CN109636062A - 一种基于大数据分析的学生行为分析方法及系统 - Google Patents
一种基于大数据分析的学生行为分析方法及系统 Download PDFInfo
- Publication number
- CN109636062A CN109636062A CN201811591618.4A CN201811591618A CN109636062A CN 109636062 A CN109636062 A CN 109636062A CN 201811591618 A CN201811591618 A CN 201811591618A CN 109636062 A CN109636062 A CN 109636062A
- Authority
- CN
- China
- Prior art keywords
- student
- behavior
- module
- data
- weight
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 238000007405 data analysis Methods 0.000 title claims abstract description 33
- 230000006399 behavior Effects 0.000 claims abstract description 173
- 238000012544 monitoring process Methods 0.000 claims abstract description 48
- 238000012545 processing Methods 0.000 claims abstract description 23
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 8
- 230000009471 action Effects 0.000 claims abstract description 5
- 238000003062 neural network model Methods 0.000 claims description 61
- 238000000034 method Methods 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000013135 deep learning Methods 0.000 claims description 12
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 4
- 239000000427 antigen Substances 0.000 claims description 3
- 102000036639 antigens Human genes 0.000 claims description 3
- 108091007433 antigens Proteins 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000014759 maintenance of location Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000036630 mental development Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Technology (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于学生行为分析技术领域，公开了一种基于大数据分析的学生行为分析方法及系统，基于大数据分析的学生行为分析系统包括：视频监控模块、学生信息采集模块、主控模块、行为轨迹监测模块、学习时长预测模块、学生行为评价模块、大数据处理模块、显示模块。本发明通过行为轨迹监测模以群体的视角分析群体轨迹特征，描绘环境中群体行为轨迹，实现对轨迹中的真实行为的描绘及对异常行为的预警；同时，通过学习时长预测实现了对学生时长进行提前准确预测，并根据学习时间的预测改善教学环境，保证教学质量的技术效果，进而解决了现有技术中无法提前准确预测学生学习时长的技术问题。
Description
技术领域
本发明属于学生行为分析技术领域，尤其涉及一种基于大数据分析的学生行为分析方法及系统。
背景技术
学校是有计划、有组织地进行系统的教育的组织机构，学校教育是由专职人员和专门机构承担的有目的、有系统、有组织的，以影响受教育学校教育者的身心发展为直接目标的社会活动，一般说来，学校教育包括初等教育、中等教育和高等教育，也可以继续深造，随着我国教育事业日新月异地蓬勃发展，标识、标牌导向系统悄然闯入校园，它是提高院校辅助教育的硬件设施不可缺少的一环，已融入校园文化中，好的校园标牌导向系统，给人以清晰明了的展示，了解校园的分布概况，体现人与自然的和谐、规范、理性化，为校园文化律设起到了积极推动作用，学校是学生学习的场所，由于学校内学生的人数较多，因此需要在学校内安装监控器，来对学生的课堂行为、室外行为和出入学校的行为进行实时监控，已便于学校对学生进行管理，从而保证了学生的在学校内进行正常行为活动。然而，现有学生行为分析系统不能准确的获得学生行为轨迹数据；同时，无法提前准确预测学生学习时长的问题。
综上所述，现有技术存在的问题是：
现有学生行为分析系统不能准确的获得学生行为轨迹数据；
同时，无法提前准确预测学生学习时长的问题。
发明内容
针对现有技术存在的问题，本发明提供了一种基于大数据分析的学生行为分析方法及系统。
本发明是这样实现的，一种基于大数据分析的学生行为分析方法，包括以下步骤：
步骤一，通过视频监控模块利用摄像头实时监控学生在校内公共场所的行为视频数据；通过学生信息采集模块利用LORA标签学生卡获取学生注册的个人信息；
