在大数据信息时代,传统的学生行为管理日渐显露出干预不及时、治理模式“后置性”的弊端。如今将教育大数据应用在学生日常行为分析与监测中,管理者能够主动把握学生行为的特点与规律,并据此作出研究判断。随着高校信息管理系统(如学生卡系统)的发展,使人们收集和分析学生的行为数据变得更加容易和便捷,从这些行为模式中提取有用的特征有益于理解学生的学习过程,也是反映其在校学习方式和生活习惯的重要因素。同时,学生的成绩分析和预测是教育数据挖掘的一个重要研究方向,许多科研机构通过获取到的开源数据将机器学习技术应用到高校的课题项目中,不仅可以帮助老师通晓学生的学习近况,还有利于学生自身的阶段性发展,有个性化有针对性的提升学生的总体成绩。针对已有工作从预先存储的学生行为数据中手动提取统计特征,可能导致在预测学生成绩和发现学生问题方面存在滞后现象。由于这些手动提取的特征的表示能力有限,因此它们只能浅显地理解学生的行为。为了使预测过程具有及时性和自动性,本文重点研究基于学生在校园活动中产生的多种行为数据构建成绩预测模型,综合运用数据挖掘、深度学习技术将学生表现预测任务视为短期序列预测问题。本文的主要研究内容如下:首先,对目前学生成绩预测模型及有关数据挖掘技术的研究现状进行了分析与概括,并进一步对行为序列建模的具体算法进行了简略介绍,重点分析了支持向量机算法在校园行为数据挖掘中的精准分类及相关应用。其次,为了挖掘高校校园卡系统中数据的有效价值,通过数据预处理技术提取相关特征对校园刷卡行为进行分析,运用数理统计方法研究影响学生成绩排名的因素。再次,本文提出一种基于学生行为序列的特征建模方法,在综合考虑学生的行为意图、注意力的基础上,运用混合循环神经网络的序列学习技术实现对学生短期行为特征的精准训练,以期提高成绩分类预测效果。最后,在实验中,本文以某高校学生校园卡系统为例进行实证研究,在真实数据上检验了所提出混合算法的成效性。实验结果阐明,与传统的学生行为特征建模方法相比,基于深度学习的学生行为序列建模方法,通过结合注意力机制能够更加准确的捕捉学生的主要意图,进而取得最优的分类效果。