买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜济宁职业技术学院申请的专利一种普通话水平测试人员管理方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119167211B 。

龙图腾网通过国家知识产权局官网在2025-05-27发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411657821.2，技术领域涉及：G06F18/2415；该发明授权一种普通话水平测试人员管理方法及系统是由李爽;丁敏设计研发完成，并于2024-11-20向国家知识产权局提交的专利申请。

本一种普通话水平测试人员管理方法及系统在说明书摘要公布了：本发明属于普通话测试管理技术领域，本发明公开了一种普通话水平测试人员管理方法及系统，包括采集获取测试人员基本信息数据、考试设备数据、考场容量数据和考官资源数据；对获取的测试人员基本信息数据、考试设备数据、考场容量数据和考官资源数据进行预处理，得到测试人员信息特征数据集、设备特征数据集、考场特征数据集和考官特征数据集；将测试人员信息特征数据集、设备特征数据集、考场特征数据集和考官特征数据集，进行加权融合得到综合特征数据集；根据综合特征数据集训练获取考场资源预测模型，预测得到考场资源数据；根据考场资源数据构建考场资源分配数据库；有助于合理分配考场、考官和设备资源，确保资源利用最大化。

本发明授权一种普通话水平测试人员管理方法及系统在权利要求书中公布了：1.一种普通话水平测试人员管理方法，其特征在于，包括：S1、获取测试人员基本信息数据、考试设备数据、考场容量数据和考官资源数据；S2、对获取的测试人员基本信息数据、考试设备数据、考场容量数据和考官资源数据进行预处理，得到测试人员信息特征数据集、设备特征数据集、考场特征数据集和考官特征数据集；S3、将测试人员信息特征数据集、设备特征数据集、考场特征数据集和考官特征数据集，进行加权融合得到综合特征数据集；根据综合特征数据集训练获取考场资源预测模型，预测得到考场资源数据；S4、根据考场资源数据构建考场资源分配数据库；S5、根据考场资源分配数据库对未来n个时间段内的测试人员的考试时间和考试地点进行智能化分配；所述将测试人员信息特征数据集、设备特征数据集、考场特征数据集和考官特征数据集，进行加权融合得到综合特征数据集的方法包括：将归一化后的测试人员信息特征数据集、设备特征数据集、考场特征数据集和考官特征数据集通过加权模型融合得到综合特征数据集；将测试人员信息特征数据集记为V1，设备特征数据集记为V2，考场特征数据集记为V3；考官特征数据集记为V4；所述加权模型为：EQ＝V1·α1+V2·α2+V3·α3+V4·α4；其中，EQ为综合特征数据集；α1为测试人员信息特征数据集的权重系数；α2为设备特征数据集的权重系数；α3为考场特征数据集的权重系数；α4为考官特征数据集的权重系数；对加权模型中每个特征数据集的权重系数进行设计，使每个特征数据集的权重系数达到最优；所述考场资源预测模型的训练方法包括；将数据集划分为训练集、验证集和测试集，构建考场资源预测模型；样本集为数据集中的一个子集，每个样本集包括历史综合特征数据集以及对应的考场资源数据；所述考场资源预测模型为梯度提升决策树模型；构建梯度提升决策树模型并进行初始化，设置树的数量与深度超参数；模型对数据集进行拟合，通过计算预测结果与真实标签之间的差异，得到模型在当前迭代中的残差；使用残差作为目标变量，构建一个新的决策树模型；将新的决策树模型添加到初始梯度提升决策树模型中，并根据学习率进行加权；重复步骤直到达到预设的迭代次数停止训练；使用测试集对训练好的梯度提升决策树模型进行性能评估，使用决定系数评估计算预测结果与真实标签之间的差异；所述决定系数为其中，yi′为测试集中第i′个样本的真实值；为模型预测的第i′个样本的预测值；为测试集中所有真实值的均值；n为测试集中样本的总数；i′为样本的索引；根据评估结果，调整树的数量与深度超参数，对模型的超参数进行调优，得到训练好的考场资源预测模型；使用训练好的考场资源预测模型对当前综合特征数据进行预测，得到对应的考场资源数据；所述对加权模型中每个特征数据集的权重系数进行设计，使每个特征数据集的权重系数达到最优的方法包括：通过权重系数调优公式对加权模型中每个特征数据集的权重系数进行调整；所述权重系数调优公式为：其中，