CN114037188A - 基于多元评价体系的学位预测方法、装置、设备和介质 - Google Patents
基于多元评价体系的学位预测方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114037188A CN114037188A CN202210010797.8A CN202210010797A CN114037188A CN 114037188 A CN114037188 A CN 114037188A CN 202210010797 A CN202210010797 A CN 202210010797A CN 114037188 A CN114037188 A CN 114037188A
- Authority
- CN
- China
- Prior art keywords
- academic
- school
- correction value
- data
- prediction
- 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 45
- 238000011156 evaluation Methods 0.000 title claims abstract description 17
- 238000012937 correction Methods 0.000 claims abstract description 212
- 238000010276 construction Methods 0.000 claims abstract description 43
- 238000009440 infrastructure construction Methods 0.000 claims abstract description 30
- 238000012417 linear regression Methods 0.000 claims abstract description 28
- 238000007637 random forest analysis Methods 0.000 claims abstract description 20
- 238000003860 storage Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000013439 planning Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 5
- 230000007115 recruitment Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000009439 industrial construction Methods 0.000 claims 1
- 238000009436 residential construction Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了一种基于多元评价体系的学位预测方法、装置、电子设备及计算机可读存储介质，方法包括：获取待预测学校的相关数据和学位修正数据；将相关数据分别输入线性回归模型和随机森林模型，获得模型输出的学位预测数量；根据两个模型输出的学位预测数量，获得第三学位预测数量；根据住宅与工业用地建设数据、交通基础设施建设数据、新学校建立数据以及学位供应质量数据等数据，计算修正值；使用修正值对第三学位预测数量进行修正，得到最终学位预测数量。可见，本申请考虑到住宅与工业用地建设、交通基础设施建设、新学校建立分流和学位供应质量等因素对学校实际报名人数的影响，使得最终学位预测数量跟实际情况更相符，准确率更高。
Description
技术领域
本申请属于城市教育资源管理技术领域，尤其涉及一种基于多元评价体系的学位预测方法、装置、电子设备及计算机可读存储介质。
背景技术
目前，在预测城区学位数量时，通常是只考虑某个地区的适龄儿童人口数量，并没有考虑其他因素对适龄儿童人口数量、以及学位需求数量的影响。这样导致实际预测出的学位数量和实际学位需求数量相差较大，准确率较低。
发明内容
本申请实施例提供一种基于多元评价体系的学位预测方法、装置、电子设备及计算机可读存储介质，可以解决现有学位数量预测准确率较低的问题。
第一方面，本申请实施例提供一种基于多元评价体系的学位预测方法，包括：
获取待预测学校的相关数据和学位修正数据，相关数据包括历年招生计划人数和历年报名人数；
将相关数据输入预先训练完成的线性回归模型，获得线性回归模型输出的第一学位预测数量；
将相关数据输入预先训练完成的随机森林模型，获得随机森林输出的第二学位预测数量；
根据第一学位预测数量和第二学位预测数量，获得待预测学校的第三学位预测数量；
根据学位修正数据，计算待预测学校的修正值；
使用修正值对第三学位预测数量进行修正，得到待预测学校的最终学位预测数量；
其中，学位修正数据包括以下至少一项：住宅与工业用地建设数据、交通基础设施建设数据、新学校建立数据以及学位供应质量数据；
根据学位修正数据，计算待预测学校的修正值，包括以下至少一项：根据住宅与工业用地建设数据计算第一修正值、根据交通基础设施建设数据计算第二修正值、根据新学校建立数据计算第三修正值、以及根据学位供应质量数据计算第四修正值；其中，相应地，修正值包括以下至少一项：第一修正值、第二修正值、第三修正值和第四修正值。
由上可见，本申请实施例使用模型预测得到学位预测数量后，考虑到住宅与工业用地建设因素、交通基础设施建设因素、新学校建立分流因素和学位供应质量因素等对实际报名人数的影响，则计算这些因素的修正值，并使用这些修正值对预测得到的学位预测数量进行修正，使得最终的学位预测数量跟实际情况更相符，准确率更高。
