• 《基于智慧决策的高考志愿辅助填报方案》论文笔记(十八)


     一、基本信息

    标题:基于智慧决策的高考志愿辅助填报方案

    时间:2017

    来源:成都市外国语学校

    关键词:智慧决策; 分数预测; 高考志愿; 辅助填报;

    二、研究内容

    1.主要内容

      文章提出了一种基于智慧决策的高考志愿辅助填报方案,该方案由数据预处理、录取分数预测和志愿匹配三部分组成。数据预处理对相关信息进行初步处理,使得处理结果可以直接用于后续的分析和决策。录取分数预测根据历史录取分数、一分一段表、招生计划等信息预测每一个学校当年的录取分数线。志愿匹配根据志愿填报人的分数、意愿等相关信息,为申报人提供符合要求的学校或学校列表,并按照高考志愿填报格式为申报人提供不同的志愿组合,可以直接作为申报人的志愿。采用该方案可以有效提升填报志愿的录取率。

    2.志愿填报辅助决策方案

      本文提出了高考志愿辅助填报决策方案,高考志愿填报智慧辅助决策系统为考生志愿填报带来了新的解决途径。高考志愿填报智慧辅助决策是利用计算机技术、网络技术、数据分析技术等,基于历史数据和考生的意愿,利用智慧决策方法进行分析决策,最终形成符合考生。意愿的高考志愿,为众多没有“外援”的考生填报志愿提供帮助。该方案结构如图所示:

    (1)数据预处理

      在高考志愿填报过程中,涉及的信息主要有学校信息、考生填报志愿影响因素以及最后的志愿信息等。学校信息:学校类型(如 985、211、一流大学、一流学科学校、普通一本、普通二本、普通三本等)、地区(东南、西南、中原、西北、东北等),城市、学院、系、专业、历年录取分数、就业情况等。影响高考志愿填报因素:学校类型、地区,城市、学院、系、专业、考生分数、预测录取分数线等。志愿信息:由学校和多个专业组成的序列,具体可填报学校、专业个数与当年志愿填报具体规定相关。对于学校信息和影响志愿填报因素,其各个分量的类型不同,在进行决策的时无法进行对比衡量,需要对二者进行归一化处理。

    (2)录取分数预测

      本节提出了一个根据某学校历史数据、当年招生计划、一分一段表预测其当年录取分数线的方法,为志愿填报提供基础支撑。假设将某一学校某一年每个专业的录取信息构建为一个多维向量,(Major,Mark,CandNum AdmiNum,PlanNum,Rank),每个分量分别表示专业、录取分数线、报考上对应专业批次人数、录取人数、计划人数、录取最低分在一分一段表中的排名。下面以某一个具体专业为例介绍录取分数线预测的过程。第一步 确定参考年限参数。此年限参数设置为5,表示参考近5年的录取情况,年限参数一般设为[3,5]。第二步 计算预测录取排名基准值。计算报考当年前5年该专业一分一段表中录取分数线对应排名的平均值Rank。第三步 排名基准值调节。

    (3)志愿匹配

      志愿匹配提出了根据预测的录取分数、填报人的实际考分以及填报人的需求进行志愿匹配的方法,填报人的需求可以包括学校类型、学校所在地区、学校所在城市、学校、学院、系、专业、就业情况、学校排名等。填报人可以从这些影响因素中选择一个或多个因素,并调节这些因素的优先级,生成自己个性化的志愿需求PQ:[pq1,pq2,…,pqN]。其中,一个分量pqi表示一个具体的需求,如专业等,pq1是最重要的志愿填报影响因素,pq2是次重要的志愿填报影响因素,然后重要性依次下降。这里PQ:[pq1,pq2,…,pqN]的分量是Q;[q1,q2,…,qn]的分量的子集。

    三、结论

      通过对本篇期刊的阅读。了解到本文从考生需求、拟填报学校分数预测、志愿匹配三个方面入手,层层递进,基于拟填报学校的历史信息、当年一分一段表等信息,形成满足考生个性化需求的志愿列表,可以较好地满足广大考生志愿填报的需求。

    四、参考文献

    [1]彭世辰基于智慧决策的高考志愿辅助填报方案[J].成都市外国语学校,2017.

  • 相关阅读:
    SoapUI 使用笔记
    git 使用笔记(二)
    git 使用笔记(一)
    jquery 拓展
    hdu 1024 Max Sum Plus Plus (DP)
    hdu 2602 Bone Collector (01背包)
    hdu 1688 Sightseeing (最短路径)
    hdu 3191 How Many Paths Are There (次短路径数)
    hdu 2722 Here We Go(relians) Again (最短路径)
    hdu 1596 find the safest road (最短路径)
  • 原文地址:https://www.cnblogs.com/blog1175077321/p/11997325.html
Copyright © 2020-2023  润新知