基于学习通课程的学生网络学习行为研究

针对超星学习通课程学习过程中学生出现的被动学习、消极学习现象,提出分析学生学习态度的方法,构建学习态度跟踪模型.首先针对超星学习通平台收集的学生网络学习行为数据,选取与学习态度相关性较高的指标,形成训练数据集;然后,通过调查法对学生学习态度进行调查,以此获得学习态度标签;最后,基于分类算法构建学习态度跟踪模型,采用五折...     

基于学生行为数据的学生心理健康状态预测

为解决大学生心理健康状态识别问题,基于学生消费、上网和心理测评结果数据,首先应用Jenks Natural Breaks算法进行特征分类,然后根据特征分类结果使用Apriori算法进行特征关联分析,以挖掘与学生心理健康状态具有一定相关性的行为特征。最后,基于粒子群优化算法改进了惯性权重,并增加了对劣势粒子进行识别变异和选择的过程,以避免算法陷入局部最优解,同时使用萤火虫扰动策略加速粒子群向全局最优解收敛,构建了PDNN(Particle Difference Neural Network)神经网络模型用于预测学生的心理健康状态。在学生行为特征数据集上的实验结果表明,所提出的模型优于传统的机器学习和相关深度学习模型,并可以快速收敛,能更加有效准确地预测学生的心理健康状态。     

基于学习任务的英语专业学生语言学习行为行动研究

行动研究是近年来国际上较为流行的课堂教学实践研究方法,是教师成长、课程发展和教育改革的重要手段之一。本文采用行动研究的研究方法,通过具体的学习任务的设定以及有针对性的教学调控措施的实施,阐述了英语专业课堂教学中培养学生良好语言学习行为的方法和途径。     

基于集成学习的微博用户转发行为预测

为了提高微博用户转发行为预测的精度,提出一种有效的基于集成学习的微博用户转发行为预测算法.首先,对影响用户转发的各种特征进行综合分析,提取出用户属性、社交关系、微博内容等影响用户转发行为的特征;然后,采用Logistic回归、支持向量机与BP(BackPropagation)神经网络等机器学习算法对用户转发行为进行预测;最后,利用"加权投票法"的集成学习方法对多个预测结果进行融合.实验结果表明,相对于BP神经网络算法,在综合评价性能的F1度量值上,集成学习算法有1.5%的性能提升.     

基于实测数据分析的风电功率预测

由于风力发电所利用的近地风能具有波动性、间歇性、低能量密度等特点,对风电场的发电功率进行尽可能准确的预测是风电发展的关键.本文根据某风场的实测数据,采用了时间序列中的自回归移动平均模型(ARMA),对风电功率进行了实时预测;为进一步提高风电功率实时预测的精确性,本文提出了一种基于BP神经网络和ARMA组合模型的预测方法,并对上述实测数据采用该方法进行了实时预测.预测结果表明:组合模型的预测结果与单独的自回归移动平均模型相比,风电功率的实时预测的均方根误差和百分比误差分别减少了4.01%和3.25%,工程中可以采用该组合模型对风电功率进行预测.     

基于CART分类算法的学生在线学习行为评价研究

随着智慧网络学习平台的推广应用,采集学生学习行为大数据开始变得可行,这为分析学生学习过程包含的知识和规律提供了数据基础.但目前普遍网络学习平台对数据仅实现了简单的统计和展示功能,没有做进一步的深入计算,教育者观察到的数据仍然只是表层的学习现象,不能看到表象后面的学习规律,很难有效对学生进行针对性指导,改变学生的学习路线,反馈教学策略.针对此,从学生在线学习的2个主要维度:学习活动和学习评价,对学习行为中的主要特征进行了深入的数据挖掘,得出了影响学生学习效果较为重要的数据特征项,并应用CART分类算法对学习行为有风险的学生建立预测评价模型,模型测试总体正确率符合预期.这为以后进一步实现个性化学习服务提供了实践应用的建模方式.     