在第一方面的一些可能的实现方式中，根据住宅与工业用地建设数据计算第一修正值，包括：
根据待预测学校的地理位置信息，确定待预测学校的类型，待预测学校的类型包括工业区主导学校、居住区主导学校、以及工业区和居住区混合主导学校；
若待预测学校为工业区主导学校，将工业区历史同期增长值确定为第一修正值；
若待预测学校为居住区主导学校，将居住区历史同期增长值确定为第一修正值；
若待预测学校为工业区和居住区混合主导学校，将工业区历史同期增长值的二分之一和居住区历史同期增长值的二分之一相加，得到第一相加和，第一相加和为第一修正值；
其中，住宅与工业用地建设数据包括地理位置信息。
在第一方面的一些可能的实现方式中，根据交通基础设施建设数据计算第二修正值，包括：
将交通便利系数和一相加，得到第二相加和；
将第二相加和和待预测学校所在地区的适龄儿童占比以及地区人口增长率相乘，得到第二修正值；
其中，交通基础设施建设数据包括交通便利系数、适龄儿童占比以及地区人口增长率。
在第一方面的一些可能的实现方式中，根据新学校建立数据计算第三修正值，包括：
将新学校招生数量和新校分流系数相乘，得到第一乘值；
将待预测学校的招生数和第一乘值相减，得到第三修正值；
其中，新学校建立数据包括新学校招生数量和新校分流系数。
在第一方面的一些可能的实现方式中，学位供应质量数据包括教学质量数据和区位质量数据；
根据学位供应质量数据计算第四修正值，包括：
将待预测学校的升学率排名、教学质量影响比率和地区适龄儿童数量相乘，得到第五修正值；
根据各个城市服务基础设施与待预测学校之间的距离、区位质量影响比率和地区适龄儿童数量，得到第六修正值；
将第五修正值和第六修正值相加，得到第四修正值；
其中，教学质量数据包括升学率排名和教学质量影响比率；区位质量数据包括城市服务基础设施与待预测学校之间的距离、以及区位质量影响比率。
在第一方面的一些可能的实现方式中，修正值包括：第一修正值、第二修正值、第三修正值和第四修正值；
使用修正值对第三学位预测数量进行修正，得到待预测学校的最终学位预测数量，包括：
将第三学位预测数量、第一修正值、第三修正值和第四修正值相加，得到最终学位预测数量。
在第一方面的一些可能的实现方式中，根据第一学位预测数量和第二学位预测数量，获得待预测学校的第三学位预测数量，包括：
根据第一学位预测数量和第二学位预测数量，获得第四学位预测数量；
将第四学位预测数量和地区适龄儿童数量中的较大者确定为第三学位预测数量。
第二方面，本申请实施例提供一种基于多元评价体系的学位预测装置，包括：
数据获取模块，用于获取待预测学校的相关数据和学位修正数据，相关数据包括历年招生计划人数和历年报名人数；
第一预测模块，用于将相关数据输入预先训练完成的线性回归模型，获得线性回归模型输出的第一学位预测数量；
第二预测模块，用于将相关数据输入预先训练完成的随机森林模型，获得随机森林输出的第二学位预测数量；
最终学位预测数量获得模块，用于根据第一学位预测数量和第二学位预测数量，获得待预测学校的第三学位预测数量；
修正值计算模块，用于根据学位修正数据，计算待预测学校的修正值；
修正模块，用于使用修正值对第三学位预测数量进行修正，得到待预测学校的最终学位预测数量；
其中，学位修正数据包括以下至少一项：住宅与工业用地建设数据、交通基础设施建设数据、新学校建立数据以及学位供应质量数据；
修正值计算模块具体用于实现以下至少一项：根据住宅与工业用地建设数据计算第一修正值、根据交通基础设施建设数据计算第二修正值、根据新学校建立数据计算第三修正值、以及根据学位供应质量数据计算第四修正值；其中，相应地，修正值包括以下至少一项：第一修正值、第二修正值、第三修正值和第四修正值。
第三方面，本申请实施例提供一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面任一项的方法。
第四方面，本申请实施例一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面任一项的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行上述第一方面中任一项所述的方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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的附图。
图1为本申请实施例提供的基于多元评价体系的学位预测方法的一种流程示意图；
图2为本申请实施例提供的基于多元评价体系的学位预测装置的结构框图；
图3为本申请实施例提供的电子设备的结构示意框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
请参见图1，为本申请实施例提供的基于多元评价体系的学位预测方法的一种流程示意图，该方法可以包括以下步骤：
步骤S101、获取待预测学校的相关数据和学位修正数据。
其中，相关数据包括历年招生计划人数和历年报名人数。例如，对学校A，可以收集该学校2018年、2019年以及2020年等年度的招生计划人数和实际报名人数。
具体应用中，本申请实施例可以收集学区数据、地区人口数据、以及地区的学校数据等，学校数据可以包括历年招生计划人数、历年实际报名人数、学校性质等信息。这些数据可以从地区政务公开数据、网络公开数据以及其他路径获取。
示例性地，本申请实施例可以收集下表1、以及表2所示的数据。
表1
表2
学位修正数据包括以下至少一项：住宅与工业用地建设数据、交通基础设施建设数据、新学校建立数据以及学位供应质量数据。
具体应用中，可以根据需要从学位修正数据选择所需要的数据类型。比如，在当前年份，学校A附近没有新建立的学校，则不需要考虑新建立的学校对学校A的生源分流影响，则可以不需要获取上述新学校建立数据。又比如，如果只想观察学位供应质量对学位数量的影响，则可以只获取学位供应质量数据。
