1.一种基于多特征建模和多层次评价的学习预警方法，其特征在于，包括：

获取各学生的当前课程的学习过程数据和历史表现数据，所述学习过程数据至少包括学生在当前课程各学习阶段中每次测试对应的答题记录数据，所述历史表现数据包括与学生的当前课程关联的相关课程的考核成绩数据；

基于所述学习过程数据应用深度知识追踪模型进行知识状态诊断，得到各所述学生的知识点掌握程度矩阵，组成所有学生的知识点掌握程度集合，所述知识点掌握程度矩阵表征所述学生对所述答题记录数据中各知识点的掌握程度；

根据所述知识点掌握程度集合和所述学习过程数据、所述历史表现数据进行学习过程特征分析，获取各学生的学习过程特征评价结果；

所述测试包括章节测试和自我测试，所述学习过程数据还包括所述学生在当前课程的各学习阶段的阶段测试成绩，所述根据所述知识点掌握程度集合和所述学习过程数据、所述历史表现数据进行学习过程特征分析，获取各学生的学习过程特征评价结果，包括：根据所述章节测试的答题记录数据和对应的所述知识点掌握程度矩阵，计算任一所述学生完成的章节测试数除以章节测试总数的百分比得到章节测试完成率，计算任一所述学生在完成的章节测试中答对的试题数除以试题总数的百分比得到章节测试平均正答率，计算任一所述学生对章节测试中考察的所有知识点的平均掌握程度得到章节测试知识点平均掌握程度，组合得到所有学生的学习效率特征评价结果，所述学习效率特征评价结果中，任一所述学生对应一个学习效率特征评价值；根据所述自我测试的答题记录数据和对应的所述知识点掌握程度矩阵，计算任一所述学生完成的自我测试的总数得到自我测试总次数，计算任一所述学生在完成的自我测试中答对的试题数除以试题总数的百分比得到自我测试正答率，计算任一所述学生对自我测试中考察的所有知识点的平均掌握程度得到自我测试知识点平均掌握程度，组合得到所有学生的学习自主性特征评价结果，所述学习自主性特征评价结果中，任一所述学生对应一个学习自主性特征评价值；根据所述答题记录数据获取任一所述学生的答题时长矩阵和知识状态矩阵，将所述答题时长矩阵和知识状态矩阵经过卷积神经网络和长短期记忆网络组成的特征提取器处理后，得到任一所述学生的内在学习状态特征评价值，组合得到所有学生的内在学习状态特征评价结果，其中，学生 的所述答题时长矩阵中的任一项 表示学生 作答第 次章节测试的第 道试题所耗费的时间，学生 的所述知识状态矩阵中的任一项 表示学生 对第 次章节测试涉及的知识点 的掌握程度；根据所述学生在当前课程的各学习阶段的阶段测试成绩和所述历史表现数据获取各所述学生的前序学习表现和总体学习表现，组合得到所有学生的历史学习表现特征评价结果，所述历史学习表现特征评价结果中，任一所述学生对应一个历史学习表现特征评价值，其中，所述前序学习表现和所述总体学习表现的取值为1 5之间的整数，整数~

1、2、3、4、5分别代表A、B、C、D、F五个等级；融合所述学习效率特征评价结果、学习自主性特征评价结果、内在学习状态特征评价结果和历史学习表现特征评价结果，得到各学生的学习过程特征评价结果；

根据所述学习过程特征评价结果进行学习表现预测，获取各学生的学习表现集合，具体包括：将所述学习过程特征评价结果输入梯度提升决策树分类器，通过所述梯度提升决策树分类器对各所述学生的学习表现进行分类，梯度提升决策树分类器返回各所述学生在下一学习阶段的当前学习表现预测结果，所述当前学习表现预测结果表示为1 5之间的整~数，整数1、2、3、4、5分别代表A、B、C、D、F五个等级，所述等级A、B、C、D、F分别表示优、良、中、及格、不及格；获取各学生的历史学习表现特征评价结果，得到各学生对应的学习表现集合，所述学习表现集合包括当前学习表现预测结果和历史学习表现特征评价结果；

基于所述学习表现集合进行学习预警分析，获取各学生的学习预警程度；

将各学生的所述学习表现集合和所述学习预警程度反馈至各学生及教师。

2.如权利要求1所述的基于多特征建模和多层次评价的学习预警方法，其特征在于，所述基于所述学习过程数据应用深度知识追踪模型进行知识状态诊断，得到各所述学生的知识点掌握程度矩阵，包括：针对任一学生，根据预存的当前课程的试题与知识点关联信息，构建试题知识点关联矩阵；

