基于改进SMOTE算法和Ensemble模型的学习结果预测方法

为解决不同领域的数据分类和预测任务中单个机器学习算法适用性较差的问题,以及缓解数据集严重不平衡对预测性能的影响,提出了基于合成少数类过采样(SMOTE)和Ensemble集成模型的数据分类方法。传统SMOTE算法通过对少数类样本进行插值来生成新的合成样本,合成样本中存在噪声和样本间相似性较高的问题。为此,提出了改进的SMOTE算法,通过距离计算移除噪声样本和易混淆样本,得到高区分度的纯净合成样本。然后,利用Ensemble方法调整样本和分类器权重,并组成分类效果更好的强分类器。在公开在线学习数据集Kalboard360上的实验结果表明,使用极限随机树(ERT)分类器时,结合改进SMOTE和Ensemble模型后实现了97.9%的预测准确度,比单个ERT分类器提升了5.5%,证明所提改进SMOTE算法能够生成高质量的均衡化数据,且集成学习模型的性能显著优于单个机器学习算法。

基于行为轮廓矩阵增强的业务流程结果预测方法

预测性过程监控依赖于预测效果,针对如何增强预测性过程监控预测效果的问题,提出了一种基于行为轮廓矩阵增强的业务流程结果预测方法。首先,通过分析活动间的行为关系提取行为轮廓矩阵,并将其与事件序列一同输入到模型中。随后,结合卷积神经网络(CNN)和长短期记忆网络(LSTM)分别学习矩阵图像特征和序列特征。最后,引入注意力机制以整合图像特征和序列特征进行预测。通过真实事件日志进行验证,在预测事件日志结果方面,提出的增强方法对比基准的LSTM预测方法提高了预测效果,验证了方法的可行性。该方法结合行为轮廓矩阵增强了预测模型对事件日志中行为之间关系的理解,进而提升了预测效果。

基于知识图谱的城市轨道交通突发事件演化结果预测

准确预测突发事件的演化结果,对城市轨道交通系统制定应急方案、保障安全运营,具有重要的参考意义。目前突发事件演化结果预测方法智能化程度不高,过分依赖决策者主观设定的特征权重、检索模板,复杂、准确性低且应用性较弱。该文基于知识图谱(KG)和关系图卷积神经网络(R-GCN)模型提出一种城市轨道交通突发事件演化结果预测方法。首先,构建城市轨道交通突发事件知识图谱,将与事件相关的场景信息进行结构化处理;其次,基于关系图卷积神经网络模型构建城市轨道交通突发事件结果的预测模型;最后,利用城市轨道交通突发事件案例库进行验证。实验结果表明,所提预测方法具有较好的准确率、较强的普适性,可为轨道交通应急管理提供方法和技术支持。

在线学习结果预测与激励——基于学习者行为建模

在线课程普遍具有注册率高、通过率低的问题。为了提高在线课程通过率,本文从在线学习者参与课程的测试、作业、讨论角度,分析在线学习课程通过者、未通过者的学习行为,对比两类学习者的学习行为特征,筛选两类学习者的特征,并根据所选特征建立机器学习模型,对比分析SVM模型和BP神经网络模型,对在线课程学习结果进行预测;最后,基于加涅九阶段教学设计,提出具体干预措施,并结合预测模型对提出措施进行实施效果验证,结果表明干预措施对提高在线课程通过率具有一定的效果。

基于贝叶斯网络的舰机协同动态结果预测研究

针对预警机支援下的舰机协同动态过程中的结果预测问题,以双方战机之间的攻防作战为研究背景,首先选取作战中的特征变量,然后根据特征变量构建了贝叶斯网络,确定各节点条件分布概率,增加与舰艇相关的新的特征量,最后通过模拟贝叶斯网络的Netica软件进行仿真分析,结果表明Netica仿真得到的动态过程预测结果符合实际且具有一定的可靠性,可以为指挥员提供决策参考。