上述住宅与工业用地建设数据可以示例性包括待预测学校的地理位置信息和待预测学校周边区域的地块用地类型。例如，对于学校A来说，如果周围区域的地块用地类型均为工业用地，则可以确定出学校A的周边区域多是工业区；如果周围区域的地块用地类型均为居民用地，则可以确定学校A的周边区域多是居民区。
需要说明的是，除住宅体系建设因素外，居民区（即住宅区）和工业区的人口聚集对学位压力的影响较大。比如，在新兴城市地区，工厂较多且工厂里面多是外来务工人员，对于这些人员势必会携带有部分子女，这部分人群的子女数量变化会影响到工业区附近的学校的学位压力。又比如，对于处于高密度住宅区周围的学校，户籍儿童的数量变化会影响到学校的学位压力。
本申请实施例中，为了量化住宅区和居民区的人口因素对学校学位压力的影响，可以根据待预测学校周边的用地类型，确定住宅与工业用地因素对学位压力的影响情况。
上述交通基础设施建设数据示例性包括待预测学校周边地区的公共交通基础设施建设数据。例如，交通基础设施建设数据包括待预测学校周边区域的地铁路线规划情况，即通过交通基础设施建设数据可以得知待预测学校周边区域的地铁线路、公交线路等建设规划情况。
需要说明的是，学校周边地区的交通便利程度，可以推动周边地区的人口增长和基础服务设施完善，从而间接导致学校的报名人数、入学率等上升，学位压力增大。例如，以地铁建设来说，地铁开通后，会导致地铁沿线的学校的学位压力增大。公交沿线的学校同理。
上述新学校建立数据可以包括待预测学校的周边区域的新学校建设和规划数据。例如，通过新学校建立数据可以得知待预测学校的周边区域，在下一年度开了一个学校。
需要说明的是，新成立的学校投入使用会对周边学校的实际报名人数有分流作用，进而使得周边学校的实际报名人数减少。通常情况下，一个地区人口逐年增长时，一个学习成立年份越久，对周边学校学生生源分流的影响就越小。
上述学位供应质量数据是指可以表征待预测学校的学位供应质量的数据。示例性地，该学位供应质量数据包括教学质量数据和区位质量数据。教学质量数据可以包括升学率等信息。区位质量数据可以包括学校周边和城市的基础设施数据。
需要说明的是，一个学校的升学率越高，该学校的实际报名人数则越多，学位压力就越大。
可以理解的是，在数据收集时，可以收集一个地区中各个学校的数据、地区人口数据等，然后根据各个学校的数据和人口数据等，预测出下一年度或未来1~3年的报名人数。
步骤S102、将相关数据输入预先训练完成的线性回归模型，获得线性回归模型输出的第一学位预测数量。
需要说明的是，上述线性回归模型可以是任意类型的线性回归模型。例如，线性回归模型可以示例性为Lasso回归模型、岭回归模型或弹性网络（ElasticNet）回归。在实际应用中，相较于其他线性回归模型，弹性回归模型更适合本申请实施例。
上述线性回归模型是预先训练完成的，具体地，先收集的各个学校的历年报名人数和历年招生计划人数等数据，再使用这些数据对所选取的线性回归模型进行训练。可以理解的是，线性回归模型的训练过程已被本领域技术人员所熟知，在此不再赘述。
在具体应用中，完成数据收集工作之后，可以先对收集得到的数据进行预处理，以减少数据噪声对最终预测结果的影响。示例性地，对收集的数据进行数据补全、数据校正、以及数据清洗等预处理操作，得到预处理后的数据；然后再将预处理后的数据输入至线性回归模型，获得线性回归模型输出的第一学位预测数量。
步骤S103、将相关数据输入预先训练完成的随机森林模型，获得随机森林输出的第二学位预测数量。
上述随机森林模型是预先训练完成的，具体地，先收集的各个学校的历年报名人数和历年招生计划人数等数据，再使用这些数据对随机森林模型进行训练。可以理解的是，随机森林模型的训练过程已被本领域技术人员所熟知，在此不再赘述。
具体应用中，可以先对收集到的数据进行预处理，再将预处理后的数据输入至随机森林模型，获得随机森林模型输出的第二学位预测数量。
步骤S104、根据第一学位预测数量和第二学位预测数量，获得待预测学校的第三学位预测数量。
在一些实施例中，可以比较第一学位预测数量和第二学位预测数量之间的大小，选取两者中的较大者作为上述第三学位预测数量。
在另一些实施例中，也可以将第一学位预测数量和第一权重相乘，将第二学位预测数量和第二权重相乘，然后再将两个乘积相加，得到上述第三学位预测数量。上述第一权重和第二权重是预先设置的。通常情况下，以线性回归模型输出的结果为准，随机森林模型输出的结果用于对线性回归模型输出的修正，因此设置第一权重大于第二权重。
当然，也可以直接将线性回归模型输出的第二学位预测数量作为上述第三学位预测数量。
相较而言，根据线性回归模型和线性回归模型输出的结果，得到第三学位预测数量，预测准确率更高。
在又一些实施例中，可以先根据第一学位预测数量和第二学位预测数量，获得第四学位预测数量；然后再将第四学位预测数量和地区适龄儿童数量中的较大者确定为第三学位预测数量。
其中，可以比较第一学位预测数量和第二学位预测数量之间的大小，选取两者中的较大者作为上述第四学位预测数量；也可以将第一学位预测数量和相应权重相乘，将第二学位预测数量和相应权重相乘，然后再将两个乘积相加，得到上述第四学位预测数量。
上述地区适龄儿童数量是指住宅项目适龄儿童数量。住宅项目适龄儿童数量= 住宅项目容纳家庭数 * 入住率 * 平均家庭人口数 * 适龄儿童人口占比。住宅项目容纳家庭数、入住率、平均家庭人口数和适龄儿童人口占比等可以从地区政务数据中的“房地产项目数据”和“人口相关数据”得到。
需要说明的是，学区房建设和交付情况是可以直接反映区域人口增长的指标因素，因此可以通过根据地区一段时间内的所有学区房的建设和交付情况，计算住宅项目适龄儿童数量。
将计算出的地区适龄儿童数量和第三学位预测数量值比较，选取两者中的较大者作为上述第三学位预测数量。
