本發(fā)明涉及普通話測試管理，更具體地說，本發(fā)明涉及一種普通話水平測試人員管理方法及系統(tǒng)。

背景技術(shù)：

1、專利公告號為cn114417293a的專利公開了一種普通話水平測試管理方法，包括以下步驟：s1：管理主機(jī)根據(jù)考場等待考試的考生數(shù)量引導(dǎo)考生進(jìn)入考場；s2：管理主機(jī)通過讀取考生的身份證信息、人臉信息進(jìn)行身份驗證；若身份驗證通過，則進(jìn)行步驟s3；若身份驗證未通過，則通知管理員進(jìn)行審核；s3：管理主機(jī)將隨機(jī)分配一份考試范圍內(nèi)的考試試題與該考生信息關(guān)聯(lián)，并打印紙質(zhì)備考提示單給考生；s4：考生隨機(jī)選取空閑的考試機(jī)進(jìn)行身份認(rèn)證登錄；考試機(jī)根據(jù)該考生的信息從試題庫提取管理主機(jī)分配的試題，并開始考試，考試結(jié)束后考試機(jī)將考試機(jī)的狀態(tài)信息反饋給管理主機(jī)上。本發(fā)明解決了現(xiàn)有技術(shù)效率低下，成本高昂，且不適用與普通話測試環(huán)境的問題，提供一種普通話水平測試的考場的管理方法和系統(tǒng)，其具有效率高，成本低廉，且能夠適配普通話測試的特點。

2、現(xiàn)有的普通話水平測試人員管理方法和系統(tǒng)，存在以下主要問題：

3、缺乏權(quán)重系數(shù)調(diào)優(yōu)公式的簡化，系統(tǒng)需要手動逐步調(diào)整每個特征數(shù)據(jù)集的權(quán)重，導(dǎo)致計算步驟繁瑣，增加了計算量和時間成本，整體迭代速度較慢；由于特征權(quán)重設(shè)定缺乏優(yōu)化過程，系統(tǒng)可能無法準(zhǔn)確地反映每個特征對模型性能的實際貢獻(xiàn)，導(dǎo)致分配資源時出現(xiàn)不均衡情況，無法實現(xiàn)高效的資源調(diào)度；

4、沒有構(gòu)建高斯過程模型，無法準(zhǔn)確擬合超參數(shù)配置與模型準(zhǔn)確率之間的關(guān)系；這可能導(dǎo)致超參數(shù)配置不合理，影響模型的最終性能，降低預(yù)測準(zhǔn)確率；缺乏逐步優(yōu)化超參數(shù)配置的機(jī)制，可能導(dǎo)致模型在性能上停滯不前，難以達(dá)到最佳狀態(tài)，增加了模型調(diào)優(yōu)的復(fù)雜性和不確定性；超參數(shù)搜索過程漫長且低效，收斂速度慢，浪費大量計算資源和時間；未引入探索性，尤其是在初期階段對未探索區(qū)域的搜索力度不足，模型可能過早地陷入局部最優(yōu)解，錯失更好的超參數(shù)配置；缺乏平衡系數(shù)限制公式的動態(tài)調(diào)節(jié)機(jī)制，可能導(dǎo)致在探索新配置與利用已有配置之間無法實現(xiàn)最佳平衡，從而影響優(yōu)化過程的靈活性和適應(yīng)性，導(dǎo)致效率低下；

