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。