需要指出的是，相较于传统的基于经验的学位预测方式，本申请实施例通过随机森林和/或线性回归模型进行预测，预测准确率和效率均较高。
步骤S105、根据学位修正数据，计算待预测学校的修正值。
如上所述，学位修正数据包括以下至少一项：住宅与工业用地建设数据、交通基础设施建设数据、新学校建立数据以及学位供应质量数据。分别根据各类数据可以计算得到对应的修正值，即相应地，修正值包括以下至少一项：第一修正值、第二修正值、第三修正值和第四修正值。或者说，修正值等于第一修正值、第二修正值、第三修正值和第四修正值之间的相加和。
也就是说：根据学位修正数据，计算待预测学校的修正值，包括以下至少一项：根据住宅与工业用地建设数据计算第一修正值、根据交通基础设施建设数据计算第二修正值、根据新学校建立数据计算第三修正值、以及根据学位供应质量数据计算第四修正值；其中，相应地，修正值包括以下至少一项：第一修正值、第二修正值、第三修正值和第四修正值。
下面分别对各个因素的计算过程进行说明介绍。
1、住宅与工业用地建设因素。
首先，根据待预测学校的地理位置信息，以及该学校周边区域的用地类型，确定待预测学校的类型，待预测学校的类型包括工业区主导学校、居住区主导学校、以及工业区和居住区混合主导学校。住宅与工业用地建设数据可以包括地理位置信息和待预测学校周边区域的用地类型。
例如，根据地理位置信息，确定待预测学校的所处位置，再进一步根据用地类型，确定所处位置的周边各个区域的用地类型。如果工业用地面积大于住宅用地面积，则可以确定待预测学校为工业区主导学校，反之，如果工业用地面积小于住宅用地面积，则确定待预测学校为居民去主导学校。
本申请实施例不对待预测学校的类型的确定方式不作限定。例如，还可以根据工业用地面积和住宅用地面积之间的差值大小来确定学校类型，如果差值落入预设区域，则确定待预测学校为混合主导学校。
不同类型的学校，计算方式不一样。第一修正值Δy1（即住宅与工业用地影响偏离）=工业区影响偏离+居住区影响偏离。
如果待预测学校为工业区主导学校，工业区影响偏离为历史同期增长值，居住区影响偏离 = 0，即将工业区历史同期增长值确定为第一修正值Δy1。
如果待预测学校为居住区主导学校，居住区影响偏离为历史同期增长值，工业区影响偏离 = 0，即将居住区历史同期增长值确定为第一修正值Δy1。
如果待预测学校为工业区和居住区混合主导学校，居住区影响偏离为历史同期增长值/2，工业区影响偏离为历史同期增长值/2，即将工业区历史同期增长值的二分之一和居住区历史同期增长值的二分之一相加，得到第一相加和，第一相加和为第一修正值Δy1。
其中，历史同期增长值可以根据学校的历年报名增长率得到。
需要说明的是，住宅与工业用地因素不仅考虑了工业区和住宅区的人口聚集对学位压力的影响，还考虑疫情对学位压力的影响。例如，在计算上述工业区影响偏离时，假设已知2020年疫情导致该地区80%外来务工人员返乡没有带领孩子常住在本地区，则会导致由工业区主导学校丧失80%的外来务工适龄子女入学。这样，进一步提高了学位预测的准确率。
2、交通基础设施建设因素
示例性地，先将交通便利系数和一相加，得到第二相加和；在将第二相加和和待预测学校所在地区的适龄儿童占比以及地区人口增长率相乘，得到第二修正值。其中，交通基础设施建设数据包括交通便利系数、适龄儿童占比以及地区人口增长率。
也就是说，可以通过公式Δy2 =（交通便利系数β+1）* 地区人口增长率 * 适龄儿童占比，计算得到上述第二修正值。其中，交通便利系数β通过对历史数据分析得到，β∈（0，1）。
具体来说，交通便利系数β基于对历史交通因素影响的数据来得到的。比如，去年新开通地铁导致该地区报名入学儿童增长了50%，那么交通便利系数β即为50%，代表如果未来某地区开通了地铁会带来的报名人口增长率。当然，在计算β时是会通过平均多个历史样本来得到。
适龄儿童占比和地区人口占比可以从地区政务数据中获取。
3、学位供应数量因素
示例性地，将新学校招生数量和新校分流系数相乘，得到第一乘值；将待预测学校的招生数和第一乘值相减，得到第三修正值；其中，新学校建立数据包括新学校招生数量和新校分流系数。新学校是指新建立投入使用的学校。
具体应用中，可以根据公式Δy3=本校招生数-新学校招生数*新校分流系数ε），计算得到上述第三修正值。
学校分流系数ε∈（0，1），该数值由历年新学校分流系数求平均得到。例如，学校A的原本招生计划人数是100人，学校A的周边区域新投入使用了一所学校B，学校B的招生计划人数是100人。此时，新学校分流系数为ε为0.5，Δy3=100-100*0.5=50。
新学校建立数据、招生数等数据均可以从当地教育局的数据库中获取。
4、学位供应质量因素
在一些实施例中，学位供应质量数据可以包括教学质量数据和区位质量数据。其中，教学质量数据包括升学率排名和教学质量影响比率；区位质量数据包括城市服务基础设施与待预测学校之间的距离、以及区位质量影响比率。
教学质量影响比率和区位质量影响比率均可以根据历史数据得到。例如，从网络或者其他地方收集待预测学校的教学舆论信息，例如，某个人员在网上发表的关于待预测学校的评论，根据这些教学舆论信息，计算教学质量影响比率。
示例性地，将待预测学校的升学率排名、教学质量影响比率和地区适龄儿童数量相乘，得到第五修正值。即通过公式Δy4 = 该校升学率排名 * 教育质量影响比率η1 * 地区适龄儿童数量，计算得到上述第五修正值Δy4。地区适龄儿童数量是指住宅项目适龄儿童数量，具体计算过程可以参见上文相应内容。
再根据各个城市服务基础设施与待预测学校之间的距离、区位质量影响比率和地区适龄儿童数量，得到第六修正值。具体地，通过公式Δy5= ∑城市服务基础设施 * 区位质量影响比率η2 * 地区适龄儿童数量，计算得到上述第六修正值Δy5。
城市服务基础设施包括公共交通基础设施、医院以及大型商业聚集区等，将学校和城市服务基础设施之间的直线距离作为衡量标准，计算得到上述第六修正值Δy5
