[发明专利]一种基于朴素贝叶斯算法与曲线建模的城区学位压力评估方法

说明书

本发明涉及一种基于朴素贝叶斯算法与曲线建模的城区学位压力评估方法，包括基于朴素贝叶斯算法的学龄儿童流出模型与基于曲线估计法的学龄儿童流入模型，最终根据公式“学位需求＝适龄儿童数量+流入适龄儿童数量‑流出适龄儿童数量”，建立以年为单位的学位压力评估模型，对城区内的学位压力进行评估；考虑了城区人口迁移对于教育资源需求量的影响，辅助政府部门以及学校管理者提前做出应对，从而按照需要优化城市的教育资源布局，提升整体教育水平。

技术领域

本发明属于城市教育资源管理技术领域，特别是涉及一种基于朴素贝叶斯算法与曲线建模的城区学位压力评估方法。

背景技术

目前城市生活中，特别是中小学生对于学位需求的预测主要是基于城区适龄人口的静态数据得到。此种方法的问题是忽略了城区人口流动因素，特别在对中长期的学位需求预测时，采用静态人口数据会导致预测结果与现实存在较大偏差。

其中现有计算方法技术包括朴素贝叶斯算法和曲线拟合建模，但是都不能解决上述问题。

1.朴素贝叶斯算法：

贝叶斯定理是统计学中通过事件集中的先验概率对后验概率评估的一个算法，其具体形式为：对于随机事件A和B有，在B发生的情况下A发生的可能性P(A|B)为随机事件的条件概率满足如下公式：

贝叶斯算法是应用贝叶斯定理对，它是一类利用概率统计知识对事件进行分类的算法。该算法被广泛运用到大型数据的预测中，但适用于具有多维度的事件发生可能性的准确评估。

2.曲线拟合建模：

曲线拟合(curve fitting)是指选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系。在确定拟合参数时采用最小二乘法，最小二乘法是一种数学优化技术，通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。本方法只适合用于建模预测一些根据事件连续变化的数值关系。

考虑到以上两种预测方法不能单独完整的解决适龄人口的静态数据问题，有必要建立一套动态的学位需求预测模型，综合考虑城区内与学位压力相关的各项指标，据此评估城区内学位压力随时间演化的情况，以帮助教育部门合理分配教育资源与有计划扩充教育设施。

发明内容

本发明提供一种基于朴素贝叶斯算法与曲线建模的城区学位压力评估方法，综合考虑城区内与学位压力相关的各项指标，据此评估城区内学位压力随时间演化的情况，以帮助教育部门合理分配教育资源与有计划扩充教育设施。

本发明采用的技术方案是：包括基于朴素贝叶斯算法的学龄儿童流出模型与基于曲线估计法的学龄儿童流入模型，最终根据公式“学位需求＝适龄儿童数量+流入适龄儿童数量-流出适龄儿童数量”，建立以年为单位的学位压力评估模型，对城区内的学位压力进行评估；

本发明提供的一种基于朴素贝叶斯算法与曲线建模的城区学位压力评估方法，包括以下步骤：

S10：探索所述学位压力相关数据方法：

探索区域内与就学情况相关的信息，通过各相关委办局业务数据包括学生信息、房屋出租信息或房地产户主信息等，获取相应数据字段，为未来模型的构建提供数据支撑；

S20：评估适龄儿童数量方法为：

通过儿童年龄(身份证号)以及该地区平均入学年龄的统计结果，获取未来1-5年内到达入学年龄的儿童人数；

S30：构建学龄儿童流出模型方法，选取样本中共m个适龄儿童数据作为训练样本，基于朴素贝叶斯算法构建相应模型，具体步骤如下：

S31.对数据字段中的连续性指标进行分箱；