技术特征：
1.一种基于组合神经网络的移动学习情境预测方法，其特征在于是由以下步骤组成：(1)预处理数据数据集来源于50名学习者使用数据采集app得到的移动学习情境数据集r：r＝{id,e,st,f,l,a,h,dv,w,s}式中，id为学习者姓名、e为移动学习情境、st为学习者到达时间、f为学习者所处楼层、l为学习者所处经度、a为学习者所处纬度、h为学习者所处高度、dv为采集设备型号、天气类型、s为传感器；e取值为[1,q]，q取值为有限的正整数；f取值为[-1,18]，l、a、h取值为有限的正实数，w选取晴、阴、多云、小雨、中雨、大雨；s为传感器、s∈{s1,s1,...,s
73
}，其中，s1为光线传感器、s2为加速度传感器、s3为方向传感器、s4为步数传感器；对移动学习情境数据集r进行预处理如下：1)学习者到达时间扩充对学习者到达时间st进行学习者停留时长扩充tp，按式(1)对st
i
和st
j
进行学习者停留时长扩充tp
i
：tp
i
＝st
j-st
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式(1)中，st
j
表示第j个样本对应的学习者到达时间st，st
i
表示第i个样本对应的学习者到达时间st，i、j取值至少为2的有限正整数，其中i＜j；对学习者到达时间st进行移动学习情境切换时长扩充ti，按式(2)对st
k
和st
j
进行学习者停留时长扩充ti
k
：ti
k
＝st
k-st
j
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(2)中，st
k
表示第k个样本对应的学习者到达时间st，k取值至少为2的有限正整数，其中j＜k；对移动学习情境数据集r中到达时间扩充后的数据集r
′
为：r
′
＝{id,e,st,f,l,a,h,dv,w,s,tp,ti}；2)选择特征使用皮尔逊相关系数在扩充后数据集r
′
中的学习者姓名id、学习者到达时间st、学习者所处楼层f、学习者所处经度l、学习者所处纬度a、学习者所处高度h、采集设备型号dv、天气类型w、传感器s的特征与移动学习情境e、学习者停留时长tp、移动学习情境切换时长ti的相关系数中，选择相关系数绝对值大于0.1的特征作为特征选择数据集d；d＝{id,st,f,w,s1,s2,s3,s4,e,tp,ti}3)处理数值对特征选择数据集d进行缺失值填充、异常数值替换、编码转换；所述的缺失值填充是对缺失值用0进行填充；所述的异常数值替换是采用random随机函数按式(3)确定学习者停留时长tp
i
：tp
i
＝random(tp
b
,tp
i-1
),tp
i
≥120
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式(3)中，random()为随机函数，tp
i
≥120时tp
i
为异常值，对异常值tp
i
用随机函数random进行替换；tp
b
表示第b个样本对应的学习者停留时长tp，tp
i
表示第i个样本对应的学习者停留时长tp，b取值为[5,15]，b＜i；所述的编码转换是对天气类型w进行整数编码转换；整数编码转换为：用天气类型w中晴、阴、多云、小雨、中雨、大雨，将第i个样本对应的天气类型w
i
映射为[1,6]的不同整数；将
特征选择数据集d中所有取值使用float函数转换为浮点型数值；4)划分数据集将特征选择数据集d按1:1划分为训练集d
train
、测试集d
test
；(2)数据增强按式(4)对训练集d
train
进行高斯白噪声数据增强，得到增强后的训练集为：为：为：式(4)中，concat()表示将random()处理后的数据沿着列进行g次拼接、g取值为[20,30]，|d
train
|为训练集的长度、取值为有限的正整数，d
train,p
表示训练集d
train
中的第p条样本，snr表示白噪声信噪比、取值为[20,40]；(3)处理数据分别对高斯白噪声数据增强数据集和测试集d