基于所述试题知识点关联矩阵和学生的所述答题记录数据构建学生的第一答题序列，所述第一答题序列包括学生编号、测试编号、试题编号、知识点编号及答题正误结果；

将存在缺失值或异常值的所述第一答题序列删除，将包含多个知识点的所述第一答题序列转化为多条只包含单个知识点的第二答题序列；

使用独热编码将只包含单个知识点的所述第一答题序列和所述第二答题序列转换为

固定长度的0‑1编码形式的向量，并输入到长短期记忆网络中，输出所述学生的知识点掌握程度信息；

将所述学生对各知识点的知识点掌握程度信息组合形成所述学生的知识点掌握程度

矩阵。

3.如权利要求2所述的基于多特征建模和多层次评价的学习预警方法，其特征在于，所述根据所述学生在当前课程的各学习阶段的阶段测试成绩和所述历史表现数据获取各所述学生的前序学习表现和总体学习表现，包括：针对任一学生，根据预设的分数区间与排名区间划分规则，确定所述学生最近一次的所述阶段测试成绩所处的分数区间和排名区间，根据预设的第一权重系数和所述分数区间、所述排名区间计算所述学生的前序学习表现；

确定所述学生当前所处的学习阶段，如果所述学生所处的当前学习阶段为当前课程的第一学习阶段，则根据预设的分数区间与排名区间划分规则计算所有所述考核成绩数据的平均值所处的分数区间和排名区间，根据预设的第二权重系数和所述分数区间、所述排名区间计算所述学生的总体学习表现，如果所述学生所处的当前学习阶段为当前课程第一学习阶段之后的任一学习阶段，则根据预设的分数区间与排名区间划分规则计算所述学生完成的所有所述阶段测试成绩的平均值所处的分数区间和排名区间，根据预设的第三权重系数和所述分数区间、所述排名区间计算所述学生的总体学习表现。

4.如权利要求2所述的基于多特征建模和多层次评价的学习预警方法，其特征在于，所述基于所述学习表现集合进行学习预警分析，获取各学生的学习预警程度，包括；针对任一学生，获取所述学生的所述当前学习表现预测结果、所述前序学习表现和所述总体学习表

现；

计算所述当前学习表现预测结果减去所述前序学习表现的差值得到学生的学习表现

跨度；

根据所述当前学习表现预测结果、所述总体学习表现、所述学习表现跨度和预设的学习预警规则确定所述学生的预警程度。

5.如权利要求4所述的基于多特征建模和多层次评价的学习预警方法，其特征在于，所述根据所述当前学习表现预测结果、所述总体学习表现、所述学习表现跨度和预设的学习预警规则确定所述学生的预警程度，包括：如果所述当前学习表现预测结果为A或B且所述学习表现跨度小于0，则确定预警程度为最佳状态；

如果所述当前学习表现预测结果为A或B且所述学习表现跨度等于0，则确定预警程度为正常状态；

如果所述当前学习表现预测结果为B且所述学习表现跨度等于1，则确定预警程度为轻度预警；

如果所述当前学习表现预测结果为C或D，则结合所述总体学习表现和所述学习表现跨度进行预警分析；

所述当前学习表现预测结果为F时，如果所述总体学习表现的等级为F，则确定预警程度为中度预警；否则确定预警程度为重度预警。

6.如权利要求5所述的基于多特征建模和多层次评价的学习预警方法，其特征在于，所述结合所述总体学习表现和所述学习表现跨度进行预警分析，包括：如果所述总体学习表现为A/B且所述学习表现跨度大于等于1，则确定预警程度为中度预警；

如果所述总体学习表现为A/B且所述学习表现跨度等于0，则确定预警程度为轻度预

警；

如果所述总体学习表现的等级为A/B且所述学习表现跨度小于0，则确定预警程度为正常状态；

如果所述总体学习表现的等级为C/D/F且所述学习表现跨度大于等于2，则确定预警程度为中度预警；

如果所述总体学习表现的等级为C/D/F且所述学习表现跨度等于1，则确定预警程度为轻度预警；

如果所述总体学习表现的等级为C/D/F且所述学习表现跨度等于0，则确定预警程度为正常状态；

如果所述总体学习表现的等级为C/D/F且所述学习表现跨度小于0，则确定预警程度为最佳状态。

7.一种基于多特征建模和多层次评价的学习预警装置，其特征在于，包括：

数据获取模块，用于获取各学生的当前课程的学习过程数据和历史表现数据，所述学习过程数据至少包括学生在当前课程各学习阶段中每次测试对应的答题记录数据，所述历史表现数据包括与学生的当前课程关联的相关课程的考核成绩数据；

