基于 LSTM 与 Django 的学生学习分析与成绩预测系统

系统实现细节

后台管理涵盖首页、个人中心、用户管理、学习数据、成绩预测及系统配置等模块。其中，成绩预测模块是核心亮点，它负责收集课堂表现、作业完成情况等数据，经过清洗和归一化处理后输入模型。

代码实战：预测模型接口

在 learningdataforecast_forecast 函数中，我们实现了完整的数据处理与预测流程。这里没有生硬地堆砌代码，而是按照'获取数据 -> 预处理 -> 建模训练 -> 可视化'的逻辑展开。

#coding:utf-8
import os
import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler, LabelEncoder
from keras.models import Sequential
from keras.layers import LSTM, Dense, Dropout
from keras.optimizers import Adam
import matplotlib.pyplot as plt
import pymysql
from django.http import JsonResponse

# 获取当前文件路径的根目录
parent_directory = os.path.dirname(os.path.dirname(os.path.abspath(__file__)))
dbtype, host, port, user, passwd, dbName, charset, hasHadoop = config_read(os.path.join(parent_directory, "config.ini"))

# MySQL 连接配置
mysql_config = {
    'host': host,
    'user': user,
    'password': passwd,
    'database': dbName,
    'port': port
}

def create_dataset(data, time_step=1):
    """根据时间步长构建数据集"""
    X, Y = [], []
    for i in range(len(data) - time_step - 1):
        a = data[i:(i + time_step), :]
        X.append(a)
        Y.append(data[i + time_step, :])
    return np.array(X), np.array(Y)

def learningdataforecast_forecast(request):
    if request.method in ["POST", "GET"]:
        msg = {'code': normal_code, "msg": mes.normal_code}
        
        # 1. 获取数据集
        connection = pymysql.connect(**mysql_config)
        query = "SELECT date, student, subject, regulargrade, midtermresults, learningattitude, finalgrade FROM learningdata ORDER BY date ASC"
        data = pd.read_sql(query, connection).dropna()
        
        # 2. 处理缺失值与日期格式转换
        date_format = data['date'].iloc[0]
        if isinstance(date_format, (datetime.date, datetime.datetime)):
            pass
        elif "年" in date_format and "月" in date_format and "日" in date_format:
            date_format = '%Y年%m月%d日'
        elif "年" in date_format and "月" in date_format:
            date_format = '%Y年%m月'
        elif "年" in date_format:
            date_format = '%Y年'
        else:
            if date_format == "" or date_format is None:
                data['date'] = pd.to_datetime(data['date'])
            else:
                data['date'] = pd.to_datetime(data['date'], format=date_format)
        
        data.set_index('date', inplace=True)
        
        # 标签编码：将文本字段转换为数值
        student_encoder = LabelEncoder()
        data['student'] = student_encoder.fit_transform(data['student'])
        subject_encoder = LabelEncoder()
        data['subject'] = subject_encoder.fit_transform(data['subject'])
        learningattitude_encoder = LabelEncoder()
        data['learningattitude'] = learningattitude_encoder.fit_transform(data['learningattitude'])
        
        # 只选择需要的列
        data = data[['student', 'subject', 'regulargrade', 'midtermresults', 'learningattitude', 'finalgrade']]
        
        # 归一化处理（为了 LSTM 的训练）
        scaler = MinMaxScaler(feature_range=(0, 1))
        scaled_data = scaler.fit_transform(data)
        
        # 设置时间步长
        time_step = int(len(data)/10)
        if time_step > 30: time_step = 30
        if time_step <= 0: time_step = 1
        
        X, y = create_dataset(scaled_data, time_step)
        
        # 划分训练集和测试集
        train_size = int(len(X) * 0.8)
        X_train, X_test = X[:train_size], X[train_size:]
        y_train, y_test = y[:train_size], y[train_size:]
        
        print(f'X_train shape: {X_train.shape}, y_train shape: {y_train.shape}')
        
        # 创建 LSTM 模型
        model = Sequential()
        model.add(LSTM(50, return_sequences=True, input_shape=(X_train.shape[1], X_train.shape[2])))
        model.add(Dropout(0.2)) # 防止过拟合
        model.add(LSTM(50, return_sequences=False))
        model.add(Dropout(0.2))
        model.add(Dense(len(data.columns), activation='relu'))
        
        # 编译模型
        model.compile(optimizer='adam', loss='mean_squared_error')
        
        # 训练模型
        model.fit(X_train, y_train, epochs=100, batch_size=32, verbose=1)
        
        # 进行预测
        train_predict = model.predict(X_train)
        test_predict = model.predict(X_test)
        
        # 将预测结果反归一化
        train_predict = scaler.inverse_transform(train_predict)
        test_predict = scaler.inverse_transform(test_predict)
        
        # 绘制预测结果
        plt.rcParams['font.sans-serif'] = ['SimHei']
        plt.rcParams['axes.unicode_minus'] = False
        
        # 此处省略部分重复的绘图代码，实际项目中可封装为通用函数
        # ... (保留原代码中的绘图逻辑以生成可视化图片)
        
        # 准备未来 3 个月的输入数据
        last_data_days = scaled_data[-time_step:]
        future_predictions = []
        for _ in range(3):
            last_data_days = last_data_days.reshape((1, time_step, len(data.columns)))
            prediction = model.predict(last_data_days)
            future_predictions.append(prediction[0])
            last_data_days = np.append(last_data_days[:, 1:, :], [prediction], axis=1)
        
        future_predictions = scaler.inverse_transform(future_predictions)
        
        # 数据入库
        connection_string = f"mysql+pymysql://{mysql_config['user']}:{mysql_config['password']}@{mysql_config['host']}:{mysql_config['port']}/{mysql_config['database']}"
        engine = create_engine(connection_string)
        try:
            df.to_sql('learningdataforecast', con=engine, if_exists='append', index=False)
            print("数据更新成功！")
        except Exception as e:
            print(f"发生错误：{e}")
        finally:
            engine.dispose()
            
        return JsonResponse(msg, encoder=CustomJsonEncoder)

关键步骤解析

1. 数据清洗: 读取 SQL 后首先处理空值，并统一日期格式。这是保证模型质量的前提。
2. 特征工程: 使用 LabelEncoder 将学生 ID、科目等非数值信息转化为模型可理解的整数编码。
3. 归一化: LSTM 对输入数据的尺度敏感，必须使用 MinMaxScaler 将数据缩放到 0-1 之间。
4. 模型结构: 采用了双层 LSTM 结构，第一层返回序列以提取深层特征，第二层输出序列供全连接层处理。Dropout 层的加入有效抑制了过拟合。
5. 可视化: 训练完成后，自动生成预测曲线图，直观对比实际值与预测值的偏差。

系统测试与结论

软件测试环节覆盖了用户端与管理端的核心功能。重点验证了权限管理的严密性、数据监控的实时性以及预测结果的准确性。测试表明，系统在并发访问下保持稳定，数据流转无误。

在教育信息化背景下，该系统成功实现了从经验驱动向数据驱动的转型。通过 Python 与 Django 的高效结合，以及 LSTM 算法的深度应用，不仅减轻了教学管理负担，更为教师制定个性化教学方案提供了量化依据。后续可进一步引入更多维度的行为数据，提升预测模型的泛化能力。