买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉陕西师范大学申请的专利基于组合神经网络的移动学习情境预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115393137B 。

龙图腾网通过国家知识产权局官网在2026-01-02发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211044598.5，技术领域涉及：G06Q10/04；该发明授权基于组合神经网络的移动学习情境预测方法是由郭龙江;赵建宇;任美睿;张立臣;李鹏设计研发完成，并于2022-08-30向国家知识产权局提交的专利申请。

本基于组合神经网络的移动学习情境预测方法在说明书摘要公布了：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。

本发明授权基于组合神经网络的移动学习情境预测方法在权利要求书中公布了：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,...,s73}，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sti和stj进行学习者停留时长扩充tpi： tpi＝stj-sti1 式1中，stj表示第j个样本对应的学习者到达时间st，sti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stk和stj进行学习者停留时长扩充tik： tik＝stk-stj2 式2中，stk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tpi： tpi＝randomtpb,tpi-1,tpi≥1203 式3中，random为随机函数，tpi≥120时tpi为异常值，对异常值tpi用随机函数random进行替换；tpb表示第b个样本对应的学习者停留时长tp，tpi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wi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Dtrain、测试集Dtest 2数据增强 按式4对训练集Dtrain进行高斯白噪声数据增强，得到增强后的训练集为： 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]，|Dtrain|为训练集的长度、取值为有限的正整数，Dtrain,p表示训练集Dtrain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Dtest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Dtest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Dtest按式6转换为具有前后时序关系的监督型数据D'： D′＝shiftDs,n6 shiftDs,n＝[[d1,d2,..,dn],[d2,d3,..,dn+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Dtest，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； FLpt＝-αt1-ptγlogpt7 式7中，yE是移动学习情境E的真实值，是移动学习情境E的预测值，pt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]；αt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，ytp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]；ytp和可以分别替换为yti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Dtest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、F1-score、加权精确率、加权F1-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，TEm表示第m种移动学习情境Em被预测正确的样本数，W表示测试集Dtest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，Precisionm表示第m种移动学习情境TEm的精确率，FEm表示第m种移动学习情境Em被预测错误的样本数； 按式13确定召回率Recall： 式13中，Recallm表示第m种移动学习情境Em的召回率，u取值为[1,q]； 按式14确定F1-score： 式14中，表示第m种移动学习情境Em的F1-score； 按式15确定加权精确率WP： 式15中，Wm表示第m种移动学习情境Em在测试集Dtest中的样本数； 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，tv表示第v个样本对应的学习者停留时长tpv的实际值，tv′为第v个样本对应的学习者停留时长tpv的预测值；评估移动学习情境切换时长ti的预测结果时，tv表示第v个样本对应的移动学习情境切换时长tiv的实际值，tv′表示第v个样本对应的移动学习情境切换时长tiv的预测值；v取值为[1,W]。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人陕西师范大学，其通讯地址为：710062 陕西省西安市长安南路199号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。