最后将第五修正值Δy4和第六修正值Δy5相加，得到第四修正值。
值得指出的是，本申请实施例是基于多元评价体系，预测出某个学校在未来的实际报名人数。多元评价体系包括住宅与用地建设因素、交通基础设施建设因素、学位供应数量因素和学位供应质量因素，从需求侧和供给侧两个方面对学位压力影响进行分析，需求侧包括住宅项目适龄儿童数量、住宅与用地建设因素和交通基础设施建设因素，供给侧包括学位供应数量因素和学位供应质量因素。通过考虑多种因素对学位预测的影响，预测准确率更高。
步骤S106、使用修正值对第三学位预测数量进行修正，得到待预测学校的最终学位预测数量。
在一些实施例中，可以将第三学位预测数量、第一修正值、第三修正值和第四修正值相加，得到最终学位预测数量。示例性地，可以通过公式Y = y0 + ∑Δyi（i∈N），计算出最终学位预测数量Y，y0为上述第三学位预测数量，Δyi为多元评价体系的各个影响因素。当i=5时，最终学位预测数量Y = y0 +Δy1+Δy2+Δy3+Δy4+Δy5。使用Δyi对y0进行修正，使得预测准确率更高。
本申请实施例使用模型预测得到学位预测数量后，考虑到住宅与工业用地建设因素、交通基础设施建设因素、新学校建立分流因素和学位供应质量因素等对实际报名人数的影响，则计算这些因素的修正值，并使用这些修正值对预测得到的学位预测数量进行修正，使得最终的学位预测数量跟实际情况更相符，准确率更高。
需要说明的是，在具体应用中，可以获取一个地区的相关数据，再根据地区中各个学校的数据，依据上述实施例的过程，预测出各个学校在未来的报名人数。然后，再根据各个学校的招生计划人数和预测出的报名人数，计算出各个学校的学位压力，进而得到一个地区各个学校的学位压力。
学位压力和学位预测最终结果是一个东西在不同维度的表示，例如，某小学计划明年招生100人，最终学位预测数量为200人，则预测录取率为50%，学位压力 = 1/录取率即为200%。
在另一些实施例中，在获得一个地区的各个学校的学位压力之后，可以制作地区学位压力示意图，以便于了解该地区各个学校的学位压力。例如，地区学位压力示意图中可以通过不同的颜色深度表示学位压力值的大小，这样可以直观地了解该地区的学位压力。
当然，针对上述多元评价体系中的各个影响因素，可以计算单独一个因素对学位预测结果的影响，进而呈现出单个因素对应的学位压力示意图。
应当理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的基于多元评价体系的学位预测方法，图2示出了本申请实施例提供的基于多元评价体系的学位预测装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图2，该装置包括：
数据获取模块21，用于获取待预测学校的相关数据和学位修正数据，相关数据包括历年招生计划人数和历年报名人数；
第一预测模块22，用于将相关数据输入预先训练完成的线性回归模型，获得线性回归模型输出的第一学位预测数量；
第二预测模块23，用于将相关数据输入预先训练完成的随机森林模型，获得随机森林输出的第二学位预测数量；
最终学位预测数量获得模块24，用于根据第一学位预测数量和第二学位预测数量，获得待预测学校的第三学位预测数量；
修正值计算模块25，用于根据学位修正数据，计算待预测学校的修正值；
修正模块26，用于使用修正值对第三学位预测数量进行修正，得到待预测学校的最终学位预测数量；
其中，学位修正数据包括以下至少一项：住宅与工业用地建设数据、交通基础设施建设数据、新学校建立数据以及学位供应质量数据；
修正值计算模块具体用于实现以下至少一项：根据住宅与工业用地建设数据计算第一修正值、根据交通基础设施建设数据计算第二修正值、根据新学校建立数据计算第三修正值、以及根据学位供应质量数据计算第四修正值；其中，相应地，修正值包括以下至少一项：第一修正值、第二修正值、第三修正值和第四修正值。
在一些可能的实现方式中，修正值计算模块具体用于：根据待预测学校的地理位置信息，确定待预测学校的类型，待预测学校的类型包括工业区主导学校、居住区主导学校、以及工业区和居住区混合主导学校；若待预测学校为工业区主导学校，将工业区历史同期增长值确定为第一修正值；若待预测学校为居住区主导学校，将居住区历史同期增长值确定为第一修正值；若待预测学校为工业区和居住区混合主导学校，将工业区历史同期增长值的二分之一和居住区历史同期增长值的二分之一相加，得到第一相加和，第一相加和为第一修正值；其中，住宅与工业用地建设数据包括地理位置信息。
在一些可能的实现方式中，修正值计算模块具体用于：将交通便利系数和一相加，得到第二相加和；将第二相加和和待预测学校所在地区的适龄儿童占比以及地区人口增长率相乘，得到第二修正值；其中，交通基础设施建设数据包括交通便利系数、适龄儿童占比以及地区人口增长率。
在一些可能的实现方式中，修正值计算模块具体用于：将新学校招生数量和新校分流系数相乘，得到第一乘值；将待预测学校的招生数和第一乘值相减，得到第三修正值；其中，新学校建立数据包括新学校招生数量和新校分流系数。
在一些可能的实现方式中，学位供应质量数据包括教学质量数据和区位质量数据；
修正值计算模块具体用于：将待预测学校的升学率排名、教学质量影响比率和地区适龄儿童数量相乘，得到第五修正值；根据各个城市服务基础设施与待预测学校之间的距离、区位质量影响比率和地区适龄儿童数量，得到第六修正值；将第五修正值和第六修正值相加，得到第四修正值；其中，教学质量数据包括升学率排名和教学质量影响比率；区位质量数据包括城市服务基础设施与待预测学校之间的距离、以及区位质量影响比率。
在一些可能的实现方式中，修正值包括：第一修正值、第二修正值、第三修正值和第四修正值；
修正值计算模块具体用于：将第三学位预测数量、第一修正值、第三修正值和第四修正值相加，得到最终学位预测数量。
