一种基于多维特征挖掘的智慧校园离校分析方法技术

本申请提供一种基于多维特征挖掘的智慧校园离校分析方法，包括：获取学生个人信息，采用监督学习算法建立学生行为预测模型，预测个体离校风险度；基于学生个体离校风险度，预测形成多人群体离校的概率；基于形成多人群体离校的概率，预测不同的学生在离校后，在何时何地再聚集的概率；根据学生行为预测模型，预测学生离校后是否会做出不合法或违反规定行为，判断学生离校时间

【技术实现步骤摘要】
一种基于多维特征挖掘的智慧校园离校分析方法


[0001]本专利技术涉及信息
，尤其涉及一种基于多维特征挖掘的智慧校园离校分析方法
。

技术介绍

[0002]随着智慧校园的不断发展和学生离校行为的增多，学校管理人员面临着诸多挑战
。
传统的管理方法无法准确评估学生离校的风险程度，缺乏对学生集体活动趋势和可能性的了解，也无法提前发现学生离校后的不合法行为
。
此外，对学生离校行为的监管和评估也存在一定的困难，特别是预测形成多人群体离校的概率，无法对离校目的地的安全性进行全面评估，也无法提供对潜在离校意外事故的应急预案
。
因此，需要一种基于多维特征挖掘的智慧校园离校分析方法来解决这些问题
。

技术实现思路

[0003]本专利技术提供了一种基于多维特征挖掘的智慧校园离校分析方法，主要包括：
[0004]获取学生个人信息，采用监督学习算法建立学生行为预测模型，预测个体离校风险度；基于学生个体离校风险度，预测形成多人群体离校的概率；基于形成多人群体离校的概率，预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多维特征挖掘的智慧校园离校分析方法，其特征在于，所述方法包括：根据经过学生
、
学生监护人
、
学校
、
教育机构
、
数据保护机构以及符合法律法规的授权，获取学生个人信息
、
历史离校数据
、
行为特征数据
、
学业数据和心理健康数据；采用随机森林算法，通过所述学生的离校前的行为模式
、
离校时的情绪状态
、
离校目的和动机
、
成绩
、
出勤率
、
心理评估结果和压力水平数据，建立学生行为预测模型，并确定学生的离校风险度；基于所述学生个体离校风险度，预测形成多人群体离校的概率；从所述学生个体离校风险度中提取出高风险的学生数据，通过所述学生行为预测模型，判断学生离校后是否会做出不合法或违反规定行为，并确定学生离校时间
、
方式和目的地是否符合规定并安全；对所述学生离校目的地进行分析，获取地区安全性
、
交通状况，并判断学生离校目的地是否安全；根据学生离校意外事故的影响程度和风险，生成针对潜在的离校意外事故的预案措施
。2.
根据权利要求1所述的方法，其中，所述根据经过学生
、
学生监护人
、
学校
、
教育机构
、
数据保护机构以及符合法律法规的授权，获取学生个人信息
、
历史离校数据
、
行为特征数据
、
学业数据和心理健康数据，包括：通过合法途径，采集学生的姓名
、
性别
、
年龄
、
专业，以及离校的时间
、
地点
、
频率等信息；对收集到的所有数据集进行去除噪声
、
处理缺失值和特征缩放；从所述数据集中选取特定的特征值，并将其分为训练集和验证集；采用随机森林算法对所述训练集进行训练，确定学生行为预测模型；使用所述训练好的模型，输入相关数据，得到学生的离校风险度
。3.
根据权利要求1所述的方法，其中，所述采用随机森林算法，通过所述学生的离校前的行为模式
、
离校时的情绪状态
、
离校目的和动机
、
成绩
、
出勤率
、
心理评估结果和压力水平数据，建立学生行为预测模型，并确定学生的离校风险度，包括：将所述学生个体离校风险度与已有的训练数据进行合并；初始化所述学生行为预测模型，并将数据划分为训练集和验证集；使用随机森林算法对所述训练集进行训练，更新学生行为预测模型的参数和权重；根据验证结果，对所述学生行为预测模型进行调优；使用所述训练好的模型，输入学生的相关数据，确定形成多人群体离校的概率
。4.
根据权利要求1所述的方法，其中，所述基于所述学生个体离校风险度，预测形成多人群体离校的概率，包括：采用收集到的数据中的专业
、
离校的时间
、
地点
、
频率
、
方式
、
离校前的行为模式
、
离校时的情绪状态
、
离校目的和动机
、
成绩
、
出勤率
、
心理评估结果
、
压力水平和形成多人群体离校的概率作为特征值；根据学生的所述特征值，通过时间序列分析，确定离校特征值作为观测变量，将时间作为自变量，建立
ARIMA
模型，从而得到未来学生的离校概率；采用地理位置作为观测变量，根据学生的所述离校概率作为因变量，使用地理加权回归，确定...

【专利技术属性】
技术研发人员：吴小强，卢增辉，张林芳，
申请(专利权)人：广州智威智能科技有限公司，
类型：发明
国别省市：