[发明专利]一种基于校园数据的学生经济状况预测方法

权利要求书

1.一种基于校园数据的学生经济状况预测方法，其特征在于，包括以下步骤：

S1：采集所有在校学生的行为数据，行为数据包括学生在校园内各个地点使用校园一卡通的记录；

S2：对采集到的学生数据进行数据清洗，完成数据的过滤以及规范化，将清洗后的数据存放在数据存储模块中；

S3：调用数据存储模块的数据，提取每个学生的行为特征向量；

S4：构建深度学习Encoder-Decoder模型，并对该模型的Encoder编码器和Decoder解码器分开进行训练；

S5：根据训练的模型预测学生的校园行为；

S6：将Encoder-Decoder模型中的编码向量作为学生的特征，学生经济状况标注数据作为label，得到训练集，利用训练集数据训练分类模型；

S7：基于分类模型预测学生经济状况。

2.如权利要求1所述的基于校园数据的学生经济状况预测方法，其特征在于：所述S2中数据清理包括：数据预处理、数据关联和补全，以及数据过滤；所述数据关联和补全，将不同业务系统的数据进行关联，整合到统一的数据库中，对缺失的数据进行补全；所述数据预处理，对基础数据进行规制校验，去除不符合规则的数据，对于不同业务系统的同一字段不一致的进行校验；所述数据过滤，将分散在不同业务系统中的大量冗余数据去除。

3.如权利要求1所述的基于校园数据的学生经济状况预测方法，其特征在于：所述S3中的学生行为特征包括：持卡人信息维度、消费流水维度和消费终端类别维度；持卡人信息维度包括校园卡号、姓名和学院；消费流水维度包括消费的校园卡号、交易卡号、终端号、消费金额、消费类型、时间信息；消费终端类别维度包括消费终端名称、代码、类别；基于上述行为数据，得到行为特征向量。

4.如权利要求1所述的基于校园数据的学生经济状况预测方法，其特征在于：所述S4具体包括以下步骤：

S41：训练模型Encoder编码器中的卷积神经网络，将训练数据与卷积神经网络中的卷积核相互运算，运算公式如下：其中，f_ij表示第i个神经网络的第j个元素，K表示该卷积神经网络的卷积核，W_j:j+c-1表示网络输入选取第j到j+c-1行，c为卷积核个数，b表示偏置量；

S42：训练模型Encoder编码器中的递归神经网络，计算公式如下：

其中，表示t时刻递归神经网络的输入，表示t时刻递归神经网络的隐藏层的输出状态，W_ih表示输入层和隐藏层的权值矩阵i＊h，W_h'h表示上一时刻隐藏层与当前时刻隐藏层的权值矩阵h’＊h，表示递归神经网络中t时刻隐藏层第h个神经元的中间值，tanh表示隐藏层激活函数是双曲正切函数，W_hk表示递归神经网络中隐藏层和输出层的权值矩阵，表示递归神经网络中t时刻输出层第k个神经元的中间值，e^x表示输出层激活函数是softmax的指数函数形式，表示最终输出层的输出；将最后序列生成的传递给解码器；

S43：训练模型Decoder解码器中的长短期记忆网络LSTM，将编码器中递归神经网络生成的隐藏状态作为输入，在LSTM中结合上一时刻隐藏层的状态和当前时刻的输入决定当前时刻隐藏层的状态ht，通过输出层得到预测校园行为。

5.如权利要求1所述的基于校园数据的学生经济状况预测方法，其特征在于：所述S6的具体步骤如下：将Encoder-Decoder模型中的编码向量作为学生的特征向量，将特征向量按照时间进行拼接，组成拼接向量；将学生经济状况标注数据为label加入拼接向量，得到训练集；利用训练集训练分类模型，在训练时，模型的输入特征是每位学生每周的特征向量，分类标签是学生经济状况标注数据；使用K折交叉验证的方法，将训练集数据输入到K近邻，支持向量机，朴素贝叶斯，随机森林，迭代决策树，Logistic模型，决策树七种机器学习模型进行模型训练，使用全部训练集数据训练分类模型，得到分类模型，用来预测学生经济状况。