在一些可能的实现方式中，修正模块具体用于：根据第一学位预测数量和第二学位预测数量，获得第四学位预测数量；将第四学位预测数量和地区适龄儿童数量中的较大者确定为第三学位预测数量。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请实施例方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图3为本申请一实施例提供的电子设备的结构示意图。如图3所示，该实施例的电子设备3包括：至少一个处理器30（图3中仅示出一个）、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32，所述处理器30执行所述计算机程序32时实现上述任意各个目标跟踪方法实施例中的步骤。
所述电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该电子设备可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是电子设备3的举例，并不构成对电子设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，该处理器30还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(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、分立硬件组件等。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。
所述存储器31在一些实施例中可以是所述电子设备3的内部存储单元，例如电子设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述电子设备3的外部存储设备，例如所述电子设备3上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种电子设备，该电子设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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。
在本申请所提供的实施例中，应该理解到，所揭露的装置、电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于多元评价体系的学位预测方法，其特征在于，包括：
获取待预测学校的相关数据和学位修正数据，所述相关数据包括历年招生计划人数和历年报名人数；
将所述相关数据输入预先训练完成的线性回归模型，获得所述线性回归模型输出的第一学位预测数量；
将所述相关数据输入预先训练完成的随机森林模型，获得所述随机森林输出的第二学位预测数量；
根据所述第一学位预测数量和所述第二学位预测数量，获得所述待预测学校的第三学位预测数量；
根据所述学位修正数据，计算所述待预测学校的修正值；
使用所述修正值对所述第三学位预测数量进行修正，得到所述待预测学校的最终学位预测数量；
其中，所述学位修正数据包括以下至少一项：住宅与工业用地建设数据、交通基础设施建设数据、新学校建立数据以及学位供应质量数据；
根据所述学位修正数据，计算所述待预测学校的修正值，包括以下至少一项：根据所述住宅与工业用地建设数据计算第一修正值、根据所述交通基础设施建设数据计算第二修正值、根据所述新学校建立数据计算第三修正值、以及根据所述学位供应质量数据计算第四修正值；其中，相应地，所述修正值包括以下至少一项：所述第一修正值、所述第二修正值、所述第三修正值和所述第四修正值。
2.如权利要求1所述的方法，其特征在于，根据所述住宅与工业用地建设数据计算第一修正值，包括：
根据所述待预测学校的地理位置信息，确定所述待预测学校的类型，所述待预测学校的类型包括工业区主导学校、居住区主导学校、以及工业区和居住区混合主导学校；
若所述待预测学校为工业区主导学校，将工业区历史同期增长值确定为所述第一修正值；
若所述待预测学校为居住区主导学校，将居住区历史同期增长值确定为所述第一修正值；
若所述待预测学校为工业区和居住区混合主导学校，将工业区历史同期增长值的二分之一和居住区历史同期增长值的二分之一相加，得到第一相加和，所述第一相加和为所述第一修正值；
其中，所述住宅与工业用地建设数据包括所述地理位置信息。
3.如权利要求1所述的方法，其特征在于，根据所述交通基础设施建设数据计算第二修正值，包括：
将交通便利系数和一相加，得到第二相加和；
将所述第二相加和和所述待预测学校所在地区的适龄儿童占比以及地区人口增长率相乘，得到所述第二修正值；
其中，所述交通基础设施建设数据包括所述交通便利系数、所述适龄儿童占比以及所述地区人口增长率。
4.如权利要求1所述的方法，其特征在于，根据所述新学校建立数据计算第三修正值，包括：
将新学校招生数量和新校分流系数相乘，得到第一乘值；
将所述待预测学校的招生数和所述第一乘值相减，得到所述第三修正值；
其中，所述新学校建立数据包括所述新学校招生数量和所述新校分流系数。
5.如权利要求1至4任一项所述的方法，其特征在于，所述学位供应质量数据包括教学质量数据和区位质量数据；
根据所述学位供应质量数据计算第四修正值，包括：
将所述待预测学校的升学率排名、教学质量影响比率和地区适龄儿童数量相乘，得到第五修正值；
根据各个城市服务基础设施与所述待预测学校之间的距离、区位质量影响比率和所述地区适龄儿童数量，得到第六修正值；
将所述第五修正值和所述第六修正值相加，得到所述第四修正值；
其中，所述教学质量数据包括所述升学率排名和所述教学质量影响比率；所述区位质量数据包括所述城市服务基础设施与所述待预测学校之间的距离、以及所述区位质量影响比率。
