基于指数平滑和自适应过滤法的高校录取分数线预测方法技术

本发明专利技术公开了一种基于指数平滑和自适应过滤法的高校录取分数线预测方法。步骤如下：首先对历年的录取分数线数据进行预处理。模型一通过差分方法，利用MATLAB构造差分序列；将新序列值与实际值依次迭加预测下一年录取线；依次类推，得到预测年份预测结果1。模型二首先取历年数据的加权平均作为初始预测值；调整权数，减小误差，直至最佳权数；取最佳权数，加权平均得预测年份预测结果2。最后比较两个预测结果，选择最佳预测值。本发明专利技术的有益效果在于：综合考虑模型特点，进行模型融合，取得更高预测精度。测精度。测精度。

【技术实现步骤摘要】
基于指数平滑和自适应过滤法的高校录取分数线预测方法


[0001]本专利技术属于高考志愿填报领域，具体涉及一种基于指数平滑和自适应过滤法的高校录取分数线预测系统。

技术介绍

[0002]在高考志愿填报领域，传统的高考志愿填报方法主要是人工报考方式。这种高考志愿填报方式虽然比较适合自己的孩子，但是需要家长熟悉高考志愿填报的相关政策及规则，同时，需要家长花费大量时间整理汇总高考志愿填报相关的数据及资料和学习研究高考志愿填报的方法和技巧，存在不准确报考、消耗大量时间等问题，极易漏填符合报考条件的院校，这种方法基本很难满足对高考志愿填报精准、高效的要求。
[0003]如今，高考志愿填报系统在减小高考生志愿填报误差方面发挥巨大作用，在高考志愿填报上的应用很广泛。鉴于人工报考方式的局限性，人们开始设想运用大数据的方法来进行高考志愿填报，并取得了一定的研究成果。与传统的高考志愿填报方法方法相比，基于指数平滑法、自适应过滤法的高考志愿填报系统保障了考生的选择权、提高了志愿准确度、更好的兼顾院校和专业，且能够缩短志愿填报时间。