test
中的移动学习情境e和天气类型w采用独热编码方法进行转换；将第i个样本对应的移动学习情境e
i
转换为具有q个元素的一维向量，将第i个样本对应的天气类型w
i
转换为具有6个元素一维向量；对高斯白噪声数据增强数据集和测试集d
test
中所有数据x按式(5)进行归一化处理x
′
为：将高斯白噪声数据增强数据集和测试集d
test
按式(6)转换为具有前后时序关系的监督型数据d'：d
′
＝shift(ds,n)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)shift(ds,n)＝[[d1,d2,..,d
n
],[d2,d3,..,d
n+1
],...,[d
|ds|-n+1
,d
|ds|-n+2
,..,d
|ds|
]]式(6)中，shift()为监督型数据转化函数；ds表示高斯白噪声数据增强数据集或测试集d
test
，d1表示数据集ds中第1条样本，n取值为[30,50]，n＜|ds|；(4)构建组合神经网络组合神经网络由归一化层、长短期记忆-卷积神经网络、长短期记忆-注意力神经网络、噪声-长短期记忆神经网络、长短期记忆神经网络、全连接神经网络1、全连接神经网络2连接构成；归一化层的输出端与并联的长短期记忆-卷积神经网络和长短期记忆-注意力神经网络的输入端相连，长短期记忆-卷积神经网络和长短期记忆-注意力神经网络的输出端一路与噪声-长短期记忆神经网络的输入端相连、另一路与长短期记忆神经网络的输入端相连，长短期记忆神经网络的输出端与并联的全连接神经网络1、全连接神经网络2的输入端相连；(5)训练组合神经网络将高斯白噪声数据增强数据集输入到组合神经网络的归一化层，用adam优化器参
与网络训练；损失函数分别使用按式(7)的focal损失函数和式(8)的huber损失函数；fl(p
t
)＝-α
t
(1-p
t
)
γ
log(p
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)(7)式(7)中，y
e
是移动学习情境e的真实值，是移动学习情境e的预测值，p
t
是移动学习情境e的真实值与移动学习情境e的预测值相同的概率值，p取值为[0,1]；α
t
表示移动学习情境e的真实值与移动学习情境e的预测值相同的权重值，α和γ均是focal损失函数的参数，α取值为[10-7
,10-5
]，γ取值为[1,3]；式(8)中，y
tp
是tp的真实值，是tp的预测值，δ是huber损失函数的参数、取值为[1,3]；y
tp
和可以分别替换为y
ti
和训练时分别使用批量大小为{8,16,32,64}的集合进行训练；训练的学习率η按式(9)进行自动调整，直至focal损失函数和huber损失函数收敛；式(9)中，η0表示初始学习率、取值为[0.0001,0.01]的小数，epoch表示训练轮次，取值为[30,50]；(6)组合神经网络测试与反归一化使用测试集d
test
进行网络测试，分别预测移动学习情境e、学习者停留时长tp和移动学习情境切换时长ti；测试完成后，将最终得到的预测数据反归一化处理y为：(7)组合神经网络性能评估使用准确率、精确率、召回率、f
1-score、加权精确率、加权f
1-score和均方根误差评价指标评估网络在测试集上的效果；按式(11)确定准确率accuracy：式(11)中，te
m
表示第m种移动学习情境e
m
被预测正确的样本数，w表示测试集d
test
样本总数、取值为有限的正整数；按式(12)确定精确率precision：
式(12)中，precision
m
表示第m种移动学习情境te
m
的精确率，fe
m
表示第m种移动学习情境e
m
被预测错误的样本数；按式(13)确定召回率recall：按式(13)确定召回率recall：式(13)中，recall
m
表示第m种移动学习情境e
m
的召回率，u取值为[1,q]；按式(14)确定f
