1.一种基于校园大数据的学生成绩预测方法，其特征在于该方法包括以下步骤： (1)数据融合； 以学习者为中心，开展动态的、无侵入式的学生多维行为数据采集，实现线上线下、课内课外校园大数据的汇聚与融合； (2)特征计算； 综合利用线性分析、深度学习和非线性分析技术，从行为变化、勤奋度和行为非线性三个角度对学生行为特征进行量化与计算，构建系统的多维行为特征体系； (3)成绩预测； 在特征选择的基础上，构建预测模型，对学生成绩进行预测，对高挂科风险学生提供反馈和预警。 2.根据权利要求1所述的一种基于校园大数据的学生成绩预测方法，其特征在于步骤(1)所述的数据融合的具体过程如下： (1-1)数据汇聚与预处理:首先，收集智慧校园环境下以SPOC为代表的线上学习行为数据和以一卡通和WiFi为代表的线下生活行为数据，实现学生线上线下、课内课外校园大数据的汇聚；其次，执行对数据的清洗、加密、和入库操作； (1-2)构建时间序列模型：基于SPOC Log日志、一卡通和WiFi数据，构建学生多维行为的时间序列模型；首先，理清多维行为关键字段间的对应关系，建立按时间排布的学生行为序列集，实现多维行为的汇聚与融合；其次，把每个学生的每种行为按周次进行初步统计，生成按周统计的行为序列；最后，设置长度为10分钟的时间窗口，把每个学生同一时间窗口内的同一种行为数据进行合并，生成多维行为序列。 3.根据权利要求1所述的一种基于校园大数据的学生成绩预测方法，其特征在于步骤(2)所述的特征计算的具体过程如下： (2-1)分别借助线性回归和长短期记忆模型对学生行为的变化进行度量； (2-1-1)借助线性回归，计算行为的斜率、拐点以及残差平方和，对一段时间内学生行为的线性变化进行度量；其中，斜率的值表征学生行为改变的方向和强度：斜率的绝对值越大表征学生行为变化越快，斜率的正负表征行为改变的方向；拐点是学生行为的断点，表征学生行为方式发生改变的时间，在断点之前和之后，学生的行为方式有所不同；残差平方和表征学生行为的线性拟合度：残差平方和越大，学生行为的线性拟合度越差； (2-1-2)借助LSTM，提取学生行为的时间序列特征；LSTM所提取的特征无量纲，反应了行为特征与时序之间的关系，即：学生行为随时间的动态变化过程； (2-2)计算勤奋度指标，对学生学习的努力程度进行度量，指标包括：进图书馆次数、图书借阅次数、出勤率、学习时长； (2-3)计算行为非线性指标，对学生多维行为的非线性特征进行度量，指标包括：熵、复杂度、李氏指数、Hurst指数和DFA指数，分别表征了学生行为的规律性/多样性、复杂程度、稳定性、可预测性和长程相关性，这五个指标，从不同角度衡量了学生行为的非线性特征：熵值越大，表征学生行为的规律性越差、不确定性越高即多样性越好；复杂度越大，表征学生行为的复杂程度越高；李氏指数越大，表征学生行为的稳定性越差；在Hurst指数大于0.5时，其数值越大，表征学生行为的可预测性越好；DFA指数越大，表征学生行为的长程相关性越显著。 4.根据权利要求1所述的一种基于校园大数据的学生成绩预测方法，其特征在于步骤(3)所述的成绩预测的具体过程如下： (3-1)在对行为特征进行预处理的基础上，通过特征选择，提取对学生成绩影响显著的特征集； (3-2)基于机器学习算法构建分类模型，对学习成绩进行预测，并借助交叉验证，检验预测模型的性能； (3-3)基于所预测的成绩,对高挂科风险学生群体提供反馈和预警。
