CN108197657A - 一种基于校园数据的学生经济状况预测方法 - Google Patents

一种基于校园数据的学生经济状况预测方法 Download PDF

Info

Publication number
CN108197657A
CN108197657A CN201810006888.8A CN201810006888A CN108197657A CN 108197657 A CN108197657 A CN 108197657A CN 201810006888 A CN201810006888 A CN 201810006888A CN 108197657 A CN108197657 A CN 108197657A
Authority
CN
China
Prior art keywords
data
student
campus
represent
economic situation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201810006888.8A
Other languages
English (en)
Other versions
CN108197657B (zh
Inventor
聂敏
杨磊
罗炜敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Xundao Technology Co Ltd
Original Assignee
Chengdu Xundao Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Xundao Technology Co Ltd filed Critical Chengdu Xundao Technology Co Ltd
Priority to CN201810006888.8A priority Critical patent/CN108197657B/zh
Publication of CN108197657A publication Critical patent/CN108197657A/zh
Application granted granted Critical
Publication of CN108197657B publication Critical patent/CN108197657B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2053—Education institution selection, admissions, or financial aid

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Technology (AREA)
  • Educational Administration (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于校园数据的学生经济状况预测方法，其特征在于，包括以下步骤：S1：采集所有在校学生的行为数据；S2：对采集到的学生数据进行数据清洗，将清洗后的数据存放在数据存储模块中；S3：提取每个学生的行为特征向量；S4：构建深度学习Encoder‑Decoder模型，并分开进行训练；S5：根据训练的模型预测学生的校园行为；S6：训练集数据训练分类模型；S7：基于分类模型预测学生经济状况。本发明基于LSTM Encoder‑Decoder模型预测学生的校园行为，并建立分类模型预测学生经济状况，其中标注数据需求少，训练数据充分，预测效果更好。