1-score：score：式(14)中，表示第m种移动学习情境e
m
的f1-score；按式(15)确定加权精确率wp：式(15)中，w
m
表示第m种移动学习情境e
m
在测试集d
test
中的样本数；按式(16)确定加权按式(16)确定加权按式(17)确定均方根误差rmse：式(17)中，评估学习者停留时长tp的预测结果时，t
v
表示第v个样本对应的学习者停留时长tp
v
的实际值，t
v
′
为第v个样本对应的学习者停留时长tp
v
的预测值；评估移动学习情境切换时长ti的预测结果时，t
v
表示第v个样本对应的移动学习情境切换时长ti
v
的实际值，t
v
′
表示第v个样本对应的移动学习情境切换时长ti
v
的预测值；v取值为[1,w]。2.根据权利要求1所述的基于组合神经网络的移动学习情境预测方法，其特征在于：在(4)构建组合神经网络步骤中，所述的长短期记忆-卷积神经网络由长短期记忆层1与长短期记忆层2、卷积层依次串联构成。3.根据权利要求2所述的基于组合神经网络的移动学习情境预测方法，其特征在于：所述长短期记忆层1由64个神经元构成，激活函数为relu激活函数；所述的长短期记忆层2由32个神经元构成，激活函数为relu激活函数；所述的卷积层由32个大小为1的1维卷积核，步长为3，激活函数为relu激活函数。4.根据权利要求1所述的基于组合神经网络的移动学习情境预测方法，其特征在于：在(4)构建组合神经网络步骤中，所述的长短期记忆-注意力神经网络由长短期记忆1与长短期记忆层2、注意力层依次串联构成。
5.根据权利要求4所述的基于组合神经网络的移动学习情境预测方法，其特征在于：所述的长短期记忆1由64个神经元构成，激活函数为relu激活函数；所述的长短期记忆层2由32个神经元构成，激活函数为relu激活函数；所述的注意力层由16个神经元构成，激活函数为softmax激活函数。6.根据权利要求1所述的基于组合神经网络的移动学习情境预测方法，其特征在于：在(4)构建组合神经网络步骤中，所述的噪声-长短期记忆神经网络由高斯噪声层与长短期记忆层、随机失活层依次串联构成。7.根据权利要求6所述的基于组合神经网络的移动学习情境预测方法，其特征在于：所述的高斯噪声层的标准偏差为0.2；所述的长短期记忆层由64个神经元构成，激活函数为relu激活函数；随机失活层的随机失活率为0.4。8.根据权利要求1所述的基于组合神经网络的移动学习情境预测方法，其特征在于：在(4)构建组合神经网络步骤中，所述的全连接神经网络1由全连接层1与随机失活层、全连接层2依次串联构成。9.根据权利要求8所述的基于组合神经网络的移动学习情境预测方法，其特征在于：所述的全连接层1由32个神经元构成，激活函数为leaky_relu激活函数；随机失活层的随机失活率为0.2；所述的全连接层2由16个神经元构成，激活函数为softmax激活函数。10.根据权利要求1所述的基于组合神经网络的移动学习情境预测方法，其特征在于：在(4)构建组合神经网络步骤中，所述的全连接神经网络2的结构与全连接神经网络1的结构相同，所用的激活函数为sigmoid激活函数。
技术总结
一种基于组合神经网络的移动学习情境预测方法，由预处理数据、数据增强、处理数据、构建组合神经网络、训练组合神经网络、组合神经网络测试与反归一化、组合神经网络性能评估步骤组成。由于本发明采用了组合神经网络，将该网络应用到移动学习情境的预测方法中，提取有意义的移动学习情境时序信息，有效地选择了影响移动学习情境的局部特征，并且从时间维度选择影响较大的时间及相关特征，更加有利于利用现有移动学习情境数据进行预测，预测性能较好。本发明具有网络构建较容易、网络性能较好、使用范围较广等优点，可用于课程学习资源推荐、WiFi数据流量区域预测等应用场景。WiFi数据流量区域预测等应用场景。WiFi数据流量区域预测等应用场景。
技术研发人员：郭龙江 赵建宇 任美睿 张立臣 李鹏
受保护的技术使用者：陕西师范大学
技术研发日：2022.08.30
技术公布日：2022/11/25