基于GA-SVR的大學(xué)生手機依賴預(yù)警系統(tǒng)

徐煒君, 魏　勇, 原大明, 劉東升

(1.東北石油大學(xué)秦皇島分校,河北 秦皇島 066004; 2. 燕山大學(xué)理學(xué)院,河北 秦皇島 066004)

?

基于GA-SVR的大學(xué)生手機依賴預(yù)警系統(tǒng)

徐煒君1, 魏勇2, 原大明1, 劉東升1

(1.東北石油大學(xué)秦皇島分校,河北 秦皇島 066004; 2. 燕山大學(xué)理學(xué)院,河北 秦皇島 066004)

針對手機依賴嚴(yán)重影響大學(xué)生課堂學(xué)習(xí)效率的問題,利用GA優(yōu)化SVR的懲罰因子C、不敏感損失參數(shù)ε和核函數(shù)參數(shù)γ,設(shè)計了一種大學(xué)生手機依賴預(yù)警系統(tǒng).系統(tǒng)通過手機APP發(fā)布和回收手機依賴調(diào)查問卷,避免了問卷的發(fā)放、收集和數(shù)據(jù)錄入分析等繁瑣的工作.系統(tǒng)通過問卷數(shù)據(jù)建立的GA-SVR預(yù)警模型,可以較為準(zhǔn)確的預(yù)測出學(xué)生的綜測成績進而給出預(yù)警信息.系統(tǒng)的統(tǒng)計分析功能可以實現(xiàn)任意時段預(yù)警信息的統(tǒng)計分析,便于教學(xué)管理者和教師掌握學(xué)生整體狀態(tài)并采取應(yīng)對措施.實際運行結(jié)果表明,系統(tǒng)可以自動的進行手機依賴的預(yù)警和統(tǒng)計分析,系統(tǒng)分析結(jié)果可信、可靠.

遺傳算法;手機APP;支持向量回歸機;預(yù)警系統(tǒng)

0　引　言

隨著信息技術(shù)的快速發(fā)展及手機功能的日新月異.手機已經(jīng)成為人們?nèi)粘Ｉ畹闹匾M成部分.人們不僅可以利用手機進行通信、視頻聊天,還可以用它來完成搜索定位、網(wǎng)游、網(wǎng)購等活動.不可否認(rèn),手機給人們的生產(chǎn)生活提供了許多便利,但同時也帶來許多負面影響,其中影響最大的問題就是手機依賴.

大學(xué)生占手機用戶的很大比例，與其他的手機用戶相比,大學(xué)生更能充分利用智能手機的功能,對手機依賴程度高于其他群體.手機依賴是對手機的過度依賴使用,對身心健康及學(xué)習(xí)生活產(chǎn)生負面作用的行為[1].智能手機的長期使用會導(dǎo)致大學(xué)生思維的惰性,影響其學(xué)習(xí)成績,甚至脫離現(xiàn)實形成非正常的 “依賴”[2].大學(xué)生手機依賴的程度與課堂學(xué)習(xí)效率存在顯著的負相關(guān),且與課堂學(xué)習(xí)效率的不同維度也存在顯著的負相關(guān),這表明手機依賴嚴(yán)重影響了大學(xué)生的課堂學(xué)習(xí)效率及學(xué)習(xí)成績[3].

目前,手機依賴已經(jīng)引起了國內(nèi)外眾多學(xué)者的普遍關(guān)注,他們根據(jù)自身的學(xué)科背景和研究目的,從心理學(xué)、生理學(xué)、社會學(xué)和統(tǒng)計學(xué)等各個不同的視角對手機依賴進行了卓有成效的研究[4].

