CN113487106A - 一种基于人工智能算法的高考志愿填报方法及系统 - Google Patents
一种基于人工智能算法的高考志愿填报方法及系统 Download PDFInfo
- Publication number
- CN113487106A CN113487106A CN202110853156.4A CN202110853156A CN113487106A CN 113487106 A CN113487106 A CN 113487106A CN 202110853156 A CN202110853156 A CN 202110853156A CN 113487106 A CN113487106 A CN 113487106A
- Authority
- CN
- China
- Prior art keywords
- data
- college entrance
- entrance examination
- artificial intelligence
- intelligence algorithm
- 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 58
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 27
- 230000002747 voluntary effect Effects 0.000 title claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000009825 accumulation Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000011161 development Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000002087 whitening effect 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Technology (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种基于人工智能算法的高考志愿填报方法及系统,涉及高考及人工智能领域。一种基于人工智能算法的高考志愿填报方法包括:获取高考数据信息,并对数据进行预处理;对预处理后的高考数据信息进行分析,累计生成分析结果;采用灰色预测模型,根据累计生成分析结果对高考数据信息进行预测,得到预测结果。在得到训练好的灰色预测模型之后,根据未来学校、专业等信息对高考分数线进行预测。此外本发明还提出了一种基于人工智能算法的高考志愿填报系统,包括:预处理模块、累计生成模块以及预测模块。
Description
技术领域
本发明涉及高考及人工智能领域,具体而言,涉及一种基于人工智能算法的高考志愿填报方法及系统。
背景技术
随着国内社会对于青少年教育领域的重视程度及投入逐年提高,学生的志愿报考问题作为在一定意义上决定学生未来发展方向的决定性因素也受到了越来越多的重视。但现有的志愿报考辅助系统多为简单的数据库筛选、排序,并且其数据库多为往年高校专业的分数线、线差等数据,存在原理性的误差,忽略了相关数据的变化趋势,缺乏科学性的体系进行专业选择的指导,进而导致了很多学生高考志愿选择失败,对其未来的大学学习生活及就业产生了极大的不利影响。
随着计算机技术的发展,现在好多公司也研发了高考志愿填报系统。但现有的一些高考填报系统在数据预测这方面只是运用了一些简单的数学原理,因此其预测结果精确度别不理想,这对考生在志愿填报的过程中无形中造成了一些误导。
发明内容
本发明的目的在于提供一种基于人工智能算法的高考志愿填报方法,其能够根据客观事物过去和现在的发展规律,借助科学的方法对未来的发展趋势和形势进行描述和分析,形成科学的假设和判断。将高考相关的数据输入搭建好的人工神经网络中,通过训练人工神经网络输出对应的高考分数线,使得人工神经网络根据相关数据学习各个特征对高考分数线的影响。在得到训练好的灰色预测模型之后,根据未来学校、专业等信息对高考分数线进行预测。
本发明的另一目的在于提供一种基于人工智能算法的高考志愿填报系统,其能够运行一种基于人工智能算法的高考志愿填报方法。
本发明的实施例是这样实现的:
第一方面,本申请实施例提供一种基于人工智能算法的高考志愿填报方法,其包括获取高考数据信息,并对数据进行预处理;对预处理后的高考数据信息进行分析,累计生成分析结果;采用灰色预测模型,根据累计生成分析结果对高考数据信息进行预测,得到预测结果。
在本发明的一些实施例中,上述获取高考数据信息,并对数据进行预处理包括:在数据格式处理当中,将描述性的特征转换成量化表示的特征,将定性特征转换为定量特征,使数据在格式转换之后能在数据集的标准化时表现合理的分布趋势。
在本发明的一些实施例中,上述还包括:将已有的数据按照预设比例缩放,让所有数据的范围在预设区间内,采用数据标准化处理方式,把一组数据映射在预设区间里,通过相互之间的比例表示数据之间的差别,让复杂的表达式计算成为人工神经网络数字信号处理。
在本发明的一些实施例中,上述对预处理后的高考数据信息进行分析,累计生成分析结果包括:通过对序列之间的每次数据进行累加,得到新的数据和序列,累加前的序列为原始序列,累加后的序列为生成序列,将灰色过程由灰变白,看到灰色量积累过程的发展趋势,揭示无序原始数据所包含的整体特征或规律。
在本发明的一些实施例中,上述还包括:通过数据列公式
表示原始数据列的累积生成,灰色系统建立在离散序列上的微分方程是一阶微分方程模型
预测公式通过
获得。
在本发明的一些实施例中,在上述采用灰色预测模型,根据累计生成分析结果对高考数据信息进行预测,得到预测结果之前还包括:通过计算残差进行模型检验,计算残差通过公式
