買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜湖南科技職業學院申請的專利一種融合波動性信息組合模型的教學質量預測方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119721397B 。

龍圖騰網通過國家知識產權局官網在2025-05-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202510217165.2，技術領域涉及：G06Q10/04；該發明授權一種融合波動性信息組合模型的教學質量預測方法是由張群慧;彭輝;譚見君;劉安華;劉奕;楊燦;賀勇設計研發完成，并于2025-02-26向國家知識產權局提交的專利申請。

本一種融合波動性信息組合模型的教學質量預測方法在說明書摘要公布了：本發明公開了一種融合波動性信息組合模型的教學質量預測方法，通過數據收集：收集影響教學因素的二級指標相對應的數據；數據清洗：依據預設的數據清洗規則對收集二級指標相對應的數據進行清洗；特征數據重構：對收集的二級指標相對應的數據的特征進行特征數據模型定階和特征序列重構；融合波動性信息Ridge預測：將重構的特征數據中的波動性信息融合到Ridge回歸算法中；各個特征的預測結果：根據融合波動性信息的Ridge回歸算法，得到二級指標相對應的數據中各個特征的預測結果；教學質量預測：根據二級指標相對應的數據中各個特征的預測結果，對教學質量進行預測。本發明提高教學質量預測的準確性和效率。

本發明授權一種融合波動性信息組合模型的教學質量預測方法在權利要求書中公布了：1.一種融合波動性信息組合模型的教學質量預測方法，其特征在于，包括以下步驟：數據收集：根據教學質量評價指標確認模塊當中對影響教學因素的指標的確定，收集影響教學因素的二級指標相對應的數據，進而構成一個15維特征作為組合模型的輸入；數據清洗：依據預設的數據清洗規則對收集的影響教學因素的二級指標相對應的數據進行清洗；特征數據重構：對收集的影響教學因素的二級指標相對應的數據的特征進行特征數據模型定階和特征序列重構；包括：假定一多輸入單輸出回歸模型有N個樣本、一個因變量、g-1個自變量，由低階到高階遞增地以Ridge回歸進行留一法測試，并依RMSE最小標準決定拓展階數與否，判定公式為： 其中，為Ridgen地均方誤差，為Ridgen+1地均方誤差，ridgen為定階后模型；使用判定公式分別對收集的影響教學因素的二級指標相對應的數據的各個特征的數據進行定階，最后將得到各個特征模型的階數，對應數學公式為： 其中，為第個特征模型定的階數；為特征數量；為特征模型定階的集合；針對特征數據序列，根據確定的ridge的嵌入維度w，此時輸入樣本轉換為w列矩陣，輸出樣本為1列矩陣，將輸入輸出的矩陣合并，以前w列為特征，最后1列為目標，獲取到序列重構矩陣如下： 其中，為定階為w的特征重構的矩陣；w為模型的定階，N為樣本數；為特征對應的第j個值；結合模型定階獲取到的的集合，得到各個特征重構的矩陣，數學公式表示為： 其中，為L個特征重構矩陣的集合；為第j個特征和階數為的重構矩陣；融合波動性信息Ridge預測：將重構的特征數據中的波動性信息融合到Ridge回歸算法中，即將波動性信息作為懲罰項的一部分納入到Ridge回歸算法中，以調整組合模型中系數的收縮程度；包括：步驟S41、對矩陣的每個特征進行波動性估計；步驟S42、構建Ridge回歸算法的懲罰項；步驟S43、確定需要優化問題，找到最小化目標函數的系數；步驟S44、對目標函數進行求解，使用坐標下降法求解最小化目標函數，得到調整后的系數，進而構建好融合波動性信息Ridge模型，并對未來值進行預測；步驟S45、針對各個特征重構的矩陣，循環步驟S41至步驟S44，得到多個Ridge模型，并且得到每個Ridge模型進行預測的結果各個特征的預測結果：根據融合波動性信息的Ridge回歸算法，得到影響教學因素的二級指標相對應的數據中各個特征的預測結果；教學質量預測：根據影響教學因素的二級指標相對應的數據中各個特征的預測結果，對教學質量進行預測。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人湖南科技職業學院，其通訊地址為：410000 湖南省長沙市井灣路784號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。