CN113343107B - 一种高考志愿推荐方法 - Google Patents

一种高考志愿推荐方法 Download PDF

Info

Publication number
CN113343107B
CN113343107B CN202110740141.7A CN202110740141A CN113343107B CN 113343107 B CN113343107 B CN 113343107B CN 202110740141 A CN202110740141 A CN 202110740141A CN 113343107 B CN113343107 B CN 113343107B
Authority
CN
China
Prior art keywords
ranking
score
admission
vector
year
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.)
Active
Application number
CN202110740141.7A
Other languages
English (en)
Other versions
CN113343107A (zh
Inventor
王鸣晖
张忆
邓蔚
唐静静
李佳辉
杨记军
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.)
Chengdu Zhierzhi Technology Co ltd
Original Assignee
Chengdu Zhierzhi 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 Chengdu Zhierzhi Technology Co ltd filed Critical Chengdu Zhierzhi Technology Co ltd
Priority to CN202110740141.7A priority Critical patent/CN113343107B/zh
Publication of CN113343107A publication Critical patent/CN113343107A/zh
Application granted granted Critical
Publication of CN113343107B publication Critical patent/CN113343107B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种高考志愿推荐方法，包括根据获取的历史录取数据生成各年度录取人数向量和各年度录取考生成绩排名向量；获取目标年度拟填报专业的拟招生人数，标准化各年度录取考生成绩排名向量生成各年度录取考生成绩排名矩阵；生成各年度录取考生成绩排名各中位数向量，对各年度录取考生成绩排名中位数向量段；计算录取平均比例、计算拟招生人数、计算使用本推荐方法的考生预计录取情况以及计算未使用的考生对使用的考生预计录取的影响；计算安全线，输出预计录取结果。本发明可以极大地协助考生填报高考志愿，帮助考生有效的获取同分数考生的志愿填报情况，降低了考生志愿“撞车”风险，更有助于考生选择出更理想的、更符合个人分数的高等院校。