在本发明的一些实施例中,上述采用灰色预测模型,根据累计生成分析结果对高考数据信息进行预测,得到预测结果包括:根据分数线差等于分数线减去省控线对高考数据信息进行预测。
第二方面,本申请实施例提供一种基于人工智能算法的高考志愿填报系统,其包括预处理模块,用于获取高考数据信息,并对数据进行预处理;
累计生成模块,用于对预处理后的高考数据信息进行分析,累计生成分析结果;
预测模块,用于采用灰色预测模型,根据累计生成分析结果对高考数据信息进行预测,得到预测结果。
在本发明的一些实施例中,上述包括:用于存储计算机指令的至少一个存储器;与上述存储器通讯的至少一个处理器,其中当上述至少一个处理器执行上述计算机指令时,上述至少一个处理器使上述系统执行:预处理模块、累计生成模块以及预测模块。
第三方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如一种基于人工智能算法的高考志愿填报方法中任一项的方法。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:
其能够根据客观事物过去和现在的发展规律,借助科学的方法对未来的发展趋势和形势进行描述和分析,形成科学的假设和判断。将高考相关的数据输入搭建好的人工神经网络中,通过训练人工神经网络输出对应的高考分数线,使得人工神经网络根据相关数据学习各个特征对高考分数线的影响。在得到训练好的人工神经网络之后,根据未来学校、专业等信息对高考分数线进行预测。定义了预测模型的性能分析标准,从准确性、全面性、健壮性三个方面定义了描述模型的性能指标,并根据设计的测试标准对预测模型进行检测。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种基于人工智能算法的高考志愿填报方法步骤示意图;
图2为本发明实施例提供的一种基于人工智能算法的高考志愿填报系统模块示意图;
图3为本发明实施例提供的一种电子设备。
图标:10-预处理模块;20-累计生成模块;30-预测模块;101-存储器;102-处理器;103-通信接口。
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的附图,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,以下对在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范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动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。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是,术语“包括”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、方法、物品或者设备不仅包括那些要素,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、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1,图1为本发明实施例提供的一种基于人工智能算法的高考志愿填报方法步骤示意图,其如下所示:
步骤S100,获取高考数据信息,并对数据进行预处理;
在一些实施方式中,在机器学习中,需要使用者将样本的特征输入到网络当中。样本的特征选取是通过数值去重构数据对事物的表达,把原始的数据对象映射到机器能够理解的空间中。虽然高考分数线的高低直接取决于录取到该校或者该专业的考生中的最低分数。但从高考填报、投档的流程来说,影响高考分数线的因素不仅仅只有考生的分数。因此,本实施例主要分析影响高考分数线的因素,对这些因素结合人工神经网络相关知识进行分类、整理。在对高考填报、投档流程中相关的数据信息分析后,可整理得到与高考分数线密切相关的特征数据。人工神经网络在经过训练、学习预制的数据时,能够获得通过样本数据的各个特征变动对神经元的阈值以及权重进行调整。而在人工神经网络学习样本数据之后,需要人工神经网络对其余类似数据具有分析预测能力,而不仅仅是对学习样本数据具有判断能力。因此有时需要在构建人工神经网络的过程中需要进行人为的添加一些噪音,增加人工神经网络复杂度,避免模型泛化能力不足。
通常人工神经网络容易出现过拟合的问题,原因主要是多个特征的数值过于集中,而某几个特征又与最后结果关联度过大。这样会导致模型训练时呈现低维度的分割。一旦机器读取到特征不是非常明显的样本,模型就无从下手。噪声样本会导致模型的复杂度增加,导致模型的训练效率下降,尤其是当数据量较大的时候,复杂的模型通常会导致计算量呈指数形态增加。机器学习中,人工神经网络接收的噪声不能完全没有,但必须考虑机器学习的效率。
在数据格式处理当中,将描述性的特征转换成量化表示的特征,将定性特征转换为定量特征,使数据在格式转换之后能在数据集的标准化时表现合理的分布趋势。
将已有的数据按照预设比例缩放,让所有数据的范围在预设区间内,采用数据标准化处理方式,把一组数据映射在预设区间里,通过相互之间的比例表示数据之间的差别,让复杂的表达式计算成为人工神经网络数字信号处理。
步骤S110,对预处理后的高考数据信息进行分析,累计生成分析结果;
在一些实施方式中,灰色预测模型是通过少量的不完全信息建立数学模型并进行预测的一种预测方法。根据客观事物过去和现在的发展规律,借助科学的方法对未来的发展趋势和形势进行描述和分析,形成科学的假设和判断。灰色生成是对原始数据列中的数据按一定的要求进行处理,称为生成。
累加生成是通过对序列之间的每次数据进行累加,得到新的数据和序列。累加前的序列称为原始序列,累加后的序列称为生成序列。累加生成是一种将灰色过程由灰变白的方法。可以看到灰色量积累过程的发展趋势,揭示无序原始数据所包含的整体特征或规律。