6.如权利要求5所述的方法，其特征在于，所述修正值包括：所述第一修正值、所述第二修正值、所述第三修正值和所述第四修正值；
使用所述修正值对所述第三学位预测数量进行修正，得到所述待预测学校的最终学位预测数量，包括：
将所述第三学位预测数量、所述第一修正值、所述第三修正值和所述第四修正值相加，得到所述最终学位预测数量。
7.如权利要求1所述的方法，其特征在于，根据所述第一学位预测数量和所述第二学位预测数量，获得所述待预测学校的第三学位预测数量，包括：
根据所述第一学位预测数量和所述第二学位预测数量，获得第四学位预测数量；
将所述第四学位预测数量和地区适龄儿童数量中的较大者确定为所述第三学位预测数量。
8.一种基于多元评价体系的学位预测装置，其特征在于，包括：
数据获取模块，用于获取待预测学校的相关数据和学位修正数据，所述相关数据包括历年招生计划人数和历年报名人数；
第一预测模块，用于将所述相关数据输入预先训练完成的线性回归模型，获得所述线性回归模型输出的第一学位预测数量；
第二预测模块，用于将所述相关数据输入预先训练完成的随机森林模型，获得所述随机森林输出的第二学位预测数量；
最终学位预测数量获得模块，用于根据所述第一学位预测数量和所述第二学位预测数量，获得所述待预测学校的第三学位预测数量；
修正值计算模块，用于根据所述学位修正数据，计算所述待预测学校的修正值；
修正模块，用于使用所述修正值对所述第三学位预测数量进行修正，得到所述待预测学校的最终学位预测数量；
其中，所述学位修正数据包括以下至少一项：住宅与工业用地建设数据、交通基础设施建设数据、新学校建立数据以及学位供应质量数据；
修正值计算模块具体用于实现以下至少一项：根据所述住宅与工业用地建设数据计算第一修正值、根据所述交通基础设施建设数据计算第二修正值、根据所述新学校建立数据计算第三修正值、以及根据所述学位供应质量数据计算第四修正值；其中，相应地，所述修正值包括以下至少一项：所述第一修正值、所述第二修正值、所述第三修正值和所述第四修正值。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210010797.8A CN114037188A (zh) | 2022-01-06 | 2022-01-06 | 基于多元评价体系的学位预测方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210010797.8A CN114037188A (zh) | 2022-01-06 | 2022-01-06 | 基于多元评价体系的学位预测方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114037188A true CN114037188A (zh) | 2022-02-11 |
Family
ID=80147287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210010797.8A Pending CN114037188A (zh) | 2022-01-06 | 2022-01-06 | 基于多元评价体系的学位预测方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114037188A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115796347A (zh) * | 2022-11-23 | 2023-03-14 | 天闻数媒科技（北京）有限公司 | 教育资源投入均衡度预测方法、装置、设备及存储介质 |
| CN115809825A (zh) * | 2022-12-13 | 2023-03-17 | 广州市城市规划勘测设计研究院 | 一种学区划分评价方法、装置及介质 |
| CN118643952A (zh) * | 2024-08-15 | 2024-09-13 | 深圳市智慧城市科技发展集团有限公司 | 学位资源预测方法、设备及计算机可读存储介质 |
-
2022
- 2022-01-06 CN CN202210010797.8A patent/CN114037188A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115796347A (zh) * | 2022-11-23 | 2023-03-14 | 天闻数媒科技（北京）有限公司 | 教育资源投入均衡度预测方法、装置、设备及存储介质 |
| CN115809825A (zh) * | 2022-12-13 | 2023-03-17 | 广州市城市规划勘测设计研究院 | 一种学区划分评价方法、装置及介质 |
| CN118643952A (zh) * | 2024-08-15 | 2024-09-13 | 深圳市智慧城市科技发展集团有限公司 | 学位资源预测方法、设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114037188A (zh) | 基于多元评价体系的学位预测方法、装置、设备和介质 | |
| Swanson et al. | Subnational population estimates | |
| Mahamadu et al. | Critical BIM qualification criteria for construction pre-qualification and selection | |
| Liu et al. | Towards sustainability‐oriented decision making: Model development and its validation via a comparative case study on building construction methods | |
