |
Shapiro | Street-level: Google Street View’s abstraction by datafication | |
Weil et al. | Urban digital twin challenges: A systematic review and perspectives for sustainable smart cities | |
Aydinoglu et al. | Implementing a mass valuation application on interoperable land valuation data model designed as an extension of the national GDI | |
Heesen et al. | Blind spots on Achilles’ heel: The limitations of vulnerability and resilience mapping in research | |
Silva et al. | Urban crime occurrences in association with built environment characteristics: An African case with implications for urban design | |
CN112418571A (zh) | 企业环保综合评价的方法和装置 | |
Cui et al. | Deep integration of health information service system and data mining analysis technology | |
Karamanou et al. | Linked open government data to predict and explain house prices: the case of Scottish statistics portal | |
CN112308263A (zh) | 学位资源预测方法、装置、存储介质和芯片 | |
Pala et al. | Spatial enablement to support environmental, demographic, socioeconomics, and health data integration and analysis for big cities: a case study with asthma hospitalizations in new York City | |
Mataloto et al. | Things2people interaction toward energy savings in shared spaces using BIM | |
Hodson et al. | Evaluating social impact of smart city technologies and services: Methods, challenges, future directions | |
Ibrahim et al. | Recognising intrinsic motivation using smartphone trajectories | |
Baktash et al. | Agent-based modelling for tourism research | |
Ghahremanlou et al. | A survey of open data platforms in six UK smart city initiatives | |
Kazeem et al. | Roles of Artificial Intelligence and Machine Learning in Enhancing Construction Processes and Sustainable Communities | |
Pizarro et al. | ABM RoutePlanner: An agent-based model simulation for suggesting preference-based routes in Spain | |
Wan et al. | Constructing the quality measurement model of street space and its application in the Old Town in Wuhan | |
Tække | Algorithmic Differentiation of Society–a Luhmann perspective on the societal impact of digital media | |
Márquez | Internet of Things | |
Shah et al. | An integrated estimation approach to incorporate latent variables through SEM into discrete mode choice models to analyze mode choice attitude of a rider | |
Acedo et al. | Emotive facets of place meet urban analytics | |
Arya et al. | Information and Communication Technology in Migration: A Framework for Applications, Customization, and Research |
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: 20210202 |