步骤二，主控模块通过行为轨迹监测模块利用定位器监测学生的行为轨迹；
步骤三，通过学习时长预测模块利用预测程序根据历史上网数据和历史位置信息得到学生的历史日常行为数据并预测学生学习时长；
步骤四，通过学生行为评价模块利用评价程序对学生在校的行为进行评估；
步骤五，通过大数据处理模块利用云服务器集中大数据资源对学生行为进行分析处理；
步骤六，通过显示模块利用显示器显示基于大数据分析的学生行为分析系统界面及采集的监控视频、学生个人信息、行为轨迹、学习时长、行为评估数据信息。
进一步，所述行为轨迹监测模块监测方法包括：
(1)通过校园网获取校园环境中各数据系统的系统数据，所述系统数据包括时间信息、位置信息、基础信息及行为动作信息；
(2)对系统数据进行清洗处理及关联处理，形成行为轨迹模型关键数据；
(3)根据行为轨迹模型关键数据构建学生行为初始轨迹模型；
(4)对学生行为初始轨迹模型进行修正处理，形成学生行为完整轨迹模型；
(5)预设学生行为异常告警模型及学生群体事件告警模型；
(6)根据学生行为异常告警模型及学生行为完整轨迹模型判断是否发生学生行为异常事件；
(7)根据学生群体事件告警模型及学生行为完整轨迹模型判断是否发生学生群体事件。
进一步，所述对学生行为初始轨迹模型进行修正处理的方法包括：
当同一时刻出现了不同位置信息，则需根据前后事件的位置关系，推断位置合理性，保存正确位置；
当某一时刻的位置信息缺失，则根据其它事件信息推断应出现是位置信息；
当某事件应出现的位置信息与实际的位置信息相悖，则根据前后事件和位置逻辑计算位置及事件的合理性，建立事件库。
进一步，所述学习时长预测模块预测方法包括：
1)通过网络浏览器获取学生的历史上网数据，以及获取所述学生的历史位置信息；
2)根据所述历史上网数据和所述历史位置信息得到所述学生的历史日常行为数据，以及根据所述历史位置信息得到所述学生的历史学习时长；
3)根据所述历史日常行为数据和所述历史学习时长采用深度学习算法构建学习时长预测模型；
4)根据所述学习时长预测模型对所述学生的未来学习时长进行预测。
进一步，根据所述历史日常行为数据和所述历史学习时长采用深度学习算法构建学习时长预测模型中，深度学习算法包括：
结合历史日常行为数据和所述历史学习时长数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，转到下一步；
对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值，转到下一步；
运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算学习时长预测值；
所述产生神经网络模型BP初始权值的方法为：
神经网络模型BP中存在两级网络：输入层与隐含层与之间的网络、隐含层与输出层之间的网络，两级网络的初始权值采用不同的选择方式：输入层至隐含层连接权值初始化为随机数，隐含层到输出层的连接权值初始化为-1或1；
所述产生神经网络模型BP初始权值的方法或为：将权值初始化为[a，b]之间的随机数，其中a，b为满足以下方程的整数：
其中H为网络隐含层节点数；
对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值，具体包括以下步骤：
1)调整神经网络模型BP隐含层与输出层之间的权值wkj；
调整wkj的目的是希望输出节点j的新输出o* pj比当前输出opj更接近目标值tpj，定义：
其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：
其中wkj和w* kj分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；
根据公式得到△wkj的求解方程：
其中，
根据最小平方和误差原则求解，得到△wkj的近似解：
对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△wkj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；
2)调整神经网络模型BP输入层与隐含层之间的权值vik；
调整vik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率△E＝0，且E>0；
不考虑阈值，隐含层节点k的权值的改变通过以下方程求解：
其中δpj＝f-1(ypk+Δypk)-f-1(ypk)，M为自然数，则隐含层输出ypk求解公式为：
其中△ypk为ypk的改变量，则有：
根据最小平方和误差原则求解构建的矩阵方程，算出：
计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
公式中M取10～20之间的自然数，根据公式和获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP；
运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：
首先进行抗原识别，即均方误差的识别，产生初始的抗体(动态神经网络模型DBP的权值和阈值)后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要进行自适应交叉操作和自适应变异操作，并进行权值和阈值的更新，再重新计算抗体适应度和抗体浓度，直到获得满足条件的权值和阈值，最后根据满足条件的权值和阈值，获得预测模型AIGA-DBP。
进一步，所述依存关系对的相似度计算方法包括：
所述历史日常行为数据包括如下至少之一：访问不同类型网站的次数、上网设备类型、访问第三方应用程序的次数和在学校内非学习场所的停留时间；
所述根据所述历史上网数据和所述历史位置信息得到所述学生的历史日常行为数据，包括：
