技术特征：
1.一种基于深度学习的学生异常行为分析方法，其特征在于，包括：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；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；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；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。2.根据权利要求1所述的一种基于深度学习的学生异常行为分析方法，其特征在于，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。3.根据权利要求1所述的一种基于深度学习的学生异常行为分析方法，其特征在于，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。4.根据权利要求1所述的一种基于深度学习的学生异常行为分析方法，其特征在于，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。5.根据权利要求1所述的一种基于深度学习的学生异常行为分析方法，其特征在于，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。6.根据权利要求1所述的一种基于深度学习的学生异常行为分析方法，其特征在于，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。