5、缺乏有效的任務(wù)矩陣和標(biāo)準(zhǔn)化處理，可能導(dǎo)致考生無法均勻分配到各個考場，造成某些考場資源過載而另一些考場閑置，影響整體資源的合理利用；沒有自動尋找最佳分配方式，可能導(dǎo)致考生在時間或地點上出現(xiàn)沖突，進(jìn)而影響考試的順利進(jìn)行，增加考生的等待時間和不便；未考慮考試時間、設(shè)備故障率和考官缺席率等因素，分配時可能產(chǎn)生不必要的額外成本，導(dǎo)致整體分配成本增加，從而影響預(yù)算和資源配置；缺乏智能化的資源分配機(jī)制可能導(dǎo)致考場、考官和設(shè)備等資源的閑置或過度使用，增加了資源的浪費和管理成本；缺乏行列標(biāo)準(zhǔn)化和矩陣調(diào)整的方法，計算過程可能變得繁瑣且低效，增加了資源分配所需的時間和人力成本，降低了系統(tǒng)的整體效率。

6、鑒于此，本發(fā)明提出一種普通話水平測試人員管理方法及系統(tǒng)以解決上述問題。

技術(shù)實現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)的上述缺陷，為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種普通話水平測試人員管理方法，包括：

2、s1、獲取測試人員基本信息數(shù)據(jù)、考試設(shè)備數(shù)據(jù)、考場容量數(shù)據(jù)和考官資源數(shù)據(jù)；

3、s2、對獲取的測試人員基本信息數(shù)據(jù)、考試設(shè)備數(shù)據(jù)、考場容量數(shù)據(jù)和考官資源數(shù)據(jù)進(jìn)行預(yù)處理，得到測試人員信息特征數(shù)據(jù)集、設(shè)備特征數(shù)據(jù)集、考場特征數(shù)據(jù)集和考官特征數(shù)據(jù)集；

4、s3、將測試人員信息特征數(shù)據(jù)集、設(shè)備特征數(shù)據(jù)集、考場特征數(shù)據(jù)集和考官特征數(shù)據(jù)集，進(jìn)行加權(quán)融合得到綜合特征數(shù)據(jù)集；根據(jù)綜合特征數(shù)據(jù)集訓(xùn)練獲取考場資源預(yù)測模型，預(yù)測得到考場資源數(shù)據(jù)；

5、s4、根據(jù)考場資源數(shù)據(jù)構(gòu)建考場資源分配數(shù)據(jù)庫；

6、s5、根據(jù)考場資源分配數(shù)據(jù)庫對未來n個時間段內(nèi)的測試人員的考試時間和考試地點進(jìn)行智能化分配。

7、進(jìn)一步地，所述測試人員基本信息數(shù)據(jù)包括姓名、身份證號、聯(lián)系方式、年齡、報名時間和預(yù)約考試時間；考試設(shè)備數(shù)據(jù)包括設(shè)備數(shù)量、設(shè)備型號、設(shè)備狀態(tài)和設(shè)備維護(hù)記錄；考場容量數(shù)據(jù)包括考場數(shù)量、考場位置分布、考場最大容量和考場使用狀態(tài)；考官資源數(shù)據(jù)包括考官數(shù)量、考官資質(zhì)、考官工作安排時間和考官工作安排地點。

8、進(jìn)一步地，所述對獲取的測試人員基本信息數(shù)據(jù)、考試設(shè)備數(shù)據(jù)、考場容量數(shù)據(jù)和考官資源數(shù)據(jù)進(jìn)行預(yù)處理，得到測試人員信息特征數(shù)據(jù)集、設(shè)備特征數(shù)據(jù)集、考場特征數(shù)據(jù)集和考官特征數(shù)據(jù)集的方法包括：

9、使用optics算法識別并剔除測試人員基本信息數(shù)據(jù)、考試設(shè)備數(shù)據(jù)、考場容量數(shù)據(jù)和考官資源數(shù)據(jù)中存在的異常值，得到處理后的測試人員信息特征數(shù)據(jù)集、設(shè)備特征數(shù)據(jù)集、考場特征數(shù)據(jù)集和考官特征數(shù)據(jù)集；

