基于深度学习的学生异常行为智能预测系统.pdfVIP

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