Description

一种高考志愿推荐方法
技术领域
本发明涉及数据处理技术领域，尤其涉及一种高考志愿推荐方法。
背景技术
高考是我国每年最重要的考试，高考过后高考生将会面临的一个关键问题就是高考志愿填报，对于高分学生来说填报志愿不太会是一个比较难以抉择的问题，但是对于大多数高考生来说，如何根据自己考试的分数尽可能的被录取到一个好的学校和好的专业，是目前大多数高考生急需解决的问题。
然而，现在对于高考志愿的填报大多数高考生仍然是听从家里的和别人的意见，或者根据志愿推荐书查阅每个学校往年的招生信息，然后自己选择学校和专业；但是大多数学生对很多学校和相关专业并不是很了解，导致他们选择的学校和专业可能并不是他所考试分数的最好选择，因此，如何根据学生高考分数对其的高考志愿进行推荐，是现阶段需要解决的问题。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种高考志愿推荐方法，解决了目前高考志愿填报存在的问题。
本发明的目的通过以下技术方案来实现：一种高考志愿推荐方法，所述推荐方法包括：
根据获取的某地历史录取数据生成各年度录取人数向量和各年度录取考生成绩排名向量；
获取目标年度拟填报专业的拟招生人数，标准化各年度录取考生成绩排名向量生成各年度录取考生成绩排名矩阵；
生成各年度录取考生成绩排名各中位数向量，对各年度录取考生成绩排名中位数向量段；
计算各年度成绩排名各段的录取平均比例、计算目标年度成绩排名各段的拟招生人数、计算使用本推荐方法的所有考生预计录取情况以及计算未使用本推荐方法的考生对使用本推荐方法的考生预计录取的影响；
计算目标年度预计录取排名的安全线，输出预计录取结果。
所述根据获取的某地历史录取数据生成各年度录取人数向量和各年度录取考生成绩排名向量包括：
获取拟填报学校拟填报专业各年度在考生所在地区的录取人数，得到录取人数向量(N1,N2,…,Ni,…,Nm)；
将拟填报学校拟填报专业各年度在考生所在地区的录取数据按照高考成绩排名降序排列，得到录取考生成绩排名行向量
Figure SMS_1
Figure SMS_2
所述获取目标年度拟填报专业的拟招生人数，标准化各年度录取考生成绩排名向量生成各年度录取考生成绩排名矩阵包括：
获取拟填报学校拟填报专业在目标年度的拟招生人数L，作为各年度录取考生高考成绩排名向量的标准长度；
将拟填报学校拟填报专业各年度在考生所在地区的录取人数Ni与L作比较，若Ni＝L，则直接将第i个年度录取考生高考成绩排名向量
Figure SMS_3
作为标准化后的向量；
若Ni＜L，则对高考成绩排名向量进行扩展处理，若Ni＞L，则对高考成绩排名向量进行收缩处理；
将标准化的各年度录取考生高考成绩排名的行向量，按照年度升序排列生成各年度录取考生高考成绩排名矩阵
Figure SMS_4
所述生成各年度录取考生成绩排名各中位数向量，对各年度录取考生成绩排名中位数向量段包括：。
对所述高考成绩排名矩阵的各列求中位数，将L个中位数依次排列得到各年度录取考生高考成绩排名中位数向量
Figure SMS_5
将向量B各元素的最小值设置为Min，最大值设置为Max；
计算成绩排名中位数的极差Range＝Max-Min；
把向量B划分为长度相等的M段，得到：
成绩排名第1段区间为：
Figure SMS_6
成绩排名第2段区间为：
Figure SMS_7
成绩排名第l段区间为：
Figure SMS_8
成绩排名第M段区间为：
Figure SMS_9
所述计算各年度成绩排名各段的录取平均比例包括：
获取生成的拟填报学校拟填报专业各年度在考生所在地区的录取人数向量(N1,N2,…,Ni,…,Nm)和生成的各年度录取考生成绩排名向量
Figure SMS_10
根据生成的成绩排名中位数向量B的M段区间范围，分别判断成绩排名
Figure SMS_11
所属区间，计算各段区间的录取人数，得到拟填报学校拟填报专业各年度在考生所在地区各段的录取人数矩阵/>
Figure SMS_12
其中Ril表示第i个年度在成绩排名第l段区间的录取人数；
计算第i个年度在成绩排名第l段区间的录取人数Ril占第i个年度录取人数Ni的比例，设置为pil，得到拟填报学校拟填报专业各年度在考生所在地区各段的录取比例矩阵
Figure SMS_13
对录取比例矩阵的各列求均值，将M个均值依次排列，得到各年度在考生所在地区成绩排名各段的录取平均比例向量
Figure SMS_14
所述计算目标年度成绩排名各段的拟招生人数包括：
根据拟填报学校拟填报专业在目标年度的拟招生人数L，计算成绩排名各段的拟招生人数，得到各段的拟招生人数向量(LT1,LT2,…,LTl,…,LTM)；
计算拟招生人数向量的各元素之和
Figure SMS_15
并根据L和SUM的大小关系，调整成绩排名各段的拟招生人数。
所述计算使用本推荐方法的所有考生预计录取情况包括：
获取各年度录取考生成绩排名中位数向量B各元素的最小值Min、最大值Max，以及获取生成的把向量B划分为M段的各个区间；
对使用本推荐方法的所有考生，按所在地区、拟填报学校、拟填报专业三个指标分组，筛选出与已知某考生的所在地区、拟填报学校、拟填报专业三个指标取值均相同的所有考生；