Description

一种基于校园数据的学生经济状况预测方法
技术领域
本发明涉及大数据分析挖掘技术领域，尤其是一种基于校园数据的学生经济状况预测方法。
背景技术
随着社会的不断发展，国民对教育的重视程度也正不断提高，对学生的教育不仅依赖于教育资源和水平，也需要对学生的身心健康以及生活环境进行重视。基于国内现有的基本国情，仍然存在较大的贫富差距，导致无论在中学阶段还是在大学阶段，依然有一部分学生属于贫困范畴，为保证此类学生身心健康发展及学业稳定发展，需要对此类学生进行重点关注。
由于在校学生大部分的日常生活、学习等活动大多依赖校园一卡通，包括食堂就餐、日常用水、用电、校内超市购物、门禁、图书馆借阅、网上缴费和校内医疗等；因此，本发明提出一种基于一卡通消费的重点关注学生经济状况，通过对学生一卡通消费记录进行分析，预测学生的经济状况，寻找重点关注学生，有利于学校对上述学生关注和帮助。
发明内容
本发明的发明目的在于：针对上述存在的问题，提供一种基于校园数据的学生经济状况预测方法，通过对学生一卡通消费记录进行分析，基于LSTM Encoder-Decoder模型预测学生的经济状况。
本发明采用的技术方案如下：
本发明一种基于校园数据的学生经济状况预测方法，包括以下步骤：
S1：采集所有在校学生的行为数据，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，完成数据的过滤以及规范化，将清洗后的数据存放在数据存储模块中；
S3：调用数据存储模块的数据，提取每个学生的行为特征向量；
S4：构建深度学习Encoder-Decoder模型，并对该模型的Encoder编码器和Decoder解码器分开进行训练；
S5：根据训练的模型预测学生的校园行为；
S6：将Encoder-Decoder模型中的编码向量作为学生的特征，学生经济状况标注数据作为label，得到训练集，利用训练集数据训练分类模型；
S7：基于分类模型预测学生经济状况。
进一步，所述S2中数据清理包括：数据预处理、数据关联和补全，以及数据过滤；所述数据关联和补全，将不同业务系统的数据进行关联，整合到统一的数据库中，对缺失的数据进行补全；所述数据预处理，对基础数据进行规制校验，去除不符合规则的数据，对于不同业务系统的同一字段不一致的进行校验；所述数据过滤，将分散在不同业务系统中的大量冗余数据去除。
进一步，所述S3中的学生行为特征包括：持卡人信息维度、消费流水维度和消费终端类别维度；持卡人信息维度包括校园卡号、姓名和学院；消费流水维度包括消费的校园卡号、交易卡号、终端号、消费金额、消费类型、时间信息；消费终端类别维度包括消费终端名称、代码、类别；基于上述行为数据，得到行为特征向量。
进一步，S41：训练模型Encoder编码器中的卷积神经网络，将训练数据与卷积神经网络中的卷积核相互运算，运算公式如下：其中，fij表示第i个神经网络的第j个元素，K表示该卷积神经网络的卷积核，Wj:j+c-1表示网络输入选取第j到j+c-1行，b表示偏置量；
S42：训练模型Encoder编码器中的递归神经网络，将生成的向量转换成文本向量，计算公式如下： 其中，表示t时刻递归神经网络的输入，表示t时刻递归神经网络的隐藏层的输出状态，Wih表示输入层和隐藏层的权值矩阵i＊h，Wh'h表示上一时刻隐藏层与当前时刻隐藏层的权值矩阵h’＊h，表示递归神经网络中t时刻隐藏层第h个神经元的中间值，tanh表示隐藏层激活函数是双曲正切函数，Whk表示递归神经网络中隐藏层和输出层的权值矩阵，表示递归神经网络中t时刻输出层第k个神经元的中间值，表示输出层激活函数是softmax的指数函数形式，表示最终输出层的输出；将最后序列生成的传递给解码器；
S43：训练模型Decoder解码器中的长短期记忆网络LSTM，将编码器中递归神经网络生成的隐藏状态作为输入，在LSTM中结合上一时刻隐藏层的状态和当前时刻的输入决定当前时刻隐藏层的状态ht，通过输出层得到预测校园行为。
进一步，所述S6的具体步骤如下：将Encoder-Decoder模型中的编码向量作为学生的特征向量，将特征向量按照时间进行拼接，组成拼接向量；将学生经济状况标注数据为label加入拼接向量，得到训练集；利用训练集训练分类模型，在训练时，模型的输入特征是每位学生每周的特征向量，分类标签是学生经济状况标注数据；使用K折交叉验证的方法，将训练集数据输入到K近邻，支持向量机，朴素贝叶斯，随机森林，迭代决策树，Logistic模型，决策树七种机器学习模型进行模型训练，使用全部训练集数据训练分类模型，得到分类模型，用来预测学生经济状况。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明基于LSTM Encoder-Decoder模型预测学生的校园行为，再建立分类模型预测学生经济状况，在深度学习预测中，对学生经济状况标注数据需求少，减少标注工作，提高预测效率。