αo为第o个特征数据集的权重系数；go为第o个特征数据集中的特征种类数量；H为所有特征数据集的总数量；gu为第u个特征数据集中的特征种类数量；o和u为特征种类数量的索引；所述对模型的超参数进行调优的方法包括：S71、定义模型需要调优的超参数为η，模型的优化目标为最大化模型的准确率；S72、构建一个超参数空间，超参数空间为一个多维网格，其中每个维度代表一个超参数；在超参数空间内，随机选择一组初始超参数配置来训练模型；每次训练后，通过计算准确率来评估模型的性能指标，从而建立初始数据集；S73、基于初始数据集B，构建一个高斯过程模型来拟合超参数配置和准确率之间的关系，输出每个配置的预测均值和标准差，形成初始的超参数配置和准确率之间的概率分布模型；S74、在每次迭代中，通过不同的采样准则动态调整选择下一个超参数配置，预设当前迭代次数为T,最优超参数配置为ηT；通过上置信界准则公式加大对未知超参数的探索；所述上置信界准则公式为：其中，ηT+1为在第T+1次迭代中选择的超参数配置；μη为在超参数配置η下的模型准确率预测均值；ση为在超参数配置下的预测标准差；ω为平衡系数，用于调节超参数探索与利用的平衡；通过平衡系数限制公式对调节超参数探索与利用的平衡系数进行限制；所述平衡系数限制公式为：其中，ωT′,Q为在第T′次迭代和超参数配置数量为Q时的平衡系数；V为调节探索力度的常数；T′为迭代次数；Q为超参数配置数量；S75、通过概率提升准则公式提升对高概率区域的剖分细化；所述概率提升准则公式为：其中，fη*为当前最优准确率；fη为在超参数配置η下的模型准确率函数；Pr为概率函数，用于计算当前候选超参数配置的性能提升概率；Prfη＞fη*+ξ为在超参数配置η下准确率超过fη*+ξ的概率；ξ为提升概率的阈值，用于控制对当前最优解的提升幅度；S76、在选定的超参数配置ηT+1下，训练模型并计算准确率fηT+1，得到当前配置的性能指标，将新的超参数配置和对应的性能指标加入数据集中，使用更新后的数据集B重新训练高斯过程模型；S77、当迭代达到预设迭代次数时，选取具有最佳准确率的超参数配置作为最终模型的最优配置；所述根据考场资源分配数据库对未来n个时间段内的测试人员的考试时间和考试地点进行智能化分配的方法包括：S91、根据考场资源分配数据库构建一个任务矩阵，所述任务矩阵为：其中，C为任务矩阵；m为测试人员的数量；n为考场的数量；Cmn为将第m行测试人员分配到第n个考场的成本值；S92、对任务矩阵C的每一行，通过行标准化公式找到该行的最小值，并将其从该行的所有元素中减去，使每行至少有一个元素为零；所述行标准化公式为：Cij＝Cij-minCi,：；其中，Cij为第i行测试人员分配到第j个考场的成本值；minCi,：为第i行的最小值，即在第i位测试人员分配到所有考场的成本中，最小的成本值；对任务矩阵C的每一列，通过列标准化公式找到该列的最小值，并将其从该行的所有元素中减去，使每列至少有一个元素为零；所述列标准化公式为：Cij＝Cij-minC：,j；其中，minC′：,j为第j列的最小值，即在第j个考场中，所有测试人员的分配成本中，最小的成本值；通过动态成本更新公式对第i行测试人员分配到第j个考场的成本值Cij进行调整；所述动态成本更新公式为： 其中，Ci′j为动态调整后的成本值；γ为比例系数，用于调整整体成本的尺度；t为考试时间；Fj为考场j的设备故障率；Aj为考场j的考官缺席率；D为考试地点数量；S93、检查每行和每列中零元素的分布，使用最少的水平和垂直直线覆盖所有零元素；定义k为最少覆盖所需的直线数，若k＝minm,n，则找到最优分配方案，算法终止；若k＜minm,n，则需进行矩阵调整；其中，minm,n为m和n中的较小值；S94、找到未被覆盖元素中的最小值δ，对任务矩阵元素进行调整；对未被覆盖的元素，减去最小值δ；对被两条直线覆盖的元素，加上最小值δ，调整任务矩阵以生成新的零元素；S95、重复步骤S94-S95，直到可以用m条水平线和n条垂直线覆盖所有零元素，即k＝minm,n；从最终矩阵中选择互不冲突的零元素，使每行和每列仅选择一个零元素，形成最优的资源分配方案。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人济宁职业技术学院，其通讯地址为：272000 山东省济宁市任城区金宇路3号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。