将所述历史上网数据与预设数据库进行比对，得到如下至少之一：所述学生访问不同类型网站的次数、上网设备类型和访问第三方应用程序的次数，其中，所述预设数据库包括如下至少之一：不同类型网站的数据信息、上网设备类型的数据信息和第三方应用程序的数据信息。
本发明的另一目的在于提供一种实现所述基于大数据分析的学生行为分析方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于大数据分析的学生行为分析方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述的基于大数据分析的学生行为分析方法。
本发明的另一目的在于提供一种基于大数据分析的学生行为分析系统，包括：
视频监控模块、学生信息采集模块、主控模块、行为轨迹监测模块、学习时长预测模块、学生行为评价模块、大数据处理模块、显示模块；
视频监控模块，与主控模块连接，用于通过摄像头实时监控学生在校内公共场所的行为视频数据；
学生信息采集模块，与主控模块连接，用于通过lora标签学生卡获取学生注册的个人信息；
主控模块，与视频监控模块、学生信息采集模块、行为轨迹监测模块、学习时长预测模块、学生行为评价模块、大数据处理模块、显示模块连接，用于通过单片机控制各个模块正常工作；
行为轨迹监测模块，与主控模块连接，用于通过定位器监测学生的行为轨迹；
学习时长预测模块，与主控模块连接，用于通过预测程序根据历史上网数据和历史位置信息得到学生的历史日常行为数据并预测学生学习时长；
学生行为评价模块，与主控模块连接，用于通过评价程序对学生在校的行为进行评估；
大数据处理模块，与主控模块连接，用于通过云服务器集中大数据资源对学生行为进行分析处理；
显示模块，与主控模块连接，用于通过显示器显示基于大数据分析的学生行为分析系统界面及采集的监控视频、学生个人信息、行为轨迹、学习时长、行为评估数据信息。
本发明的优点及积极效果为：本发明通过行为轨迹监测模块获取校园环境下各个数据系统中数据，感知和清洗原始数据中关键数据字段，形成行为轨迹模型关键数据，同时通过多维度数据关联，逻辑判断纠错，数据深度挖掘等大数据技术，从而描绘校园环境中的学生行为轨迹，并以群体的视角分析群体轨迹特征，描绘环境中群体行为轨迹，实现对轨迹中的真实行为的描绘及对异常行为的预警；同时，通过学习时长预测模块采用大数据的方式，通过获取学生的历史上网数据，以及获取学生的历史位置信息；根据历史上网数据和历史位置信息得到学生的历史日常行为数据，以及根据历史位置信息得到学生的历史学习时长；根据历史日常行为数据和历史学习时长采用深度学习算法构建学习时长预测模型；根据学习时长预测模型对学生的未来学习时长进行预测，本发明使用学生的日常行为数据和日常的位置信息构建多维度的学生时长预测模型，从而实现了对学生时长进行提前准确预测，并根据学习时间的预测改善教学环境，保证教学质量的技术效果，进而解决了现有技术中无法提前准确预测学生学习时长的技术问题。
本发明然后运用关联规则算法挖掘出总完工时间影响因素，并构建神经网络模型BP，对神经网络模型BP的权值和阈值进行动态改进，从而获得动态神经网络模型DBP，再运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP获得预测模型AIGA-DBP，最后运用预测模型AIGA-DBP计算出预测值，根据提高预测效率。
本发明中运用了大数据分析技术，使得影响因素的挖掘更为高效和准确，更加全面，有效提高预测的准确性。
附图说明
图1是本发明实施例提供的基于大数据分析的学生行为分析方法流程图。
图2是本发明实施例提供的基于大数据分析的学生行为分析系统结构框图。
图中：1、视频监控模块；2、学生信息采集模块；3、主控模块；4、行为轨迹监测模块；5、学习时长预测模块；6、学生行为评价模块；7、大数据处理模块；8、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的基于大数据分析的学生行为分析方法包括以下步骤：
S101，通过视频监控模块利用摄像头实时监控学生在校内公共场所的行为视频数据；通过学生信息采集模块利用LORA标签学生卡获取学生注册的个人信息；
S102，主控模块通过行为轨迹监测模块利用定位器监测学生的行为轨迹；
S103，通过学习时长预测模块利用预测程序根据历史上网数据和历史位置信息得到学生的历史日常行为数据并预测学生学习时长；
S104，通过学生行为评价模块利用评价程序对学生在校的行为进行评估；
S105，通过大数据处理模块利用云服务器集中大数据资源对学生行为进行分析处理；
S106，通过显示模块利用显示器显示基于大数据分析的学生行为分析系统界面及采集的监控视频、学生个人信息、行为轨迹、学习时长、行为评估数据信息。
如图2所示，本发明实施例提供的基于大数据分析的学生行为分析系统包括：视频监控模块1、学生信息采集模块2、主控模块3、行为轨迹监测模块4、学习时长预测模块5、学生行为评价模块6、大数据处理模块7、显示模块8。
视频监控模块1，与主控模块3连接，用于通过摄像头实时监控学生在校内公共场所的行为视频数据；
学生信息采集模块2，与主控模块3连接，用于通过LORA标签学生卡获取学生注册的个人信息；
主控模块3，与视频监控模块1、学生信息采集模块2、行为轨迹监测模块4、学习时长预测模块5、学生行为评价模块6、大数据处理模块7、显示模块8连接，用于通过单片机控制各个模块正常工作；
行为轨迹监测模块4，与主控模块3连接，用于通过定位器监测学生的行为轨迹；
学习时长预测模块5，与主控模块3连接，用于通过预测程序根据历史上网数据和历史位置信息得到学生的历史日常行为数据并预测学生学习时长；
学生行为评价模块6，与主控模块3连接，用于通过评价程序对学生在校的行为进行评估；
大数据处理模块7，与主控模块3连接，用于通过云服务器集中大数据资源对学生行为进行分析处理；