对满足上述条件的每位考生根据其成绩排名，根据计算出的目标年度成绩排名各段的拟招生人数的基础上，判断其被录取情况；
计算成绩排名各段的预计录取人数，得到各段的预计录取人数向量(K1,K2,…,Kl,…,KM)，Kl表示使用本推荐方法的各段的预计录取人数。
所述计算未使用本推荐方法的考生对使用本推荐方法的考生预计录取的影响包括：
获取各段的拟招生人数向量(LT1,LT2,…,LTl,…,LTM)，其中LTl表示各段的拟招生人数和各段的预计录取人数向量(K1,K2,…,Kl,…,KM)；
从第1段开始，将各段的拟招生人数LTl与使用本推荐方法的各段的预计录取人数Kl作比较；
若LTl＝Kl，说明在第l段的拟招生人数与使用本推荐方法的预计录取人数相等，不作处理；
若LTl＞Kl，说明在第l段的拟招生人数大于使用本推荐方法的预计录取人数，可留给未使用本推荐方法的考生的预计录取人数为LTl-Kl，记为Cl；
若LTl＜Kl，说明在第l段的拟招生人数小于使用本推荐方法的预计录取人数，超出的预计录取人数为Kl-LTl，记为Sl，将这Sl名考生记入第l+1段的预计录取人数；
当M段比较结束后，若存在SM＞0，则该SM名考生均不能被录取。
所述计算目标年度预计录取排名的安全线包括：
获取各年度录取考生成绩排名中位数向量B各元素的最小值Min、最大值Max，拟填报学校拟填报专业在目标年度的拟招生人数L，以及获取第m年考生A所在地区所有考生的成绩排名分布；
计算所有考生中排名位于[Min,Max]区间的人数，记为U；
计算目标年度使用本推荐方法的所有考生中排名位于[Min,Max]区间的人数，记为V；
计算目标年度使用本推荐方法的考生预计比例
Figure SMS_16
记为ratio；
计算目标年度使用本推荐方法的与考生A选择相同拟填报学校拟填报专业的考生人数L×ratio，记为Y，即为安全线位置；
对使用本推荐方法的与考生A选择相同拟填报学校拟填报专业的考生成绩排名进行升序排序，考生A所在排名记为Y′；
若Y′＜Y，输出考生A位于安全线以内；若Y′＞Y，输出考生A位于安全线以外。
所述推荐方法还包括数据预处理步骤，所述数据预处理步骤包括：
获取全国所有学校所有专业所有年度在全国所有地区的历史录取数据，包括各年度各地区高考成绩排名分段、某学校某专业某年度在某地区录取的考生高考成绩以及对应的排名；
对所有历史录取数据按学校、专业、年度、地区四个指标分组，根据考生A所在地区、考生提供的拟填报学校、拟填报专业三个指标的取值，筛选出取值相同的所有年度的历史录取数据；
使用k-means方法对上述历史录取数据进行聚类；
计算上述录取数据中高考成绩最低分所在的类的人数，若该人数小于上述历史录取数据总人数的10％，则从历史录取数据中删除这些最低分数据，不作为后续计算依据。
本发明具有以下优点：一种高考志愿推荐方法，通过考虑高校的招生计划人数，有效的降低了高校扩招或者缩招对实际录取分数线的影响，可给出考生更有参考价值的志愿预测结果；可以极大地协助考生填报高考志愿，帮助考生有效的获取同分数考生的志愿填报情况，降低了考生志愿“撞车”风险，更有助于考生选择出更理想的、更符合个人分数的高等院校。
附图说明
图1为本发明的流程示意图；
图2为本发明的判断考生是否录取以及排名所在位置的算法示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下结合附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的保护范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。下面结合附图对本发明做进一步的描述。
如图1所示，本发明涉及一种高考志愿推荐方法。假设某考生A使用该推荐方法，在已知该考生所在地区、考生高考成绩、高考成绩在所在地区的排名、拟填报学校、拟填报专业、拟招生人数、历史录取数据等信息的条件下，预测该考生能否被录取。该方法具体包括以下内容：
S1、获取历史录取数据、数据预处理。
具体步骤如下：
S11、获取全国所有学校所有专业所有年度在全国所有地区的历史录取数据，包括各年度各地区高考成绩排名分段、某学校某专业某年度在某地区录取的考生高考成绩以及对应的排名；
S12、对所有历史录取数据按学校、专业、年度、地区四个指标分组，根据考生A所在地区、考生提供的拟填报学校、拟填报专业三个指标的取值，筛选出取值相同的所有年度的历史录取数据；
S13、使用k-means方法对上述历史录取数据进行聚类；
S14、计算上述录取数据中高考成绩最低分所在的类的人数，若该人数小于上述历史录取数据总人数的10％，则从历史录取数据中删除这些最低分数据，不作为后续计算依据。
S2、生成各年度录取人数向量。
获取拟填报学校拟填报专业各年度在考生所在地区的录取人数，得到录取人数向量，即：
(N1,N2,…,Ni,…,Nm)
其中Ni表示拟填报学校拟填报专业第i个年度在考生所在地区的录取人数，共有m个年度。
S3、生成各年度录取考生成绩排名向量。
