1. 项目背景与核心挑战
山东新高考改革后,志愿填报从传统的"院校+专业"模式转变为"专业+院校"的平行志愿模式。这种变革带来了两个显著变化:一是考生需要面对的专业选择组合数量呈指数级增长(从原来的几十个志愿组合激增到96个);二是选科要求成为硬性门槛,物理、化学等科目的选择直接影响报考资格。
在实际操作中,考生和家长面临三大痛点:
- 信息过载:需要同时关注近3年数千个专业的最低分、最低位次、招生计划数和选科要求
- 动态预测困难:招生计划波动和大小年现象导致单纯参考往年分数线风险增大
- 策略失衡:人工难以精确计算96个志愿的梯度分布,容易出现"冲得太高"或"保得太低"
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构设计
2.1 技术栈选型考量
选择Flask作为后端框架主要基于三点考虑:
- 轻量灵活:相比Django,Flask更适合教育类垂直场景的快速迭代
- Python生态:可直接调用pandas进行数据处理,与LightGBM无缝集成
- 扩展性:通过蓝图机制实现考生/教师/管理员三端逻辑隔离
前端采用Bootstrap+ECharts组合:
- Bootstrap的栅格系统适配不同学校的机房设备
- ECharts的交互式图表能直观展示分数线趋势变化
2.2 数据流设计
系统数据处理流程分为四个阶段:
- 数据采集:通过山东省教育考试院公开接口获取结构化数据
- 特征工程:构建包含13个关键特征的向量(含1年趋势指标)
- 模型预测:并行预测目标年度的门槛分和位次
- 结果生成:按"冲稳保"策略生成96个志愿的推荐列表
关键创新点在于双预测模型设计:
- 分数预测模型(回归任务):预测可能的最低录取分
- 位次预测模型(回归任务):预测可能的最低录取位次
这种双模型校验机制可有效降低单一指标的预测偏差
3. 核心算法实现
3.1 特征工程细节
特征向量包含三类关键信息:
python复制# 示例特征构造代码
def build_features(row):
features = {
'target_year': 2026, # 预测年度
'prev1_min_rank': row['2025_rank'], # 上一年最低位次
'rank
