基于深度学习的学生异常行为智能预测系统.pdfVIP

文档来源网络整理 侵权删除 基于深度学习的学生异常行为 智能预测系统研究 一、 项目的研究目标与研究内容 1.1 项目的研究目标和主要内容 研究目标： 设计并实现以学生“画像”特征库为核心，基于深度学习的学生异常行为智能 预测系统。通过特征库的多维行为特征，建立分层模型，使用深度学习算法建 立学生行为预测模型，并开发完整的具有并行化能力的学生异常行为预测系 统。近年来，校园安全事故的频繁发生，引起了社会各界的高度重视，在智慧 校园的建设中，校园安全中学生异常行为预测扮演着十分重要的角色，因此， 本次课题具有较高的普适性和应用推广性。 主要研究内容： （1）数字化校园建设积累了丰富的学生行为数据，以这些数据为基础分析系统 业务流程，设计智能预测系统结构，构建学生“画像”特征库。 （2 ）设计基于深度学习的学生行为细分模型，并对传统的 K-means 聚类算法从 初始聚类中心的选择和聚类数量的确定两个方面进行改进。 （3 ）构建Spark 大数据生态环境，并在上述理论研究基础上开发基于 Spark 的 学生异常行为智能预测系统。 功能指标： 数据融合：提供学生数据融合功能，能够将学生成绩、教务考勤、宿舍门 禁、图书馆借阅、网络日志等多种数据进行统一数据抽取、数据转换与清洗， 便于数据共享。 学生画像：从海量学生行为数据中抽取标签形成多维度认知,形成学生信息 一张图，便于老师全方面地了解学生信息。 异常行为预测：能够对学生生活或学习因素导致的心理异常进行预测，便 于老师加强心理辅导，防患学生产生过激行为。 智能检索：提供学生信息的智能检索服务，可进行模糊与关联有哪些信誉好的足球投注网站，同时 文档来源网络整理 侵权删除 可对有哪些信誉好的足球投注网站词进行语义理解和意图识别，并能进行自动纠错。 性能指标： 系统扩展性：能够实现与必威体育精装版版本的主流数据库产品（如 IBM DB2、 Oracle、MySQL 等）的数据互通；满足云平台架构要求，支持虚拟化资源的横 向扩展。 数据可靠性：数据采集清洗后有效信息不低于 90% ；系统间、设备间的信 息交互准确率不低于 90% ；学生异常行为预测准确率不低于80% 数据处理能力：支持实时存储、检索，数据延时误差小于 1 秒； 终端支撑能力：支持多种终端软件的通信连接及信息交互；系统支持同时 在线用户数不少于 3 人。 1.2 项目的研究方法和技术路线 1. 构建学生“画像”特征库 目前，随着各高校数字化校园建设的不断深入，积累了丰富的学生行为数 据，包括学生成绩、教务考勤、宿舍门禁、图书馆借阅、网络日志等多种数 据。通过对学生大数据进行挖掘和关联分析，分别从学生消费规律、生活习惯 指标、学生成绩、日常行为轨迹等多方面挖掘分析出学生的学习生活行为信 息，构建学生“画像”特征库。 2. 构建基于深度学习的学生行为预测模型 深度学习是机器学习的一个分支，许多传统机器学习算法学习能力有限，数 据量的增加并不能持续增加学到的知识总量，而深度学习系统可以通过访问更 多数据来提升性能，通过发现经验数据中错综复杂的结构进行学习。本次研究 通过提取学生多维行为特征，建立分层模型，利用回归等方法建立学生行为预 测模型，预测学生的行为。 文档来源网络整理 侵权删除 在对学生行为进行分类时，传统的 K-means 聚类算法通过计算类内样本点到 类簇中心点的距离的平方和来评估聚类的效果，它只关心了类簇内各样本的相 似性，而缺乏考量聚类结果类簇之间的相异性，本系统在 K-means 的基础上进 行优化，提出一种基于密度优化的聚类算法，能有效提高分类的准确度。 3. 实现算法并行化 Spark 是由 UC Berkeley AMP lab 所开源的类 hadoop MapReduce 的通用分布 式并行计算框架。不同于 MapReduce，优化了 MapReducer 的中间结果全部持 久化到磁盘的过程，减少了少量数据迭代式处理过程中的 IO 瓶颈，很大程序上 提高了 Spark 对大数据处理的实时性，是基于内存的大数据并行计算框架。 由于本文针对学生进行聚类细分数据量较大，同时为了以后的更大