本文結(jié)合筆者的學(xué)科特點,從人工智能的角度探究手機依賴對大學(xué)生學(xué)習(xí)的影響,提出了一種手機依賴預(yù)警系統(tǒng).系統(tǒng)以手機成癮指數(shù)量表作為問卷調(diào)查的基礎(chǔ)制作手機依賴調(diào)查問卷,采用手機APP發(fā)布和回收該調(diào)查問卷,并結(jié)合問卷學(xué)生的綜測成績形成支持向量回歸機(SVR)的訓(xùn)練數(shù)據(jù),通過遺傳算法GA優(yōu)化SVR的參數(shù)(C、ε、γ),進而設(shè)計了大學(xué)生手機依賴預(yù)警系統(tǒng),該系統(tǒng)可以根據(jù)上述問卷來預(yù)測參與問卷學(xué)生的學(xué)習(xí)成績是否會受到手機依賴的影響而下滑,如果有影響系統(tǒng)會給出預(yù)警信息,這樣便于教學(xué)管理者和教師及時掌握學(xué)生的動態(tài)并采取應(yīng)對措施.

1　系統(tǒng)構(gòu)成及設(shè)計

系統(tǒng)結(jié)構(gòu)如圖1所示,主要由手機APP、服務(wù)器、手機依賴預(yù)警模型及預(yù)警結(jié)果統(tǒng)計分析4個部分組成.該APP將發(fā)布和回收的調(diào)查問卷數(shù)據(jù)上傳到服務(wù)器的數(shù)據(jù)庫中;服務(wù)器將收集的問卷數(shù)據(jù)按照年級、專業(yè)整理后作為手機依賴預(yù)警模型的訓(xùn)練樣本和預(yù)測樣本;建立在GA-SVR基礎(chǔ)上的手機依賴預(yù)警模型利用訓(xùn)練樣本得到模型參數(shù)并對預(yù)測樣本進行預(yù)測和預(yù)警;系統(tǒng)還可以進行預(yù)警結(jié)果的統(tǒng)計分析.

1.1手機APP設(shè)計

APP 是指應(yīng)用在智能手機或平板電腦上的第三方應(yīng)用程序.隨著智能手機等移動終端設(shè)備的普及,APP 的應(yīng)用也得到了長足的發(fā)展.目前,通過 APP進行的移動調(diào)查應(yīng)用已經(jīng)非常普遍.與傳統(tǒng)的問卷調(diào)查相比,APP調(diào)查融合了移動設(shè)備觸屏、掃碼、定位等功能,具有使用便捷、快速、安全等優(yōu)勢.因此,APP已經(jīng)成為一個能夠收集各種數(shù)據(jù)的獨特平臺[5].本系統(tǒng)的手機APP主要用來發(fā)布和回收手機依賴調(diào)查問卷,調(diào)查問卷以香港中文大學(xué)梁永熾教授編制的手機成癮指數(shù)量表(Mobile Phone Addiction Index,MPAI)作為調(diào)查問卷基礎(chǔ),并結(jié)合問卷學(xué)生上一學(xué)期綜測成績排名及其自然屬性形成.該APP用JAVA開發(fā),可通過JDBC(Java Data Base Connectivity)與服務(wù)器中的MySQL數(shù)據(jù)庫進行數(shù)據(jù)交互.手機APP界面如圖2所示.

圖1　系統(tǒng)結(jié)構(gòu)框圖Fig. 1　System structure diagram

圖2　APP調(diào)查問卷界面Fig. 2　Questionnaire interface of APP

1.2手機依賴預(yù)警模型

手機依賴預(yù)警模型主要以支持向量回歸機(SVR)作為預(yù)測算法,利用手機APP得到的問卷樣本數(shù)據(jù)對該模型進行訓(xùn)練進而得到模型參數(shù).預(yù)警模型能根據(jù)參與問卷者的手機依賴程度預(yù)測出其將來的綜測成績,該預(yù)測成績與其上一學(xué)期的實際綜測成績進行對比,如果出現(xiàn)一定的下滑則給出預(yù)警信息.

1.2.1預(yù)警建模算法——支持向量回歸機(SVR)

1995年俄羅斯科學(xué)家Vladimir Vapnik[6]首次提出了支持向量機(Support Vector Machines, SVM)理論,它是一種有監(jiān)督的學(xué)習(xí)過程,通常用來進行分類(Support Vector Classification,SVC)及回歸預(yù)測分析(Support Vector Regression,SVR).非線性支持向量回歸機主要是通過對輸入空間進行非線性變換升維后,在高維空間中構(gòu)造線性決策函數(shù)來實現(xiàn)線性回歸,從而得到輸入空間的非線性回歸.升維變換一般通過核函數(shù)來實現(xiàn),核變換后的決策函數(shù)如式(1):

y=wT·φ(x)+b.

(1)

在約束條件可以實現(xiàn)的情況下，通過尋找最優(yōu)w和b,得到最優(yōu)化問題為:

(2)

(3)

通過引入拉格朗日乘子,式 (3)可以轉(zhuǎn)化為:

(4)

k(xi,xj)=e-γ‖xi-xj‖2.

(5)

式中:γ>0是RBF的核函數(shù)參數(shù).

由式(4)、(5)可見,通過對參數(shù)(C、ε、γ)的優(yōu)化組合可以確定具體的SVR形式[9],進而實現(xiàn)對預(yù)測對象的精準(zhǔn)預(yù)測.

圖3　GA尋優(yōu)(C、ε、γ)流程圖Fig. 3　GA optimization (C、ε、γ) flow chart

1.2.2遺傳算法(GA)對SVR參數(shù)的優(yōu)化

遺傳算法(Genetic Algorithm,GA)是一種基于生物界自然遺傳和選擇適合解決優(yōu)化問題的自適應(yīng)優(yōu)化算法[10-11].本文利用該算法對SVR的參數(shù)(C、ε、γ)進行尋優(yōu)組合,參數(shù)優(yōu)化的流程如圖3所示.尋優(yōu)過程中采用均方根誤差RMSE作為適應(yīng)度函數(shù),其公式為:

(6)

1.2.3數(shù)據(jù)的選取和預(yù)處理

本預(yù)警系統(tǒng)是一個動態(tài)的跟蹤預(yù)警過程,數(shù)據(jù)的獲取是一個動態(tài)過程.系統(tǒng)設(shè)計過程中,在每個學(xué)期的固定時間(如開學(xué)初、期中以及期末3個時間點)要求學(xué)生作答問卷并提交.

1)預(yù)警模型訓(xùn)練數(shù)據(jù)的獲取:在MySQL數(shù)據(jù)庫的調(diào)查問卷數(shù)據(jù)中,隨機抽取100份2014-2015學(xué)年第二學(xué)期期末采集到的調(diào)查問卷數(shù)據(jù)并結(jié)合該學(xué)期期末的綜測成績形成預(yù)警模型的訓(xùn)練樣本集.由于樣本集中的數(shù)據(jù)具有不同的數(shù)據(jù)類型,所以需要對每個樣本數(shù)據(jù)的各個分量按照式(7)進行歸一化預(yù)處理,將所有數(shù)據(jù)均歸一化到 [0,1]的范圍內(nèi).歸一化后的訓(xùn)練樣本就可以對預(yù)警模型進行訓(xùn)練進而得到模型參數(shù).

(7)

其中:yi(j)為分量,yimax(j)和yimin(j)分別為第j個分量的最大和最小值,xi(j)為歸一化后的分量,i=1,2,...,n,n為樣本數(shù);j=1,2,...,m,m為樣本屬性數(shù).

2)預(yù)警模型測試數(shù)據(jù)的獲取:為了驗證系統(tǒng)的預(yù)測精度和可靠性,在數(shù)據(jù)庫中隨機抽取10份2015-2016學(xué)年第一學(xué)期期中采集到的調(diào)查問卷數(shù)據(jù)并結(jié)合該學(xué)期期末的綜測成績形成預(yù)警模型的測試樣本集.測試樣本集的歸一化方法與訓(xùn)練樣本集相同且兩個樣本集數(shù)據(jù)應(yīng)該一起進行歸一化處理.

2　運行實例及結(jié)果分析

圖4　綜測成績預(yù)測曲線Fig. 4　Forecast curve of comprehensive test result

將1.2.3中經(jīng)過歸一化后的訓(xùn)練樣本集的綜測成績作為SVR的訓(xùn)練目標(biāo)輸出,問卷數(shù)據(jù)作為SVR的訓(xùn)練輸入.首先用GA算法尋優(yōu)參數(shù)(C、ε、γ),得到SVR的最優(yōu)參數(shù)分別為:C=88.0463,ε=0.0019,γ=0.1325,然后用該訓(xùn)練樣本訓(xùn)練SVR進而建立手機依賴的預(yù)測模型,最后通過該模型,用測試樣本得到綜測成績的預(yù)測結(jié)果與對應(yīng)學(xué)期的實際綜測成績對比(如圖4所示),采用RMSE、復(fù)測定系數(shù)R2和平方相關(guān)系數(shù)SCC評價預(yù)測模型的精確度和可靠性.

為了驗證本文提出算法(GA-SVR)的精確度和可靠性,與粒子群優(yōu)化支持向量機模型(PSO-SVR)作比較(PSO優(yōu)化的參數(shù)為:C=2.7269,ε=0.01,γ=0.01),比較結(jié)果如表1.從表1可以看出,GA-SVR預(yù)測模型的RMSE要比PSO-SVR低出約 2.58%,復(fù)測定系數(shù)R2比PSO-SVR高出約0.16,平方相關(guān)系數(shù)比PSO-SVR高出約0.057,這說明本文提出的算法有較高的預(yù)測精度和可靠性,其學(xué)習(xí)能力和泛化能力也得到了提高.

表1各預(yù)測方法比較

Tab. 1Comparison of different prediction methods

預(yù)測方法RMSE%R2平方相關(guān)系數(shù)SCCPSO-SVR12.130.58080.8956GA-SVR9.550.74050.9524

表2預(yù)警結(jié)果統(tǒng)計分析表

Tab. 2Statistical analysis of warning results

時間段自然屬性人數(shù)預(yù)警人數(shù)百分比%2015年10月—2015年12月性別男1001515女8678.14年級大二9799.28大三53611.32大四36719.44

對每學(xué)期中任意時刻的問卷數(shù)據(jù)利用上述的預(yù)警模型進行預(yù)測得出其預(yù)測的綜測成績,該成績與其最近一學(xué)期的實際綜測成績作比較,如果出現(xiàn)成績下滑,則給出預(yù)警信息.系統(tǒng)的統(tǒng)計分析功能可以對任意時間段的預(yù)警信息給出統(tǒng)計分析(見表2),這樣便于了解學(xué)生的學(xué)習(xí)情況和狀態(tài)進而采取應(yīng)對措施.

3　結(jié)　論

本文提出的基于GA-SVR的大學(xué)生手機依賴預(yù)警系統(tǒng),利用遺傳算法GA優(yōu)化SVR的懲罰因子C、不敏感損失參數(shù)ε和核函數(shù)參數(shù)γ,使其預(yù)測精度和可靠性都得到了較大的提高.系統(tǒng)通過手機APP發(fā)布和回收手機依賴調(diào)查問卷,避免了問卷的發(fā)放、收集和數(shù)據(jù)錄入分析等繁瑣工作.以學(xué)生的綜測成績作為預(yù)測輸出的GA-SVR預(yù)警模型,可以根據(jù)問卷數(shù)據(jù)較為準(zhǔn)確地預(yù)測出學(xué)生將來的綜測成績進而給出預(yù)警信息,這樣便于教學(xué)管理者和教師及時掌握學(xué)生的動態(tài)并采取應(yīng)對措施.實際運行結(jié)果表明,本系統(tǒng)可以自動進行手機依賴的預(yù)警和統(tǒng)計分析,系統(tǒng)分析結(jié)果可靠.