10、對處理后的測試人員信息特征數(shù)據(jù)集、設(shè)備特征數(shù)據(jù)集、考場特征數(shù)據(jù)集和考官特征數(shù)據(jù)集歸一化處理，轉(zhuǎn)換為標(biāo)準(zhǔn)正態(tài)分布，得到歸一化后的測試人員信息特征數(shù)據(jù)集、設(shè)備特征數(shù)據(jù)集、考場特征數(shù)據(jù)集和考官特征數(shù)據(jù)集。

11、進(jìn)一步地，所述將測試人員信息特征數(shù)據(jù)集、設(shè)備特征數(shù)據(jù)集、考場特征數(shù)據(jù)集和考官特征數(shù)據(jù)集，進(jìn)行加權(quán)融合得到綜合特征數(shù)據(jù)集的方法包括：

12、將歸一化后的測試人員信息特征數(shù)據(jù)集、設(shè)備特征數(shù)據(jù)集、考場特征數(shù)據(jù)集和考官特征數(shù)據(jù)集通過加權(quán)模型融合得到綜合特征數(shù)據(jù)集；將測試人員信息特征數(shù)據(jù)集記為，設(shè)備特征數(shù)據(jù)集記為，考場特征數(shù)據(jù)集記為；考官特征數(shù)據(jù)集記為；

13、所述加權(quán)模型為：；其中，為綜合特征數(shù)據(jù)集；為測試人員信息特征數(shù)據(jù)集的權(quán)重系數(shù)；為設(shè)備特征數(shù)據(jù)集的權(quán)重系數(shù)；為考場特征數(shù)據(jù)集的權(quán)重系數(shù)；為考官特征數(shù)據(jù)集的權(quán)重系數(shù)；

14、對加權(quán)模型中每個特征數(shù)據(jù)集的權(quán)重系數(shù)進(jìn)行設(shè)計，使每個特征數(shù)據(jù)集的權(quán)重系數(shù)達(dá)到最優(yōu)。

15、進(jìn)一步地，所述對加權(quán)模型中每個特征數(shù)據(jù)集的權(quán)重系數(shù)進(jìn)行設(shè)計，使每個特征數(shù)據(jù)集的權(quán)重系數(shù)達(dá)到最優(yōu)的方法包括：

16、通過權(quán)重系數(shù)調(diào)優(yōu)公式對加權(quán)模型中每個特征數(shù)據(jù)集的權(quán)重系數(shù)進(jìn)行調(diào)整；所述權(quán)重系數(shù)調(diào)優(yōu)公式為：；其中，為第個特征數(shù)據(jù)集的權(quán)重系數(shù)；為第個特征數(shù)據(jù)集中的特征種類數(shù)量；為所有特征數(shù)據(jù)集的總數(shù)量；為第個特征數(shù)據(jù)集中的特征種類數(shù)量；和為特征種類數(shù)量的索引。

17、進(jìn)一步地，所述考場資源分配模型的訓(xùn)練方法包括；

18、將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，構(gòu)建考場資源分配模型；樣本集為數(shù)據(jù)集中的一個子集，每個樣本集包括歷史綜合特征數(shù)據(jù)集以及對應(yīng)的考場資源數(shù)據(jù)；所述考場資源分配模型為梯度提升決策樹模型；

19、構(gòu)建梯度提升決策樹模型并進(jìn)行初始化，設(shè)置樹的數(shù)量與深度超參數(shù)；模型對數(shù)據(jù)集進(jìn)行擬合，通過計算預(yù)測結(jié)果與真實標(biāo)簽之間的差異，得到模型在當(dāng)前迭代中的殘差；使用殘差作為目標(biāo)變量，構(gòu)建一個新的決策樹模型；將新的決策樹模型添加到初始梯度提升決策樹模型中，并根據(jù)學(xué)習(xí)率進(jìn)行加權(quán)；重復(fù)步驟直到達(dá)到預(yù)設(shè)的迭代次數(shù)停止訓(xùn)練；

20、使用測試集對訓(xùn)練好的梯度提升決策樹模型進(jìn)行性能評估，使用決定系數(shù)評估計算預(yù)測結(jié)果與真實標(biāo)簽之間的差異；

