[發明專利]一種基于人工神經網絡的學生行為預測方法

在審

• 申請號: 201811025682.6
• 申請日: 2018-09-04
• 公開（公告）號: CN109325888A
• 公開（公告）日: 2019-02-12
• 發明（設計）人: 黃冠銘;丁凱;王力舟;吳琪
• 申請（專利權）人: 四川文軒教育科技有限公司
• 主分類號: G06Q50/20
• 分類號: G06Q50/20;G06Q10/04;G06N3/02
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 胡川

1.一種基于人工神經網絡的學生行為預測方法，其特征在于：包括以下步驟：

步驟一：數據收集，獲取學生的一卡通數據、課堂出勤數據和學生成績數據；

步驟二：數據預處理，進行數據清洗、數據集成、數據選擇和數據變換；數據清洗：數據缺失信息補充、重復數據清理和異常數據清理；數據集成：將數據進行統一的存儲和管理；數據選擇：選擇合適的數據量，以及目標數據；數據變換：轉換數據的格式；

步驟三：學生行為特征提取，分別提取收集數據中的學生去圖書館的次數、在圖書館的時間、學生借閱書本量、宿舍進出時間和次數、學生消費時間和金額、學生課堂出勤次數、學生的成績、宿舍上網時間、學生在實驗室的時間和次數；

步驟四：將提取的學生行為特征生成樣本集，建立學生行為神經網絡模型；

步驟五：根據學生行為特征的重要性，建立學生行為特征的決策樹模型；

步驟六：基于決策樹模型，對學生行為進行預測。

2.如權利要求1所述的基于人工神經網絡的學生行為預測方法，其特征在于：

所述步驟一中，一卡通數據包括圖書館門禁數據、圖書館借閱數據、宿舍門禁數據、一卡通消費數據、宿舍上網時間數據和實驗室門禁數據。

3.如權利要求1所述的基于人工神經網絡的學生行為預測方法，其特征在于：所述步驟五具體包括：

S1：對提取的學生行為特征進行重要性排序；

S2：用神經網絡對重要的特征進行訓練，檢驗其預測精度，篩選出若干重要的特征，以重要性最大的特征作為根結點建立決策樹；

S3：對決策樹進行剪枝處理。

4.如權利要求3所述的基于人工神經網絡的學生行為預測方法，其特征在于：所述S1中，學生行為特征進行重要性排序的方法：根據公式計算學生行為特征特征的分離值關聯值C(K)＝∑_i≠j|x(i，k)-x(j，k)|×sign|y(i)-y(j)|，其中，S(K)是第k個特征的分離值，S1、S2分別是去掉特征k之后的數據組內距離和組間距離；C(K)是第k個特征的關聯值，x(i，k)、x(j，k)分別為第i、j個樣本的第k個特征值，y(i)、y(j)分別是第i、j個樣本的輸出值，sign(x)是符號函數；基于分離值和關聯值計算屬性的重要性R(K)＝aS(K)+(1-a)C(K)，其中，R(K)是第k個特征的重要性，a是0到1之間的常數；根據屬性的重要性對屬性進行排序。

5.如權利要求3所述的基于人工神經網絡的學生行為預測方法，其特征在于：所述S2具體包括：用神經網絡對其中重要的特征進行訓練，并檢測其預測精度，按照特征的重要性次序增加一個臨近的特征進行訓練，比對能夠和原來的檢測結果相比，反復進行，找到分類效果最佳的特征。

6.如權利要求3所述的基于人工神經網絡的學生行為預測方法，其特征在于：所述S3中，對決策樹進行剪枝處理方法：

S30：計算每個剪枝子樹結點的期望錯誤率E(S)＝(N-n+k-1)/(N+k)，其中，S表示該子樹中包含的所有訓練實例，k為分類的個數，N為S中所有訓練實例的個數，n為在S中占比例最多的分類的訓練實例的個數；

S31：計算結點的預備錯誤率BE：對每個非葉子結點的結點N，設該結點的個子節點為N1，N2，…Nm；計算出每個節點的期望錯誤率E、預備錯誤率BE、Error，

BE(N)＝∑P_i*Error(N_i)，Errir(N)＝min(E(N)，BE(N))；

S32：由決策樹的第二層開始，每一層每個節點進行判斷；若結點的預備錯誤率BE大于期望錯誤率E，則用該子樹中出現比例最多的分類值作為葉子結點來代替該子樹，并將該子樹全部剪去，然后考慮同一層下一個節點，直到整棵樹被檢查過；

S33：若期望錯誤率小于預備錯誤率，該子樹剪枝；

S34：由樹的第二層節點開始，對于任何結點，當其子樹中的失敗結點的個數大于或等于子樹葉子總結點的1/3時，該結點剪去。