根据步骤S1的数据预处理结果，将拟填报学校拟填报专业各年度在考生所在地区的录取数据按高考成绩排名降序排列，得到录取考生成绩排名行向量，即
Figure SMS_17
Figure SMS_18
其中aij表示拟填报学校拟填报专业第i个年度在考生所在地区的录取考生中高考成绩倒数第j个考生的高考成绩在该地区的排名，第i个年度录取考生人数为Ni人。
S4、获取目标年度拟填报专业的拟招生人数。
获取拟填报学校拟填报专业在目标年度的拟招生人数，记为L，作为上述各年度录取考生高考成绩排名向量的标准长度，即经过标准化后的各年度录取考生高考成绩排名向量均含有L个元素。
S5、标准化各年度录取考生成绩排名向量。
将拟填报学校拟填报专业各年度在考生所在地区的录取人数Ni与L作比较，有以下三种结果：
S21、若Ni＝L，则直接将第i个年度录取考生高考成绩排名向量
Figure SMS_19
作为标准化后的向量；
S22、若Ni＜L，说明第i个年度录取人数小于目标年度拟招生人数，按以下方法对高考成绩排名向量进行扩展：
S221、求Ni和L的最小公倍数，记为LCM；
S222、将向量
Figure SMS_20
的每个元素按顺序扩展为k1个，其中
Figure SMS_21
即：
Figure SMS_22
S223、将上述向量的所有元素分割为L段，每段含有k2个元素，其中
Figure SMS_23
即：
Figure SMS_24
S224、对每段的k2个元素求均值，作为标准化向量的L个元素，即：
(ai1′,ai2′,…,aij′,…,aiL′)
S23、若Ni＞L，说明第i个年度录取人数大于目标年度拟招生人数，按以下方法对高考成绩排名向量进行收缩：
S231、求Ni和L的最小公倍数，记为LCM；
S232、将向量
Figure SMS_25
的每个元素按顺序扩展为k2个，其中
Figure SMS_26
即：
Figure SMS_27
S233、将上述向量的所有元素分割为L段，每段含有k1个元素，其中
Figure SMS_28
即：
Figure SMS_29
S234、对每段的k1个元素求均值，作为标准化向量的L个元素，即：
(ai1′,ai2′,…,aij′,…,aiL′)
S6、生成各年度录取考生成绩排名矩阵。
将上述标准化的各年度录取考生高考成绩排名的行向量，按年度升序排列，生成各年度录取考生高考成绩排名矩阵，即：
Figure SMS_30
其中，第i行为第i个年度录取考生高考成绩排名行向量，aij表示拟填报学校拟填报专业第i个年度在考生所在地区的录取考生中高考成绩倒数第j个考生的高考成绩在该地区的排名，共m个年度，每个行向量均有L个元素。
S7、生成各年度录取考生成绩排名中位数向量。
对上述矩阵的各列求中位数，将L个中位数依次排列，得到各年度录取考生高考成绩排名中位数向量，记为B，即：
Figure SMS_31
其中
Figure SMS_32
是a1j′,…,aij′,…,amj′的中位数，表示拟填报学校拟填报专业各年度在考生所在地区的录取考生中高考成绩倒数第j个考生的高考成绩在该地区排名的中位数。
S8、对各年度录取考生成绩排名中位数向量分段。
把各年度录取考生高考成绩排名中位数向量B划分为长度相等的M段，具体方法如下：
S31、令向量B各元素的最小值为Min，最大值为Max；
S32、计算成绩排名中位数的极差Range＝Max-Min；
S33、把向量B划分为长度相等的M段：
成绩排名第1段区间为：
Figure SMS_33
成绩排名第2段区间为：
Figure SMS_34
成绩排名第l段区间为：
Figure SMS_35
成绩排名第M段区间为：
Figure SMS_36
第1段区间表示录取考生中成绩最高、排名最小的考生所在位置；第M段区间表示录取考生中成绩最低、排名最大的考生所在位置。
S9、计算各年度成绩排名各段的录取平均比例。
具体方法如下：
S41、取步骤S2生成的拟填报学校拟填报专业各年度在考生所在地区的录取人数向量(N1,N2,…,Ni,…,Nm)，其中Ni表示拟填报学校拟填报专业第i个年度在考生所在地区的录取人数；
S42、取步骤S3生成的各年度录取考生成绩排名向量
Figure SMS_37
其中aij表示拟填报学校拟填报专业第i个年度在考生所在地区的录取考生中高考成绩倒数第j个考生的高考成绩在该地区的排名；
S43、根据步骤S33生成的成绩排名中位数向量的M段区间范围，分别判断成绩排名
Figure SMS_38
所属区间，计算各段区间的录取人数，得到拟填报学校拟填报专业各年度在考生所在地区各段的录取人数矩阵，即：
Figure SMS_39
其中Ril表示第i个年度在成绩排名第l段区间的录取人数；
S44、计算第i个年度在成绩排名第l段区间的录取人数Ril占第i个年度录取人数Ni的比例，记为pil，得到拟填报学校拟填报专业各年度在考生所在地区各段的录取比例矩阵，即：
Figure SMS_40
其中
Figure SMS_41
表示第i个年度在成绩排名第l段区间的录取人数占第i个年度录取人数的比例；
S45、对上述矩阵的各列求均值，将M个均值依次排列，得到各年度在考生所在地区成绩排名各段的录取平均比例向量，即：
