一种基于走势聚类的新高考高校投档位次预测方法技术

本发明专利技术公开了一种基于走势聚类的新高考高校投档位次预测方法，包括获取x年间各高校的历史最低投档位次数据；根据历史最低投档位次数据进行位次走势划分，并根据位次走势对高校进行聚类，划分为位次走势稳定类高校和位次走势非稳定类高校；对位次走势稳定类高校使用BP神经网络模型预测今年新高考最低投档位次，并在模型训练时加入量化处理后的旧高考选科等级特征；对位次走势非稳定类高校使用GM(1,1)模型预测今年新高考最低投档位次；将不同类别高校的最低投档位次预测结果进行合并，作为新高考下各高校最低投档位次的预测数据，本发明专利技术提升了新高考下高校投档位次预测的准确性。明提升了新高考下高校投档位次预测的准确性。明提升了新高考下高校投档位次预测的准确性。

【技术实现步骤摘要】
一种基于走势聚类的新高考高校投档位次预测方法


[0001]本专利技术涉及一种基于走势聚类的新高考高校投档位次预测方法，属于数据预测


技术介绍

[0002]近年来新高考改革陆续在各个省份实行，以新、旧高考变化较大的江苏为例，新高考改革带来的最大的变化就是计分规则的不同，从而带来预测江苏新高考各高校最低投档位次时，往年的数据可直接参考性较低的问题，这将导致投档位次预测的准确性低。由于每年高校招生计划、学校声誉、社会经济发展等一系列常见已知因素和一些未知因素的变化，对高校最低投档位次的综合影响是较为复杂的，在进行预测时，捕捉这些因素的变化对历年高校投档位次的影响，可以进一步提高投档位次预测的准确性。对于当前年份高校投档位次较为精准的预测，可以大大提高高考考生志愿填报的成功率，减少滑档的几率。
[0003]传统的较为简单的高校最低投档位次预测方法中，包括线差法、等效分法、平均排位法。对高校最低投档位次预测效果更好的较为复杂的方法包括：灰色系统理论、机器学习相关模型、神经网络等。目前针对新高考高校最低投档分数位次的预测，主要有文理等分位法和位次率法。综合以上的高考投档位次预测的研究，其中的大部分研究都是针对新高考改革以前或者未进行新高考改革的省份进行研究，位次的预测拥有较长年份的可直接参考数据，但是针对新、旧高考计分规则不同的背景下，以江苏新高考为例，使用这些方法预测江苏新高考下的高校投档位次存在精确性较低的问题。由于江苏旧高考含有选科等级的特殊性，历年高校投档位次来预测新高考下的投档位次时，也需要考虑旧高考时高校选科等级要求的影响，上述针对新高考高校最低投档分数位次的预测的文理等分位法和位次率法对于江苏新高考并不是适用。同时，上述高校投档位次预测方法，并没有考虑到在多种因素的共同影响下，不同高校的最低投档位次近几年的变化趋势也是不同的，可能是有规律的，可能是无规律的，这些位次影响因素包括高校发展、高校扩招、地域发展、高考人数变化等，这些因素的共同作用，对高校投档位次的预测同样具有较大的影响。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种基于走势聚类的新高考高校投档位次预测方法，根据高校历年位次走势对高校进行聚类，捕捉多种因素的变化对历年高校投档位次的影响，其中，位次走势稳定类高校使用BP神经网络模型进行位次预测，位次走势非稳定类高校使用GM(1,1)模型进行位次预测，并在模型训练时加入量化后的选科等级特征，进一步提高新高考下高校投档位次的预测精度。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供了一种基于走势聚类的新高考高校投档位次预测方法，包括：
[0007]获取x年间各高校的历史最低投档位次数据；
[0008]根据历史最低投档位次数据进行位次走势划分，并根据位次走势对高校进行聚类，划分为位次走势稳定类高校和位次走势非稳定类高校；
[0009]对位次走势稳定类高校使用BP神经网络模型预测今年新高考最低投档位次，并在模型训练时加入量化处理后的旧高考选科等级特征；
[0010]对位次走势非稳定类高校使用GM(1,1)模型预测今年新高考最低投档位次；
[0011]将不同类别高校的最低投档位次预测结果进行合并，作为新高考下各高校最低投档位次的预测数据。
[0012]进一步的，在获取设定年度下各高校的历史最低投档位次数据后，对历史最低投档位次数据进行缺失值处理，包括直接删除法、相邻年份平均值填充法、相邻年份数据直接填充法。
[0013]进一步的，所述缺失值处理包括：
[0014]若一高校在设定年度范围内对预先选取的区域的数据缺失，则认为该高校取消了对该区域考生的招生，将该高校数据进行删除处理；
[0015]若一高校中间年份缺失，则使用相邻年份位次的平均值进行填充处理；
[0016]若一高校头部或尾部年份数据缺失，则使用相邻年份位次数据进行填充处理。
[0017]进一步的，所述旧高考选科等级特征的量化处理，包括：