基于学习者个性行为分析的学习结果预测框架设计研究

对学习者及其所在情境中产生的数据进行记录和分析并为其提供个性化学习服务是教育大数据背景下学习分析研究在促进有效学习方面的内在旨趣,而要实现对学习状态的评估、预警和干预则需要对学习者个性化信息进行实时建模。该文通过对国内外学习分析模型的梳理分析总结存在问题,并基于个性化学习模式和相关文献构建了数字化学习环境下个性化行为分析模型。在此基础上,以教学目标分类理论、个性化学习理论和社会认知理论为指导设计了"目标—过程—结果"为思想的学习结果分类设计原理,并对各层级的学习行为类型进行分析。最后基于学习行为分析模型和学习结果分类设计了学习结果预测框架,包括学习内容分析、学习行为分析和学习预测分析三个模块,为后面个性化学习分析工具的设计提供理论指导。

MOOC学习结果预测指标探索与学习群体特征分析

高辍学率与低参与度是MOOC面临的一个主要问题。根据学习结果预测,及时开展有效的教学干预是改善此问题的途径之一。当前基于MOOC学习行为数据进行结果预测主要以次数分析为主,较少探索其他行为指标;在预测算法上以回归分析为主,缺少不同预测算法效果的比较分析。以ed X平台上一门MOOC课程的学习行为数据为研究对象进行的探索研究发现:学习结果预测的主要参照行为指标组合为视频学习次数、文本学习次数、评价参与时长、评价参与次数和论坛主题发起数;学习次数的预测效果要好于学习时长,并与学习时长和学习次数结合后的预测效果接近;BP神经网络预测准确率要优于决策树和朴素贝叶斯网络,且预测准确率与样本数量呈正相关;而在课程学习模块的预测比较上,评价模块和文本模块的学习行为数据预测率较高,互动模块预测率最低。研究还发现,MOOC学习群体包含三类,分别是以视频学习和学习评价为主、以互动交流为辅的学习群体;以视频学习和文本学习为主、以评价参与为辅的学习群体,以及以文本学习和学习评价为主、以互动交流为辅的学习群体。

挖掘有意义学习行为特征:学习结果预测框架

及时有效地对学习结果进行预测,是学习分析的核心议题,也是为学习者提供个性化学习支持服务、保证学习者学习成功的关键。其中,如何寻找兼具预测效力与教学意义的学习行为特征是值得关注的问题。本研究以Cloudbag教育云平台中的108位学生为研究对象,基于特征工程的方法构建学习结果预测框架。基于文献调研和对教师的访谈,本研究将学习结果预测框架分为学生与学生交互、学生与教师交互、学生与内容交互、学生与系统交互四个维度,共包含10个特征变量;结合学生在平台中的学习行为数据,对特征变量进行量化和筛选,通过相关分析、信息增益(率)分析筛选出八个有效的特征变量,构成最终的特征集合;使用八种机器学习算法对学习结果进行预测,结果表明:随机森林算法对学习结果的预测效果优于另外七种算法,其特征集合对学习结果的预测准确率可以达到73.15%。本研究最后从有效学习行为指标和有效学习行为特征等方面对研究结果进行总结和反思,期望能够为混合式学习环境下学习分析和评估提供研究支持。

面向图象压缩的图象分类及压缩结果预测

图象数据存在冗余使图象压缩成为可能 ,而不同图象的数据冗余度特别是空间冗余度相差很大 .对被压缩图象的空间冗余度这一图象的本质属性进行研究、减少图象压缩及方法选择时的盲目性是非常必要的 .为此提出了面向图象压缩的图象分类这一新概念以及具体分类算法 .该算法利用图象小波高频系数的分布特点 ,采用图象边缘度作为图象空间冗余度的度量 ,将不同内容的图象按边缘度大小分类 .分类的结果可对不同图象的压缩结果进行预测 .实验结果表明 ,图象分类结果和对压缩结果的预测是有意义的 ,并与人的视觉相吻合 .该分类思想对其他图象处理算法的选择和优化也有参考价值 .

