一种基于深度学习的学生异常行为分析方法与流程

[0001]
本发明涉及一种基于深度学习的学生异常行为分析方法，属于数据查询技术领域。


背景技术：

[0002]
随着现代信息技术的迅猛发展，物联网、大数据和人工智能等技术的广泛应用，校园数字化建设地不断深入，学校校园积累了大量学生相关的数据，包括校园学生卡系统数据、学生成绩数据、学生选课系统数据、网络使用日志数据、宿舍考勤数据、图书馆借阅记录数据等各维度数据，为分析学生日常行为规律、异常分析预警提供数据支撑。
[0003]
目前，一般采用k-means聚类算法针对学生校园卡消费行为进行消费习惯聚类分析，通过结果中的离群点筛选出异常学生样本候选集合，再通过关联规则算法对学生行为进行异常行为关联度分析。除了聚类算法，分类算法也可以用在学生异常行为的分析，有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出一套“大数据”系统学生画像，通过对日常行为的分析实现学生的异常行为预测预警。
[0004]
但在实际操作过程中，现有预测方法并未充分考虑不同维度数据之间的交叉关联关系，可能会影响异常预测的准确率。而且，随着样本数据的不断丰富，大量的稀疏样本使用模型的训练变得更加复杂，且训练时间变得更长，影响算法实现的稳定性。


