基于机器学习的物理教学效果预测方法与流程

本发明属于智慧教学，具体是指基于机器学习的物理教学效果预测方法。

背景技术：

1、物理教学效果预测利用机器学习技术和物理教学相关的多维数据，对物理教学效果进行定量分析和预测，旨在综合考虑多方面的物理教学因素，提供全面客观的物理教学效果预测，帮助教育者识别教学中的潜在问题，以采取相应措施优化教学策略，提升教学质量。

2、但在现有物理教学效果预测过程中，存在物理成绩预测的数据维度较高，且具有复杂依赖关系，而传统模型通过单一路径进行特征提取，难以有效捕捉数据中的复杂关系，影响模型预测性能的技术问题；存在物理教学效果预测的数据具有多样性和复杂性，使用传统模型在处理复杂关系时，容易出现预测结果不稳定的情况，从而影响物理教学效果预测的有效性的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于机器学习的物理教学效果预测方法，针对在现有物理教学效果预测过程中，存在物理成绩预测的数据维度较高，且具有复杂依赖关系，而传统模型通过单一路径进行特征提取，难以有效捕捉数据中的复杂关系，影响模型预测性能的技术问题，本方案创造性地采用并行门控循环嵌入式注意力模型进行物理成绩预测，通过时间步长自注意力块提升模型对重要信息的敏感度，通过并行特征提取层来增强模型对高维复杂特征的综合理解能力，进而提高模型预测性能，增强方法的整体可靠性；针对在现有物理教学效果预测过程中，存在物理教学效果预测的数据具有多样性和复杂性，使用传统模型在处理复杂关系时，容易出现预测结果不稳定的情况，从而影响物理教学效果预测的有效性的技术问题，本方案创造性地采用基于粘菌算法优化的极限梯度提升模型进行物理教学效果预测，通过粘菌算法更好地调整极限梯度提升模型的超参数，增强模型鲁棒性，且粘菌算法可以动态调整搜索策略，使得模型在处理新数据时具有更优的泛化能力，有助于提升物理教学效果预测的有效性和实用性，为后续教学提供及时反馈。

2、本发明采取的技术方案如下：本发明提供的基于机器学习的物理教学效果预测方法，该方法包括以下步骤：

3、步骤s1：数据准备；

4、步骤s2：数据预处理；

5、步骤s3：物理成绩预测；

6、步骤s4：物理教学效果预测；

7、步骤s5：教学建议生成。

8、进一步地，在步骤s1中，所述数据准备，用于收集物理教学效果预测所需的原始数据，具体为通过收集学生基础信息、学生行为数据、物理教学数据和调查问卷数据，得到物理教学预测原始数据；

9、所述学生基础信息，具体包括学生标识符、年级和班级；

10、所述学生行为数据，具体包括随堂测试成绩、作业完成情况和课堂参与度；

11、所述物理教学数据，具体包括物理教学评价和教师培训记录；

12、所述调查问卷数据，具体包括学生反馈和家长评价。

13、进一步地，在步骤s2中，所述数据预处理，用于改进数据质量，具体为通过数据清洗、数据编码、数据标准化和数据整合，进行数据预处理，包括以下步骤：

14、步骤s21：数据清洗，具体为通过缺失值填补、异常值删除和重复值过滤，对物理教学预测原始数据进行数据清洗，得到物理教学预测清洗数据；

15、步骤s22：数据编码，用于将类别数据编码为模型可处理的格式，具体为通过对物理教学预测清洗数据中的类别数据进行独热编码，得到物理教学预测编码数据；

16、所述类别数据，具体包括物理教学数据、学生基础信息中的年级和班级；

17、步骤s23：数据标准化，具体为通过对物理教学预测编码数据进行数据标准化处理，得到物理教学预测标准数据；

18、步骤s24：数据整合，具体为将物理教学预测标准数据中的学生基础信息和学生行为数据进行整合，得到学生基础数据，并将物理教学预测标准数据中的物理教学数据和调查问卷数据进行整合，得到物理教学综合数据。