2、在学生经济状况预测中，充分利用大量的学生行为数据，预测效果更好。
3、本发明的Encoder-Decoder模型可以利用原始数据，减少特征工程的工作量。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1是本发明一种基于校园数据的学生经济状况预测方法流程图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
如图1，本发明一种基于校园数据的学生经济状况预测方法，包括以下步骤：
S1：采集所有在校学生的行为数据，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，完成数据的过滤以及规范化，将清洗后的数据存放在数据存储模块中；
所述S2中数据清理包括：数据预处理、数据关联和补全，以及数据过滤；所述数据关联和补全，将不同业务系统的数据进行关联，整合到统一的数据库中，对缺失的数据进行补全；所述数据预处理，对基础数据进行规制校验，去除不符合规则的数据，对于不同业务系统的同一字段不一致的进行校验；所述数据过滤，将分散在不同业务系统中的大量冗余数据去除。
S3：调用数据存储模块的数据，提取每个学生的行为特征向量；
所述S3中的学生行为特征包括：持卡人信息维度、消费流水维度和消费终端类别维度；持卡人信息维度包括校园卡号、姓名和学院；消费流水维度包括消费的校园卡号、交易卡号、终端号、消费金额、消费类型、时间信息；消费终端类别维度包括消费终端名称、代码、类别；基于上述行为数据，得到行为特征向量。
S4：构建深度学习Encoder-Decoder模型，并对该模型的Encoder编码器和Decoder解码器分开进行训练；
所述S4具体包括以下步骤：
S41：训练模型Encoder编码器中的卷积神经网络，将训练数据与卷积神经网络中的卷积核相互运算，运算公式如下：其中，fij表示第i个神经网络的第j个元素，K表示该卷积神经网络的卷积核，Wj:j+c-1表示网络输入选取第j到j+c-1行，b表示偏置量；
S42：训练模型Encoder编码器中的递归神经网络，将生成的向量转换成文本向量，计算公式如下： 其中，表示t时刻递归神经网络的输入，表示t时刻递归神经网络的隐藏层的输出状态，Wih表示输入层和隐藏层的权值矩阵i＊h，Wh'h表示上一时刻隐藏层与当前时刻隐藏层的权值矩阵h‘＊h，表示递归神经网络中t时刻隐藏层第h个神经元的中间值，tanh表示隐藏层激活函数是双曲正切函数，Whk表示递归神经网络中隐藏层和输出层的权值矩阵，表示递归神经网络中t时刻输出层第k个神经元的中间值，表示输出层激活函数是softmax的指数函数形式，表示最终输出层的输出；将最后序列生成的传递给解码器；
S43：训练模型Decoder解码器中的长短期记忆网络LSTM，将编码器中递归神经网络生成的隐藏状态作为输入，在LSTM中结合上一时刻隐藏层的状态和当前时刻的输入决定当前时刻隐藏层的状态ht，通过输出层得到预测校园行为。
S5：根据训练的模型预测学生的校园行为；
S6：将Encoder-Decoder模型中的编码向量作为学生的特征，学生经济状况标注数据作为标签，得到训练集，利用训练集数据训练分类模型；
所述S6的具体步骤如下：将Encoder-Decoder模型中的编码向量作为学生的特征向量，将特征向量按照时间进行拼接，组成拼接向量；将学生经济状况标注数据为label加入拼接向量，得到训练集；利用训练集训练分类模型，在训练时，模型的输入特征是每位学生每周的特征向量，分类标签是学生经济状况标注数据；使用K折交叉验证的方法，将训练集数据输入到K近邻，支持向量机，朴素贝叶斯，随机森林，迭代决策树，Logistic模型，决策树七种机器学习模型进行模型训练，使用全部训练集数据训练分类模型，得到分类模型，用来预测学生经济状况。
S7：基于分类模型预测学生经济状况。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (5)

