基于融合学习的高校学生缴费行为预测

摘要

针对传统高校缴费管理模式中的数据利用不足、管理滞后及特殊群体风险预警缺失等问题，提出一种融合机器学习和深度学习算法的高校学生缴费行为预测框架。该框架以缴费行为发生时间为预测目标，通过数据层、特征处理层、聚类层、预测执行层和结果分析层的协同处理，对C高校2019年至2023上半年的学生历史缴费数据进行训练和误差分析，确定最优模型组合。应用该组合配置框架，成功预测了2023下半年度学生的缴费趋势，同时设置阈值识别特殊群体，实施精准管理。实验结果表明，聚类层采用决策树森林算法，预测执行层使用门控循环单元神经网络构建的融合模型在预测性能上效果更优。

关键词

学生缴费行为预测 / 预测框架 / 聚类算法 / 门控循环单元神经网络 / 高校管理 / 模式识别

基金资助

福建省中青年教师教育科研项目（JAT241247）; 集美大学诚毅学院青年科研基金项目（CKZ24012）