技术实现思路

[0004]为了解决报考志愿数目多，高考数据变化大，影响因素多，预测高校录取分数线困难的问题，本专利技术公开了一种基于指数平滑、自适应过滤法的高校录取分数线预测方法。
[0005]为实现上述目的，本专利技术采用的技术方案为：利用指数平滑和自适应过滤两种预测模型进行分数线预测，比较得到的预测结果，从而估算出本年某高校录取分数线的大致区间，具体步骤如下：
[0006]步骤1：对某高校历年的录取分数线数据进行预处理；
[0007]步骤2：模型一通过差分的方法，利用软件将后一年Y
t
与前一年Y
t
‑1的数据相减得到一个差分值，构成一个新序列。将新序列的值与实际值依次迭加，作为下一期的预测值。以此类推，得预测年份的预测结果1。
[0008]步骤3：模型二是根据一组给定的权数w对历年的数据进行加权平均计算一个预测值y，然后根据预测误差调整权数以减少误差，这样反复进行直至找到一组最佳权数，使误差减小到最低限度，再利用最佳权数进行加权平均预测，得预测年份的预测结果2；
[0009]步骤4：通过预测出的数据，比对模型一、模型二，取最佳预测值，给报考某高校某专业的考生做出较为合理的建议。
[0010]进一步的，所述步骤1的具体方法为：
[0011]S
t
＝a*y
t
+(1
‑
a)S
t
‑1[0012]其中S
t
为时间t的平滑值，a为指数平滑因子，a∈(0，1)，y
t
为t年某高校的录取分数线，S
t
‑1为时间t的平滑值；且为时间t的平滑值；且为t年某高校的预测录取分数线，为t+1年某高校的预测录取分数线；S
t
随a的取值的大小而变化，a的大小决定了y
t
和S
t
‑1对S
t
的影
响，a∈(0，1)，特别地，当a＝1时，即下一年的预测值用今年的实际值来代替，完全不相信历史数据；a＝0时，即下一年的预测值用今年的预测值来代替，完全相信历史数据。两种情况都太过极端，故a往往取O
‑
1之间的一个数，这里取a＝0.4。
[0013]由于新高考改革政策落实时间较短，目前积累的数据有限，这里取s1＝y1，待积累若干数据后，S1可取前面若干数据的加权算数平均数
[0014]加权系数分别为w1，w2，w3…
，考虑到每年考试难度、市场热点专业的变化，数据具有一定的时效性，故历年数据的权重随着年份的增加而增加，权重的具体取值由调用者来确定。
[0015]进一步的，所述步骤3具体包括以下步骤：
[0016]自适应过滤法与移动平均法、指数平滑法一样，也是以时间序列的历史观测值进行某种加权平均来预测的，它要寻找一组“最佳”的权数，其办法是先用一组给定的权数来计算一个预测值，然后计算预测误差，再根据预测误差调整权数以减少误差。这样反复进行，直至找出一组“最佳”权数，使误差减少到最低限度。由于这种调整权数的过程与通讯工程中的传输噪声过滤过程极为接近，故称为自适应过滤法。自适应过滤法的基本公式
[0017][0018]权数调整公式为
[0019]w
i
’
＝w
i
+2ke
t+1
y
t
‑
i+1
.i＝1，2，
…
N，t＝N，N+1，
…
n
ꢀꢀꢀ
(2.2)
[0020]其中w
i
为i年调整前录取分数线所占的权重，w
’
i
为i年调整后的第i个权数，e
t+1
为第t+1期的预测误差，k为学习常数，n为序列数据个数；
[0021]式(3.2)表明：调整后的一组权数应等于旧的一组权数加上误差调整项，这个调整项包括预测误差、院观测值和学习常数等三个因素。学习常数k的大小决定权数调整的速度。
[0022]进一步的，所述步骤4具体包括以下步骤：
[0023]对比模型一与模型二得出的结果1和结果2，取最佳预测值；给出考生报考的合理性建议；
[0024]有益效果：本专利技术提供一种基于指数平滑法、自适应过滤法结合对新高考不同专业分数线进行预测的方法；使用指数平滑法模型进行分数线预测，对小数据量时间序列进行差分操作使数据平稳、通过自相关函数和偏自相关函数确定模型参数与结构、检验模型拟合度，最后进行预测；使用自适应过滤法，结合历史数据和合适的权重系数构建模型，从而进行分数线预测。综合考虑模型特点，进行模型融合，取得更高预测精度。该方法有如下几个优点。
[0025]1)对异常值和噪声抗干扰能力更强：综合运用两种方法建立分数线的预测模型会有很好的去除异己和噪声的优点，更加健壮。
[0026]2)减小误差：自适应过滤法能够较好地处理数据中的噪声和不确定性，指数平滑法能够充分利用时间序列数据中的信息，综合使用多种算法进行分数线预测可以提高预测可信度。通过比较结果差异、检查异常点及时修正，可以有效降低因单一算法或者数据不稳定性产生的误差。
[0027]3)灵活度高：自适应过滤法可以根据数据的特点自动调整参数，具有很高的灵活度，可以针对不同情况进行预测。
[0028]4)弥补单一方法的局限性：在使用各种预测方法进行分数线预测时，每个方法都有其自身的假设和局限，不同方法产生的预测结果也存在差异。指数平滑法模型更多地依赖历史时间序列数据建立模型，适用于相对稳定、周期性较强的数据；而自适应过滤法则能够捕捉到更为动态的趋势和变化，并且能够更好地应对周期性变化不规律情况。综合使用这两种方法可以更好地利用原始数据的特征信息。结合指数平滑法模型的稳健性和自适应过滤法的灵活性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于指数平滑和自适应过滤法的高校录取分数线预测方法，其特征在于，包括以下步骤：步骤1：对某高校历年的录取分数线数据进行预处理；步骤2：模型一通过指数平滑的方法，利用软件将后一年Y
t
与前一年Y
t
‑1的数据相减得到一个差分值，构成一个新序列；将新序列的值与实际值依次迭加，作为下一期的预测值；以此类推，得预测年份的预测结果1；步骤3：模型二是根据一组给定的权数w对历年的数据进行加权平均计算一个预测值y，然后根据预测误差调整权数以减少误差，这样反复进行直至找到一组最佳权数，使误差减小到最低限度，再利用最佳权数进行加权平均预测，得预测年份的预测结果2；步骤4：通过预测出的数据，比对模型一、模型二，取最佳预测值，给报考某高校某专业的考生做出较为合理的建议。2.根据权利要求1所述的基于指数平滑法和自适应过滤法的高校录取分数线预测方法，其特征在于，所述步骤2具体包括以下步骤：S
t
＝a*y
t
+(1
‑
a)S
t
‑1其中S
t
为时间t的平滑值，a为指数平滑因子，a∈(0，1)，y
t
为t年某高校的录取分数线，S
t
‑1为时间t的平滑值；且为时间t的平滑值；且为t年某高校的预测录取分数线，为t+1年某高校的预测录取分数线；S
t
随a的取值的大小而变化，a的大小决定了y
t
和S
t
‑1对S
t
的影响，当a＝1时，即下一年的预测值用今年的实际值来代替，完全不相信历史数据；a＝0时，即下一年的预测值用今年的预测值来代替，完全相信历史数据；两种情况都太过极端，故a往往取O
‑
1之间的一个数，这里取a＝0.4；取...

【专利技术属性】
技术研发人员：彭湘蕾，朱成龙，夏柯然，毕子译，孔舒淇，刘琪，
申请(专利权)人：聊城大学，
类型：发明
国别省市：