知识状态诊断模块，用于基于所述学习过程数据应用深度知识追踪模型进行知识状态诊断，得到各所述学生的知识点掌握程度矩阵，组成所有学生的知识点掌握程度集合，所述知识点掌握程度矩阵表征所述学生对所述答题记录数据中各知识点的掌握程度；

学习过程特征分析模块，用于根据所述知识点掌握程度集合和所述学习过程数据、所述历史表现数据进行学习过程特征分析，获取各学生的学习过程特征评价结果；所述测试包括章节测试和自我测试，所述学习过程数据还包括所述学生在当前课程的各学习阶段的阶段测试成绩，所述根据所述知识点掌握程度集合和所述学习过程数据、所述历史表现数据进行学习过程特征分析，获取各学生的学习过程特征评价结果，包括：根据所述章节测试的答题记录数据和对应的所述知识点掌握程度矩阵，计算任一所述学生完成的章节测试数除以章节测试总数的百分比得到章节测试完成率，计算任一所述学生在完成的章节测试中答对的试题数除以试题总数的百分比得到章节测试平均正答率，计算任一所述学生对章节测试中考察的所有知识点的平均掌握程度得到章节测试知识点平均掌握程度，组合得到所有学生的学习效率特征评价结果，所述学习效率特征评价结果中，任一所述学生对应一个学习效率特征评价值；根据所述自我测试的答题记录数据和对应的所述知识点掌握程度矩阵，计算任一所述学生完成的自我测试的总数得到自我测试总次数，计算任一所述学生在完成的自我测试中答对的试题数除以试题总数的百分比得到自我测试正答率，计算任一所述学生对自我测试中考察的所有知识点的平均掌握程度得到自我测试知识点平均掌握程度，组合得到所有学生的学习自主性特征评价结果，所述学习自主性特征评价结果中，任一所述学生对应一个学习自主性特征评价值；根据所述答题记录数据获取任一所述学生的答题时长矩阵和知识状态矩阵，将所述答题时长矩阵和知识状态矩阵经过卷积神经网络和长短期记忆网络组成的特征提取器处理后，得到任一所述学生的内在学习状态特征评价值，组合得到所有学生的内在学习状态特征评价结果，其中，学生 的所述答题时长矩阵中的任一项 表示学生 作答第 次章节测试的第 道试题所耗费的时间，学生 的所述知识状态矩阵中的任一项 表示学生 对第 次章节测试涉及的知识点 的掌握程度；根据所述学生在当前课程的各学习阶段的阶段测试成绩和所述历史表现数据获取各所述学生的前序学习表现和总体学习表现，组合得到所有学生的历史学习表现特征评价结果，所述历史学习表现特征评价结果中，任一所述学生对应一个历史学习表现特征评价值，其中，所述前序学习表现和所述总体学习表现的取值为1 5之间的整数，整数1、2、3、4、5分别代表A、B、~C、D、F五个等级；融合所述学习效率特征评价结果、学习自主性特征评价结果、内在学习状态特征评价结果和历史学习表现特征评价结果，得到各学生的学习过程特征评价结果；

学习表现预测模块，用于根据所述学习过程特征评价结果进行学习表现预测，获取各学生的学习表现集合，具体包括：将所述学习过程特征评价结果输入梯度提升决策树分类器，通过所述梯度提升决策树分类器对各所述学生的学习表现进行分类，梯度提升决策树分类器返回各所述学生在下一学习阶段的当前学习表现预测结果，所述当前学习表现预测结果表示为1 5之间的整数，整数1、2、3、4、5分别代表A、B、C、D、F五个等级，所述等级A、B、C、~D、F分别表示优、良、中、及格、不及格；获取各学生的历史学习表现特征评价结果，得到各学生对应的学习表现集合，所述学习表现集合包括当前学习表现预测结果和历史学习表现特征评价结果；

学习预警分析模块，用于基于所述学习表现集合进行学习预警分析，获取各学生的学习预警程度；

学习预警反馈模块，用于将各学生的所述学习表现集合和所述学习预警程度反馈至各学生及教师。

8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑6中任一项所述的基于多特征建模和多层次评价的学习预警方法。