1.一种基于校园数据的学生经济状况预测方法，其特征在于，包括以下步骤：
S1：采集所有在校学生的行为数据，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，完成数据的过滤以及规范化，将清洗后的数据存放在数据存储模块中；
S3：调用数据存储模块的数据，提取每个学生的行为特征向量；
S4：构建深度学习Encoder-Decoder模型，并对该模型的Encoder编码器和Decoder解码器分开进行训练；
S5：根据训练的模型预测学生的校园行为；
S6：将Encoder-Decoder模型中的编码向量作为学生的特征，学生经济状况标注数据作为label，得到训练集，利用训练集数据训练分类模型；
S7：基于分类模型预测学生经济状况。
2.如权利要求1所述的基于校园数据的学生经济状况预测方法，其特征在于：所述S2中数据清理包括：数据预处理、数据关联和补全，以及数据过滤；所述数据关联和补全，将不同业务系统的数据进行关联，整合到统一的数据库中，对缺失的数据进行补全；所述数据预处理，对基础数据进行规制校验，去除不符合规则的数据，对于不同业务系统的同一字段不一致的进行校验；所述数据过滤，将分散在不同业务系统中的大量冗余数据去除。
3.如权利要求1所述的基于校园数据的学生经济状况预测方法，其特征在于：所述S3中的学生行为特征包括：持卡人信息维度、消费流水维度和消费终端类别维度；持卡人信息维度包括校园卡号、姓名和学院；消费流水维度包括消费的校园卡号、交易卡号、终端号、消费金额、消费类型、时间信息；消费终端类别维度包括消费终端名称、代码、类别；基于上述行为数据，得到行为特征向量。
4.如权利要求1所述的基于校园数据的学生经济状况预测方法，其特征在于：所述S4具体包括以下步骤：
S41：训练模型Encoder编码器中的卷积神经网络，将训练数据与卷积神经网络中的卷积核相互运算，运算公式如下：其中，fij表示第i个神经网络的第j个元素，K表示该卷积神经网络的卷积核，Wj:j+c-1表示网络输入选取第j到j+c-1行，b表示偏置量；
S42：训练模型Encoder编码器中的递归神经网络，将生成的向量转换成文本向量，计算公式如下： 其中，表示t时刻递归神经网络的输入，表示t时刻递归神经网络的隐藏层的输出状态，Wih表示输入层和隐藏层的权值矩阵i＊h，Wh'h表示上一时刻隐藏层与当前时刻隐藏层的权值矩阵h’＊h，表示递归神经网络中t时刻隐藏层第h个神经元的中间值，tanh表示隐藏层激活函数是双曲正切函数，Whk表示递归神经网络中隐藏层和输出层的权值矩阵，表示递归神经网络中t时刻输出层第k个神经元的中间值，表示输出层激活函数是softmax的指数函数形式，表示最终输出层的输出；将最后序列生成的传递给解码器；
S43：训练模型Decoder解码器中的长短期记忆网络LSTM，将编码器中递归神经网络生成的隐藏状态作为输入，在LSTM中结合上一时刻隐藏层的状态和当前时刻的输入决定当前时刻隐藏层的状态ht，通过输出层得到预测校园行为。
5.如权利要求1所述的基于校园数据的学生经济状况预测方法，其特征在于：所述S6的具体步骤如下：将Encoder-Decoder模型中的编码向量作为学生的特征向量，将特征向量按照时间进行拼接，组成拼接向量；将学生经济状况标注数据为label加入拼接向量，得到训练集；利用训练集训练分类模型，在训练时，模型的输入特征是每位学生每周的特征向量，分类标签是学生经济状况标注数据；使用K折交叉验证的方法，将训练集数据输入到K近邻，支持向量机，朴素贝叶斯，随机森林，迭代决策树，Logistic模型，决策树七种机器学习模型进行模型训练，使用全部训练集数据训练分类模型，得到分类模型，用来预测学生经济状况。
CN201810006888.8A 2018-01-04 2018-01-04 一种基于校园数据的学生经济状况预测方法 Active CN108197657B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810006888.8A CN108197657B (zh) 2018-01-04 2018-01-04 一种基于校园数据的学生经济状况预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810006888.8A CN108197657B (zh) 2018-01-04 2018-01-04 一种基于校园数据的学生经济状况预测方法