显示模块8，与主控模块3连接，用于通过显示器显示基于大数据分析的学生行为分析系统界面及采集的监控视频、学生个人信息、行为轨迹、学习时长、行为评估数据信息。
本发明提供的行为轨迹监测模块4监测方法如下：
(1)通过校园网获取校园环境中各数据系统的系统数据，所述系统数据包括时间信息、位置信息、基础信息及行为动作信息；
(2)对系统数据进行清洗处理及关联处理，形成行为轨迹模型关键数据；
(3)根据行为轨迹模型关键数据构建学生行为初始轨迹模型；
(4)对学生行为初始轨迹模型进行修正处理，形成学生行为完整轨迹模型；
(5)预设学生行为异常告警模型及学生群体事件告警模型；
(6)根据学生行为异常告警模型及学生行为完整轨迹模型判断是否发生学生行为异常事件；
(7)根据学生群体事件告警模型及学生行为完整轨迹模型判断是否发生学生群体事件。
本发明提供的对学生行为初始轨迹模型进行修正处理的方法包括：
当同一时刻出现了不同位置信息，则需根据前后事件的位置关系，推断位置合理性，保存正确位置；
当某一时刻的位置信息缺失，则根据其它事件信息推断应出现是位置信息；
当某事件应出现的位置信息与实际的位置信息相悖，则根据前后事件和位置逻辑计算位置及事件的合理性，建立事件库。
本发明提供的学习时长预测模块5预测方法如下：
1)通过网络浏览器获取学生的历史上网数据，以及获取所述学生的历史位置信息；
2)根据所述历史上网数据和所述历史位置信息得到所述学生的历史日常行为数据，以及根据所述历史位置信息得到所述学生的历史学习时长；
3)根据所述历史日常行为数据和所述历史学习时长采用深度学习算法构建学习时长预测模型；
4)根据所述学习时长预测模型对所述学生的未来学习时长进行预测。
本发明提供的根据所述历史日常行为数据和所述历史学习时长采用深度学习算法构建学习时长预测模型，包括：
根据所述历史日常行为数据和所述历史学习时长采用深度学习算法构建学习时长预测模型。
根据所述历史日常行为数据和所述历史学习时长采用深度学习算法构建学习时长预测模型中，深度学习算法包括：
结合历史日常行为数据和所述历史学习时长数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，转到下一步；
对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值，转到下一步；
运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算学习时长预测值；
所述产生神经网络模型BP初始权值的方法为：
神经网络模型BP中存在两级网络：输入层与隐含层与之间的网络、隐含层与输出层之间的网络，两级网络的初始权值采用不同的选择方式：输入层至隐含层连接权值初始化为随机数，隐含层到输出层的连接权值初始化为-1或1；
所述产生神经网络模型BP初始权值的方法或为：将权值初始化为[a，b]之间的随机数，其中a，b为满足以下方程的整数：
其中H为网络隐含层节点数；
对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值，具体包括以下步骤：
1)调整神经网络模型BP隐含层与输出层之间的权值wkj；
调整wkj的目的是希望输出节点j的新输出o* pj比当前输出opj更接近目标值tpj，定义：
其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：
其中wkj和w* kj分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；
根据公式得到△wkj的求解方程：
其中，
根据最小平方和误差原则求解，得到△wkj的近似解：
对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△wkj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；
2)调整神经网络模型BP输入层与隐含层之间的权值vik；
调整vik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率△E＝0，且E>0；
不考虑阈值，隐含层节点k的权值的改变通过以下方程求解：
其中δpj＝f-1(ypk+Δypk)-f-1(ypk)，M为自然数，则隐含层输出ypk求解公式为：
其中△ypk为ypk的改变量，则有：
根据最小平方和误差原则求解构建的矩阵方程，算出：
计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
公式中M取10～20之间的自然数，根据公式和获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP；
运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：
首先进行抗原识别，即均方误差的识别，产生初始的抗体(动态神经网络模型DBP的权值和阈值)后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要进行自适应交叉操作和自适应变异操作，并进行权值和阈值的更新，再重新计算抗体适应度和抗体浓度，直到获得满足条件的权值和阈值，最后根据满足条件的权值和阈值，获得预测模型AIGA-DBP。
本发明提供的历史日常行为数据包括如下至少之一：访问不同类型网站的次数、上网设备类型、访问第三方应用程序的次数和在学校内非学习场所的停留时间。
本发明提供的根据所述历史上网数据和所述历史位置信息得到所述学生的历史日常行为数据，包括：
将所述历史上网数据与预设数据库进行比对，得到如下至少之一：所述学生访问不同类型网站的次数、上网设备类型和访问第三方应用程序的次数，其中，所述预设数据库包括如下至少之一：不同类型网站的数据信息、上网设备类型的数据信息和第三方应用程序的数据信息。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (10)
