[發(fā)明專利]一種成績預(yù)測方法、系統(tǒng)、計算機(jī)設(shè)備及存儲介質(zhì)

在審

• 申請?zhí)枺?/td>: 202010894754.1
• 申請日: 2020-08-31
• 公開（公告）號: CN112288125A
• 公開（公告）日: 2021-01-29
• 發(fā)明（設(shè)計）人: 汪凡;羅龍;韓高強(qiáng);陳國鎮(zhèn)
• 申請（專利權(quán)）人: 三盟科技股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/20;G06K9/62;G06N20/10
• 代理公司: 廣州三環(huán)專利商標(biāo)代理有限公司 44202
• 代理人: 胡楓;曹萬菊

1.一種成績預(yù)測方法，其特征在于，包括：

獲取教育大數(shù)據(jù)平臺中的學(xué)生數(shù)據(jù)；

將所述學(xué)生數(shù)據(jù)按專業(yè)進(jìn)行劃分獲得專業(yè)學(xué)生數(shù)據(jù)集；

將所述專業(yè)學(xué)生數(shù)據(jù)按學(xué)期劃分為歷屆專業(yè)學(xué)生數(shù)據(jù)集和本屆專業(yè)學(xué)生數(shù)據(jù)集；

選擇要預(yù)測成績的目標(biāo)科目，以所述歷屆專業(yè)學(xué)生數(shù)據(jù)集中的目標(biāo)科目成績數(shù)據(jù)為目標(biāo)，以所述歷屆專業(yè)學(xué)生數(shù)據(jù)集中的其他數(shù)據(jù)為特征，對SVM成績預(yù)測模型進(jìn)行訓(xùn)練；

將本屆專業(yè)學(xué)生數(shù)據(jù)集中的數(shù)據(jù)輸入訓(xùn)練好的SVM成績預(yù)測模型，輸出本屆專業(yè)學(xué)生的目標(biāo)科目的預(yù)測成績。

2.如權(quán)利要求1所述的成績預(yù)測方法，其特征在于，所述獲取教育大數(shù)據(jù)平臺中的學(xué)生數(shù)據(jù)的步驟包括：

使用Spark計算引擎來獲取學(xué)生數(shù)據(jù)，其中，所述學(xué)生數(shù)據(jù)包括學(xué)工系統(tǒng)及教務(wù)系統(tǒng)中的學(xué)生基本信息、專業(yè)信息、課程信息、成績信息，一卡通系統(tǒng)中的學(xué)生消費(fèi)信息以及日志文件中的學(xué)生上網(wǎng)信息數(shù)據(jù)；

使用XML配置文件來自動讀取不同數(shù)據(jù)源并完成數(shù)據(jù)的規(guī)范化。

3.如權(quán)利要求1所述的成績預(yù)測方法，其特征在于，所述獲取教育大數(shù)據(jù)平臺中的學(xué)生數(shù)據(jù)的步驟之后還包括：

對所述學(xué)生數(shù)據(jù)進(jìn)行清洗處理，其中，包缺失值填補(bǔ)與異常值檢測；

對清洗處理后的學(xué)生數(shù)據(jù)進(jìn)行依據(jù)關(guān)鍵屬性進(jìn)行整合并標(biāo)準(zhǔn)化處理。

4.如權(quán)利要求1所述的成績預(yù)測方法，其特征在于，所述SVM分類模型的hingeloss函數(shù)為：

其中，j≠y_i代表不正確的分類，s_j為不正確分類的分量值，為標(biāo)簽的one-hot向量中為1的分量，Δ為SVM的決策邊界，為類別平衡權(quán)重向量，α代表錯誤分類的懲罰因子。

5.一種成績預(yù)測系統(tǒng)，其特征在于，包括：包括獲取模塊、劃分模塊、模型構(gòu)建模塊以及預(yù)測模塊；

所述獲取模塊用于獲取教育大數(shù)據(jù)平臺中的學(xué)生數(shù)據(jù)；

所述劃分模塊用于將所述學(xué)生數(shù)據(jù)按專業(yè)進(jìn)行劃分獲得專業(yè)學(xué)生數(shù)據(jù)集，用于將所述專業(yè)學(xué)生數(shù)據(jù)按學(xué)期劃分為歷屆專業(yè)學(xué)生數(shù)據(jù)集和本屆專業(yè)學(xué)生數(shù)據(jù)集；

所述模型構(gòu)建模塊用于選擇要預(yù)測成績的目標(biāo)科目，以所述歷屆專業(yè)學(xué)生數(shù)據(jù)集中的目標(biāo)科目成績數(shù)據(jù)為目標(biāo)，以所述歷屆專業(yè)學(xué)生數(shù)據(jù)集中的其他數(shù)據(jù)為特征，對SVM成績預(yù)測模型進(jìn)行訓(xùn)練；

所述預(yù)測模塊用于將本屆專業(yè)學(xué)生數(shù)據(jù)集中的數(shù)據(jù)輸入訓(xùn)練好的SVM成績預(yù)測模型，輸出本屆專業(yè)學(xué)生的目標(biāo)科目的預(yù)測成績。

6.如權(quán)利要求5所述的成績預(yù)測系統(tǒng)，其特征在于，所述獲取模塊使用Spark計算引擎來獲取學(xué)生數(shù)據(jù)，其中，所述學(xué)生數(shù)據(jù)包括學(xué)工系統(tǒng)及教務(wù)系統(tǒng)中的學(xué)生基本信息、專業(yè)信息、課程信息、成績信息，一卡通系統(tǒng)中的學(xué)生消費(fèi)信息以及日志文件中的學(xué)生上網(wǎng)信息數(shù)據(jù)；使用XML配置文件來自動讀取不同數(shù)據(jù)源并完成數(shù)據(jù)的規(guī)范化。

7.如權(quán)利要求5所述的成績預(yù)測系統(tǒng)，其特征在于，還包括清洗融合模塊，所述清洗融合模塊用于對所述學(xué)生數(shù)據(jù)進(jìn)行清洗處理，其中，包缺失值填補(bǔ)與異常值檢測；對清洗處理后的學(xué)生數(shù)據(jù)進(jìn)行依據(jù)關(guān)鍵屬性進(jìn)行整合并標(biāo)準(zhǔn)化處理。

8.如權(quán)利要求5所述的成績預(yù)測系統(tǒng)，其特征在于，所述模型構(gòu)建模塊構(gòu)建的SVM分類模型為改良的hinge loss函數(shù)為：

其中，j≠y_i代表不正確的分類，s_j為不正確分類的分量值，為標(biāo)簽的one-hot向量中為1的分量，Δ為SVM的決策邊界，為類別平衡權(quán)重向量，α代表錯誤分類的懲罰因子。

9.一種計算機(jī)設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計算機(jī)指令，其特征在于，所述處理器執(zhí)行所述指令時實現(xiàn)權(quán)利要求1-4任意一項所述方法的步驟。

10.一種存儲介質(zhì)，其存儲有計算機(jī)指令，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1-4任意一項所述方法的步驟。