Figure SMS_42
其中
Figure SMS_43
是p1l,…,pil,…,pml的均值，表示拟填报学校拟填报专业各年度在考生所在地区第l段区间的录取平均比例。
S10、计算目标年度成绩排名各段的拟招生人数。
具体方法如下：
S51、取步骤S4获得的拟填报学校拟填报专业在目标年度的拟招生人数L；
S52、计算成绩排名各段的拟招生人数，得到各段的拟招生人数向量，即：
(LT1,LT2,…,LTl,…,LTM)
其中
Figure SMS_44
表示各段的拟招生人数；
S53、计算上述向量的各元素之和，记为SUM，即
Figure SMS_45
S54、根据L和SUM的大小关系，调整成绩排名各段的拟招生人数。
具体方法如下：
S541、若L＝SUM，说明目标年度的拟招生人数与成绩排名各段的拟招生人数之和相等，不作处理；
S542、若L＞SUM，说明目标年度的拟招生人数大于成绩排名各段的拟招生人数之和，应增加第1段的拟招生人数，计算
Figure SMS_46
用LT1′更新LT1；
S543、若L＜SUM，说明目标年度的拟招生人数小于成绩排名各段的拟招生人数之和，应减小第M段的拟招生人数，计算
Figure SMS_47
用LTM′更新LTM；
S544、经上述处理后，最终得到各段的拟招生人数向量，即：
(LT1,LT2,…,LTl,…,LTM)
其中LTl表示各段的拟招生人数，且
Figure SMS_48
S11、计算使用本高考志愿推荐方法的所有考生预计录取情况。
具体方法如下：
S61、取步骤S31获得的各年度录取考生成绩排名中位数向量B各元素的最小值Min、最大值Max；
S62、取步骤S33生成的把向量B划分为M段的各个区间；
S63、对使用本高考志愿推荐方法的所有考生，按所在地区、拟填报学校、拟填报专业三个指标分组；
S64、筛选出与已知的某考生A的所在地区、拟填报学校、拟填报专业三个指标取值均相同的所有考生；
S65、对满足上述条件的每位考生，根据其成绩排名，在步骤S10计算出的目标年度成绩排名各段的拟招生人数的基础上，判断其被录取情况。
设上述第t位考生的成绩在该地区排名为Rankt，算法流程图如图2所示。
若考生成绩排名不满足录取条件，输出不能被录取；若考生成绩排名满足录取条件，输出其排名所在的具体分段位置。
S66、计算成绩排名各段的预计录取人数，得到各段的预计录取人数向量，即：
(K1,K2,…,Kl,…,KM)
其中Kl表示在步骤S63中判断的各段的预计录取人数。
S12、计算未使用本高考志愿推荐方法的考生对使用本高考志愿推荐方法的考生预计录取的影响。
具体方法如下：
S71、取步骤S544获得的各段的拟招生人数向量(LT1,LT2,…,LTl,…,LTM)，其中LTl表示各段的拟招生人数；
S72、取步骤S64获得的各段的预计录取人数向量(K1,K2,…,Kl,…,KM)，其中Kl表示使用本推荐方法的各段的预计录取人数；
S73、从第1段起，将各段的拟招生人数LTl与使用本推荐方法的各段的预计录取人数Kl作比较，有以下三种结果：
S731、若LTl＝Kl，说明在第l段的拟招生人数与使用本推荐方法的预计录取人数相等，不作处理；
S732、若LTl＞Kl，说明在第l段的拟招生人数大于使用本推荐方法的预计录取人数，可留给未使用本推荐方法的考生的预计录取人数为LTl-Kl，记为Cl；
S733、若LTl＜Kl，说明在第l段的拟招生人数小于使用本推荐方法的预计录取人数，超出的预计录取人数为Kl-LTl，记为Sl。将这Sl名考生记入第l+1段的预计录取人数。
S734、当M段比较结束后，若存在SM＞0，则该SM名考生均不能被录取。
S13、计算目标年度预计录取排名的安全线。
具体方法如下：
S81、取步骤S31获得的各年度录取考生成绩排名中位数向量B各元素的最小值Min、最大值Max；
S82、取步骤S4获得的拟填报学校拟填报专业在目标年度的拟招生人数L；
S82、取第m年(即目标年度的前一年)考生A所在地区所有考生的成绩排名分布；
S83、计算上述所有考生中排名位于[Min,Max]区间的人数，记为U；
S84、计算目标年度使用本推荐方法的所有考生中排名位于[Min,Max]区间的人数，记为V；
S85、计算目标年度使用本推荐方法的考生预计比例
Figure SMS_49
记为ratio；
S86、计算目标年度使用本推荐方法的与考生A选择相同拟填报学校拟填报专业的考生人数L×ratio，记为Y，即为安全线位置；
S87、对使用本推荐方法的与考生A选择相同拟填报学校拟填报专业的考生成绩排名进行升序排序，考生A所在排名记为Y′；
S88、若Y′＜Y，输出考生A位于安全线以内；若Y′＞Y，输出考生A位于安全线以外。
S14、输出考生A预计录取结果，包括考生A能否被录取、能被录取的情况下排名所在的分段位置、使用本推荐方法的与考生A选择相同的拟填报学校拟填报专业的考生人数、排名高于考生A的考生人数、考生A排名所在的安全线位置。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (7)

