CN108197657B - 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 PDFInfo
- Publication number
- CN108197657B CN108197657B CN201810006888.8A CN201810006888A CN108197657B CN 108197657 B CN108197657 B CN 108197657B CN 201810006888 A CN201810006888 A CN 201810006888A CN 108197657 B CN108197657 B CN 108197657B
- Authority
- CN
- China
- Prior art keywords
- data
- student
- training
- model
- campus
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 32
- 230000006399 behavior Effects 0.000 claims abstract description 30
- 238000013145 classification model Methods 0.000 claims abstract description 19
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 230000000306 recurrent effect Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 abstract description 3
- 230000004630 mental health Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
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,c为卷积核个数,b表示偏置量;
S42:训练模型Encoder编码器中的递归神经网络,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,ex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。
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 CN108197657A (zh) | 2018-06-22 |
CN108197657B true 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) |
Families Citing this family (10)
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 |
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 |
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 |
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 |
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 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Family Cites Families (5)
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 |
CN106980683B (zh) * | 2017-03-30 | 2021-02-12 | 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 |
-
2018
- 2018-01-04 CN CN201810006888.8A patent/CN108197657B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 (2)
Title |
---|
Forecasting Career Choice for College Students Based on Campus Big Data;Min Nie等;《Asia-Pacific Web Conference》;20160917;第9931卷;第359-370页 * |
校园中隐式用户行为数据挖掘研究;赵聪;《中国优秀硕士学位论文全文数据库 信息科技辑》;20151015(第10期);第I138-260页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108197657A (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197657B (zh) | 一种基于校园数据的学生经济状况预测方法 | |
CN113822494B (zh) | 风险预测方法、装置、设备及存储介质 | |
Swathi et al. | An optimal deep learning-based LSTM for stock price prediction using twitter sentiment analysis | |
US11586880B2 (en) | System and method for multi-horizon time series forecasting with dynamic temporal context learning | |
CN110751261B (zh) | 神经网络模型的训练方法和系统以及预测方法和系统 | |
Twala | Multiple classifier application to credit risk assessment | |
CN110704730B (zh) | 基于大数据的产品数据推送方法、系统及计算机设备 | |
Martin et al. | A hybrid model for bankruptcy prediction using genetic algorithm, fuzzy c-means and mars | |
Soui et al. | Bankruptcy prediction using stacked auto-encoders | |
Figini et al. | Statistical merging of rating models | |
Jassim et al. | Comparative performance analysis of support vector regression and artificial neural network for prediction of municipal solid waste generation | |
Berthold et al. | Guide to intelligent data science | |
Li et al. | Multi-factor based stock price prediction using hybrid neural networks with attention mechanism | |
Li et al. | Forecasting business failure using two‐stage ensemble of multivariate discriminant analysis and logistic regression | |
JP2006216019A (ja) | バリュー・チェーンと企業価値分析装置及び方法 | |
Li et al. | Explain graph neural networks to understand weighted graph features in node classification | |
CN114862587A (zh) | 异常交易账户的识别方法、装置及计算机可读存储介质 | |
CN113706291A (zh) | 欺诈风险预测方法、装置、设备及存储介质 | |
Shamitha et al. | A time-efficient model for detecting fraudulent health insurance claims using Artificial neural networks | |
Muslim et al. | An ensemble stacking algorithm to improve model accuracy in bankruptcy prediction | |
CN115309864A (zh) | 评论文本的情感智能分类方法、装置、电子设备及介质 | |
Sumathi et al. | Machine learning for decision sciences with case studies in Python | |
Hain et al. | The promises of Machine Learning and Big Data in entrepreneurship research | |
Boz et al. | Reassessment and monitoring of loan applications with machine learning | |
Zhu et al. | A DEALG methodology for prediction of effective customers of internet financial loan products |
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 |