1.一种基于大数据分析的学生行为分析方法，其特征在于，所述基于大数据分析的学生行为分析方法包括以下步骤：
步骤一，通过视频监控模块利用摄像头实时监控学生在校内公共场所的行为视频数据；通过学生信息采集模块利用LORA标签学生卡获取学生注册的个人信息；
步骤二，主控模块通过行为轨迹监测模块利用定位器监测学生的行为轨迹；
步骤三，通过学习时长预测模块利用预测程序根据历史上网数据和历史位置信息得到学生的历史日常行为数据并预测学生学习时长；
步骤四，通过学生行为评价模块利用评价程序对学生在校的行为进行评估；
步骤五，通过大数据处理模块利用云服务器集中大数据资源对学生行为进行分析处理；
步骤六，通过显示模块利用显示器显示基于大数据分析的学生行为分析系统界面及采集的监控视频、学生个人信息、行为轨迹、学习时长、行为评估数据信息。
2.如权利要求1所述基于大数据分析的学生行为分析方法，其特征在于，所述行为轨迹监测模块监测方法包括：
(1)通过校园网获取校园环境中各数据系统的系统数据，所述系统数据包括时间信息、位置信息、基础信息及行为动作信息；
(2)对系统数据进行清洗处理及关联处理，形成行为轨迹模型关键数据；
(3)根据行为轨迹模型关键数据构建学生行为初始轨迹模型；
(4)对学生行为初始轨迹模型进行修正处理，形成学生行为完整轨迹模型；
(5)预设学生行为异常告警模型及学生群体事件告警模型；
(6)根据学生行为异常告警模型及学生行为完整轨迹模型判断是否发生学生行为异常事件；
(7)根据学生群体事件告警模型及学生行为完整轨迹模型判断是否发生学生群体事件。
3.如权利要求2所述基于大数据分析的学生行为分析方法，其特征在于，所述对学生行为初始轨迹模型进行修正处理的方法包括：
当同一时刻出现了不同位置信息，则需根据前后事件的位置关系，推断位置合理性，保存正确位置；
当某一时刻的位置信息缺失，则根据其它事件信息推断应出现是位置信息；
当某事件应出现的位置信息与实际的位置信息相悖，则根据前后事件和位置逻辑计算位置及事件的合理性，建立事件库。
4.如权利要求1所述基于大数据分析的学生行为分析方法，其特征在于，所述学习时长预测模块预测方法包括：
1)通过网络浏览器获取学生的历史上网数据，以及获取所述学生的历史位置信息；
2)根据所述历史上网数据和所述历史位置信息得到所述学生的历史日常行为数据，以及根据所述历史位置信息得到所述学生的历史学习时长；
3)根据所述历史日常行为数据和所述历史学习时长采用深度学习算法构建学习时长预测模型；
4)根据所述学习时长预测模型对所述学生的未来学习时长进行预测。
5.如权利要求4所述基于大数据分析的学生行为分析方法，其特征在于，根据所述历史日常行为数据和所述历史学习时长采用深度学习算法构建学习时长预测模型中，深度学习算法包括：
结合历史日常行为数据和所述历史学习时长数据，构建神经网络模型BP，产生神经网络模型BP的初始权值，转到下一步；
对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值，转到下一步；
运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP，获得预测模型AIGA-DBP，根据预测模型AIGA-DBP计算学习时长预测值；
所述产生神经网络模型BP初始权值的方法为：
神经网络模型BP中存在两级网络：输入层与隐含层与之间的网络、隐含层与输出层之间的网络，两级网络的初始权值采用不同的选择方式：输入层至隐含层连接权值初始化为随机数，隐含层到输出层的连接权值初始化为-1或1；
所述产生神经网络模型BP初始权值的方法或为：将权值初始化为[a，b]之间的随机数，其中a，b为满足以下方程的整数：
其中H为网络隐含层节点数；
对神经网络模型BP的权值和阈值进行动态改进，获得动态神经网络模型DBP，产生动态神经网络模型DBP的权值和阈值，具体包括以下步骤：
1)调整神经网络模型BP隐含层与输出层之间的权值wkj；
调整wkj的目的是希望输出节点j的新输出比当前输出opj更接近目标值tpj，定义：
其中α代表接近度，在每个训练周期保持不变，并随隐含层节点数H的调整而变小，不考虑阈值，则有：
其中wkj和w* kj分别为更新前后的权值，ypk为隐含层输出，△wkj为wkj的改变量；
根据公式得到△wkj的求解方程：
其中，
根据最小平方和误差原则求解，得到△wkj的近似解：
对每一个连接到输出节点j的隐含层节点k，计算k与j之间的权值变化△wkj，更新权值并计算平方和误差E，然后在k∈[1，H]区间选择一个最优的k，使得E最小；
2)调整神经网络模型BP输入层与隐含层之间的权值vik；
调整vik的目的是一旦神经网络算法陷入局部极小点，修改权值能够跳出该极小点，判断神经网络算法陷入局部极小点的条件是误差E的变化率△E＝0，且E>0；
不考虑阈值，隐含层节点k的权值的改变通过以下方程求解：
其中δpj＝f-1(ypk+Δypk)-f-1(ypk)，M为自然数，则隐含层输出ypk求解公式为：
其中△ypk为ypk的改变量，则有：
根据最小平方和误差原则求解构建的矩阵方程，算出：
计算隐含层与输出层之间权值的动态平均改变量
计算输入层与隐含层之间权值的动态平均改变量
公式中M取10～20之间的自然数，根据公式和获得神经网络模型BP的动态平均权值，根据神经网络模型BP的动态平均权值获得动态神经网络模型DBP；
运用自适应免疫遗传AIGA算法优化动态神经网络模型DBP的权植和阈值，获得预测模型AIGA-DBP具体包括以下步骤：