1.一种高考志愿推荐方法，其特征在于：所述推荐方法包括：
根据获取的某地历史录取数据生成各年度录取人数向量和各年度录取考生成绩排名向量；具体地，获取拟填报学校拟填报专业各年度在考生所在地区的录取人数，得到录取人数向量(N1,N2,…,Ni,…,Nm)，其中Ni表示拟填报学校拟填报专业第i个年度在考生所在地区的录取人数；将拟填报学校拟填报专业各年度在考生所在地区的录取数据按照高考成绩排名降序排列，得到录取考生成绩排名行向量
Figure FDA0004213291600000011
Figure FDA0004213291600000012
其中aij表示拟填报学校拟填报专业第i个年度在考生所在地区的录取考生中高考成绩倒数第j个考生的高考成绩在该地区的排名；
获取目标年度拟填报专业的拟招生人数，标准化各年度录取考生成绩排名向量生成各年度录取考生成绩排名矩阵；具体地，获取拟填报学校拟填报专业在目标年度的拟招生人数L，作为各年度录取考生高考成绩排名向量的标准长度；将拟填报学校拟填报专业各年度在考生所在地区的录取人数Ni与L作比较，若Ni＝L，则直接将第i个年度录取考生高考成绩排名向量
Figure FDA0004213291600000013
作为标准化后的向量；若Ni＜L，则对高考成绩排名向量进行扩展处理，若Ni＞L，则对高考成绩排名向量进行收缩处理；将标准化的各年度录取考生高考成绩排名的行向量，按照年度升序排列生成各年度录取考生高考成绩排名矩阵
Figure FDA0004213291600000014
生成各年度录取考生成绩排名各中位数向量，对各年度录取考生成绩排名中位数向量段；具体地，对所述高考成绩排名矩阵的各列求中位数，将L个中位数依次排列得到各年度录取考生高考成绩排名中位数向量
Figure FDA0004213291600000015
其中/>
Figure FDA0004213291600000016
是a1j′,…,aij′,…,amj′的中位数，表示拟填报学校拟填报专业各年度在考生所在地区的录取考生中高考成绩倒数第j个考生的高考成绩在该地区排名的中位数；将向量B各元素的最小值设置为Min，最大值设置为Max；计算成绩排名中位数的极差Range＝Max-Min；把向量B划分为长度相等的M段，得到：成绩排名第1段区间为：/>
Figure FDA0004213291600000017
成绩排名第2段区间为：
Figure FDA0004213291600000021
成绩排名第l段区间为：
Figure FDA0004213291600000022
成绩排名第M段区间为：
Figure FDA0004213291600000023
计算各年度成绩排名各段的录取平均比例、计算目标年度成绩排名各段的拟招生人数、计算使用本推荐方法的所有考生预计录取情况以及计算未使用本推荐方法的考生对使用本推荐方法的考生预计录取的影响；
计算目标年度预计录取排名的安全线，输出预计录取结果。
2.根据权利要求1所述的一种高考志愿推荐方法，其特征在于：所述计算各年度成绩排名各段的录取平均比例包括：
获取生成的拟填报学校拟填报专业各年度在考生所在地区的录取人数向量(N1,N2,…,Ni,…,Nm)和生成的各年度录取考生成绩排名向量
Figure FDA0004213291600000024
根据生成的成绩排名中位数向量B的M段区间范围，分别判断成绩排名ai1,ai2,…,aij,…,
Figure FDA0004213291600000025
所属区间，计算各段区间的录取人数，得到拟填报学校拟填报专业各年度在考生所在地区各段的录取人数矩阵/>
Figure FDA0004213291600000026
其中Ril表示第i个年度在成绩排名第l段区间的录取人数；
计算第i个年度在成绩排名第l段区间的录取人数Ril占第i个年度录取人数Ni的比例，设置为pil，得到拟填报学校拟填报专业各年度在考生所在地区各段的录取比例矩阵
Figure FDA0004213291600000027
对录取比例矩阵的各列求均值，将M个均值依次排列，得到各年度在考生所在地区成绩排名各段的录取平均比例向量
Figure FDA0004213291600000028
其中/>
Figure FDA0004213291600000029
是p1l,…,pil,…,pml的均值，即
Figure FDA00042132916000000210
表示拟填报学校拟填报专业各年度在考生所在地区第l段区间的录取平均比例。
3.根据权利要求2所述的一种高考志愿推荐方法，其特征在于：所述计算目标年度成绩排名各段的拟招生人数包括：
根据拟填报学校拟填报专业在目标年度的拟招生人数L，计算成绩排名各段的拟招生人数，得到各段的拟招生人数向量(LT1,LT2,…,LTl,…,LTM)，其中LTl表示各段的拟招生人数；
计算拟招生人数向量的各元素之和
Figure FDA0004213291600000031
并根据L和SUM的大小关系，调整成绩排名各段的拟招生人数。
4.根据权利要求3所述的一种高考志愿推荐方法，其特征在于：所述计算使用本推荐方法的所有考生预计录取情况包括：
获取各年度录取考生成绩排名中位数向量B各元素的最小值Min、最大值Max，以及获取生成的把向量B划分为M段的各个区间；
对使用本推荐方法的所有考生，按所在地区、拟填报学校、拟填报专业三个指标分组，筛选出与已知某考生的所在地区、拟填报学校、拟填报专业三个指标取值均相同的所有考生；
对满足上述条件的每位考生根据其成绩排名，根据计算出的目标年度成绩排名各段的拟招生人数的基础上，判断其被录取情况；
计算成绩排名各段的预计录取人数，得到各段的预计录取人数向量(K1,K2,…,Kl,…,KM)，Kl表示使用本推荐方法的各段的预计录取人数。
5.根据权利要求4所述的一种高考志愿推荐方法，其特征在于：所述计算未使用本推荐方法的考生对使用本推荐方法的考生预计录取的影响包括：
获取各段的拟招生人数向量(LT1,LT2,…,LTl,…,LTM)，获取各段的预计录取人数向量(K1,K2,…,Kl,…,KM)；
从第1段开始，将各段的拟招生人数LTl与使用本推荐方法的各段的预计录取人数Kl作比较；
若LTl＝Kl，说明在第l段的拟招生人数与使用本推荐方法的预计录取人数相等，不作处理；
若LTl＞Kl，说明在第l段的拟招生人数大于使用本推荐方法的预计录取人数，可留给未使用本推荐方法的考生的预计录取人数为LTl-Kl，记为Cl；
若LTl＜Kl，说明在第l段的拟招生人数小于使用本推荐方法的预计录取人数，超出的预计录取人数为Kl-LTl，记为Sl，将这Sl名考生记入第l+1段的预计录取人数；
当M段比较结束后，若存在SM＞0，则该SM名考生均不能被录取。
6.根据权利要求5所述的一种高考志愿推荐方法，其特征在于：所述计算目标年度预计录取排名的安全线包括：
获取各年度录取考生成绩排名中位数向量B各元素的最小值Min、最大值Max，拟填报学校拟填报专业在目标年度的拟招生人数L，以及获取第m年考生A所在地区所有考生的成绩排名分布；
计算所有考生中排名位于[Min,Max]区间的人数，记为U；
计算目标年度使用本推荐方法的所有考生中排名位于[Min,Max]区间的人数，记为V；
计算目标年度使用本推荐方法的考生预计比例
Figure FDA0004213291600000041
记为ratio；
计算目标年度使用本推荐方法的与考生A选择相同拟填报学校拟填报专业的考生人数L×ratio，记为Y，即为安全线位置；
对使用本推荐方法的与考生A选择相同拟填报学校拟填报专业的考生成绩排名进行升序排序，考生A所在排名记为Y′；
若Y′＜Y，输出考生A位于安全线以内；若Y′＞Y，输出考生A位于安全线以外。
7.根据权利要求1-6中任意一项所述的一种高考志愿推荐方法，其特征在于：所述推荐方法还包括数据预处理步骤，所述数据预处理步骤包括：
获取全国所有学校所有专业所有年度在全国所有地区的历史录取数据，包括各年度各地区高考成绩排名分段、某学校某专业某年度在某地区录取的考生高考成绩以及对应的排名；
对所有历史录取数据按学校、专业、年度、地区四个指标分组，根据考生A所在地区、考生提供的拟填报学校、拟填报专业三个指标的取值，筛选出取值相同的所有年度的历史录取数据；
使用k-means方法对上述历史录取数据进行聚类；
计算上述录取数据中高考成绩最低分所在的类的人数，若该人数小于上述历史录取数据总人数的10％，则从历史录取数据中删除这些最低分数据，不作为后续计算依据。
CN202110740141.7A 2021-07-01 2021-07-01 一种高考志愿推荐方法 Active CN113343107B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110740141.7A CN113343107B (zh) 2021-07-01 2021-07-01 一种高考志愿推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110740141.7A CN113343107B (zh) 2021-07-01 2021-07-01 一种高考志愿推荐方法

