在高考报志愿时,高考分数线起着至关重要的作用。目前我国对高考分数线的预测研究较少,对特定专业录取分数线的研究仍存在空白,实际应用的文献相对也较为缺少,所以本文对高考分数线的研究是非常有价值的。由于高考数据量过大,特征影响值过多,本文选取高校开设卓越计划班专业的录取分数线数据作为数据支撑,通过模型构建实现对高校专业最低分数的预测。本文的主要研究工作如下:首先,通过将网页获取的高校专业录取数据,与已有的录取数据进行异构数据源融合。对于相似重复记录数据采用改进编辑距离算法计算相似度,并采用邻近记录排序算法进行合并。对于最高分数据缺失采用均差值插补法进行填充,通过数据清洗得到高质量的样本数据。其次,在训练模型前,针对高校专业录取原始数据之间的差异性,对样本数据进行规范化处理。采用标签化编码的方式对定类特征进行编码,并选取学校、专业、省份、科类、批次、平均分、最高分、省控线、年份等9个特征作为输入特征,将最低分作为输出特征。为使构建预测模型具有更高精度,对数据进行归一化处理,并将整理后的样本数据划分为训练集和测试集。最后,预设1%和2%误差带,分别基于BP神经网络和支持向量机算法构建高校专业最低分数预测模型。在构建BP神经网络预测模型时,采用试错法确定隐藏层层数和神经元数。在构建支持向量机预测模型时,采用网格搜索法和交叉验证法确定最优参数集。通过实验分析,得到两种实验模型预测误差均满足预设2%的误差带。在预设误差带为1%时,支持向量机预测的准确率高于BP神经网络,说明基于支持向量机算法构建的网络模型实现高校专业最低分数线的预测精度更高,泛化能力更强,具有更好的预测结果。