1.一种基于多维度数据挖掘的贫困生筛查方法,其特征在于,包括对每一位学生的校园卡数据执行以下步骤:第一步,获取校园卡系统所记录的该学生账户的消费记录表单Ci(ct,tx)以及身份核验记录Di(dt,ty),其中,i表示学生账户编号,tx表示消费记录刷卡时间,ct表示消费记录刷卡时间tx所对应的消费金额,ty表示身份核验记录时间,dt表示身份核验记录时间ty所对应的核验刷卡位置;
第二步,调取消费记录刷卡时间tx前后预设时段范围内同一刷卡设备所上传的其他学生的消费记录表单Cj(cj,tjx),其中,j表示其他学生账户编号,根据其他学生的消费记录表单Cj(cj,tjx)构建消费记录刷卡时间tx前后预设时段范围内的环境消费模型ECi,计算消费记录刷卡时间tx所对应的消费金额ct与环境消费模型ECi所对应的消费金额偏差量Di;
第三步,调取其他学生的消费记录表单Cj中各学生账户所对应的身份核验记录Dj(dy,tjy),根据其他学生的身份核验记录Dj(dy,tjy)构建该学生账户身份核验记录Di(dt,ty)的对比模型EDi,计算身份核验记录时间ty所对应的核验刷卡位置dt与对比模型EDi的评级偏差Gi;
第四步,将消费金额偏差量Di与评级偏差Gi输入至周期统计模型中提取其周期性偏差量Pi;
第五步,筛选周期性偏差量Pi小于第一阈值且消费金额偏差量Di与评级偏差Gi符合预先训练获得的贫困模型的学生账户其列入待筛查名单;
第六步,向待筛查名单中所列各学生账户所对应的责任人账号推送该学生账户的待核实信息以及该学生账户前后预设时段范围内同一刷卡设备所上传的其他学生的账户编号j,根据责任人账号所反馈的核实数据将相应学生账户i标记为贫困生;
其中,所述第二步消费记录表单Cj(cj,tjx)中所包含的其他学生账户按照如下步骤筛选确定:调取消费记录刷卡时间tx当天前后预设时段范围内同一刷卡设备所上传的全部学生账户编号;
调取消费记录刷卡时间tx的前后至少两周中相同时段范围内同一刷卡设备所上传的全部学生账户编号;
调取消费记录刷卡时间tx的前后至少两月中相同时段范围内同一刷卡设备所上传的全部学生账户编号;
将上述调取的学生账户编号中出现频次达到筛选阈值的学生账户及其消费金额列入消费记录表单Cj(cj,tjx);
所述第四步中,由周期统计模型提取其周期性偏差量Pi的步骤包括:
步骤401,将预先确认的贫困学生一年中在相同消费记录刷卡时间tx内的各次消费金额偏差量Di与该贫困学生一年中在相同身份核验记录时间ty内的各次评级偏差Gi分别进行小波变换,得到不同小波尺度下的小波分解曲线;
步骤402,对步骤401中的小波分解曲线作光滑去噪处理,剔除曲线中的扰动噪音;
步骤403,按照极值点法计算步骤402中的小波分解曲线中包含的周期个数;
步骤404,以小波尺度为横坐标,周期个数为纵坐标,将步骤403中得到的不同小波尺度对应分解曲线包含的周期个数投在图中,得到小波尺度与小波分解曲线周期个数对应关系曲线;
步骤405,在小波尺度与小波分解曲线周期个数对应关系曲线中,计算不同小波尺度下一个小波分解曲线周期中消费金额偏差量的最大振幅Di-max与评级偏差的最大振幅Gi-max;
步骤406,计算周期性偏差量其中,表示该贫困学生一年中在相同消费记录刷卡时间tx内的各次消费金额偏差量Di的平均值,表示该贫困学生一年中在相同身份核验记录时间ty内的各次评级偏差Gi的平均值;
所述小波变换,根据下式进行:
其中,WFD(a,b)为各次消费金额偏差量Di所对应的小波变换,WFG(a,b)为各次评级偏差Gi所对应的小波变换,ψ为Haar小波函数,t为各次消费金额偏差量Di或各次评级偏差Gi所对应的时间序列值,a为尺度因子,b为平移因子。
2.如权利要求1所述的基于多维度数据挖掘的贫困生筛查方法,其特征在于,所述第二步中,若他学生的消费记录表单Cj(cj,tjx)中消费记录刷卡时间tx所对应的消费金额ct均为相同数值,则调取该刷卡设备预先配置的评级gt作为该消费记录刷卡时间tx所对应的消费金额ct与环境消费模型ECi所对应的消费金额偏差量Di。
3.如权利要求1所述的基于多维度数据挖掘的贫困生筛查方法,其特征在于,如权利要求1所述的基于多维度数据挖掘的贫困生筛查方法,其特征在于,第五步中,贫困模型由如下步骤训练获得:步骤501,分别标记贫困生所对应的消费金额偏差量Di*、评级偏差Gi*与非贫困生的消费金额偏差量Di与评级偏差Gi,将全部消费金额偏差量与评级偏差分为训练集合和测试集合;
步骤502,将步骤501所得到的训练集合中的数据采用过采样算法进行处理,从而使得处理后的训练集合中的数据平衡化;
步骤503,采用随机森林算法对步骤502得到的平衡化后的训练集合中的数据进行模型训练,并以步骤501得到的测试集合对训练后的模型进行测试,并以准确率和召回率为指标对训练后的模型进行评估,从而得到性能最优的学生贫困状态预测模型。
4.如权利要求3所述的基于多维度数据挖掘的贫困生筛查方法,其特征在于,步骤502中具体采用如下步骤进行数据平衡化:对训练集合中的数据进行归一化,在测试集集合中查找与归一化处理后贫困生所对应的消费金额偏差量Di*′、评级偏差Gi*′之间偏差量小于平衡阈值的数据,将该数据的偏差量乘以0至1之间的随机数叠加至该数据中构建合成数据,将所述合成数据相应标记为贫困生所对应的消费金额偏差量或评级偏差并放入训练集合中。
5.权利要求4所述的基于多维度数据挖掘的贫困生筛查方法,其特征在于,步骤503中以准确率和召回率为指标对训练后的模型进行评估的具体步骤为:按照是否在当前参数条件下的随机森林算法中达到极大值对训练后的模型进行评估,从而以使Q达到极大值的前参数条件构建性能最优的学生贫困状态预测模型;其中,P表示准确率;R表示召回率。
6.如权利要求1-5任一所述的基于多维度数据挖掘的贫困生筛查方法,其特征在于,前后预设时段范围设置为至少5分钟。