一种LSTM优化算法在高校学生学业预警中的应用

摘要

高校现有学业预警系统对学生行为数据要求齐整、预测准确率低、可推广性差。针对上述问题,文中提出一种基于LSTM优化神经网络的预警模型。该模型主要由数据处理、特征提取、优化训练三部分组成,其中数据处理是通过RBF核函数对学生信息数据进行从低维到高维的空间映射,从而保留完整的学生数据信息,降低数据缺失对预警系统的干扰;特征提取是指通过多维正态分布的前馈特征提取对学生信息数据进行分类,然后进行归一化处理,根据不同类别进行学习运算,提高预测正确率;优化训练则是将数据输入至自适应激励函数优化后的LSTM神经网络训练,通过概率拟合得到毕业概率及弱项特征,从而输出学业预测报告。将收集的G大学2017—2019年三届毕业生共15211人的第一学年必修课成绩、消费信息、图书借阅频率等数据作为数据训练集,将2020届5301名毕业生数据作为测试数据进行试验。结果表明,文中模型预测准确率稳定在94.21%,最高可达到98.17%,平均准确率较现有预警模型提升2个百分点,尤其是负召回率有明显提升,数据依赖性和结果稳定性也有显著改善。