学习倦怠对高职学生在线学习行为影响机理研究——基于计划行为理论

疫情防控常态化下在线学习成为高职学生的重要学习途径。以计划行为理论为依据,在行为态度、主观规范、感知行为控制、行为意向、行为五个变量基础上引入学习倦怠变量,探讨高职学生在线学习倦怠对学习行为影响的机理。方法：在对高职学生在线学习调研的基础上,建立AMOS结构方程模型,探讨学习倦怠对高职学生在线学习行为的影响过程及关系。结果：学习倦怠受到主观规范负向的显著影响,行为态度受到学习倦怠的负向显著影响,感知行为控制受到学习倦怠的正向显著影响,学习行为意愿受到感知行为控制的负向显著影响。建议：通过优化在线学习管理,改进教学策略,提高社会支持和增强高职学生效能感等几项措施,降低高职学生学习倦怠,提升高职学生在线学习意愿,提高在线学习质量。     

基于Spark的移动用户行为轨迹大数据分析

为获取移动用户轨迹数据中的价值信息,利用Spark集群分布式处理用户行为轨迹的原始数据,对存入HBase分布式数据存储中的数据进行筛选、分析后存入Hive数据库中,Spark对数据库文件中的数据进行相关性卡方检验和K-Means聚类分析,得到用户出行方式的统计结果及在距离限制下出行方式选择的普遍规律.该过程为用户行为分析和预测提供可行的解决方案.     

基于Q学习的管制员Agent学习行为研究

管制员Agent是空中交通运行仿真系统中的核心部分,为了提高其知识库的完备程度,做到空中交通的精确仿真,可以考虑将机器学习理论引入管制员Agent模型.研究了相关机器学习算法,提出管制员Agent的个体机器学习行为,选择Q学习算法对管制员Agent的学习行为进行建模,使管制员Agent能在空中交通运行仿真中取得最优策略,完善自身冲突解脱知识库的不足.仿真结果证明了管制员Agent学习行为的合理性.     

基于在线学习行为数据的学习效果模型与影响因素分析

为了探究学生在线学习情况与学习效果之间的关系,采用数据标注的方式解决学生学习行为表示的问题.以S大学在线教学平台数据为研究对象,通过数据挖掘技术探寻学生在线学习行为与学习效果之间的关系.对比多种机器学习算法后,选定随机森林算法作为学习效果预测模型的基本算法.研究发现：最能影响学习效果的因素是文档学习总时长,最终构建的学习效果预测模型对整体数据集的分类准确率达到84.69%.     

基于生成对抗网络与深度学习的少数据云资源预测

精确的云资源预测对计算平台实现安全运行具有十分重要的意义,针对新公司的云计算资源缺乏足够数据样本而造成预测模型精度降低的问题,本文提出一种基于WasserStein生成对抗网络和双向门控循环单元网络的少样本云计算资源预测模型。通过生成对抗网络去学习原始少样本数据的分布规律,以高斯噪声作为输入生成与原始数据具有相同分布的新样本数据,实现数据增强的行为;由于传统门控单元网络无法完全利用数据的时间信息,本文采用双向门控循环单元网络对数据的前向、反向时间信息进行双向提取并预测。以Google公开数据集进行仿真,对无增强数据和增强数据后的不同机器算法模型的预测结果进行对比。实验结果表明,使用WasserStein生成对抗网络数据增强后的双向门控循环单元网络模型精度的达到98.3%,所提方法适用于少样本数据的云计算资源预测。     

基于微博签到数据的出行行为分析

应用Python爬虫程序,通过新浪API端口爬取了新浪微博2012年的地点签到数据,共计5 028 980条。将这些数据按城市划分,共分为340个地级以上的城市或地区。通过统计发现,签到次数最多的3个城市为北京、上海和广州,说明微博用户更多地活跃在这三个城市。进一步通过相关性分析发现,这些城市的微博用户签到流量和当地GDP呈一定的相关性,说明经济发展水平会影响用户的旅行行为。此外,本文还按照用户的出行流量对各大城市进行了聚类划分,进一步印证了经济发达城市对微博用户签到的吸引会高于其他经济欠发达的城市。     