教育大数据背景下学习结果预测研究的内容解析与设计取向

基于数据集的学习分析和人工智能技术的深入发展,使得以优化学习过程、缩短学习改善周期为目标的学习结果预测得到研究者的广泛关注和实践探索。文章首先对数字化学习环境下的学习预测研究探索进行梳理,辨析其研究特性,之后纵向解析了学习结果预测研究中的内容,并横向剖析了研究中存在的问题;在此基础上,从情境、理论、数据、方法和结果五个层面对未来学习结果预测研究的设计取向进行讨论;最后,对以学习者为中心的数据的预测设计原理进行阐释,并设计个性化学习结果预测研究框架,以明晰其系统化分析流程与结果。

基于局部加权回归实现五味子醇提结果预测

目的利用局部加权回归算法对五味子中五味子醇甲在不同提取因素水平下的提取结果进行预测。方法采用高效液相色谱法,对其进行方法学考察;测定不同提取时间和溶剂倍量下五味子醇提液中五味子醇甲的浓度,采用局部加权回归算法,基于上述数据和WEKA分析平台实现五味子甲提取结果的预测,对预测结果进行验证。结果基于39组实验数据,建立的回归最佳模型参数设置结果:kNN=9;Classifier:Linear Regression function;Nearest Neighbor Search Algorithm:Linear kNN search;Weigheted Kernel:Tricube.预测值和真实值之间的相对偏差基本控制在10%之内,验证结果良好。结论通过建立局部加权回归能良好的对五味子醇提取结果进行预测。

太德选煤厂分选结果预测及选煤方法的确定

太德选煤厂是一家筹建中的中型私营选煤厂,技术力量较为薄弱,资金有限。该厂选煤方法的确定要考虑其入选原煤的性质及自身情况。对几种典型选煤系统做出结果预测,进行比较并从中选出最适合的选煤方法。

基于协同过滤算法的在线学习结果预测

随着在线教育平台的发展,在学生和在线平台的交互过程中产生了大量的学习数据,为教育数据挖掘提供了数据基础。本文以KDD Cup 2010提供的在线学习数据为研究对象,利用协同过滤算法找到待预测学生的K近邻,进而对该学生的答题结果进行预测,取得了理想的效果。

俄罗斯第六届国家杜马选举结果预测

俄罗斯第六届国家杜马选举将于2011年12月4日举行。这是相关法律修改后进行的第一次杜马选举,也是最后一次杜马和总统选举相继举行,在俄罗斯境内正式注册的七个政党都将参加此次选举。本文以俄罗斯民调机构的统计数据为依据,试图对第六届杜马选举结果做一个较为客观的预测。

MOOCs环境下学习行为群体特征分析与学习结果预测研究

采用学习行为分析技术对学生在线学习活动行为数据进行分析,有助于更好地了解学生群体表现以及预测学习结果,及早发现低效学习者。该研究以MOOCs学习者为研究对象,以学习活动行为数据为依据,从学习内容、学习互动、学习评价三个方面对学生在学习活动中的群体特征表现和学习结果进行分析。研究发现:MOOCs环境下学习者在学习内容上的表现特征是以活动参与者与围观者为主的学习过程参与群体,以深度参与和知识掌握为主的少数达成学习目标群体;在学习互动上,学习者整体在论坛中表现出有限性、无绝对差异化的群体参与状态;在参与程度上,存在少数诸如意见领袖的互动活跃者。学习内容行为和学习评价行为在学习结果预测准确率上较高。

