[發明專利]基于深度學習算法的高考分數預估及志愿選擇方法、系統

有效

• 申請號: 201810523472.3
• 申請日: 2018-05-28
• 公開（公告）號: CN108764718B
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 王春寧;官晨曄
• 申請（專利權）人: 王春寧
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/20;G06N3/04;G06N3/08
• 代理公司: 北京君泊知識產權代理有限公司 11496
• 代理人: 王程遠

1.一種基于深度學習算法的高考分數預估及志愿選擇方法，其特征在于，包括：

步驟1，根據往年各高校各專業各生源地的歷史分數線和線差數據，通過LSTM神經網絡算法預測當前年度各高校各專業各生源地的線差數據，并對預測出來的各高校各專業各生源地的線差值進行分組；

步驟2，根據預測出的當前年度各高校各專業各生源地的線差數據，確定考生生源地當前年度各級別高校分數線，包括一本、二本、三本和專科分數線；

步驟3，考生輸入當前年度的成績值，根據所在生源地，對其輸入的成績值進行判斷：

當輸入的成績值為其實際考取的成績時，采用DNN神經網絡算法訓練得出該考生成績所對應的線差，與步驟1中所得的各高校各專業的線差值分組進行匹配，得出相關的高校專業結果；

當輸入的成績值為其預估的成績時，對輸入的預估成績進行模糊化處理，得到該考生的預估分數區間，并結合考生的高中數據，采用DNN神經網絡算法聯合訓練后，得出相關的高校專業結果，包括：

根據該預估成績的評價因素的權重及評分結果，經模糊數學模型處理后，得到該考生的預估分數區間；

從步驟1中預測獲得的各高校各專業各生源地的線差時間序列數據中篩選出該預估分數區間所對應的線差時間序列數據作為DNN神經網絡的樣本數據，訓練得到該考生所在生源地各高校各專業所對應的高校專業線差分類器；

根據采集到的各高校各專業各生源地學生的高中數據，將該高中數據作為DNN神經網絡的樣本數據，訓練得到各高校各專業各生源地的學生高中考試分數表現分類器；

將高校專業線差分類器與學生高中考試分類器聯合訓練，以使得二者各類別一一對應；

將考生的高中數據輸入學生高中考試分數表現分類器，以得到該考生所屬高中考試分類器的類別，并獲取對應的高校專業線差分類器中的類別；

根據分類情況，將所屬該高校專業線差分類器中的類別作為考生對應的高校專業結果；

步驟4，根據匹配出的高校專業結果，得到初步報考方案；

步驟5，將初步報考方案與高校政策類信息結合分析，得到最終報考方案。

2.根據權利要求1所述的高考分數預估及志愿選擇方法，其特征在于，步驟1中，采用LSTM神經網絡算法預測當前年度各高校各專業的線差數據的方法為：

以往年各高校各專業的線差的時間序列數據作為樣本輸入，采用LSTM神經網絡訓練這些樣本數據，獲取當前年度各高校各專業各生源地的線差模擬器，得到當前年度各高校各專業各生源地的線差值；

其中，采用的LSTM神經網絡由輸入門、忘記門、輸出門以及細胞單元組成：

輸入門，其用于對輸入的成績值進行篩選，采用的公示為：

i_t＝σ_g(W_ix_t+U_ih_t-1+b_i)；

忘記門，其用于歷史信息在單元中的繼承問題，采用的公示為：

f_t＝σ_g(W_fx_t+U_fh_t-1+b_f)；

輸出門，其用于圍繞輸出值展開過濾，采用的公示為：

o_t＝σ_g(W_ox_t+U_oh_t-1+b_o)；

細胞單元，采用的公式為：

歷經各計算過程后，最終可根據細胞單元c_t計算得到隱態

其中初始狀態為：c_o＝0，h_o＝0；

式中，x_t為LSTM神經網絡輸入值，i_t為輸入門激活向量，f_t為忘記門激活向量，o_t為輸出門激活向量，h_t為LSTM神經網絡輸出值，c_t為細胞單元向量，W、U為權矩陣，b為偏差向量，σ_g、σ_c、σ_h則分別為Sigmoid函數、Tanh函數、Tanh或恒等函數，則為逐點矩陣乘法。