Publications (2)

Publication Number Publication Date
CN108197657A true CN108197657A (zh) 2018-06-22
CN108197657B CN108197657B (zh) 2022-04-19

Family

ID=62587855

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810006888.8A Active CN108197657B (zh) 2018-01-04 2018-01-04 一种基于校园数据的学生经济状况预测方法

Country Status (1)

Country Link
CN (1) CN108197657B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876409A (zh) * 2018-06-28 2018-11-23 深信服科技股份有限公司 一种高校贫困资助认证方法、系统及相关设备
CN109242149A (zh) * 2018-08-13 2019-01-18 华中师范大学 一种基于教育数据挖掘的学生成绩早期预警方法及系统
CN109670998A (zh) * 2018-12-27 2019-04-23 三盟科技股份有限公司 基于校园大数据环境下的精准资助多级认定方法及系统
CN109948052A (zh) * 2019-03-08 2019-06-28 上海七牛信息技术有限公司 一种互联网信息过滤审核系统、方法及装置
CN109992592A (zh) * 2019-04-10 2019-07-09 哈尔滨工业大学 基于校园消费卡流水数据的高校贫困生识别方法
CN110097142A (zh) * 2019-05-15 2019-08-06 杭州华网信息技术有限公司 针对学生序列化行为的贫困生预测方法
CN110111894A (zh) * 2019-05-15 2019-08-09 杭州华网信息技术有限公司 基于深度学习学生序列化行为的心理健康预警方法
CN110110939A (zh) * 2019-05-15 2019-08-09 杭州华网信息技术有限公司 基于深度学习学生序列化行为的学业成绩预测预警方法
CN111193254A (zh) * 2019-12-06 2020-05-22 北京国电通网络技术有限公司 一种住宅日用电负荷预测方法和设备
CN113222315A (zh) * 2020-12-10 2021-08-06 成都寻道科技有限公司 大学生在校数据管理系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632238A (zh) * 2013-12-11 2014-03-12 江苏金智教育信息技术有限公司 基于一卡通消费行为分析识别经济困难生的方法和装置
US20150199913A1 (en) * 2014-01-10 2015-07-16 LightSide Labs, LLC Method and system for automated essay scoring using nominal classification
CN105975457A (zh) * 2016-05-03 2016-09-28 成都数联铭品科技有限公司 基于全自动学习的信息分类预测系统
CN106851216A (zh) * 2017-03-10 2017-06-13 山东师范大学 一种基于人脸和语音识别的课堂行为监控系统及方法
CN106934742A (zh) * 2017-02-22 2017-07-07 黔南民族师范学院 一种高校贫困生评定方法
CN106951568A (zh) * 2017-04-07 2017-07-14 中南大学 基于数据挖掘的学生贫困状态预测方法
CN106980683A (zh) * 2017-03-30 2017-07-25 中国科学技术大学苏州研究院 基于深度学习的博客文本摘要生成方法
CN107180284A (zh) * 2017-07-07 2017-09-19 北京航空航天大学 一种基于学习行为特征的spoc学生每周表现预测方法及装置
CN107220236A (zh) * 2017-05-23 2017-09-29 武汉朱雀闻天科技有限公司 一种确定疑似裸贷学生的方法及装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103632238A (zh) * 2013-12-11 2014-03-12 江苏金智教育信息技术有限公司 基于一卡通消费行为分析识别经济困难生的方法和装置
US20150199913A1 (en) * 2014-01-10 2015-07-16 LightSide Labs, LLC Method and system for automated essay scoring using nominal classification
CN105975457A (zh) * 2016-05-03 2016-09-28 成都数联铭品科技有限公司 基于全自动学习的信息分类预测系统
CN106934742A (zh) * 2017-02-22 2017-07-07 黔南民族师范学院 一种高校贫困生评定方法
CN106851216A (zh) * 2017-03-10 2017-06-13 山东师范大学 一种基于人脸和语音识别的课堂行为监控系统及方法
CN106980683A (zh) * 2017-03-30 2017-07-25 中国科学技术大学苏州研究院 基于深度学习的博客文本摘要生成方法
CN106951568A (zh) * 2017-04-07 2017-07-14 中南大学 基于数据挖掘的学生贫困状态预测方法
CN107220236A (zh) * 2017-05-23 2017-09-29 武汉朱雀闻天科技有限公司 一种确定疑似裸贷学生的方法及装置
CN107180284A (zh) * 2017-07-07 2017-09-19 北京航空航天大学 一种基于学习行为特征的spoc学生每周表现预测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MIN NIE等: "Forecasting Career Choice for College Students Based on Campus Big Data", 《ASIA-PACIFIC WEB CONFERENCE》 *
孙梦等: "大数据时代精准识别高校贫困生研究", 《北京劳动保障职业学院学报》 *
王德才: "数据挖掘在校园卡消费行为分析中的研究与应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
赵聪: "校园中隐式用户行为数据挖掘研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108876409A (zh) * 2018-06-28 2018-11-23 深信服科技股份有限公司 一种高校贫困资助认证方法、系统及相关设备
CN109242149A (zh) * 2018-08-13 2019-01-18 华中师范大学 一种基于教育数据挖掘的学生成绩早期预警方法及系统
CN109242149B (zh) * 2018-08-13 2021-08-13 华中师范大学 一种基于教育数据挖掘的学生成绩早期预警方法及系统
CN109670998A (zh) * 2018-12-27 2019-04-23 三盟科技股份有限公司 基于校园大数据环境下的精准资助多级认定方法及系统
CN109948052A (zh) * 2019-03-08 2019-06-28 上海七牛信息技术有限公司 一种互联网信息过滤审核系统、方法及装置
CN109992592B (zh) * 2019-04-10 2020-12-08 哈尔滨工业大学 基于校园消费卡流水数据的高校贫困生识别方法
CN109992592A (zh) * 2019-04-10 2019-07-09 哈尔滨工业大学 基于校园消费卡流水数据的高校贫困生识别方法
CN110111894A (zh) * 2019-05-15 2019-08-09 杭州华网信息技术有限公司 基于深度学习学生序列化行为的心理健康预警方法
CN110110939A (zh) * 2019-05-15 2019-08-09 杭州华网信息技术有限公司 基于深度学习学生序列化行为的学业成绩预测预警方法
CN110097142A (zh) * 2019-05-15 2019-08-06 杭州华网信息技术有限公司 针对学生序列化行为的贫困生预测方法
CN111193254A (zh) * 2019-12-06 2020-05-22 北京国电通网络技术有限公司 一种住宅日用电负荷预测方法和设备
CN111193254B (zh) * 2019-12-06 2021-10-29 北京国电通网络技术有限公司 一种住宅日用电负荷预测方法和设备
CN113222315A (zh) * 2020-12-10 2021-08-06 成都寻道科技有限公司 大学生在校数据管理系统