公式表示的数据列,它是原始数据列的累积生成,称为累积生成。灰色系统是建立在离散序列上的微分方程。是一阶微分方程模型:
预测公式是通过许多复杂的过程获得的:
步骤S120,采用灰色预测模型,根据累计生成分析结果对高考数据信息进行预测,得到预测结果。
在一些实施方式中,计算残差
实施例2
请参阅图2,图2为本发明实施例提供的一种基于人工智能算法的高考志愿填报系统模块示意图,其如下所示:
预处理模块10,用于获取高考数据信息,并对数据进行预处理;
累计生成模块20,用于对预处理后的高考数据信息进行分析,累计生成分析结果;
预测模块30,用于采用灰色预测模型,根据累计生成分析结果对高考数据信息进行预测,得到预测结果。
在一些实施方式中,采用网络爬虫的方法,采集所述往年全国高考信息、所述往年高校招生信息、所述往年高校录取信息、所述当年全国高考信息、所述当年高校招生信息和所述当年成绩分布信息。
可以通过网络爬虫的方法采集上述的高考大数据信息,方便快捷,基于大数据,能保证数据的全面性和可靠性,便于后续基于大数据的统计和分析;同时,便于后续采用基于粒子群优化的神经网络预测方法对高考成绩信息进行预测,保证神经网络预测模型的样本数据的可靠性。在数据整理的过程中,数据并不是百分之百准确,同时有少部分缺失。因此,本研究拟将研究数据中的误差数据作为噪声处理,并进行统计噪声数量以及分布情况。
在一些实施方式中,通过标准化处理,可以加快人工神经网络的学习过程,模型的收敛速度能够得到明显的提升。标准化的另外一个好处是提高神经网络数据处理的精度,在某些涉及距离计算的算法中,例如计算欧氏距离,将取值限定在一定范围之内能够带来更精确的结果。
在设计并实现灰色预测模型之后,就可以将收集的数据集输入到灰色预测模型当中用于学习、预测。但是由于灰色预测模型中的数据流过于复杂,在设计中很难将模型的所有参数设置成最合适的数值。因此需要设计者继续对人工神经网络的参数不断调整达到最优状态。通过不断实验调整模型的激励函数、神经元数目、隐藏层数目等参数,使得模型达到准确率以及运算速度的最佳状态。
如图3所示,本申请实施例提供一种电子设备,其包括存储器101,用于存储一个或多个程序;处理器102。当一个或多个程序被处理器102执行时,实现如上述第一方面中任一项的方法。
还包括通信接口103,该存储器101、处理器102和通信接口103相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器101可用于存储软件程序及模块,处理器102通过执行存储在存储器101内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口103可用于与其他节点设备进行信令或数据的通信。
其中,存储器101可以是但不限于,随机存取存储器101(Random Access Memory,RAM),只读存储器101(Read Only Memory,ROM),可编程只读存储器101(ProgrammableRead-Only Memory,PROM),可擦除只读存储器101(Erasable Programmable Read-OnlyMemory,EPROM),电可擦除只读存储器101(Electric Erasable Programmable Read-OnlyMemory,EEPROM)等。
处理器102可以是一种集成电路芯片,具有信号处理能力。该处理器102可以是通用处理器102,包括中央处理器102(Central Processing Unit,CPU)、网络处理器102(Network Processor,NP)等;还可以是数字信号处理器102(Digital Signal Processing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,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。
在本申请所提供的实施例中,应该理解到,所揭露的方法及系统和方法,也可以通过其它的方式实现。以上所描述的方法及系统实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的方法及系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
另一方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器102执行时实现如上述第一方面中任一项的方法。所述功能如果以软件功能模块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101(ROM,Read-Only Memory)、随机存取存储器101(RAM,RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述,本申请实施例提供的一种基于人工智能算法的高考志愿填报方法及系统,其能够根据客观事物过去和现在的发展规律,借助科学的方法对未来的发展趋势和形势进行描述和分析,形成科学的假设和判断。将高考相关的数据输入搭建好的人工神经网络中,通过训练人工神经网络输出对应的高考分数线,使得人工神经网络根据相关数据学习各个特征对高考分数线的影响。在得到训练好的人工神经网络之后,根据未来学校、专业等信息对高考分数线进行预测。定义了预测模型的性能分析标准,从准确性、全面性、健壮性三个方面定义了描述模型的性能指标,并根据设计的测试标准对预测模型进行检测。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于人工智能算法的高考志愿填报方法,其特征在于,包括:
获取高考数据信息,并对数据进行预处理;
