[發明專利]基于CNNAE-LSTM的慕課輟學預測方法及系統

在審

• 申請號: 202211418779.X
• 申請日: 2022-11-14
• 公開（公告）號: CN115907123A
• 公開（公告）日: 2023-04-04
• 發明（設計）人: 牛科;魯國強
• 申請（專利權）人: 北京信息科技大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/20;G06F18/213;G06N3/0464;G06N3/0442;G06N3/048;G06N3/049;G06N3/0455;G06N3/08
• 代理公司: 北京睿智保誠專利代理事務所(普通合伙) 11732
• 代理人: 韓迎之

1.一種基于CNNAE-LSTM的慕課輟學預測方法，其特征在于，具體步驟包括如下：

獲取學生在線教育平臺上的學習記錄數據；

對所述學習記錄數據進行預處理，得到一維時間序列矩陣；

將所述一維時間序列矩陣輸入到CNN-AE降維模型中，得到低維代表性特征數據；

把所述低維代表性特征數據作為初始編碼特征輸入到LSTM模型中，進行時間序列預測，得到輟學預測結果。

2.根據權利要求1所述的一種基于CNNAE-LSTM的慕課輟學預測方法，其特征在于，所述CNN-AE降維模型由多層CNN構成，所述CNN包括卷積層、池化層和全連接層，在所述CNN-AE降維模型中，使用每兩層卷積一層池化的方式作為所述CNN-AE模型中的編碼器，使用每兩層卷積一層上采樣作為其對應的解碼器，使用ReLU作為激活函數。

3.根據權利要求1所述的一種基于CNNAE-LSTM的慕課輟學預測方法，其特征在于，所述LSTM模型包括輸入層、輸出層以及門控機制，所述門控機制為輸入門、遺忘門、輸出門；所述輸入門，用于更新當前時間步的輸入和上一個時間步的系統狀態，對本循環單元的內部狀態進行更新，所述遺忘門，用于決定上一個時間步的狀態是保留還是遺忘；所述輸出門，用于決定內部狀態對整個系統的狀態的更新。

4.根據權利要求1所述的一種基于CNNAE-LSTM的慕課輟學預測方法，其特征在于，LSTM的計算公式為：

f_t＝σ(w_f·[h_t-1,x_t]+b_f)；

i_t＝σ(w_i·[h_t-1,x_t]+b_i)；

o_t＝σ(w_o·[h_t-1,x_t]+b_o)；

h_t＝o_t·tanh(C_t)；

其中，σ(.)表示sigmoid函數，w_f為第一權重、w_i為第二權重、w_c為第三權重、w_o為第四權重，b_f為第一偏置、b_i為第二偏置、b_c為第三偏置、b_o為第四偏置，f_t為遺忘門、i_t為輸入門，o_t為輸出門，C_t-1表示上一時間步狀態、表示本時間步攜帶的信息、C_t表示本時間步最終狀態、h_t表示本時間步隱層狀態，h_t-1表示上一時間步隱層狀態，x_t表示當前層輸入。

5.根據權利要求2所述的一種基于CNNAE-LSTM的慕課輟學預測方法，其特征在于，在所述卷積層中，卷積過程的數學公式為：

其中，X_k為卷積層的每個輸出的特征圖，k表示卷積核數量，W_k表示權重，b表示偏置，運算符“*”表示卷積運算。

6.根據權利要求1所述的一種基于CNNAE-LSTM的慕課輟學預測方法，其特征在于，通過組合所述CNN-AE降維模型和所述LSTM模型得到CNNAE-LSTM模型。