[发明专利]一种基于大数据预测考试关键学生的方法及装置

权利要求书

1.一种基于大数据预测考试关键学生的方法，其特征在于，该方法包括：

步骤1、预处理及存储学情大数据

用于对学情大数据进行清洗、预处理操作，并存储到数据库中，为后续临界生的识别提供基础，其包括：数据清洗、数据预处理和数据存储；

学情大数据包括学生信息、历次考试信息及成绩数据，预处理及存储学情大数据具体包括：

步骤1.1、数据清洗；对原始学情大数据进行重复数据删除、异常值剔除、缺失值填充，得到初步处理后的数据；

步骤1.2、数据预处理；对学情大数据进行字段拆分、添加衍生字段的操作；

步骤1.3、数据存储；将预处理后的数据存储到数据库表中，供后续分析使用；

步骤2、预测学生成绩

根据学生往次各科目考试成绩数据，预测学生单科成绩及总成绩；包括预测学生单科成绩和计算学生总成绩；

步骤3、计算临界生人数

根据成绩数据，依次计算全局波动值和局部波动值，用于根据学生成绩的全局和局部波动情况，动态确定临界生人数；包括计算全局波动值、计算局部波动值；

计算全局波动值和局部波动值的具体步骤为：

步骤3.1、计算全局波动值；全局波动值体现了学生整体的成绩波动性，全局波动值越大则表示学生整体的成绩波动越大；全局波动值等于所有名次对应的波动值的平均值，其中的每个名次的波动值等于每次考试中，取得该名次的学生在下一次考试中的名次与本次考试的名次差异的平均值；

步骤3.2、计算局部波动值；局部波动值在全局波动值的基础上对成绩的波动情况进一步细化，体现了特定名次范围内学生成绩的波动情况，某个名次对应的局部波动值越大，则临界生人数越多；假定学生总人数为n，对于每一个名次r，1≤r≤n，该名次对应的局部波动值等于以该名次为中心，在全局波动值（gw）范围内的所有名次的波动值的平均值；

假定某分数线对应的录取人数为r，则该分数线对应的临界生人数等于名次r对应的局部波动值；

步骤4、识别临界生

根据步骤2得到的预测成绩数据得到学生预测排名；假定指定分数线对应的录取人数为r，则该分数线对应的临界生为预测排名在r附近上下波动的学生，波动的范围由步骤3中的临界生人数计算结果决定。

2.根据权利要求1所述的基于大数据预测考试关键学生的方法，其特征在于，全局波动值体现了学生整体的成绩波动性，全局波动值的计算方法为：

将成绩数据中学生人数表示为n，考试次数表示为m；对于每一个名次r，1≤r≤n，计算在每场考试中排名为的学生与该生在下一次考试的排名之差的绝对值并取平均值，即为名次对应的波动值，所有名次的波动值取平均值即为全局波动值；

局部波动值体现了特定名次范围内学生成绩的波动情况，局部波动值越大，则临界生人数越多，计算局部波动值的方法为：对于每一个名次r，1≤r≤n，计算名次范围内每个名次波动值之和再取平均值，即为名次对应的局部波动值；

对于给定的分数线对应的录取率，首先计算录取人数，其中为参与预测的学生总人数，在得到录取人数后，则给定分数线对应的临界生人数即等于步骤3.2中名次对应的局部波动值。

3.根据权利要求2所述的基于大数据预测考试关键学生的方法，其特征在于，在步骤4中，划定临界生：

根据学生的预测成绩数据，得到学生预测排名，其中预测排名在范围内的学生即为录取率为的分数线所对应的临界生。

4.一种基于权利要求1所述方法的预测考试关键学生的装置，其特征在于，该装置包括：

数据处理单元：负责接收原始学情大数据，并对数据进行预处理和存储，并存储到数据库中；

成绩预测单元：根据学生往次考试的单科成绩，预测学生各科目成绩，并根据预测的单科成绩计算学生总成绩；

临界生人数预测单元：根据往次考试成绩数据，计算学生成绩的全局波动值和局部波动值，并根据波动情况确定临界生人数；所述临界生人数预测单元包括：

全局波动值计算子单元：用于根据往次考试成绩数据，计算所有名次的波动值的平均值，即全局波动值；

局部波动值计算子单元：用于根据往次考试成绩数据和全局波动值，计算每个名次对应的局部波动值；某分数线的临界生人数等于该分数线对应的录取名次的局部波动值；

临界生识别单元：用于根据学生成绩预测数据和临界生人数预测数据，识别指定分数线对应的临界生。