[发明专利]基于校园数据的学生排名预测方法

摘要

本发明公开了一种基于校园数据的学生排名预测方法，采集所有在校学生的数据，包括成绩数据和行为数据，对学生数据进行数据清洗，并对非时间数据项进行数据规范，从处理后的数据提取出每个学生的行为特征向量，行为特征包括成绩特征、努力程度特征和生活规律特征，然后对行为特征向量进行降维，每个学生采用其降维后的行为特征向量减去其他每个学生的行为特征向量，求得差异特征向量，输入分类器中得到对应的标签值，将标签值求和得到学生的得分，将所有学生的得分进行排序，即可得到每个学生的排名预测值。本发明通过对学生的校园数据进行分析，用数据来描述学生的学习习惯和行为特征，预测得到学生排名，作为学生教育的参考。

主权项

一种基于校园数据的学生排名预测方法，其特征在于，包括以下步骤：S1：采集所有在校学生的数据，包括成绩数据和行为数据，其中成绩数据包括学生的所有课程的课程类型、学分数、成绩，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；S3：对清洗完成的学生数据中的非时间数据项，采用以下方法进行数据规范：记第i个学生的第j项非时间数据为x_ij，i＝1,2,…,N，N表示学生数量，j＝1,2,…,M，M表示数据项数量；求取每个数据x_ij的线性变换值x′_ij，计算公式为：$x_{ij}^{\′}=\frac{x_{ij}-{\min }_j}{{\max }_j-{\min }_j}(T_{j\_max}-T_{j\_min})+T_{j\_min}$其中，max_j表示第j项数据序列中的最大值，min_j表示第j项数据序列中的最小值，T_{j_max}表示第j项数据序列限定区间的上限，T_{j_min}表示第j项数据序列限定区间的下限；对线性变换后的数据x′_ij，根据以下公式计算规范数据值y_ij：$y_{ij}=\frac{x_{ij}^{\′}-{\stackrel{\‾}{x}}_j}{s_j}$其中，表示第j项数据序列的平均值，s_j表示第j项数据序列的方差；S4：从学生数据中提取每个学生的行为特征向量，行为特征包括成绩特征、努力程度特征和生活规律特征，其中成绩特征包括学生所有课程的课程类型、学分数、成绩，努力程度特征是学生进入学习相关地点的频次，生活规律特征是学生的生活规律度量值，由以上数据项构成学生的行为特征向量；S5：对步骤S4提取到的行为特征向量进行降维，得到降维后每个学生的行为特征向量；S6：对第i个学生，采用其降维后的行为特征向量减去其他每个学生的行为特征向量，得到N‑1个差异特征向量，将差异特征向量输入预先训练好的分类器，得到对应的N‑1个标签，标签值为1或‑1，将该学生的所有标签值求和，得到该学生的得分，将所有学生的得分进行排序，从而得到学生的排名预测值；其中，分类器的训练方法为：对具有历史排名的学生，搜集得到这些学生的数据，根据步骤S1至步骤S5的方法得到这些学生的行为特征向量，然后两两求得学生之间的差异特征向量；对于一个差异特征向量，如果被减特征向量所对应的学生排名较前，则该差异特征向量所对应的标签为1，否则为‑1；将这些差异特征向量作为分类器的输入，对应的标签作为输出，对分类器进行训练。