首先进行抗原识别，即均方误差的识别，产生初始的抗体(动态神经网络模型DBP的权值和阈值)后，进行抗体编码，然后计算抗体适应度和抗体浓度，根据计算的结果进行基于浓度的自适应抗体选择操作，若此操作满足条件，则获得合适的权值和阈值，并将结果输出；若此操作不满足条件，需要进行自适应交叉操作和自适应变异操作，并进行权值和阈值的更新，再重新计算抗体适应度和抗体浓度，直到获得满足条件的权值和阈值，最后根据满足条件的权值和阈值，获得预测模型AIGA-DBP。
6.如权利要求4所述基于大数据分析的学生行为分析方法，其特征在于，所述历史日常行为数据包括如下至少之一：访问不同类型网站的次数、上网设备类型、访问第三方应用程序的次数和在学校内非学习场所的停留时间；
所述根据所述历史上网数据和所述历史位置信息得到所述学生的历史日常行为数据，包括：
将所述历史上网数据与预设数据库进行比对，得到如下至少之一：所述学生访问不同类型网站的次数、上网设备类型和访问第三方应用程序的次数，其中，所述预设数据库包括如下至少之一：不同类型网站的数据信息、上网设备类型的数据信息和第三方应用程序的数据信息。
7.一种实现权利要求1～6任意一项所述基于大数据分析的学生行为分析方法的计算机程序。
8.一种实现权利要求1～6任意一项所述基于大数据分析的学生行为分析方法的信息数据处理终端。
9.一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1-6任意一项所述的基于大数据分析的学生行为分析方法。
10.一种基于大数据分析的学生行为分析系统，其特征在于，所述基于大数据分析的学生行为分析系统包括：
视频监控模块、学生信息采集模块、主控模块、行为轨迹监测模块、学习时长预测模块、学生行为评价模块、大数据处理模块、显示模块；
视频监控模块，与主控模块连接，用于通过摄像头实时监控学生在校内公共场所的行为视频数据；
学生信息采集模块，与主控模块连接，用于通过lora标签学生卡获取学生注册的个人信息；
主控模块，与视频监控模块、学生信息采集模块、行为轨迹监测模块、学习时长预测模块、学生行为评价模块、大数据处理模块、显示模块连接，用于通过单片机控制各个模块正常工作；
行为轨迹监测模块，与主控模块连接，用于通过定位器监测学生的行为轨迹；
学习时长预测模块，与主控模块连接，用于通过预测程序根据历史上网数据和历史位置信息得到学生的历史日常行为数据并预测学生学习时长；
学生行为评价模块，与主控模块连接，用于通过评价程序对学生在校的行为进行评估；
大数据处理模块，与主控模块连接，用于通过云服务器集中大数据资源对学生行为进行分析处理；
显示模块，与主控模块连接，用于通过显示器显示基于大数据分析的学生行为分析系统界面及采集的监控视频、学生个人信息、行为轨迹、学习时长、行为评估数据信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811591618.4A CN109636062A (zh) | 2018-12-25 | 2018-12-25 | 一种基于大数据分析的学生行为分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811591618.4A CN109636062A (zh) | 2018-12-25 | 2018-12-25 | 一种基于大数据分析的学生行为分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109636062A true CN109636062A (zh) | 2019-04-16 |
Family
ID=66077363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811591618.4A Pending CN109636062A (zh) | 2018-12-25 | 2018-12-25 | 一种基于大数据分析的学生行为分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636062A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059297A (zh) * | 2019-04-22 | 2019-07-26 | 上海乂学教育科技有限公司 | 适用于自适应学习的知识点学习时长预测方法及其应用 |
| CN110135141A (zh) * | 2019-04-28 | 2019-08-16 | 佛山科学技术学院 | 一种基于区块链的学生证照真伪的核查方法及装置 |
| CN110414827A (zh) * | 2019-07-23 | 2019-11-05 | 郭俊雄 | 基于大数据的学生行为预警分析方法及系统 |
| CN111091484A (zh) * | 2020-03-19 | 2020-05-01 | 浙江正元智慧科技股份有限公司 | 基于大数据的学生学习行为分析系统 |
| CN111221832A (zh) * | 2019-12-27 | 2020-06-02 | 三盟科技股份有限公司 | 一种学生失联预警方法、系统及存储介质 |
| CN111325153A (zh) * | 2020-02-21 | 2020-06-23 | 青岛联合创智科技有限公司 | 一种基于多维数据的学生行为特征智能分析方法 |
| CN111738886A (zh) * | 2020-06-30 | 2020-10-02 | 上海松鼠课堂人工智能科技有限公司 | 基于神经网络的学习报告分析系统 |
| CN111950892A (zh) * | 2020-08-11 | 2020-11-17 | 华中师范大学 | 一种数据驱动的大学生个性化学习行为预测与干预方法 |
| CN111950708A (zh) * | 2020-08-11 | 2020-11-17 | 华中师范大学 | 一种发现大学生日常生活习惯的神经网络结构与方法 |
| CN113705985A (zh) * | 2021-08-12 | 2021-11-26 | 河南工业职业技术学院 | 一种学生思政状况分析预警方法、系统、终端及介质 |
