一种基于线性回归的科研项目申请量分派方法

本发明涉及计算机技术领域，具体涉及一种基于线性回归的 科研项目申请量分派方法。

随着社会的进步，高校在社会服务中发挥的作用逐渐体现。 目前，我国高校的主要职责包括以下三个方面：人才培养、服务 社会和发展科技。当今是一个科技飞速发展的时代，科技创新、 万众创业是国家倡导的发展方向。高校在人才培养、自身发展方 面也在向这方面靠拢。科研管理是高校科技创新良性发展的有力 保障，目前高校的科研管理工作具有管理部门明确、工作流程规 范、管理制度完善、计划性明显等特点。高校科研管理类部门都 具有较强的计划性，为了保质保量的完成科研任务，管理部门会 为具有代表性的科研项目制定发展计划、分派科研任务，比如以 往没有过立项的部门要争取突破，有过立项的部门要争取更上一 层楼。

因此，针对现有高校的科研管理部门工作，确有必要提供一 种基于线性回归的科研项目申请量分派方法，以方便合理分派科 研项目。

为解决上述问题，本发明的目的在于提供一种基于线性回归 的科研项目申请量分派方法，主要关注如何预估计一个部门应承 担的科研项目申请数量，即对于特定部门和特定的项目类型，该 部门应该承担多少项项目申报任务。

为实现上述目的，本发明采取的技术方案为：

一种基于线性回归的科研项目申请量分派方法，包括以下步 骤：

一、在系统中录入各部门的人数、25-40岁职工人数、41-60 岁职工人数、中级职称人数、副高级职称人数、高级职称人数、 硕士人数、博士人数、科技论文数量、立项比例以及立项数，建 立一元线性回归模型进行预算；

二、根据选定的部门与选定的项目类型，生成基础数据表， 表中包含每年该部门的基本数据，数据表字段与步骤一相同；

三、绘制各个因素与立项数量之间的数据相关图，用于分析 哪些因素与立项数量之间存在相关性；

四、计算相关系数矩阵，从与立项数存在相关性的众多因素 中出相关系数最大的因素；

五、从基础数据表中提取出相关性最大因素的数据与立项数 的数据，进行线性回归模型训练，生成一元线性回归方程y＝w0+w1 ×X，方法使用最小二乘法计算w0和w1；

六、计算立项比例数学期望μ，并利用步骤五中的回归方程 预测本年度预立项项目数，根据得到的预立项项目数计算今年该 部门应承担的项目申请数量，计算方法如下：

其中数学期望μ计算方法为：

项目申请承担量计算方法为：

与现有技术相比，本发明具有如下有益效果：

采用上述方案来分派科研项目承担量，使得高校科研管理类 部门可以计划性安排工作，保质保量的完成科研任务。可以明确 的为具有代表性的科研项目制定发展计划、分派科研任务，管理 更为合理高效。

图1是本发明的方法流程示意图；

图2是本发明建模的数据表字段示意图；

图3是本发明较佳实施例中绘制的数据相关图；

图4是本发明较佳实施例中相关系数矩阵图；

图5是本发明较佳实施例中回归模型。

请参阅说明书附图1所示，本发明为一种基于线性回归的科研 项目申请量分派方法，首先在系统中录入各部门的人数、25-40岁 职工人数、41-60岁职工人数、中级职称人数、副高级职称人数、 高级职称人数、硕士人数、博士人数、科技论文数量、立项比例 以及立项数，建立一元线性回归模型进行预算，数据表字段如图1 所示。

为了估计某部门本年度应承担的项目申报数量，方法采用一元 线性回归模型对本年度立项数量进行预测，然后根据历年立项比 例的数学期望对本年度应承担的申报数量进行计算，整个流程可 以具体描述如下：

步骤1：根据选定的部门与选定的项目类型，生成基础数据表， 表中包含每年该部门的基本数据，数据表字段与图1相同；

步骤2：由于基础数据表中包含的因素较多，为了分析各个因 素与立项数量之间的相关性，需要绘制数据相关图，用于分析哪 些因素与立项数量之间存在相关性；

步骤3：计算相关系数矩阵，从与立项数存在相关性的众多因 素中出相关系数最大的因素；

步骤4：从基础数据表中提取出相关性最大因素的数据与立项 数的数据，进行线性回归模型训练，生成一元线性回归方程 y＝w0+w1×X，方法使用最小二乘法计算w0和w1；

步骤5：计算立项比例数学期望μ，并利用步骤4中的回归方 程预测本年度预立项项目数，然后根据得到的预立项项目数计算 今年该部门应承担的项目申请数量，计算方法如下：

其中数学期望μ计算方法为：

项目申请承担量计算方法为：

以某特定高校的A部门的国家自然科学基金项目为例。

步骤1：首先手动采集该高校A部门在2008-2018年国家自然 科学基金的立项数量，并统计该部门自2008年至2018年人数 (People)、硕士数量(Master)、博士数量(Doctor)、讲师数量 (Lecture)、副教授数量(As-Professor)、教授数量(Professor)， 科技论文数量(Paper)、立项比例(Percentage)和立项数(Project) 等指标，绘制成基础数据表，内容见表2。

表2某高校A部门历年基础信息与国家自然科学基金立项数量

步骤2：为出数据之间的相关性，将数据可视化，绘制出数 据相关图，此处我们将数据绘制成散点图，详见图2。

步骤3：从图2可见，与立项数量存在相关性的主要因素有 People、Master、Doctor、As-Professor和Professor。为了进一步 确定哪个因素与立项数(Project)相关性最大，需要绘制相关系 数矩阵，见图3。

步骤4：从图3可见，Lecture因素与Project之间的相关系数 最大，为0.95。因此选定Lecture因素来训练回归模型y＝w0+w1× X，w0与w1为所求参数。通过最小二乘法，迭代20次，求得w0近 似值0.1，w1近似值1.167，产生的回归模型见图4。

步骤5：最后我们对本年度预立项数进行估值，已知本年度 Lecture数量为20，可推测预立项数量为：

y＝w0+w1*X＝0.1+1.167*20＝23.44

根据表2可知，该部门立项比例数学期望为：

由此可预测本年度该部门应承担的申请数量

以上的具体实施方式仅为本创作的较佳实施例，并不用以限 制本创作，凡在本创作的精神及原则之内所做的任何修改、等同 替换、改进等，均应包含在本创作的保护范围之内。