学习计算视阈下基于CIEO分析思想的学习结果预测设计与实证研究

设计具有可指导、可理解和可操作的系统化学习结果预测理论是改善学习成效的一种教学处方。研究从学习活动理论视角阐述了MOOCs环境下的学习过程与学习结果,并提出CIEO学习结果预测分析思想和学习结果预测工作模型。该模型包括理论层、参与层和行为层,其中,理论层包括个性化学习理论、项目反应理论和社会认知理论,分别对参与层中的学习内容、学习互动和学习评价进行指导;参与层是从学习活动的主要表现形式层面进行设计;行为层则遵循“目标—过程—结果”的分析思路,从学习行为的具体表现层面进行设计。在此基础上,对学习行为分析指标进行设计,形成面向学习结果的六类分析指标,即基于学习内容行为的完成度和掌握度、基于学习互动行为的参与度和贡献度、基于学习评价行为的测评完成度和通过率。最后,采用多元回归分析法对学习行为指标与学习结果的相关性进行探索;采用属性选择法、预测分类法、文本分析法对学习行为分析指标的重要性、预测准确率进行验证性分析,并得出学习结果预测计算方程。

基于决策树算法的学习结果预测模型设计与应用——以某高校微积分课程为例

微积分作为某高校经管类专业一门高风险公共基础课,存在修课学生多、学习失败率高、影响学业水平等问题。为此对该课程进行学习结果预测研究,以期在开课前定位学习失败机率高的学生,针对其开展个性化教学来提升学习效果。分析影响课程成绩的师生特征,发现学生高考类别及数学成绩、性别、生源地与课程成绩有关;教师职称、教龄、学历和性别不同,所教学生的成绩差异显著。选择C5.0决策树、条件决策树、随机森林算法,使用R语言建立三种微积分成绩预测模型并比较其效果,C5.0决策树模型以较高的识别度胜出。运用C5.0模型预测2020级新生微积分学习结果,为教学提供数据支持,期末成绩显示学生学习成功率显著提升,表明该模型具有可行性。总结应用学习结果预测的建议,为其他高校的实践探索提供参考。

在线同行评义的基于方面级情感分析及论文接受结果的预测

学术文章的同行评议包含了评议人对投稿文章的总体印象和具体评论,其中有大量的情感信息。通过探索同行评议中细化的情感信息,我们可以发现评议者感兴趣的关键方面。这些结果也可以帮助编辑和主席做出最终决定。然而,目前对同行评议方面的研究是粗粒度的,而且大多集中在对评议对象的整体评价上。因此,本文构建了一个多层次的细粒度的同行评议方面集,以供进一步研究。首先,本文使用多层次方面提取方法从ICLR会议论文的同行评议中提取方面。比较实验证实了该方法的有效性。其次,使用各种深度学习模型对方面的情感进行自动分类,其中LCFS-BERT表现最好。通过计算评论方面级情感分数和论文的接受结果之间的相关性,我们可以找到影响接受的重要方面。最后,本文根据同行评议预测论文的接受结果(接受/拒绝)。最佳的录用预测模型是xGboost取得了87.43%的Macro_F1得分。

小盾构施工引起地表变形预测

小盾构施工引起的地表变形计算复杂,且在发生的过程中无固定规律可循,使用常规解法难以实现地表变形的预测。该研究使用土压平衡原理对小盾构施工过程中的土压力与土壤间的相互作用进行分析,设定施工过程中的空间假设,使用Mindlin解完成由不同荷载引起的地表变形预测公式推导,结合T市地铁8号线A站—C站区间的水文、地质条件,使用Midas civil完成模型的建立,将得到的荷载输入到模型中完成预测,最后将预测值与实际值进行对比。研究结果表明:在X-Z轴方向上,小盾构施工过程中由支撑压力引起的地表变形可以忽略不计;由地面应力变化引起的地表最大变形量的绝对值约为由盾构机外壳摩擦力引起的地表最大变形量的绝对值的2倍;由地面应力变化引起的地表变形>由盾构机外壳摩擦力引起的地表变形>由支撑压力引起的地表变形;预测值与实际值的最大误差满足工程需要。