[发明专利]一种基于多层门控神经网络的学情预测方法

权利要求书

1.一种基于多层门控神经网络的学情预测方法，其特征在于，包括如下步骤：

步骤1.从教务系统数据库中收集原始数据，包括学生的性别、籍贯、前两学期的成绩与奖学金情况，并统计当前学期的待预测课程在前两学期的总体成绩情况；

步骤2.对原始数据首先进行量化以及标准化预处理操作，然后将预处理后的数据进行拼接操作，得到对应于每个学生的两个一维输入向量数据；

其中，每个一维向量分别对应该学生前两个学期中一个学期的数据；

同时，将从教务系统数据库中采集到的每个学生在当前学期的真实成绩与真实排名区间段，分别作为该学生的真实成绩标签数据以及真实排名标签数据；

真实成绩标签数据与真实排名标签数据作为真实值，分别对应一个一维输入向量；

将对应于同一学生的两个一维输入向量数据、真实成绩标签数据以及真实排名标签数据，作为该学生的样本数据；将所有学生的样本数据分为训练样本数据集以及测试样本数据集；

步骤3.根据输入输出数据维度，搭建多层门控神经网络，作为成绩预测模型；

步骤4.将训练样本数据集中每个训练样本的两个一维向量数据作为成绩预测模型的输入，输入到成绩预测模型中，设置迭代次数进行训练，得到训练集的成绩预测数据；

计算成绩预测数据与真实成绩标签数据的损失值，选取优化器，对多层门控神经网络参数进行优化，获得优化后的网络参数，得到训练后的成绩预测模型；

步骤5.根据输入输出数据维度，搭建多层门控神经网络，作为排名预测模型；

利用迁移学习方法，排名预测模型在步骤4中优化后的网络参数的基础上，继续进行二次训练，排名预测模型的输入为训练数据集中训练样本的两个一维向量，设置迭代次数进行训练，排名预测模型的输出为训练样本数据集的排名预测数据；

计算排名预测数据与真实排名标签数据的损失值，选取优化器，其中，在训练过程中多层门控神经网络参数的输入层以及隐藏层系数被冻结，仅需对输出层系数进行优化；

训练结束后，得到训练后的排名预测模型；

步骤6.使用成绩测试样本数据集对步骤4训练好的成绩预测模型进行性能测试，若得到的成绩预测数据的正确率大于设定的正确率阈值，则转到步骤8；

否则，转到步骤4，修改迭代次数，重新对成绩预测模型进行训练，直至满足要求；

步骤7.使用排名测试样本数据集对步骤5训练好的排名预测模型进行性能测试，若得到的排名预测数据的正确率大于设定正确率阈值，则转到步骤8；

否则，转到步骤5，修改迭代次数，重新对排名预测模型进行训练，直至满足要求；

步骤8.利用成绩预测模型以及排名预测模型对学生的成绩和排名分别进行预测。