19、进一步地，在步骤s3中，所述物理成绩预测，用于预测学生的物理成绩，具体为采用并行门控循环嵌入式注意力模型，进行物理成绩预测，得到物理成绩预测结果；

20、所述并行门控循环嵌入式注意力模型，包括数据输入层、时间步长自注意力块、并行特征提取层、预测输出层；

21、所述时间步长自注意力块，用于自动聚焦数据中的关键时间点，提高模型预测准确性；

22、所述并行特征提取层，包括并行的门控循环单元和嵌入式注意力层；

23、所述门控循环单元，用于捕捉时间依赖性并提取浅层信息；

24、所述嵌入式注意力层，用于进一步提取深层信息，确保模型能够识别与物理成绩相关的关键信息；

25、所述物理成绩预测，包括以下步骤：

26、步骤s31：构建数据输入层，具体为通过数据输入层接收学生基础数据作为输入数据；

27、步骤s32：构建时间步长自注意力块，具体为通过时间步长自注意力块识别输入数据中的关键时间点，得到时间步长自注意力，包括以下步骤：

28、步骤s321：对输入数据进行张量维度转换，使得时间维度作为最后一个维度；

29、步骤s322：通过全连接层生成时间维度注意力评分，并通过softmax函数对时间维度注意力评分进行归一化，得到注意力权重；

30、步骤s323：将注意力权重进行维度转置，恢复到输入数据的原始形态，得到注意力维度转置权重；

31、步骤s324：生成时间步长注意力，具体为通过将输入数据与注意力维度转置权重进行逐元素相乘，得到时间步长自注意力，计算公式为：

32、；

33、式中，i是输入数据索引，atti是第i个输入数据的时间步长自注意力，是第i个输入数据，是逐元素相乘，是第i个输入数据对应的注意力维度转置权重；

34、步骤s33：构建并行特征提取层，包括以下步骤：

35、步骤s331：在门控循环单元中设置更新门和重置门，通过门控循环单元对时间步长自注意力进行计算，得到时序浅层特征；

36、步骤s332：构建嵌入式注意力层，具体为在嵌入式注意力层中设置查询分支、键分支和值分支，并在查询分支中引入残差长短期记忆块，通过嵌入式注意力层对时间步长自注意力进行计算，得到嵌入深层特征；

37、所述残差长短期记忆块，包括长短期记忆单元、残差连接和批归一化；

38、所述构建嵌入式注意力层，包括以下步骤：

39、步骤s3321：构建查询分支，具体为在查询分支中设置残差长短期记忆块和全连接层，通过查询分支计算查询向量；

40、步骤s3322：构建键分支和值分支，计算得到键向量和值向量，所述键分支应用双曲正切函数对时间步长自注意力进行非线性映射，所述值分支对时间步长自注意力进行维度压缩；

41、步骤s3323：依据查询向量和键向量，通过softmax函数和点积操作，计算注意力得分；

42、步骤s3324：依据注意力得分和值向量，计算嵌入深层特征；

43、步骤s333：将时序浅层特征和嵌入深层特征进行连接，得到多层次特征；

44、步骤s34：构建预测输出层，具体为在预测输出层中设置第一全连接层、第一随机失活层、第二全连接层、第二随机失活层和第三全连接层，通过预测输出层对多层次特征进行计算，得到模型预测结果；

45、步骤s35：构建并行门控循环嵌入式注意力模型，具体为通过构建数据输入层、构建时间步长自注意力块、构建并行特征提取层和构建预测输出层，进行并行门控循环嵌入式注意力模型构建；

46、步骤s36：模型训练，具体为通过对并行门控循环嵌入式注意力模型进行模型训练，得到物理成绩预测模型；

47、步骤s37：生成物理成绩预测结果，具体为通过物理成绩预测模型，进行物理成绩预测，得到物理成绩预测结果。

48、进一步地，在步骤s4中，所述物理教学效果预测，用于预测物理教学效果，具体为采用基于粘菌算法优化的极限梯度提升模型，进行物理教学效果预测，得到物理教学效果预测结果，包括以下步骤：