21、所述決定系數(shù)為；其中，為測試集中第個樣本的真實值；為模型預(yù)測的第個樣本的預(yù)測值；為測試集中所有真實值的均值；為測試集中樣本的總數(shù)；為樣本的索引；

22、根據(jù)評估結(jié)果，調(diào)整樹的數(shù)量與深度超參數(shù)，對模型的超參數(shù)進(jìn)行調(diào)優(yōu)，得到訓(xùn)練好的考場資源分配模型；使用訓(xùn)練好的考場資源分配模型對當(dāng)前綜合特征數(shù)據(jù)進(jìn)行預(yù)測，得到對應(yīng)的考場資源數(shù)據(jù)。

23、進(jìn)一步地，所述對模型的超參數(shù)進(jìn)行調(diào)優(yōu)的方法包括：

24、s71、定義模型需要調(diào)優(yōu)的超參數(shù)為，模型的優(yōu)化目標(biāo)為最大化模型的準(zhǔn)確率；

25、s72、構(gòu)建一個超參數(shù)空間，超參數(shù)空間為一個多維網(wǎng)格，其中每個維度代表一個超參數(shù)；在超參數(shù)空間內(nèi)，隨機(jī)選擇一組初始超參數(shù)配置來訓(xùn)練模型；每次訓(xùn)練后，通過計算準(zhǔn)確率來評估模型的性能指標(biāo)，從而建立初始數(shù)據(jù)集；

26、s73、基于初始數(shù)據(jù)集，構(gòu)建一個高斯過程模型來擬合超參數(shù)配置和準(zhǔn)確率之間的關(guān)系，輸出每個配置的預(yù)測均值和標(biāo)準(zhǔn)差，形成初始的超參數(shù)配置和準(zhǔn)確率之間的概率分布模型；

27、s74、在每次迭代中，通過不同的采樣準(zhǔn)則動態(tài)調(diào)整選擇下一個超參數(shù)配置，預(yù)設(shè)當(dāng)前迭代次數(shù)為,最優(yōu)超參數(shù)配置為；

28、通過上置信界準(zhǔn)則公式加大對未知超參數(shù)的探索；所述上置信界準(zhǔn)則公式為：；其中，為在第次迭代中選擇的超參數(shù)配置；為在超參數(shù)配置下的模型準(zhǔn)確率預(yù)測均值；為在超參數(shù)配置下的預(yù)測標(biāo)準(zhǔn)差；為平衡系數(shù)，用于調(diào)節(jié)超參數(shù)探索與利用的平衡；

29、通過平衡系數(shù)限制公式對調(diào)節(jié)超參數(shù)探索與利用的平衡系數(shù)進(jìn)行限制；所述平衡系數(shù)限制公式為：；其中，為在第次迭代和超參數(shù)配置數(shù)量為時的平衡系數(shù)；為調(diào)節(jié)探索力度的常數(shù)；為迭代次數(shù)；為超參數(shù)配置數(shù)量；

30、s75、通過概率提升準(zhǔn)則公式提升對高概率區(qū)域的剖分細(xì)化；所述概率提升準(zhǔn)則公式為：；其中，為當(dāng)前最優(yōu)準(zhǔn)確率；為在超參數(shù)配置下的模型準(zhǔn)確率函數(shù)；為概率函數(shù)，用于計算當(dāng)前候選超參數(shù)配置的性能提升概率；為在超參數(shù)配置下準(zhǔn)確率超過的概率；為提升概率的閾值，用于控制對當(dāng)前最優(yōu)解的提升幅度；

31、s76、在選定的超參數(shù)配置下，訓(xùn)練模型并計算準(zhǔn)確率，得到當(dāng)前配置的性能指標(biāo)，將新的超參數(shù)配置和對應(yīng)的性能指標(biāo)加入數(shù)據(jù)集中，使用更新后的數(shù)據(jù)集重新訓(xùn)練高斯過程模型；

