预测在线学生成绩的时间序列模型？

Question

我有一个包含在线学生日常活动的数据集（花费的时间、观看的视频等）。根据这些数据，我想预测每个学生是否会通过。到目前为止，我一直将其视为一个分类问题，每周根据学生迄今为止的活动及其最终结果训练一个模型。这个模型工作得很好，但它忽略了随着时间的推移的行为。我有兴趣进行某种时间序列分析，其中模型会考虑每个学生随时间推移的所有数据点以做出最终预测。我一直在研究的时间序列模型旨在预测未来时间步长的人口（需求、收入等）的特定指标。就我而言，我对汇总的时间步长指标不太感兴趣，而对个人的最终结果更感兴趣。换句话说，我的问题更多的是分类或回归问题，但我希望能够随着时间的推移利用每个学生的使用模式来解决这个问题。有没有办法将两者结合起来？基本上构建一个更好的分类器，随着时间的推移理解模式。

Answer 1

从广义上讲，您有两种选择：

1. 为您的功能创建时间分级聚合，以帮助它捕获时间依赖性。您还可以使用 tsfresh 之类的工具从您的时间序列中自动生成特征。

2. 使用多元时间序列模型。您可以尝试使用 RNN 或 VAR（此处为示例）

Answer 2

看fbprophet模块。这可以将时间序列分成趋势、季节性和噪声等组件。该模块最初是为网络流量而开发的。

您可以通过构建其他变量以多种方式将其合并到您的回归模型中，例如：

• 期初趋势与期末趋势之比

• 每周季节性模式的大小

• 白噪声序列的方差。

• 等等

并不是说这些构造变量中的任何一个在您的模型中都很重要，但这是我会尝试的类型。您可以在根本不做任何复杂的时间序列模型的情况下构建其中一些变量，例如，可以在 excel 中计算课程开始时观看视频与课程结束时所花时间的比率。