Publications (2)

Publication Number Publication Date
CN113343107A CN113343107A (zh) 2021-09-03
CN113343107B true CN113343107B (zh) 2023-06-27

Family

ID=77481829

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110740141.7A Active CN113343107B (zh) 2021-07-01 2021-07-01 一种高考志愿推荐方法

Country Status (1)

Country Link
CN (1) CN113343107B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114490614B (zh) * 2022-02-09 2022-10-18 武汉颂大教育技术有限公司 一种基于深度学习的招考志愿推荐方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012203663A (ja) * 2011-03-25 2012-10-22 Nippon Telegraph & Telephone West Corp 推薦手法の評価方法
CN107038665A (zh) * 2017-04-21 2017-08-11 西安电子科技大学 一种输出录取概率的方法、推荐志愿高校的方法及装置
CN112825086A (zh) * 2019-11-20 2021-05-21 黄刚 一种江苏地区考生的专业组推荐及高考志愿模拟填报方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105956968A (zh) * 2016-05-26 2016-09-21 程欧亚 一种高考志愿人工智能填报系统及方法
US11062411B2 (en) * 2017-09-30 2021-07-13 Oracle International Corporation Student retention system
CN112070376A (zh) * 2020-08-27 2020-12-11 北京国育未来文化发展有限公司 高考志愿推荐方法、装置、终端及计算机可读存储介质
CN112069407A (zh) * 2020-09-07 2020-12-11 南京松数科技有限公司 一种基于历史数据的考生高考志愿填报推荐系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012203663A (ja) * 2011-03-25 2012-10-22 Nippon Telegraph & Telephone West Corp 推薦手法の評価方法
CN107038665A (zh) * 2017-04-21 2017-08-11 西安电子科技大学 一种输出录取概率的方法、推荐志愿高校的方法及装置
CN112825086A (zh) * 2019-11-20 2021-05-21 黄刚 一种江苏地区考生的专业组推荐及高考志愿模拟填报方法

Also Published As

Publication number Publication date
CN113343107A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
Asif et al. Predicting student academic performance at degree level: a case study
Greenberg et al. Teacher mobility and allocation
Dumont et al. Fish swimming into the ocean: How tracking relates to students’ self-beliefs and school disengagement at the end of schooling.
Hasan et al. Machine learning algorithm for student's performance prediction
Olsen et al. Using multiple linear regression in pharmacy education scholarship
CN108764718B (zh) 基于深度学习算法的高考分数预估及志愿选择方法、系统
CN113343107B (zh) 一种高考志愿推荐方法
Berkhout et al. Compensation for earnings risk under worker heterogeneity
Guarino et al. Comparing and assessing the consequences of two different approaches to measuring school effectiveness
KR102494641B1 (ko) 문항반응이론 및 동등화 기반의 수학학습능력수준 진단 시스템 및 방법
Wilson Predicting levels of first year university performance
CN113256466A (zh) 一种基于人工智能的智慧校园建设体育教学管理方法、系统及计算机存储介质
Johnes The potential effects of wider access to higher education on degree quality
Pozovna et al. Determinants of Leadership in Higher Education in European Countries
Kirk How counseling affects vocational goals
Bove Chapter Measures of interrater agreement when each target is evaluated by a different group of raters
Mattox A study of a means for the early identification of potential college dropouts
Vincenzi et al. Determining effective schools
Kishi Female labour supply in Australia and Japan: The effects of education and qualifications
Bove Measures of interrater agreement when each target is evaluated by a different group of raters
Murillo et al. A methodological proposal to address the academic dropout phenomenon based on an intelligent prediction model: a case study
Rupasingha et al. Student Performance in Higher Educational Institutions: A Comparative Analysis based on Student Activities and Behaviors
Varanasi et al. We need English, but do we need the HSC?
Anderson Study of initial entry student attrition from Defense Language Institute Foreign Language Center
Anum et al. Perception of Economics Education and Social Studies Education Students’ on the Impact of Emotional Intelligence and Critical Thinking in their Course Area

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