| Tamošaitienė et al. | Identification and prioritization of critical risk factors of commercial and recreational complex building projects: A Delphi study using the TOPSIS method | |
| CN108304539A (zh) | 人才数据库建立方法、装置及存储介质 | |
| Hu et al. | A practice mining system for the delivery of sustainable retirement villages | |
| Adenaw et al. | Placing BEV Charging infrastructure: Influencing factors, metrics, and their influence on observed charger utilization | |
| Altaie et al. | Fundamental Challenges and Management Opportunities in Post Disaster Reconstruction Project | |
| Brinkø et al. | The shared building portfolio: An exploration and typology | |
| KR20190041439A (ko) | 데이터 오류 수정 기능을 갖는 주택 가격 추정을 위한 빅데이터 구축 시스템 | |
| Morrison et al. | Redistricting: A manual for analysts, practitioners, and citizens | |
| Tangi et al. | Assessing the effect of organisational factors and ICT expenditures on e-maturity: empirical results in Italian municipalities | |
| CN115564278A (zh) | 一种绩效数据管理系统、方法及计算设备 | |
| Nikitina et al. | Municipal services and land relations: problems and prospects for improvement in rural areas of Sverdlovsk region, Russia | |
| Xiang et al. | The School Transition Estimation and Projection (STEP) model: A flexible framework for analysing and projecting school enrolments | |
| Lisjak et al. | Key tasks and competences of spatial data manager in local self-government | |
| CN111882356A (zh) | 一种要素量化和可视化评估房屋价格的方法 | |
| Sajwani et al. | Empowering Sustainability: Understanding Determinants of Consumer Investment in Microgrid Technology in the UAE | |
| Cope et al. | Confronting standards and nomenclature in spatial data infrastructures: A case study of urban Los Angeles county geospatial water management data | |
| Ghosh et al. | Fizzle and success of e-Governance in India: a priority-based analysis in Paschim Medinipur District | |
| Bou Karim | The impact of remote working on São Paulo's residential real estate market | |
| Pope | Addressing data gaps in off-reserve housing need: a case-study with the Metlakatla Cumulative Effects Management Program | |
| Fronczek-Munter | Usability Briefing-a process model for healthcare facilities | |
| US20230121647A1 (en) | Machine learning-enabled system for analyzing immigration petitions |
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 |
Application publication date: 20220211 |
|
| RJ01 | Rejection of invention patent application after publication |