| CN117062280A (zh) * | 2023-08-17 | 2023-11-14 | 北京美中爱瑞肿瘤医院有限责任公司 | 一种神经外科自助式手术灯自动跟随系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108171630A (zh) * | 2017-12-29 | 2018-06-15 | 三盟科技股份有限公司 | 基于校园大数据环境下学生行为轨迹的发现方法及系统 |
| CN108269439A (zh) * | 2018-03-02 | 2018-07-10 | 施晶晖 | 一种移动端智能教学管理系统 |
| CN108320044A (zh) * | 2017-12-20 | 2018-07-24 | 卓智网络科技有限公司 | 学生学习时长预测方法和装置 |
| CN108898243A (zh) * | 2018-06-04 | 2018-11-27 | 宁德师范学院 | 一种电力系统输电网络安全性测试系统 |
-
2018
- 2018-12-25 CN CN201811591618.4A patent/CN109636062A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108320044A (zh) * | 2017-12-20 | 2018-07-24 | 卓智网络科技有限公司 | 学生学习时长预测方法和装置 |
| CN108171630A (zh) * | 2017-12-29 | 2018-06-15 | 三盟科技股份有限公司 | 基于校园大数据环境下学生行为轨迹的发现方法及系统 |
| CN108269439A (zh) * | 2018-03-02 | 2018-07-10 | 施晶晖 | 一种移动端智能教学管理系统 |
| CN108898243A (zh) * | 2018-06-04 | 2018-11-27 | 宁德师范学院 | 一种电力系统输电网络安全性测试系统 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059297A (zh) * | 2019-04-22 | 2019-07-26 | 上海乂学教育科技有限公司 | 适用于自适应学习的知识点学习时长预测方法及其应用 |
| CN110135141A (zh) * | 2019-04-28 | 2019-08-16 | 佛山科学技术学院 | 一种基于区块链的学生证照真伪的核查方法及装置 |
| CN110414827A (zh) * | 2019-07-23 | 2019-11-05 | 郭俊雄 | 基于大数据的学生行为预警分析方法及系统 |
| CN111221832A (zh) * | 2019-12-27 | 2020-06-02 | 三盟科技股份有限公司 | 一种学生失联预警方法、系统及存储介质 |
| CN111221832B (zh) * | 2019-12-27 | 2023-11-24 | 三盟科技股份有限公司 | 一种学生失联预警方法、系统及存储介质 |
| CN111325153B (zh) * | 2020-02-21 | 2023-05-12 | 青岛联合创智科技有限公司 | 一种基于多维数据的学生行为特征智能分析方法 |
| CN111325153A (zh) * | 2020-02-21 | 2020-06-23 | 青岛联合创智科技有限公司 | 一种基于多维数据的学生行为特征智能分析方法 |
| CN111091484A (zh) * | 2020-03-19 | 2020-05-01 | 浙江正元智慧科技股份有限公司 | 基于大数据的学生学习行为分析系统 |
| CN111738886A (zh) * | 2020-06-30 | 2020-10-02 | 上海松鼠课堂人工智能科技有限公司 | 基于神经网络的学习报告分析系统 |
| CN111738886B (zh) * | 2020-06-30 | 2021-04-30 | 上海松鼠课堂人工智能科技有限公司 | 基于神经网络的学习报告分析系统 |
| CN111950708A (zh) * | 2020-08-11 | 2020-11-17 | 华中师范大学 | 一种发现大学生日常生活习惯的神经网络结构与方法 |
| CN111950892B (zh) * | 2020-08-11 | 2023-08-18 | 华中师范大学 | 一种数据驱动的大学生个性化学习行为预测与干预方法 |
| CN111950708B (zh) * | 2020-08-11 | 2023-10-03 | 华中师范大学 | 一种发现大学生日常生活习惯的神经网络结构与方法 |
| CN111950892A (zh) * | 2020-08-11 | 2020-11-17 | 华中师范大学 | 一种数据驱动的大学生个性化学习行为预测与干预方法 |
| CN113705985A (zh) * | 2021-08-12 | 2021-11-26 | 河南工业职业技术学院 | 一种学生思政状况分析预警方法、系统、终端及介质 |
| CN113705985B (zh) * | 2021-08-12 | 2023-09-29 | 河南工业职业技术学院 | 一种学生状况分析预警方法、系统、终端及介质 |
| CN117062280A (zh) * | 2023-08-17 | 2023-11-14 | 北京美中爱瑞肿瘤医院有限责任公司 | 一种神经外科自助式手术灯自动跟随系统 |
| CN117062280B (zh) * | 2023-08-17 | 2024-03-08 | 北京美中爱瑞肿瘤医院有限责任公司 | 一种神经外科自助式手术灯自动跟随系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636062A (zh) | 一种基于大数据分析的学生行为分析方法及系统 | |