对预处理后的高考数据信息进行分析,累计生成分析结果;
采用灰色预测模型,根据累计生成分析结果对高考数据信息进行预测,得到预测结果。
2.如权利要求1所述的一种基于人工智能算法的高考志愿填报方法,其特征在于,所述获取高考数据信息,并对数据进行预处理包括:
在数据格式处理当中,将描述性的特征转换成量化表示的特征,将定性特征转换为定量特征,使数据在格式转换之后能在数据集的标准化时表现合理的分布趋势。
3.如权利要求2所述的一种基于人工智能算法的高考志愿填报方法,其特征在于,还包括:
将已有的数据按照预设比例缩放,让所有数据的范围在预设区间内,采用数据标准化处理方式,把一组数据映射在预设区间里,通过相互之间的比例表示数据之间的差别,让复杂的表达式计算成为人工神经网络数字信号处理。
4.如权利要求1所述的一种基于人工智能算法的高考志愿填报方法,其特征在于,所述对预处理后的高考数据信息进行分析,累计生成分析结果包括:
通过对序列之间的每次数据进行累加,得到新的数据和序列,累加前的序列为原始序列,累加后的序列为生成序列,将灰色过程由灰变白,看到灰色量积累过程的发展趋势,揭示无序原始数据所包含的整体特征或规律。
7.如权利要求1所述的一种基于人工智能算法的高考志愿填报方法,其特征在于,所述采用灰色预测模型,根据累计生成分析结果对高考数据信息进行预测,得到预测结果包括:
根据分数线差等于分数线减去省控线对高考数据信息进行预测。
8.一种基于人工智能算法的高考志愿填报系统,其特征在于,包括:
预处理模块,用于获取高考数据信息,并对数据进行预处理;
累计生成模块,用于对预处理后的高考数据信息进行分析,累计生成分析结果;
预测模块,用于采用灰色预测模型,根据累计生成分析结果对高考数据信息进行预测,得到预测结果。
9.如权利要求8所述的一种基于人工智能算法的高考志愿填报系统,其特征在于,包括:
用于存储计算机指令的至少一个存储器;
与所述存储器通讯的至少一个处理器,其中当所述至少一个处理器执行所述计算机指令时,所述至少一个处理器使所述系统执行:预处理模块、累计生成模块以及预测模块。
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,该计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853156.4A CN113487106A (zh) | 2021-07-27 | 2021-07-27 | 一种基于人工智能算法的高考志愿填报方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853156.4A CN113487106A (zh) | 2021-07-27 | 2021-07-27 | 一种基于人工智能算法的高考志愿填报方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113487106A true CN113487106A (zh) | 2021-10-08 |
Family
ID=77944248
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853156.4A Pending CN113487106A (zh) | 2021-07-27 | 2021-07-27 | 一种基于人工智能算法的高考志愿填报方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487106A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239499A (zh) * | 2014-09-10 | 2014-12-24 | 广州砺锋信息科技有限公司 | 一种基于大数据的高考志愿智能推荐的方法及装置 |
CN104914717A (zh) * | 2015-04-13 | 2015-09-16 | 珠海格力电器股份有限公司 | 基于人工智能算法的自动寻优控制方法 |
CN109509123A (zh) * | 2018-10-16 | 2019-03-22 | 北京天瀚科技有限责任公司 | 基于通用形态分析模型的高考志愿填报推荐系统及其方法 |
CN110472929A (zh) * | 2019-07-17 | 2019-11-19 | 武汉科技大学 | 一种基于神经网络的志愿填报方法、系统、装置和介质 |
-
2021
- 2021-07-27 CN CN202110853156.4A patent/CN113487106A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239499A (zh) * | 2014-09-10 | 2014-12-24 | 广州砺锋信息科技有限公司 | 一种基于大数据的高考志愿智能推荐的方法及装置 |
CN104914717A (zh) * | 2015-04-13 | 2015-09-16 | 珠海格力电器股份有限公司 | 基于人工智能算法的自动寻优控制方法 |
CN109509123A (zh) * | 2018-10-16 | 2019-03-22 | 北京天瀚科技有限责任公司 | 基于通用形态分析模型的高考志愿填报推荐系统及其方法 |
CN110472929A (zh) * | 2019-07-17 | 2019-11-19 | 武汉科技大学 | 一种基于神经网络的志愿填报方法、系统、装置和介质 |
Non-Patent Citations (1)
Title |
---|
王舒等: "基于改进灰度算法的分数预测模型应用", 《电子技术与软件工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Diego et al. | General performance score for classification problems | |
