深度学习模型在高校录取分数预测工程中的应用研究
高质量的高考志愿填报需要对所填报高校按照录取分数高低分出层级,然而志愿填报时各高校投档线尚未公布,考生仅能看到自己高考成绩、省内排名和本省的一分一档表,因此只能根据高校预测录取分数进行志愿填报。目前常见的高校高考录取分数预测方法主要有线差法、等效分法、平均排位法等,基于时间序列的预测方法主要有回归分析法、指数平滑法、灰色关联度法、人工神经网络法等,也有将单一预测模型加以组合形成的组合预测模型。上述方法主要存在两方面问题:一是使用分数或排名作为预测依据,没有考虑到招生规模变化、省控线变化对高校录取分数水平的影响;二是没有考虑高校发展趋势对录取分数的影响,或仅以简单线性回归研究录取走势,缺乏足够的适用性。 首先引入线上百分位测度衡量高校录取分数水平,消除了招生规模、省控线分数对高校录取分数水平测量的影响,同时实现了录取分数的归一化处理。然后,基于深度学习中的长短时记忆神经网络(LSTM)构建了具有四个LSTM细胞单元和一个全连接输出层的LSTM预测模型,使用误差平方和作为损失函数,输入数据为前四年的最低分线上百分位和平均分线上百分位,输出数据为第五年最低分线上百分位。采集河北省1053所高校从2010至2017年本科一批和本科二批文理科录取分数数据,将其拆分成5559个训练样本和251个测试样本,在隐藏层维度为32、mini-batch取100、学习率取0.0001、epoch为12000时,通过一分一档表将模型输出的预测最低分线上百分位转换为预测最低分,与高校当年实际最低分进行比较,结果显示,LSTM模型预测最低分平均误差平方和为68.03,平均排位法为146.14,线上百分位回归算法平均误差平方和为88.12,LSTM模型的预测准确率比平均排位提高53.45%,比线上百分位回归算法提高13.74%。 实验证明,LSTM预测模型能够自主学习到高校发展趋势等因素对录取分的影响,从而更为精准的预测出高校录取分数。但是,LSTM模型在对诸如北京大学、上海复旦大学等顶级高校录取分数进行预测时,出现了偏差较大的情况,未来可以通过组合预测的方式加以解决。
等学校;录取分数;预测模型;长短时记忆神经网络
华北理工大学
硕士
工程管理
吕震宇;于树利
2020
中文
G647.32;TP183
2021-01-21(万方平台首次上网日期,不代表论文的发表时间)