| Akram et al. | Predicting students’ academic procrastination in blended learning course using homework submission data | |
| CN109242149A (zh) | 一种基于教育数据挖掘的学生成绩早期预警方法及系统 | |
| Beck | Difficulties in inferring student knowledge from observations (and why you should care) | |
| CN111461442A (zh) | 基于联邦学习的知识追踪的方法及系统 | |
| CN112365177A (zh) | 一种基于vr的汽车维修实训的评价方法 | |
| Tang et al. | Personalized behavior recommendation: A case study of applicability to 13 courses on edX | |
| Li et al. | A spatial dynamic model of population changes in a vulnerable coastal environment | |
| Chen et al. | Based on Optimization Research on the Evaluation System of English Teaching Quality Based on GA‐BPNN Algorithm | |
| Okoye et al. | Machine learning model (RG-DMML) and ensemble algorithm for prediction of students’ retention and graduation in education | |
| CN111461188B (zh) | 一种目标业务控制方法、装置、计算设备及存储介质 | |
| Caro et al. | Student academic performance stochastic simulator based on the Monte Carlo method | |
| Li et al. | Research on the big data analysis of MOOCs in a flipped classroom based on attention mechanism in deep learning model | |
| James et al. | Identifying items for moderation in a peer assessment framework | |
| Bhatt et al. | A novel approach for knowledge state representation and prediction | |
| Petscher et al. | Testing the Importance of Individual Growth Curves in Predicting Performance on a High-Stakes Reading Comprehension Test in Florida. REL 2014-006. | |
| Wang | Genetic Algorithm and BP Neural Network for College Physical Education Teaching Evaluation | |
| CN114943625A (zh) | 一种基于区块链技术的远程教育系统 | |
| Jiménez-Macías et al. | A model to characterize exercises using probabilistic methods | |
| Lim et al. | A Recursion‐Based Analytical Approach to Evaluate the Performance of MST | |
| Sheng et al. | An adaptive online learning testing system | |
| Cheng | Improvement of English Teaching Process Management Based on Intelligent Data Sampling | |
| Mostafavi et al. | Data-driven proficiency profiling: proof of concept | |
| Kazanidis et al. | An applicable method for evaluation of web-learning platforms content quality and usage | |
| Budiana et al. | Application of The Least Square Method for The Prediction of The Number of Registration in Admission of New Students in Universities |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
| RJ01 | Rejection of invention patent application after publication |