[0018]使用标签编码将高校选科等级特征进行数值量化处理，一个离散特征转换为一列整数，每个整数代表一个取值，其中，高校的选科等级为两门选科分别要求的等级组合，单独一门选科可能取得的等级标签有多种；
[0019]将多种等级标签进行数值编码，以高校两门选科等级对应的标签编码之和，作为该高校选科等级要求量化后的等级评分。
[0020]进一步的，所述根据历史最低投档位次数据进行位次走势划分，包括：
[0021]由于高校x年最低投档位次一共存在x
‑
1个相邻年份的位次差值，用“1”表示差值特征“>0”，即后一年较前一年最低投档位次要求低，位次数值
‘
增
’
；用“0”表示差值特征“<0”，即后一年较前一年最低投档位次要求高，位次数值
‘
减
’
；
[0022]用x
‑
1个
‘
增
’
或
‘
减
’
的组合表示一所高校在这x年间的最低投档位次走势，并用x
‑
1个
‘0’
或
‘1’
组成的x
‑
1位二进制数所对应的十进制数的值作为位次走势类型编号值，走势类型编号值中的数值表示高校根据x年最低投档位次走势进行划分的各个类别。
[0023]进一步的，所述BP神经网络模型在训练之前，先将历年高校位次特征与量化后的选科等级特征进行离差标准化处理，去除不同特征之间的量纲影响。
[0024]进一步的，所述位次走势稳定类高校在划分时，将稳定定义为：高校x年的最低投档位次数据中，近x
‑
1年的位次走势呈现递增或递减状态。
[0025]第二方面，本专利技术提供一种基于走势聚类的新高考高校投档位次预测装置，包括：
[0026]数据获取模块，用于获取x年间各高校的历史最低投档位次数据；
[0027]走势划分模块，用于根据历史最低投档位次数据进行位次走势划分，并根据位次走势对高校进行聚类，划分为位次走势稳定类高校和位次走势非稳定类高校；
[0028]第一预测模块，用于对位次走势稳定类高校使用BP神经网络模型预测今年新高考最低投档位次，并在模型训练时加入量化处理后的旧高考选科等级特征；
[0029]第二预测模块，用于对位次走势非稳定类高校使用GM(1,1)模型预测今年新高考
最低投档位次；
[0030]合并模块，用于将不同类别高校的最低投档位次预测结果进行合并，作为新高考下各高校最低投档位次的预测数据。
[0031]第三方面，本专利技术提供一种电子设备，包括处理器及存储介质；
[0032]所述存储介质用于存储指令；
[0033]所述处理器用于根据所述指令进行操作以执行根据前述任一项本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于走势聚类的新高考高校投档位次预测方法，其特征在于，包括：获取x年间各高校的历史最低投档位次数据；根据历史最低投档位次数据进行位次走势划分，并根据位次走势对高校进行聚类，划分为位次走势稳定类高校和位次走势非稳定类高校；对位次走势稳定类高校使用BP神经网络模型预测今年新高考最低投档位次，并在模型训练时加入量化处理后的旧高考选科等级特征；对位次走势非稳定类高校使用GM(1,1)模型预测今年新高考最低投档位次；将不同类别高校的最低投档位次预测结果进行合并，作为新高考下各高校最低投档位次的预测数据。2.根据权利要求1所述的基于走势聚类的新高考高校投档位次预测方法，其特征在于，在获取设定年度下各高校的历史最低投档位次数据后，对历史最低投档位次数据进行缺失值处理，包括直接删除法、相邻年份平均值填充法、相邻年份数据直接填充法。3.根据权利要求1所述的基于走势聚类的新高考高校投档位次预测方法，其特征在于，所述缺失值处理包括：若一高校在设定年度范围内对预先选取的区域的数据缺失，则认为该高校取消了对该区域考生的招生，将该高校数据进行删除处理；若一高校中间年份缺失，则使用相邻年份位次的平均值进行填充处理；若一高校头部或尾部年份数据缺失，则使用相邻年份位次数据进行填充处理。4.根据权利要求1所述的基于走势聚类的新高考高校投档位次预测方法，其特征在于，所述旧高考选科等级特征的量化处理，包括：使用标签编码将高校选科等级特征进行数值量化处理，一个离散特征转换为一列整数，每个整数代表一个取值，其中，高校的选科等级为两门选科分别要求的等级组合，单独一门选科可能取得的等级标签有多种；将多种等级标签进行数值编码，以高校两门选科等级对应的标签编码之和，作为该高校选科等级要求量化后的等级评分。5.根据权利要求1所述的基于走势聚类的新高考高校投档位次预测方法，其特征在于，所述根据历史最低投档位次数据进行位次走势划分，包括：由于高校x年最低投档位次一共存在x
‑
1个相邻年份的位次差值，用“1”表示差值特征“>0”，即后一年较前一年最低投档位次要求低，位次数值
‘
增
’
；用“0”表示差值特征“<0”，即后一年较...

【专利技术属性】
技术研发人员：顾亦然，徐泽彬，李晓芳，周永波，王雨，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：