Also Published As

Publication number Publication date
CN108197657B (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN108197657A (zh) 一种基于校园数据的学生经济状况预测方法
Busari et al. Crude oil price prediction: A comparison between AdaBoost-LSTM and AdaBoost-GRU for improving forecasting performance
Sathishkumar et al. Using data mining techniques for bike sharing demand prediction in metropolitan city
Kück et al. Forecasting of customer demands for production planning by local k-nearest neighbor models
Meo et al. Asymmetric impact of oil prices, exchange rate, and inflation on tourism demand in Pakistan: new evidence from nonlinear ARDL
Kheirkhah et al. Improved estimation of electricity demand function by using of artificial neural network, principal component analysis and data envelopment analysis
Banker et al. Some models for estimating technical and scale inefficiencies in data envelopment analysis
Pao Forecasting electricity market pricing using artificial neural networks
Deboeck Trading on the edge: neural, genetic, and fuzzy systems for chaotic financial markets
Makridakis et al. Averages of forecasts: Some empirical results
Müller Indicating ecosystem and landscape organisation
Beige et al. Long-term and mid-term mobility decisions during the life course: experiences with a retrospective survey
Azadeh et al. Performance assessment of electric power generations using an adaptive neural network algorithm
Çunkaş et al. Long term electricity demand forecasting in Turkey using artificial neural networks
Çoban et al. Prediction of socio-economical consequences of privatization at the firm level with fuzzy cognitive mapping
Sun et al. SFFS-PC-NN optimized by genetic algorithm for dynamic prediction of financial distress with longitudinal data streams
Wang et al. Forecasting power demand in China with a CNN-LSTM model including multimodal information
Ganji et al. Development of stochastic dynamic Nash game model for reservoir operation. I. The symmetric stochastic model with perfect information
Huang et al. Convolutional neural network forecasting of European Union allowances futures using a novel unconstrained transformation method
Azadeh et al. An integrated artificial neural network and fuzzy clustering algorithm for performance assessment of decision making units
Azadeh et al. An integrated simulation-based fuzzy regression-time series algorithm for electricity consumption estimation with non-stationary data
Azadeh et al. An integrated artificial neural network fuzzy C-means-normalization algorithm for performance assessment of decision-making units: The cases of auto industry and power plant
Peponi et al. Life cycle thinking and machine learning for urban metabolism assessment and prediction
He et al. End-to-end probabilistic forecasting of electricity price via convolutional neural network and label distribution learning
Chiu et al. A hybrid CNN-GRU based probabilistic model for load forecasting from individual household to commercial building

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant