數(shù)據(jù)驅(qū)動的學(xué)校疫情預(yù)測模型的構(gòu)建研究

趙薈宇 王琦 崔占

1.北京師范大學(xué)教育學(xué)部

2.北京師范大學(xué)未來教育高精尖創(chuàng)新中心

3.清華大學(xué)附屬小學(xué)信息中心

近年來，除極端天氣等原因外，季節(jié)性疫情造成北京市中小學(xué)多次區(qū)域性停課。我國中小學(xué)校在應(yīng)對突發(fā)疾病方面缺乏預(yù)警能力，除了定期進(jìn)行疾病防控以外，一般是在疫情出現(xiàn)后才開始消毒清潔，這種滯后的應(yīng)對方式效果較差，給學(xué)校的教學(xué)、管理等工作的開展造成困難，不利于相關(guān)教育衛(wèi)生資源的合理配置和使用。[1-2]因此，結(jié)合相關(guān)數(shù)據(jù)建立一套預(yù)警模型，為教育資源配置和疫情預(yù)警提供有針對性的指導(dǎo)是很有必要的。本文以北京市某小學(xué)一年內(nèi)的數(shù)據(jù)為基礎(chǔ)，利用人工神經(jīng)網(wǎng)絡(luò)（ANN）在目標(biāo)預(yù)測領(lǐng)域的優(yōu)勢，構(gòu)建學(xué)校疫情預(yù)測模型，以期為區(qū)域教育信息化、深度學(xué)習(xí)技術(shù)在教育管理領(lǐng)域的應(yīng)用提供參考模型和實(shí)踐指導(dǎo)。

圖1 基于BP神經(jīng)網(wǎng)絡(luò)的學(xué)校疫情預(yù)測模型

● 研究設(shè)計(jì)

1.研究思路

前饋神經(jīng)網(wǎng)絡(luò)是最基礎(chǔ)的人工神經(jīng)網(wǎng)絡(luò)，其內(nèi)核是BP算法。人工神經(jīng)網(wǎng)絡(luò)采用分布式存儲、計(jì)算非線性數(shù)據(jù)，避免人為因素的參與，并依靠其本身強(qiáng)大的計(jì)算能力與學(xué)習(xí)能力，使研究數(shù)據(jù)經(jīng)過大量數(shù)據(jù)的訓(xùn)練后更加接近實(shí)際，從而提高了目標(biāo)預(yù)測的精準(zhǔn)度。本文利用神經(jīng)網(wǎng)絡(luò)在目標(biāo)預(yù)測領(lǐng)域的優(yōu)勢，對學(xué)校疫情預(yù)測模型進(jìn)行構(gòu)建，如上頁圖1所示。本文首先將原始數(shù)據(jù)進(jìn)行處理，提取相關(guān)的特征變量，導(dǎo)入到設(shè)計(jì)好的神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和測試。用戶可以對模型輸入指定的特征變量，隨后獲得學(xué)校生病人數(shù)的預(yù)測結(jié)果反饋。

2.數(shù)據(jù)處理

（1）數(shù)據(jù)來源

本文的研究數(shù)據(jù)來源于北京市某所重點(diǎn)小學(xué)，時(shí)間跨度為2018年2月至2019年6月。該數(shù)據(jù)的學(xué)生分布情況，以2019年數(shù)據(jù)為例，包括一年級學(xué)生（2018年9月入校）244人，二至五年級學(xué)生709人，總計(jì)學(xué)生953人。原始數(shù)據(jù)2320條。該數(shù)據(jù)主要由學(xué)生家長、教師每天填寫并提交到指定平臺，部分?jǐn)?shù)據(jù)內(nèi)容如表1所示。

表1

（2）數(shù)據(jù)清洗和預(yù)處理

該數(shù)據(jù)的提交平臺于2018年2月投入使用，在初期，存在學(xué)生家長、教師對該平臺的熟悉度較差，使用頻率不足的現(xiàn)象。為避免此類原因造成的影響，本文已刪除前兩個(gè)月的數(shù)據(jù)，保留2018年4月至2019年6月的數(shù)據(jù)作為總數(shù)據(jù)集。由于學(xué)生家長、教師誤操作或系統(tǒng)出錯(cuò)等原因，數(shù)據(jù)中會存在某一學(xué)生在某天請假多次的情況，本文按照每天每條數(shù)據(jù)的序號，以最后編輯提交的數(shù)據(jù)為準(zhǔn)，剔除多余的重復(fù)數(shù)據(jù)。最終，清洗后的數(shù)據(jù)為2264條，其中病假1807條，事假457條。

在神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，需要將清洗后的數(shù)據(jù)集進(jìn)行整理。首先，本文按照日期排序，設(shè)置起始時(shí)間為2018年4月2日，結(jié)束時(shí)間為2019年6月30日，剔除事假人數(shù)，將每天生病人數(shù)進(jìn)行統(tǒng)計(jì)匯總，得出當(dāng)天學(xué)校內(nèi)學(xué)生因病請假的總?cè)藬?shù)，其中，不足1天的，按當(dāng)天1人次處理，最終獲得有效數(shù)據(jù)為455條。

目前，呼吸道疾病是影響青少年健康和導(dǎo)致學(xué)生缺課的主要原因。[3]本文主要選取10個(gè)可能造成青少年呼吸道疾病的外部因素作為變量，如表2所示。

表2

選取的指標(biāo)主要包括季節(jié)（1～4）、月份（1～12）、是否為假期（0～1）、星期（1～7）、最高溫度、最低溫度、平均溫度、天氣（1～11）、平均風(fēng)速、空氣質(zhì)量（1～6）等。其中，天氣指標(biāo)的11個(gè)層級為晴、多云、陰、陣雨、小雨、中雨、大雨、雨夾雪、小雪、霾、揚(yáng)沙；空氣質(zhì)量指標(biāo)的6個(gè)層級為優(yōu)、良、輕度污染、中度污染、重度污染、嚴(yán)重污染。由于每學(xué)年學(xué)?？?cè)藬?shù)不同，需計(jì)算學(xué)校每天學(xué)生生病率，公式為(Sicked/N)*100%，其中Sicked為當(dāng)天生病人數(shù)，N為當(dāng)前學(xué)校總?cè)藬?shù)。

在本文的數(shù)據(jù)集中，有很多變量都屬于類型變量，如Season=1、2、3、4，分別代表四個(gè)季節(jié)，而在神經(jīng)網(wǎng)絡(luò)的訓(xùn)練中不能將Season變量直接輸入到神經(jīng)網(wǎng)絡(luò)，這是因?yàn)镾eason的數(shù)值越高并不表示與之對應(yīng)的信號強(qiáng)度越大。本文的解決方案是將該類型變量的不同數(shù)值用一個(gè)“一位熱碼”（One-hot）來編碼，如圖2所示，本文已對表2中的

圖2 將Season變量進(jìn)行One-Hot編碼Season、Mnth、Vac、Week、Met、Airq等6個(gè)變量進(jìn)行了One-Hot編碼處理，并在剔除序號、日期等不相關(guān)特征后，得到該數(shù)據(jù)集的變量特征總數(shù)為45個(gè)。

由于數(shù)據(jù)集中每個(gè)數(shù)值型變量都是相互獨(dú)立的，所以它們的數(shù)值絕對大小與研究問題的本身沒有關(guān)系，為了消除數(shù)值大小的差異，本文對每一個(gè)數(shù)值型變量進(jìn)行標(biāo)準(zhǔn)化處理，即讓每個(gè)變量的數(shù)值都圍繞著0左右波動。例如，對于平均溫度Atemp這個(gè)變量來說，它在整個(gè)數(shù)據(jù)集中的平均值為Mean(Atemp)，方差為Std(Atemp)，如下方公式所示，其目的是將不同的取值范圍的變量設(shè)置為讓它們處于一個(gè)平等的地位。本文已對Ttemp、Ltemp、Atemp、Wind等4個(gè)變量進(jìn)行了歸一化處理。

3.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

（1）神經(jīng)網(wǎng)絡(luò)的構(gòu)建

人工神經(jīng)網(wǎng)絡(luò)實(shí)際上就是多層復(fù)合函數(shù)的鏈?zhǔn)椒▌t，本文采用三層前饋神經(jīng)網(wǎng)絡(luò)，如圖3所示，最左側(cè)X=(X1,X2,……,Xn)為輸入向量，中間Z=(Z1,Z2,……,Zt)是隱含層的輸出向量，最右側(cè)Y是輸出層的輸出向量，Wi是輸入層至隱含層的權(quán)重，Wj是隱含層至輸出層的權(quán)重，隱含層初始偏置為a。根據(jù)數(shù)據(jù)集的總特征數(shù)，該神經(jīng)網(wǎng)絡(luò)輸入層有45個(gè)節(jié)點(diǎn)，即n=45。本文采用1個(gè)隱含層的BP網(wǎng)絡(luò)來實(shí)現(xiàn)，其中隱含層節(jié)點(diǎn)數(shù)量t為10，輸出節(jié)點(diǎn)數(shù)為1。

（2）神經(jīng)網(wǎng)絡(luò)的初始化與訓(xùn)練

由于數(shù)據(jù)量有限，為充分利用有限的數(shù)據(jù)訓(xùn)練該神經(jīng)網(wǎng)絡(luò)，本文將前430天的數(shù)據(jù)作為訓(xùn)練集，將后7周（49天）的數(shù)據(jù)作為測試集，設(shè)置網(wǎng)絡(luò)的學(xué)習(xí)速率為0.01，將訓(xùn)練數(shù)據(jù)迭代訓(xùn)練1000次，設(shè)置每次訓(xùn)練的Batch大小為128。

在神經(jīng)網(wǎng)絡(luò)向前傳輸?shù)倪^程中，先隨機(jī)初始化權(quán)重和偏置，經(jīng)過隱含層節(jié)點(diǎn)時(shí)選用Sigmoid函數(shù)作為激活函數(shù)，將輸出結(jié)果加權(quán)求和后與真實(shí)值比較，并計(jì)算誤差，進(jìn)行反向傳輸和參數(shù)修正。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)主要蘊(yùn)含在權(quán)重和偏置中，從輸出層開始，神經(jīng)網(wǎng)絡(luò)首先對輸出值跟實(shí)際值進(jìn)行比較，將計(jì)算誤差的偏導(dǎo)數(shù)反向傳播給隱含層神經(jīng)元，隱含層神經(jīng)元利用這個(gè)偏導(dǎo)數(shù)進(jìn)行加權(quán)求和，從而調(diào)節(jié)隱含層到輸出層之間的連邊權(quán)重與偏置，同樣，根據(jù)隱含層神經(jīng)元的均方誤差，來調(diào)節(jié)輸入層到隱含層之間的連邊權(quán)重與偏置。

● 實(shí)驗(yàn)結(jié)果與啟示

1.實(shí)驗(yàn)結(jié)果

（1）神經(jīng)網(wǎng)絡(luò)的損失值

本文將訓(xùn)練數(shù)據(jù)迭代訓(xùn)練1000次，并對每100次的損失值（誤差）進(jìn)行收集，通過Matplotlib進(jìn)行繪制后，結(jié)果如下頁圖4所示。其中，橫坐標(biāo)代表訓(xùn)練次數(shù)，縱坐標(biāo)代表損失值?？梢?，在每次訓(xùn)練過后，該神經(jīng)網(wǎng)絡(luò)的損失值均有所下降，大約在第400次訓(xùn)練以后，損失值降低至0.3以下。本次實(shí)驗(yàn)的最終損失值約為0.2492，表明該神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是成功的。

（2）神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果

最后，本文將最后7周（49天）的數(shù)據(jù)進(jìn)行預(yù)測，并通過Matplotlib進(jìn)行繪制，如下頁圖5所示。其中，實(shí)線代表數(shù)據(jù)的真實(shí)值，虛線為神經(jīng)網(wǎng)絡(luò)的預(yù)測值。可見，該神經(jīng)網(wǎng)絡(luò)可以模擬該學(xué)校學(xué)生生病人數(shù)的大致趨勢。

觀察圖5可以發(fā)現(xiàn)，圖中前兩周神經(jīng)網(wǎng)絡(luò)的預(yù)測值低于實(shí)際值，而后兩周的預(yù)測值高于實(shí)際值。在與該學(xué)校教師的交流后得知，5月中旬該校正在舉辦為期兩周的足球聯(lián)賽，許多學(xué)生在高溫天氣中訓(xùn)練、比賽、助威，其間的生病人數(shù)明顯多于其他時(shí)間段；而6月底正值該校的期末，為了加緊復(fù)習(xí)，許多學(xué)生患病來校學(xué)習(xí)，這是導(dǎo)致神經(jīng)網(wǎng)絡(luò)預(yù)測產(chǎn)生偏差的主要原因。

圖3 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

圖4 預(yù)測模型的損失值曲線

圖5 預(yù)測模型預(yù)測值與實(shí)際值曲線

2.啟示

從以上結(jié)果可以看出，基于人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的預(yù)測模型可以預(yù)測學(xué)校的生病人數(shù)及變化趨勢，教育管理者可針對預(yù)測結(jié)果提前做好疫情的防控工作，但該神經(jīng)網(wǎng)絡(luò)并不完善，發(fā)現(xiàn)并解決神經(jīng)網(wǎng)絡(luò)存在的問題，對充分發(fā)揮人工智能技術(shù)的優(yōu)勢、高效合理地利用教育資源具有積極意義。

（1）數(shù)據(jù)的數(shù)量與質(zhì)量

數(shù)據(jù)在作為訓(xùn)練樣本時(shí)，其本身的復(fù)雜性、多樣性、稀疏性、冗余性和缺失值等將對模型的訓(xùn)練效果有很大影響。為此，學(xué)校、地區(qū)應(yīng)持續(xù)做好相應(yīng)疾病類別、數(shù)量、病因等的記錄與保留，而不僅限于記錄病假人數(shù)與事假人數(shù)，從而為后續(xù)的研究提供數(shù)據(jù)支撐。

（2）數(shù)據(jù)集的維度

針對學(xué)生生病所選取的外部因素指標(biāo)仍需改善。本文僅列舉了10個(gè)外部因素變量，仍有其他導(dǎo)致學(xué)生生病的外部因素需要補(bǔ)充。此外，環(huán)境變量、生病人數(shù)也會對神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果造成影響，這就需要后續(xù)對數(shù)據(jù)集進(jìn)行修改，并引入LSTM等記憶類算法，對神經(jīng)網(wǎng)絡(luò)進(jìn)行完善，提高預(yù)測的精準(zhǔn)度。

（3）其他神經(jīng)網(wǎng)絡(luò)算法

當(dāng)深度學(xué)習(xí)模型應(yīng)用于其他教育問題，遇到類似數(shù)據(jù)量較少的問題時(shí)，可以采用遷移學(xué)習(xí)的方式，將已有的、大批量的數(shù)據(jù)集進(jìn)行神經(jīng)網(wǎng)絡(luò)的預(yù)訓(xùn)練，通過遷移學(xué)習(xí)算法對該神經(jīng)網(wǎng)絡(luò)進(jìn)行再訓(xùn)練，也可以提高神經(jīng)網(wǎng)絡(luò)預(yù)測的精準(zhǔn)度。

● 結(jié)語

本文從數(shù)據(jù)角度出發(fā)，利用已有數(shù)據(jù)對學(xué)校學(xué)生的生病人數(shù)進(jìn)行預(yù)測，以作案例研究。本文以2018年2月至2019年6月期間北京市某小學(xué)每天生病人數(shù)的數(shù)據(jù)為基礎(chǔ)，建立疫情預(yù)測模型。從結(jié)果來看，預(yù)測值與實(shí)際值偏差較小、趨勢相近，擬合精度較高。因此，教育管理者可以根據(jù)該模型的輸出結(jié)果，做好衛(wèi)生疾病的防控工作，并合理配置相應(yīng)地區(qū)的教育衛(wèi)生資源。