Cardoso et al. | Financial credit analysis via a clustering weightless neural classifier | |
Jiao et al. | An organizational coevolutionary algorithm for classification | |
Sathe et al. | Comparative study of supervised algorithms for prediction of students’ performance | |
Ko et al. | Prediction of corporate financial distress: An application of the composite rule induction system | |
CN112215696A (zh) | 基于时序归因分析的个人信用评估与解释方法、装置、设备及存储介质 | |
US20210397956A1 (en) | Activity level measurement using deep learning and machine learning | |
Bhardwaj et al. | Health insurance amount prediction | |
Ciaburro et al. | Python Machine Learning Cookbook: Over 100 recipes to progress from smart data analytics to deep learning using real-world datasets | |
Samuel et al. | Wasserstein GAN: Deep Generation applied on Bitcoins financial time series | |
Aminimehr et al. | A comprehensive study of market prediction from efficient market hypothesis up to late intelligent market prediction approaches | |
Shankar et al. | Analyzing attrition and performance of an employee using machine learning techniques | |
CN115186776B (zh) | 一种红宝石产地分类的方法、装置及存储介质 | |
Ahmed et al. | The accuracy of the LSTM model for predicting the S&P 500 index and the difference between prediction and backtesting | |
Savadatti et al. | An overview of predictive analysis based on machine learning techniques | |
CN113487106A (zh) | 一种基于人工智能算法的高考志愿填报方法及系统 | |
Philps et al. | Continual learning augmented investment decisions | |
Palmeiro et al. | Data+ Shift: Supporting visual investigation of data distribution shifts by data scientists | |
CN114819343A (zh) | 一种基于TrellisNet和注意力机制的新闻驱动股票指数预测方法 | |
Mandala et al. | A Study on the Development of Machine Learing in Health Analysis | |
Ansari et al. | Analysis of Suitable Approaches for Data Mining Algorithms | |
Jenul et al. | Ranking Feature-Block Importance in Artificial Multiblock Neural Networks | |
Pombinho et al. | Errors of Identifiers in Anonymous Databases: Impact on Data Quality | |
Strauss et al. | Macsum aggregation learning and missing values | |
Perucic | SIFT: A Deep Network for Irregularly-Sampled Multivariate Time Series |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Wang Feng Inventor after: Xie Dongze Inventor before: Wang Feng Inventor before: Xie Dongze |
|
CB03 | Change of inventor or designer information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211008 |
|
RJ01 | Rejection of invention patent application after publication |