用于短期风功率预测的历史数据深度迁移模型

随着全球化石燃料短缺日益严重,可再生能源的开发与利用愈发得到重视。风能是被广泛使用的清洁能源之一,在生产工作中,风力发电作为风能的主要利用形式,需要对其功率进行预测。依托风场日常记录的历史数据,传统学习模型可对风功率进行短期预测,但往往仅使用自己域内的历史数据作为分析对象,该类算法导致结果片面,局限性大,不能有效使用类数据中的隐含联系,抑制原始数据缺失或异常值引起的模型性能下降问题。笔者设计一种基于历史数据深度迁移的短期风功率预测模型。首先,使用带降噪处理的自动编码机构建深度神经网络模型。其次,应用深度迁移方法共享隐藏层,挖掘特征之间的隐含联系。最后,从具有相似特征和地理位置的风场数据中迁移重要知识,提高模型准确率和可靠性。实验结果表明,研究方法较之未使用迁移的方法更充分利用现有数据,预测准确率显著提高。     

基于奇异谱方法的网络行为分析

运用数字信号处理中的奇异谱分析方法，讨论了如何提取网络流量的周期和趋势特征，并结合最大熵谱方法对吞吐量趋势做出预测，将该方法运用于中国教育和科研网CERNET华东（北）地区网的主干网，分析了若干天的网络流量行为特征，分析结果与使用情况相吻合，对主干的流量进行了预测，并将预测结果与实际情况做了比较，定义了评价预测准确性的公式，将预测的准确性与国际上具有代表性的成果进行多方面的比较，结果说明该方法准确性较好。     

基于机器学习方法的地震破坏预测

地震破坏预测研究对于建筑结构减灾规划、震前风险预测、震后应急评估有着重要意义。传统的方法因为受到震害资料数量的限制以及计算精度和能力的制约,一般基于经验只考虑少数因素对结构破坏的影响。通过使用随机森林算法,设计了一个综合考虑地震动、结构和场地等多维度信息的分类方法,用以预测建筑物的地震破坏程度。本文研究框架基于新西兰国家地震委员会所收集的27次地震详细破坏资料,处理得到14.2万条高质量建筑物损失数据,考虑了谱加速度、建筑形状、层数等16个影响因素,将4种不同的损伤状态作为模型的学习标签进行地震破坏预测训练。结果表明,随机森林算法在6种分类算法中性能最佳,经过学习曲线法调参、代价敏感学习之后,经过优化得到的随机森林模型对于测试集的整体预测精确率可以达到75.4%,对4种损伤标签的召回率分别达到了88.2%、55.0%、60.7%和70.8%,远好于其他方法。当只考虑对结果影响最重要的前12个因素,该模型的预测精度仍然能够达到73.7%。可见,基于此框架所训练的预测模型具有良好的精度与适用性,同时该框架对于中国震害资料大数据库的研究具有较高的参考价值。     

基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。     

基于集成学习的复杂网络链路预测及其形成机制分析

为了预测节点与网络中其他现有节点之间的新连接或缺失连接,链路(边)预测近年来引发了越来越多的研究兴趣。最近已经提出各种具有不同特点的算法,以解决链路预测的问题,其中每种算法只考虑一种网络信息,从而产生片面的结果。提出基于集成学习的方法,将所有单一算法集成组合,综合考虑网络的各种信息来解决这一问题。在8个真实网络上进行了实验,利用局部拓扑索引、全局拓扑索引和推荐算法提取了17个不同的特征。结果表明,集成学习的关键性能指标——受试者工作特征曲线 (receiver operating characteristic curve, ROC)下面积(area under curve, AUC)比最佳单一算法提高2%至17%,最高达到0.9624。此外,根据度分布和随机森林得到的特征选择,分析了不同类型网络的结构与形成机制。在形成机制、网络类型和功能之间,获得了一些重要的见解:由某些确定的机制或假设导出的特征,确实是连接2个节点的内在驱动力,也正因为如此,这些特征可以用于链路预测。     

基于实验数据的爆胎预测模型

在对实验数据进行统计分析的基础上,利用多元回归原理并借助SPSS软件,建立了侧向加速度、横摆角速度和转向横拉杆力与胎压、车速的回归方程,并验证了模型的可行性.对车辆实际爆胎工况的预测分析表明,预测结果能较好地反映各参数与车速以及胎压之间的关系.