49、步骤s41：构建极限梯度提升模型，具体为接收物理成绩预测结果和物理教学综合数据作为模型输入，构建极限梯度提升模型基础架构，并设置模型超参数，所述模型超参数包括学习率、最大深度、子样本比例、列样本比例和正则化参数；

50、步骤s42：构建粘菌算法，包括以下步骤：

51、步骤s421：粘菌算法初始化，具体为在候选解空间随机生成粘菌位置，并将模型准确率作为适应度函数，设置粘菌数量和最大迭代次数，所述粘菌位置用于表示模型超参数组合；

52、步骤s422：评估粘菌位置优劣，具体为通过适应度函数计算每个粘菌位置的适应度值，选择适应度值最优的粘菌位置作为粘菌最优位置；

53、步骤s423：粘菌位置更新，计算公式为：

54、；

55、式中，是第k+1次迭代时第j个粘菌位置，j是粘菌索引，k是迭代次数索引，是粘菌最优位置，rone是第一比例因子，wc是第一随机粘菌权重，是第k次迭代时第一随机粘菌位置，是第k次迭代时第二随机粘菌位置，r是范围为[0,1]的随机更新因子，rtwo是第二比例因子，是第k次迭代时第j个粘菌位置，p是概率参数，用于控制粘菌位置更新方式，所述随机概率参数的计算公式为，其中f(·)是适应度函数，tanh(·)是双曲正切函数；

56、步骤s424：通过随机扰动生成新的粘菌位置，计算公式为：

57、；

58、式中，是新的粘菌位置，lb是候选解空间下界，rd是范围为[0,1]的随机数，ub是候选解空间上界，z是随机扰动阈值；

59、步骤s425：通过重复步骤s422至步骤s424，进行粘菌位置迭代更新，直到达到最大迭代次数；

60、步骤s43：模型优化，具体为通过粘菌算法对极限梯度提升模型进行参数调优，得到基于粘菌算法优化的极限梯度提升模型；

61、步骤s44：构建物理教学效果预测模型，具体为通过对基于粘菌算法优化的极限梯度提升模型进行模型训练，得到物理教学效果预测模型；

62、步骤s45：生成物理教学效果预测结果，具体为通过物理教学效果预测模型进行教学效果预测，得到物理教学效果预测结果。

63、进一步地，在步骤s5中，所述教学建议生成，用于生成物理教学建议，具体为综合物理成绩预测结果和物理教学效果预测结果，生成物理教学效果预测报告，并提供教学改进建议。

64、采用上述方案本发明取得的有益效果如下：

65、（1）针对在现有物理教学效果预测过程中，存在物理成绩预测的数据维度较高，且具有复杂依赖关系，而传统模型通过单一路径进行特征提取，难以有效捕捉数据中的复杂关系，影响模型预测性能的技术问题，本方案创造性地采用并行门控循环嵌入式注意力模型进行物理成绩预测，通过时间步长自注意力块提升模型对重要信息的敏感度，通过并行特征提取层来增强模型对高维复杂特征的综合理解能力，进而提高模型预测性能，增强方法的整体可靠性；

66、（2）针对在现有物理教学效果预测过程中，存在物理教学效果预测的数据具有多样性和复杂性，使用传统模型在处理复杂关系时，容易出现预测结果不稳定的情况，从而影响物理教学效果预测的有效性的技术问题，本方案创造性地采用基于粘菌算法优化的极限梯度提升模型进行物理教学效果预测，通过粘菌算法更好地调整极限梯度提升模型的超参数，增强模型鲁棒性，且粘菌算法可以动态调整搜索策略，使得模型在处理新数据时具有更优的泛化能力，有助于提升物理教学效果预测的有效性和实用性，为后续教学提供及时反馈。