基于深度学习的学生异常行为智能预测系统

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，可进行模糊与关联搜索，同时可对搜索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：能够实现与最新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。 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规模数据的处理能力，保证系统的可扩展性，本系统设计并实现模型算法在Spark上的并行化，提高算法的运行效率。 1.3 项目拟解决的关键问题和可能的创新点 1、在构建学生“画像”过程中，针对文本的挖掘目标对数据进行转换，采用统计学、聚类和分类方法将数据进行压缩、泛化和规范化，从而能提高挖掘质量。 2、基于深度学习算法，融合学生多维行为特征，建立分层学生行为预测模型，同时，结合数据自身特点，提出一种基于密度优化的聚类算法。 3、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规模数据的处理能力，保证系统扩展性，我们设计了算法在Spark上的并行化实现。 1.4 项目与国内外同类研究的比较 近年来，许多高校利用校园大数据开展了许多面向管理和师生服务的应用，依赖大数据挖掘方法以支持教育领域的校园管理与决策以及学生行为规律的分析受到广泛关注。 国外的多家在线教育机构针对在线教育过程中高发的辍学问题，应用数据挖掘方法对学生在线学习数据进行深层次挖掘分析，发现引发辍学的内在原因，并基于挖掘结果制定督促和引导策略，改善在线教育的辍学问题。Marengo基于学生与系统中的交互日志进行数据挖掘，建立个性化知识库，分析学生知识掌握情况，帮助学生建立培养知识体系。保罗实验室在2015年10月发起了一项数据竞赛，研究在指定训练集样本上通过机器学习算法构建知识模型，利用统计及逻辑推理的方法选择可能正确的答案，建立答题模型，模拟学习考试，取得了很好的成果。 电子科技大学研究人员基于学生在校园内学习、生活的实时行为数据，结合问卷调查、人口统计学等相关数据研发的大数据系统，利用校园一卡通追踪学生行为轨迹，通过对学生吃饭、打水、出行、消费行为记录，挖掘出每名学生的学习、生活状态，并通过对学生日常学习状态的追踪，对学生的期末成绩作出预警。有科研人员研究基于学生平时评测成绩数据，利用决策树挖掘方法提取规则，以预测学生课程成绩，帮助导师了解学生表现，提供适当的学习建议，提高教学质量。还有以校园卡交易数据为研究对象，通过数据仓库、联机分析处理技术以及数据挖掘技术的综合运用来建立数据分析决策系统，以K-means算法为基础进行聚类分析，发现水的消费与学生性别有关联。 通过以上对国内外研究现状的分析，可以看出，大数据对学校教育的改革起到非常明显的作用，大数据在提高学校管理和教学质量以及完善学生教育评价手段上的优势明显，基于深度学习构建学生异常行为预测模型的研究较少，还处于萌芽阶段，具有很高的理论意义与应用价值。 4