(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111153574.9 (22)申请日 2021.09.2 9 (71)申请人 湖北美和易思教育科技有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区北斗路6号武汉国家地球空间信 息产业化基地(新区)一期1.1期A14栋 2层01室 (72)发明人 海克洪　黄龙吟　 (74)专利代理 机构 武汉红观 专利代理事务所 (普通合伙) 42247 代理人 王昌亮 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/20(2012.01)G06K 9/62(2022.01) G06F 30/27(2020.01) G06F 16/21(2019.01) (54)发明名称 一种基于强化学习的学生素质素养预测系 统 (57)摘要 本发明公开一种基于强化学习的学生素质 素养预测方法及系统， 所述方法包括： 初始化设 置学生的素质素养指标， 构建学生素质素养评价 体系， 通过层次分析法分析学生的素质素养指标 的权重； 获取学生的历史素质素养指标数据， 通 过学生素质素养评价体系对历史素质素养指标 数据进行评价， 构建数据集； 通过数据集构建隐 马尔科夫模 型， 基于隐马尔科夫模 型对学生的素 质素养指标进行预测。 本发明通过隐马尔科夫模 型挖掘学生的历史素质素养观测数据潜在的时 序变化规律和隐含参数， 可根据历史数据提前对 学生的素质素养变化趋势进行分析， 实时性和准 确性更高。 权利要求书2页 说明书5页 附图1页 CN 113962444 A 2022.01.21 CN 113962444 A 1.一种基于强化学习的学生素质素养预测方法， 其特 征在于， 所述方法包括： 初始化设置学生的素质素养指标， 构建学生素质素养评价体系， 通过层次分析法分析 学生的素质素养指标的权 重； 获取学生的历史素质素养指标数据， 通过学生素质素养评价体系 对历史素质素养指标 数据进行评价， 构建数据集； 通过数据集训练隐马尔科 夫模型， 基于隐马尔科 夫模型对学生的素质素养进行 预测。 2.根据权利要求1所述基于强化学习的学生素质素养预测方法， 其特征在于， 所述学生 的素质素养指标包括： 一级指标和一级指标对应的二级指标； 一级指标包括但不限于文化、 能力、 素质； 二级 指标层包括但不限于文化 维度对应的课堂知识掌握、 课外知识积累、 交叉学科学知识积累、 自学主动性， 能力维度对应的交际能力、 组织协调能力、 工程实践能力， 素质维度下的道德 素养、 身体素质、 心理素质。 3.根据权利要2所述基于强化学习的学生素质素养预测方法， 其特征在于， 所述构建学 生素质素养 评价体系， 通过层次分析法分析 学生的素质素养指标的权 重具体包括： 根据一级指标对应的二级指标及总目标构建三个层级的学生素质素养 评价体系； 通过层次分析法对学生素质素养评价体系的一级、 二级的各指标分项分别进行重要度 打分， 并计算两个层级的模糊判断一致矩阵及各项权重， 计算各二级指标相对总目标的综 合权重。 4.根据权利要求3所述基于强化学习的学生素质素养预测方法， 其特征在于， 所述获取 学生的历史素质素养指标数据， 通过学生素质素养评价体系对历史素质素养指标数据评 价， 构建数据集具体包括： 学生的历史素质素养指标 数据， 提取 特征向量作为样本数据； 通过学生素质素养 评价体系对历史素质素养指标 数据进行评价， 得到结果评分； 对结果评分进行等级划分， 将等级划分结果作为对应的样本数据标签， 构建数据集。 5.根据权利要求1所述基于强化学习的学生素质素养预测方法， 其特征在于， 所述通过 数据集构建隐马尔科 夫模型具体包括： 按照历史数据的时间顺序排列数据集中的样本； 对学生素质素养指标进行等级区间划分， 将划分的学生素质素养指标等级区间表示为 隐马尔科 夫模型的隐藏状态， 构建隐藏状态 矩阵， 等级区间个数即为隐藏状态个数； 将样本中学生素质素养指标观测值分为若干观测区间作为隐马尔科夫模型的观测状 态， 观测区间个数为观测状态个数； 根据各隐藏状态之间的转移概 率构建状态转移 矩阵； 根据各个指标观测状态出现的概 率及各素质素养指标的权 重构建混淆矩阵。 6.根据权利要求5所述基于强化学习的学生素质素养预测方法， 其特征在于， 所述基于 隐马尔科 夫模型对学生的素质素养进行 预测具体包括： 定义隐藏状态所属概率为前向概率， 将混淆矩阵与隐藏状态矩阵、 前向概率相乘得到 对应实际观测到的学生素质素养所处的观测区间； 基于待评价学生的素质素养指标计算获得 前向概率的值； 将状态转移 矩阵P与初始状态概 率相乘， 得到下一时刻预期隐藏状态；权　利　要　求　书 1/2 页 2 CN 113962444 A 2将下一时刻预期隐藏状态与 前向概率相乘， 将相乘结果经过归一化处理后得到的最大 隐藏状态概 率所对应的隐藏状态作为学生的素质素养预测的等级区间。 7.根据权利要求6所述基于强化学习的学生素质素养预测方法， 其特征在于， 所述方法 还包括： 通过隐马尔科夫模型按照时间序列对学生素质素养进行多次评价， 分析学生素质素养 的时序变化趋势。 8.一种基于强化学习的学生素质素养预测系统， 其特 征在于， 所述系统包括： 初始化设置学生的素质素养指标， 构建学生素质素养评价体系， 通过层次分析法分析 学生的素质素养指标的权 重； 获取学生的历史素质素养指标数据， 通过学生素质素养评价体系 对历史素质素养指标 数据进行评价， 构建数据集； 通过数据集构建隐马尔科夫模型， 基于隐马尔科夫模型对学生的素质素养指标进行预 测。 9.一种电子设备， 其特征在于， 包括： 至少一个处理器、 至少一个存储器、 通信 接口和总 线； 其中， 所述处 理器、 存储器、 通信接口通过 所述总线完成相互间的通信； 所述存储器存储有可被所述处理器执行的程序指令， 所述处理器调用所述程序指令， 以实现如权利要求1～7任一项所述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储计算机指 令， 所述计算机指令使所述计算机实现如权利要求1～7任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 113962444 A 3