32、s77、當(dāng)?shù)_(dá)到預(yù)設(shè)迭代次數(shù)時，選取具有最佳準(zhǔn)確率的超參數(shù)配置作為最終模型的最優(yōu)配置。

33、進(jìn)一步地，所述根據(jù)考場資源數(shù)據(jù)構(gòu)建考場資源分配數(shù)據(jù)庫的方法包括：

34、所述考場資源分配數(shù)據(jù)庫為關(guān)系型數(shù)據(jù)庫mysql；基于獲取的考場資源數(shù)據(jù)設(shè)計數(shù)據(jù)庫表，將創(chuàng)建的數(shù)據(jù)庫表進(jìn)行關(guān)聯(lián)，使用sql語言插入具體的考場資源數(shù)據(jù)；采用flask創(chuàng)建api框架，在每個api端點編寫處理函數(shù)，實現(xiàn)數(shù)據(jù)的增刪改查功能，得到搭建好的考場資源分配數(shù)據(jù)庫。

35、進(jìn)一步地，所述根據(jù)考場資源分配數(shù)據(jù)庫對未來n個時間段內(nèi)的測試人員的考試時間和考試地點進(jìn)行智能化分配的方法包括：

36、s91、根據(jù)考場資源分配數(shù)據(jù)庫構(gòu)建一個任務(wù)矩陣，所述任務(wù)矩陣為：；其中，任務(wù)矩陣；為測試人員的數(shù)量；為考場的數(shù)量；為將第行測試人員分配到第個考場的成本值；

37、s92、對任務(wù)矩陣的每一行，通過行標(biāo)準(zhǔn)化公式找到該行的最小值，并將其從該行的所有元素中減去，使每行至少有一個元素為零；所述行標(biāo)準(zhǔn)化公式為：；其中，為第行測試人員分配到第個考場的成本值；為第行的最小值，即在第位測試人員分配到所有考場的成本中，最小的成本值；

38、對任務(wù)矩陣的每一列，通過列標(biāo)準(zhǔn)化公式找到該列的最小值，并將其從該行的所有元素中減去，使每列至少有一個元素為零；所述列標(biāo)準(zhǔn)化公式為：；其中，為第列的最小值，即在第個考場中，所有測試人員的分配成本中，最小的成本值；

39、通過動態(tài)成本更新公式對第行測試人員分配到第個考場的成本值進(jìn)行調(diào)整；所述動態(tài)成本更新公式為：；其中，為動態(tài)調(diào)整后的成本值；為比例系數(shù)，用于調(diào)整整體成本的尺度；為考試時間；為考場的設(shè)備故障率；為考場的考官缺席率；為考試地點數(shù)量；

40、s93、檢查每行和每列中零元素的分布，使用最少的水平和垂直直線覆蓋所有零元素；定義為最少覆蓋所需的直線數(shù)，若，則找到最優(yōu)分配方案，算法終止；若，則需進(jìn)行矩陣調(diào)整；其中，為和中的較小值；

41、s94、找到未被覆蓋元素中的最小值，對任務(wù)矩陣元素進(jìn)行調(diào)整；對未被覆蓋的元素，減去最小值；對被兩條直線覆蓋的元素，加上最小值，調(diào)整任務(wù)矩陣以生成新的零元素；

42、s95、重復(fù)步驟s94-s95，直到可以用條水平線和條垂直線覆蓋所有零元素，即；從最終矩陣中選擇互不沖突的零元素，使每行和每列僅選擇一個零元素，形成最優(yōu)的資源分配方案。

43、一種普通話水平測試人員管理系統(tǒng)，包括：

44、數(shù)據(jù)獲取模塊，用于獲取測試人員基本信息數(shù)據(jù)、考試設(shè)備數(shù)據(jù)、考場容量數(shù)據(jù)和考官資源數(shù)據(jù)；

