En el problema de la predicción unificada del rendimiento en el aula, existe un cierto retraso en la predicción, y también hay problemas como la escasez de datos y la presencia de una sola característica en los datos. Además, la ingeniería de características a menudo se realiza de forma manual en el modelado, lo que depende en gran medida del conocimiento profesional y la experiencia de los ingenieros y afecta la precisión de la predicción hasta cierto punto. Para resolver las brechas mencionadas anteriormente, propusimos un modelo de predicción de puntuación de cursos en línea con una alta eficiencia temporal que combina múltiples características. El modelo utiliza una red neuronal profunda, que puede llevar a cabo automáticamente la ingeniería de características y reducir la intervención de la ingeniería de características artificial, mejorando significativamente la eficiencia temporal. En segundo lugar, el modelo utiliza una máquina de factorización y dos tipos de redes neuronales para considerar la influencia de características de primer orden, características de segundo orden y características de orden superior al mismo tiempo, y aprende completamente la relación entre las características y las puntuaciones, lo que mejora el efecto de predicción del modelo en comparación con el aprendizaje de una sola característica. El rendimiento del modelo se evalúa en el conjunto de datos de análisis de aprendizaje desde el otoño de 2015 hasta la primavera de 2021 e incluye 412 cursos con 600 estudiantes. Los resultados experimentales muestran que el rendimiento del modelo de predicción basado en la combinación de características propuesta en el presente estudio es mejor que el del modelo de predicción de rendimiento anterior. Más importante aún, nuestro modelo tiene la mejor eficiencia temporal por debajo de 0.3 en comparación con los otros modelos.