技术实现要素：

[0005]
针对上述现有技术存在的问题，本发明提供一种基于深度学习的学生异常行为分析方法，能够高效地处理不同数据的融合，并行化程序高，系统稳定；同时，预测模型能够同时学习低阶和高阶组合特征，它混合了一个线性模型和deep模型，可以更快的训练，以及更精确的训练学习，能够准确地对异常学生进行预测。
[0006]
为了实现上述目的，本发明采用如下技术方案：一种基于深度学习的学生异常行为分析方法，包括：
[0007]
步骤s1、数据采集与预处理：采集学生在校消费、生活和学习方面的相关数据，并对采集到的多源数据进行数据清洗、数据转换与数据规约预处理，将处理后的数据存储至数据仓库；
[0008]
步骤s2、构建学生画像特征库：通过分析数据仓库内数据的可用性和评价学生在校行为，构建学生画像特征库，通过不同的指标刻画学生的行为特征，并根据采集到的数据量化进行指标量化；
[0009]
步骤s3、创建异常行为预测模型：根据行为特征构建基于wide&deep神经网络的异常行为预测模型；
[0010]
步骤s4、结合异常行为预测模型进行预测分析学生的异常行为，并将预测的结果按由高至低排序，形成预警信息列表。
[0011]
基于深度学习的学生异常行为分析方法，所述步骤s1中采集的数据包括校园卡消费、宿舍考勤、图书馆借阅、学生教务信息和学生成绩数据。
[0012]
基于深度学习的学生异常行为分析方法，所述步骤s1中数据清洗是指将多元化数据进行数据融合，转化统一数据格式，对人员身份信息数据进行过滤、清洗掉无关人员记录数据；同时剔除冗余和部分缺失数据。
[0013]
基于深度学习的学生异常行为分析方法，所述步骤s1中数据转化是指对清洗后的数据采用统计学、聚类和分类方法进行压缩、泛化和规范化的转换。
[0014]
基于深度学习的学生异常行为分析方法，所述步骤s2中学生的消费规律指标包括：每月消费、消费频率、每月消费区间、消费地；学生生活习惯指标包括：饮食指标、起居指标、运动指标、活动区域指标；学生学习指标包括：图书馆访问指标、成绩指标、阅读指标、课程指标、学习时长指标。
[0015]
基于深度学习的学生异常行为分析方法，所述步骤s3中构建基于wide&deep神经网络的异常行为预测模型具体是：将行为特征分为连续型和类别型特征，同时对一些特征进行局部交叉，对于类别特征设置一个过滤阈值，将特征映射到32维嵌入层和原始的连续型特征一同作为神经网络的输入，然后通过梯度的反向传播，使用mini-batch stochastic optimization训练参数，对deep部分使用adagrad算法。
[0016]
与现有的技术相比，本发明能够高效地处理不同数据的融合，并行化程序高，系统稳定；同时，预测模型能够同时学习低阶和高阶组合特征，它混合了一个线性模型和deep模型，可以更快的训练，以及更精确的训练学习，能够准确地对异常学生进行预测；本发明可用于校园生活中，基于学生校园卡消费、宿舍考勤、图书馆借阅、学生教务信息、学生成绩等多源数据分析学生行为，对可能存在异常行为的学生进行预警，维护校园安全。
附图说明
[0017]
图1为本发明的示意图；
[0018]
图2为本发明基于wide&deep神经网络的异常行为预测模型示意图；
[0019]
图3为图2对应的译文示意图。
具体实施方式
[0020]
下面结合附图对本发明实施中的技术方案进行清楚，完整的描述，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0021]
如图1和图2所示，本发明提供的一种基于深度学习的学生异常行为分析方法，包括：
[0022]
步骤s1、数据采集与预处理：采集学生在校消费、生活和学习方面的相关数据，并对采集到的多源数据进行数据清洗、数据转换与数据规约预处理，将处理后的数据存储至数据仓库；
[0023]
步骤s2、构建学生画像特征库：通过分析数据仓库内数据的可用性和评价学生在校行为，构建学生画像特征库，通过不同的指标刻画学生的行为特征，并根据采集到的数据
量化进行指标量化；
[0024]
步骤s3、创建异常行为预测模型：根据行为特征构建基于wide&deep神经网络的异常行为预测模型，构建的预测模型如图2所示；
[0025]
步骤s4、结合异常行为预测模型进行预测分析学生的异常行为，并将预测的结果按由高至低排序，形成预警信息列表。
[0026]
基于深度学习的学生异常行为分析方法，所述步骤s1中采集的数据包括校园卡消费、宿舍考勤、图书馆借阅、学生教务信息和学生成绩数据。
[0027]
基于深度学习的学生异常行为分析方法，所述步骤s1中数据清洗是指将多元化数据进行数据融合，转化统一数据格式，对人员身份信息数据进行过滤、清洗掉教职工等无关人员记录数据；同时剔除冗余和部分缺失数据。
[0028]
基于深度学习的学生异常行为分析方法，所述步骤s1中数据转化是指对清洗后的数据采用统计学、聚类和分类方法进行压缩、泛化和规范化的转换。对不同的数据进行相应的数据转化，让数据更有意义，更有针对性。
[0029]
基于深度学习的学生异常行为分析方法，所述步骤s2中学生的消费规律指标包括：每月消费、消费频率、每月消费区间、消费地；学生生活习惯指标包括：饮食指标、起居指标、运动指标、活动区域指标；学生学习指标包括：图书馆访问指标、成绩指标、阅读指标、课程指标、学习时长指标。全方面考虑学生各方面的相关数据，并以此作为基本参数进行构建学生画像特征集，从而构建异常行为预测模型，能够实现更精确的训练学习，更准确地对异常学生进行预测。
[0030]
基于深度学习的学生异常行为分析方法，所述步骤s3中构建基于wide&deep神经网络的异常行为预测模型具体是：将行为特征分为连续型和类别型特征，同时对一些特征进行局部交叉，对于类别特征设置一个过滤阈值，将特征映射到32维嵌入层和原始的连续型特征一同作为神经网络的输入，然后通过梯度的反向传播，使用mini-batch stochastic optimization训练参数，对deep部分使用adagrad算法。具体如图2所示，其对应的中文含义如图3所示，左侧为连续型特征，直接放入神经网络；右侧进行简单的逻辑回归，线性的组合方式，最后，一同作为神经网络的输入。
[0031]
实施例：
[0032]
1.随着各大高校对智慧校园的日益重视，寝室门禁系统、教室打卡系统、图书借阅系统、教务管理系统、食堂消费系统等建设日趋完备。通过数据分析，采集系统中的数据如：出入门禁时间、图书借阅时长、借阅书目、上网时长、成绩、就医、学生信息等进行清洗转换，并存储至数据仓库。
[0033]
2.将数据库中每名学生对应的数据取出，利用聚类分析和关联分析形成学业主题、校园消费主题、图书借阅主题、课堂签到主题、夜宿主题、上网主题等学生画像特征库。
[0034]
3.训练学生异常行为模型。将第二步得到的数据作为模型输入，并生成稀疏和密集特征以及标签。
[0035]
1)wide部分训练数据包括学生姓名、过往异常行为数据。
[0036]
2)对于模型的deep部分，训练数据为各个主题库的数据和经过统计得到的特征数据，每个类别特征学习一个32维的嵌入向量。然后将所有的嵌入与密集特征连接在一起，得到大约1200维的密集向量。然后将连接的向量送入3个relu层，最后输入logistic输出单
元。
[0037]
4.根据步骤3得到的训练模型，对学生异常行为进行预测，分析学生过度消费、逃课、夜不归宿、失联、学业异常、心理异常等行为，并给出每种行为的置信度，形成预警信息列表。
[0038]
综上所述，本发明能够高效地处理不同数据的融合，并行化程序高，系统稳定；同时，预测模型能够同时学习低阶和高阶组合特征，它混合了一个线性模型和deep模型，可以更快的训练，以及更精确的训练学习，能够准确地对异常学生进行预测；本发明可用于校园生活中，基于学生校园卡消费、宿舍考勤、图书馆借阅、学生教务信息、学生成绩等多源数据分析学生行为，对可能存在异常行为的学生进行预警，维护校园安全。
[0039]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。