45、數(shù)據(jù)處理模塊，用于對獲取的測試人員基本信息數(shù)據(jù)、考試設(shè)備數(shù)據(jù)、考場容量數(shù)據(jù)和考官資源數(shù)據(jù)進(jìn)行預(yù)處理，得到測試人員信息特征數(shù)據(jù)集、設(shè)備特征數(shù)據(jù)集、考場特征數(shù)據(jù)集和考官特征數(shù)據(jù)集；

46、考場資源預(yù)測模塊，用于將測試人員信息特征數(shù)據(jù)集、設(shè)備特征數(shù)據(jù)集、考場特征數(shù)據(jù)集和考官特征數(shù)據(jù)集，進(jìn)行加權(quán)融合得到綜合特征數(shù)據(jù)集；根據(jù)綜合特征數(shù)據(jù)集訓(xùn)練獲取考場資源預(yù)測模型，預(yù)測得到考場資源數(shù)據(jù)；

47、考場資源分配數(shù)據(jù)庫構(gòu)建模塊，用于根據(jù)考場資源數(shù)據(jù)構(gòu)建考場資源分配數(shù)據(jù)庫；

48、智能化分配模塊，用于根據(jù)考場資源分配數(shù)據(jù)庫對未來n個時間段內(nèi)的測試人員的考試時間和考試地點進(jìn)行智能化分配。

49、本發(fā)明一種普通話水平測試人員管理方法及系統(tǒng)的技術(shù)效果和優(yōu)點：

50、通過引入權(quán)重系數(shù)調(diào)優(yōu)公式簡化了權(quán)重調(diào)整的過程，減少了不必要的計算步驟，加快了模型的迭代速度，提高了資源分配系統(tǒng)的整體計算效率；根據(jù)特征種類數(shù)量自動賦予不同權(quán)重，避免了人為設(shè)定權(quán)重的主觀性，使得特征的貢獻(xiàn)更加科學(xué)合理；

51、通過構(gòu)建高斯過程模型，能夠更準(zhǔn)確地擬合超參數(shù)配置和模型準(zhǔn)確率之間的關(guān)系；通過逐步優(yōu)化超參數(shù)配置，確保模型的最終配置能夠?qū)崿F(xiàn)更高的準(zhǔn)確率；通過分階段的采樣準(zhǔn)則（如上置信界準(zhǔn)則和概率提升準(zhǔn)則）在不同迭代階段調(diào)節(jié)探索與利用的平衡，有效縮短了超參數(shù)搜索過程，提高收斂速度；通過上置信界準(zhǔn)則公式引入探索性，尤其在初期階段對超參數(shù)空間的未探索區(qū)域加大搜索力度，有助于發(fā)現(xiàn)潛在的更優(yōu)配置，減少局部最優(yōu)的風(fēng)險；使用平衡系數(shù)限制公式，能夠動態(tài)調(diào)節(jié)探索與利用的平衡，使得在探索新配置和利用已有優(yōu)良配置之間實現(xiàn)最佳權(quán)衡，從而使優(yōu)化過程更具適應(yīng)性；

52、通過任務(wù)矩陣和標(biāo)準(zhǔn)化處理的步驟，自動尋找最佳分配方式，確保每個考生都能分配到合適的考場，并避免沖突，提高分配效率；動態(tài)成本更新公式考慮了考試時間、設(shè)備故障率和考官缺席率等因素，從而在考生分配到考場時優(yōu)化了成本，使整體分配成本最小化；通過智能化的資源分配，保證考場、考官和設(shè)備等資源的合理利用，使資源分配更均衡，減少考場空置率；采用自動化的智能分配方法，減少了人工分配可能帶來的錯誤，確保了分配的準(zhǔn)確性和公平性；通過行列標(biāo)準(zhǔn)化和矩陣調(diào)整，快速縮小分配范圍，使計算過程更為簡潔高效，從而大幅度縮短資源分配時間。