(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910418879.4
(22)申请日 2019.05.20
(71)申请人 吉林华翰云数据分析有限公司
地址 130031 吉林省长春市经济开发区世
纪大街2055号
(72)发明人 赵雷 任秋野
(74)专利代理机构 北京智沃律师事务所 11620
代理人 梁晨
(51)Int.Cl.
G06F 16/21(2019.01)
G06F 16/2458(2019.01)
G06F 16/248(2019.01)
(54)发明名称
(57)摘要
本发明公开了一种基于大数据的高考智能
赋分建模算法，包括如下操作步骤：算法前期验
均分预测；标准差预测；赋分算法；原始分手动微
调，对学生的原始分进行手动微调，再对微调后
基于大数据的高考智能赋分建模算法，主要以
“小样本”推“大样本”：即以校考的试卷质量，大
绩分布情况，并对预测全市情况进行赋分计算，
最终实现对校内日常考试的智能赋分，并可进行
跨年级赋分。权利要求书5页 说明书8页 附图2页CN 110245124 A 2019.09.17
C N 110245124
A
1.一种基于大数据的高考智能赋分建模算法，其特征在于，包括以下步骤：
S1：算法前期验证，对算法应用的理论基础进行大数据验证；
S2：平均分预测；
S3：标准差预测；
S4：赋分算法；
S5：原始分手动微调。
2.根据权利要求1所述的一种基于大数据的高考智能赋分建模算法，其特征在于，所述S1中进一步包括：
S1.1：数据预处理：获取历次考试的全市整体数据，并根据学校进行数据筛选，仅保留历次考试均参考的学校；
S1.2：假设1验证：校学科水平相对全市水平相对稳定，对百余所学校进行历次校均值/市均值的比值计算，可知各学科校均值/市均值的比值在历次考试中区域一条直线，考试包括文理分科考试以及新高考考试；
S1.3：假设2验证：各学科市考标准差存在一定时间序列关系，即将各地市多次成绩进行时间序列分析，用于进行市考标准差预测；
S1.4：假设3验证：各学科市考原始分为趋向于正态分布。
3.根据权利要求1所述的一种基于大数据的高考智能赋分建模算法，其特征在于，所述S2中进一步包括：
S2.1：根据对历次考试校相对系数计算，相对系数记为r，r＝我校平均分/整个统考端平均分；
S2.2：预测校相对系数记为pre_r，根据三期加权法预测，加权系数可根据需要进行调整：如参考统考考试大于或等于3次：pre_r＝r1*0.6+r2*0.2+r3*0.2，r1为最近一次考试系数，r2为最近第二次考试系数……；如参考统考考试等于2次：pre_r＝r1*0.7+r2*0.3，r1为最近一次考试系数，r2为最近第二次考试系数；如参考统考考试仅1次：pre_r＝r1，r1为最近一次考试系数；
S2.3：预测平均值(pre_avg)：pre_avg＝我校本次校考平均分/pre_r。
4.根据权利要求1所述的一种基于大数据的高考智能赋分建模算法，其特征在于，所述S3中包括：
S3.1：历次考试标准差计算：历次考试标准差记为std，计算标准差时均只计算分数大于0的学生；如该学科满分分值不为100分，则需进行标准差转化final_std＝std*100/满分分值；
S3.2：预测标准差记为pre_std，根据三期加权法预测，加权系数可根据需要进行调整：如参考统考考试大于或等于3次：pre_std＝std1*0.5+std2*0.3+std3*0.2，std1为最近一次考试标准差，std2为最近第二次考试标准差……；如参考统考考试等于2次：pre_std＝std1*0.7+std2*0.3；如参考统考考试仅1次：pre_std＝std1，std1为最近一次考试标准差。
5.根据权利要求1所述的一种基于大数据的高考智能赋分建模算法，其特征在于，所述S4中赋分算法包括：
S4.1：正态分布算法：学生成绩标准正太化：将本次校考学生成绩标准正态化z＝(x-预测平均分)/预测标准差；根据z查正态分布表，累计频率值(P值)；计算选择的赋分比例规则的各等级比例累计值，如比例为1，2，3，4，5，6，7，8，7，7，7，7，7，7，6，5，4，3，2，1，1，则对应的21个比例累计值为1，3，6，10，15，21，28，36，43，50，57，64，71，78，84，89，93，96，98，99，100；到大于P值得最小的累计比例值，则该原始分赋分等级为该比例对应的等级；
6.根据权利要求5所述的一种基于大数据的高考智能赋分建模算法，其特征在于，所述S4中赋分算法还包括：
S4.2：ab转化x＝org_x*a+b，a＝pre_std/最近一次统考标准差，b＝pre_avg-a*最近一次统考平均分；x标准化：将ab转化后的x进行标准化，即转化为整数或小数区为0.5的浮点数，就近转化，间隔相等，就低取；学生替换：在ab系数转化后的榜单中去除我校的学生，并将本次校考我校学生的原始分成绩加入榜单；计算分数X的累计频率值(P值)：大于或等于该分数的学生人数/全部学生人数*100；计算选择的赋分比例规则的各等级比例累计值，如比例为1，2，3，4，5，6，7，8，7，7，7，7，7，7，6，5，4，3，2，1，1，则对应的21个比例累计值为1，3，6，10，15，21，28，36，43，50，57，64，71，78，84，89，93，96，98，99，100；到大于P值得最小的累计比例值，则该原始分赋分等级为该比例对应的等级；
7.根据权利要求1或5或6所述的一种基于大数据的高考智能赋分建模算法，其特征在
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议