[1] 李止庸.國內(nèi)外“手機依賴對大學(xué)生學(xué)習(xí)行為的影響”研究綜述[C]//中國商品學(xué)會第十四屆學(xué)術(shù)論壇暨中韓商品科學(xué)交流會議論文集.北京：2011:182-131.

[2] 孫芳,王為正,劉佳帥.智能手機對大學(xué)生的影響分析——以H師范大學(xué)的實證調(diào)查為例[J].哈爾濱師范大學(xué)社會科學(xué)學(xué)報,2015(4):169-173.

[3] 許國成,黃黎,魏莉莉,等.大學(xué)生手機依賴與課堂學(xué)習(xí)效率的關(guān)系研究[J].浙江理工大學(xué)學(xué)報(社會科學(xué)版),2014,32(6):535-538.

[4] 賈悅.國外手機依賴研究綜述[J].北京郵電大學(xué)學(xué)報(社會科學(xué)版),2015,17(3):74-79.

[5] 王云峰,史菁菁,毛春芳.App應(yīng)用于跟蹤調(diào)查的可行性分析[J].中國科技信息,2016,16(1):69-70.

[6] VAPNIK V N.The nature of statistical learning theory[M]. New York:Springer,1995:280-292.

[7] HSU C W, LIN C J.A simple decomposition method for support vector machine[J].Machine Learning,2002,46(123):219-314.

[8] 舒堅,湯津,劉琳嵐,等.基于模糊支持向量回歸機的WSNs鏈路質(zhì)量預(yù)測[J].計算機研究與發(fā)展,2015,52(8):1842-1851.

[9] 王曉文,梁嵐珍.基于PSO-SVR算法的燃煤鍋爐結(jié)渣特性預(yù)測[J].化工自動化及儀表,2013,40(6):742-745.

[10] 張秀玲,徐騰,趙亮,等.基于GA-PIDNN的液壓彎輥控制系統(tǒng)設(shè)計[J].中南大學(xué)學(xué)報(自然科學(xué)版),2014,45(11):3800-3804.

[11] 劉愛國,薛云濤,胡江鷺,等.基于GA優(yōu)化SVM的風(fēng)電功率的超短期預(yù)測[J].電力系統(tǒng)保護與控制,2015,43(2):90-95.

Warning System for Mobile Phone Dependence of College Students Based on GA-SVR

XU Weijun1, WEI Yong2, YUAN Daming1, LIU Dongsheng1

(1.Northeast Petroleum University, Qinhuangdao 066004, China; 2. School of Science, Yanshan University, Qinhuangdao 066004, China)

For the mobile phone dependence seriously affects college students’ classroom learning efficiency, using GA to optimize the SVR penalty factor C, insensitive loss parameter ε and kernel function parameter γ, a warning system for mobile phone dependence of college students is designed. The system distributes and takes back the mobile phone dependence questionnaire through mobile phone APP, which can avoid tedious work of distribution, collection and data entry of the questionnaire. Through the questionnaire data, the system establishes the warning model based on GA-SVR, and the model can precisely predict the students’ comprehensive test results and give warning information. The statistical analysis function of the system can realize the statistical analysis of warning information in any period of time, which is convenient for teachers and teaching managers to master the whole state of students and take measures to deal with it. The actual operation results show that the system can automatically carry out the warning and statistical analysis of the mobile phone dependence. The results are credible and reliable.

genetic algorithm; mobile phone APP; support vector regression machine; warning system

2016-04-12

河北省高教學(xué)會2015年度高教科研項目(GJXH2015-310);燕山大學(xué)青年教師自主研究計劃項目(15LGBO22).

徐煒君(1981-),男,講師,碩士,主要從事高等教育及人工智能等研究.E-mail:xwjsm@163.com

10.3969/j.issn.1674-232X.2016.05.018

TP391

A

1674-232X(2016)05-0556-05