教育在我国一直处在重中之重的位置,伴随着人工智能的发展,远程教育呈现出蓬勃的发展之势。随着选择远程教育的学生增多,在线教育平台中产生了大量的日志信息。如何合理利用在线教育平台所产生的数据,提高远程教育平台的利用率,为远程教育平台安全可靠的运行提供理论基础,成为当前的研究热点。本文以在线学习平台中的日志信息作为基础,整理出平台中每小时的在线考试人数,对在线考试人数进行预测,以达到提高系统资源的利用率和提升考试服务质量的目标。如何提升人数预测的准确性就变得尤为重要。基于此,本文主要研究内容概括如下:首先,本文从在线学习平台的日志信息中,提取出在线考试人数的日志,并经过预处理整理出系统中每小时的实时考试人数数据,为后文的问题研究提供真实数据集。然后,对在线考试人数数据进行差分处理将其转换为平稳时间序列,同时使用SARIMA对其建模。接着使用残差检验的方式验证了建模的有效性,又采用了网格搜索算法对SARIMA中参数进行寻优。在真实数据集上对上述模型进行对比分析,实验结果表明SARIMA模型能够有效的对未来考试人数进行预测,但其对参数设置比较敏感且参数选择存在部分主观性从而会影响模型预测效果。其次,本文采用时间窗口技术将时间序列问题转化为有监督的回归问题,结合实际数据情况采用单层LSTM建模防止模型过于复杂而导致出现过拟合的问题。根据本文人数预测的实际情况,在输出层采用Relu激活函数以避免预测结果出现负值。通过实验验证的方式,对LSTM超参数进行调参从而最终确定LSTM模型,又在训练过程中采用“早停”技术防止因数据量过少出现模型过拟合的问题。实验结果与SARIMA模型相比,LSTM模型在测试集上的准确度提升了 35%。最后,结合在线学习平台中的场景,在线考试数据特点如下:产生的考试周期数量多,每个考试周期数据量较少,考试周期间的数据相关性较大。这些特点会导致在线考试人数预测中存在“冷启动”和训练数据量少的问题,本文分别设计了不同的迁移学习方案以解决上述问题。针对“冷启动”问题,本文采用预训练模型只训练最后的全连接层的方案提高模型准确度;针对训练数据量少的问题,本文采用预训练模型加载的方案降低模型误差。通过实验对比,采用迁移学习的LSTM模型与只采用对数据进行训练的LSTM模型相比,在测试集上分别有60%和18%的性能提升。综上,本文设计的方案有效的解决了在线考试人数预测的问题,对合理利用服务资源和提升服务水平具有实用指导意义。