申请/专利权人：深圳乐行智慧产业有限公司

申请日：2023-04-21

公开（公告）日：2024-04-26

公开（公告）号：CN116611022B

主分类号：G06F18/25

分类号：G06F18/25;G06F18/213;G06Q50/20;G06Q10/063;G06V40/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2023.09.05#实质审查的生效;2023.08.18#公开

摘要：本发明涉及教育数据预测处理技术领域，尤其涉及一种智慧校园教育大数据融合方法及平台。该方法包括以下步骤：获取学生教育活动数据；根据学生教育活动数据进行数据标准化，从而获得标准实时数据；根据标准实时数据进行融合建构，从而构建学生行为模型；根据学生行为模型进行行为异常预估，从而获得异常行为数据；根据异常行为数据进行智能事件溯源评估，从而获得异常行为详细情况信息，以供智慧校园教育异常事件追踪。本发明通过获取、标准化和融合建构学生教育活动数据，快速构建学生行为模型，整合多源数据实现全面分析，提高了学生教育管理的效率。

主权项：1.一种智慧校园教育大数据融合方法，其特征在于，包括以下步骤：步骤S1：获取学生教育活动数据；步骤S2：根据学生教育活动数据进行数据标准化，从而获得标准实时数据；步骤S3：根据标准实时数据进行融合建构，从而构建学生行为模型；步骤S3具体为：步骤S31：根据标准实时数据进行数据预处理，从而获得预处理数据；步骤S32：根据预处理数据进行时序活动特征提取以及时序位置特征提取，从而获取时序活动特征以及时序位置特征；步骤S33：根据时序活动特征通过学生活动风险识别模型进行识别，从而获得学生活动风险信息，步骤S33中学生活动风险识别模型的构建步骤具体为：获取标准时序活动数据，其中标准时序活动数据包括标准活动时间数据、标准活动地点数据以及标准活动类型数据，标准时序活动数据包括合法时序活动数据以及异常时序活动数据；根据标准时序活动数据进行时序活动特征提取，从而生成标准时序活动特征；根据标准时序活动特征进行优化去噪，从而获得去噪时序活动特征；根据去噪时序活动特征进行降维归一化，从而获得归一化时序活动特征；根据归一化时序活动特征进行划分，从而生成训练时序活动特征以及测试时序活动特征；根据训练时序活动特征进行条件特征选择，从而获得条件时序活动特征；根据条件时序活动特征进行最佳特征节点生成，从而构建时序活动特征决策树模型；根据时序活动特征决策树模型进行优化后剪枝，从而获得优化时序活动特征决策树模型；根据测试时序活动特征对优化时序活动特征决策树模型进行误差迭代，从而获得学生活动风险识别模型；步骤S34：根据时序位置特征以及时序活动特征进行深度关联耦合，从而获得实时活动信息；步骤S35：利用学生活动风险信息对实时活动信息进行标注，从而获得风险等级实时活动数据；步骤S36：根据风险等级实时活动数据进行融合建构，从而构建学生行为模型；步骤S4：根据学生行为模型进行行为异常预估，从而获得异常行为数据；步骤S5：根据异常行为数据进行智能事件溯源评估，从而获得异常行为详细情况信息，以供智慧校园教育异常事件追踪。

全文数据：

权利要求：

百度查询： 深圳乐行智慧产业有限公司 智慧校园教育大数据融合方法及平台

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD