[发明专利]基于深度学习学生序列化行为的学业成绩预测预警方法

权利要求书

1.一种基于深度学习学生序列化行为的学业成绩预测预警方法，其特征在于：

所述基于深度学习学生序列化行为的学业成绩预测预警方法包括：

采集学生在校行为数据，以学生个体作为分类标签，以固定周期作为数据统计内容的时长，形成固定周期内的一组数据，记为单组数据；

对同一个学生的单组数据进行归一化后降维处理，形成以学生个体作为分类标签，以固定周期作为数据收集时长的单组特征数据集；

构建many2one形式的长短时记忆网络模型，对同一学生连续的若干个单组特征数据集进行模型带入，得到学生成绩的预警数值。

2.根据权利要求1所述的基于深度学习学生序列化行为的学业成绩预测预警方法，其特征在于：

所述学生在行为数据包括：

上网行为数据、一卡通数据、宿舍出入数据、图书馆出入与借阅数据、课堂数据、校园活动数据、基本信息数据。

3.根据权利要求2述的基于深度学习学生序列化行为的学业成绩预测预警方法，其特征在于：

所述上网行为数据包括：

上网内容，上网行为流量，上网时长；

所述一卡通数据包括：食堂消费金额，食堂消费类目，食堂消费时间；超市消费金额，超市消费类目，超市消费时间；打水时间；淋浴消费金额，淋浴消费时间；一卡通卡内余额；

所述宿舍出入数据包括：

宿舍出入时间，宿舍出入地点；

所述图书馆出入与借阅数据包括：

图书馆出入时间，图书借阅名称，图书借阅时间；

所述课堂相关数据包括：

每学期课程成绩，课堂打卡时间；

所述校园活动数据包括：

校内组织任职情况，班级任职情况；勤工俭学时间，勤工俭学工资；每学期奖惩情况；课外活动积分值；实习单位，实习工资，实习时间；

所述基本信息数据包括：

性别、专业、年龄、籍贯、兴趣爱好。

4.根据权利要求3所述的基于深度学习学生序列化行为的学业成绩预测预警方法，其特征在于：

所述单组数据以矩阵形式表示，每个固定周期形成一个矩阵形式的数据；

采集每个学生的上一学期的学生综合加权平均成绩并形成等级标签，以列向量矩阵形式表示。

5.根据权利要求4所述的基于深度学习学生序列化行为的学业成绩预测预警方法，其特征在于：

所述降维处理采用主成分分析方法，给定累积方差贡献率θ，选择累积方差贡献率大于θ的主成分，作为降维后的特征，记为有效特征矩阵；

其中累积方差贡献率θ依据经验值设定。

6.根据权利要求5所述的基于深度学习学生序列化行为的学业成绩预测预警方法，其特征在于：

所述长短时记忆网络模型以有效特征矩阵作为输入，所述列向量矩阵作为输出，训练模型；

所述长短时记忆网络模型中的损失函数采用交叉熵损失函数，优化器采用随机梯度下降算法，并且在输入与输出处加入dropout层，获取LSTM的隐层单元值。

7.根据权利要求6所述的基于深度学习学生序列化行为的学业成绩预测预警方法，其特征在于：

在进行预警数值计算时，收集学生离当前时间最近的连续若干个单组特征数据集，作为输入放入训练完成的模型，得到网络预测结果，即学生的成绩类别。

8.根据权利要求7所述的基于深度学习学生序列化行为的学业成绩预测预警方法，其特征在于：

将所述成绩类别按照事先设定的分数标准，转化为对应的预测分数，并与上一学期的平均成绩进行比较，形成成绩预警结论。

9.根据权利要求1所述的基于深度学习学生序列化行为的学业成绩预测预警方法，其特征在于：

所述连续的若干个单组特征数据集所对应的周期时长为5个月。

10.根据权利要求1所述的基于深度学习学生序列化行为的学业成绩预测预警方法，其特征在于：

所述固定周期为1个月。