基于校园一卡通数据的大学生行为分析与预测研究
发布时间：2021-04-27 11:19
社会经济的飞速发展,高校智慧化管理越来越受到重视。时代在进步,同样我们高校管理也要跟着进步,才能更好的服务于学生。现在进入大数据时代,各行各业都会产生很多数据。学校无时无刻不形成各类信息,如一卡通日常消费记录、学生的家庭信息、个人基本信息等等。各类数据可折射出学生日常的生活情况。高校数据库随着时间的叠加,其数据越积越多,共同构成了庞大的大数据环境。基于此,非常有必要分析数据,深入挖掘数据的价值。本文主要运用聚类分析和大数据技术,结合在校期间学生所形成的各类信息为基础,基于学生学业、日常生活等各个维度刻画学生画像,分析学生行为,从而让管理者精准、全面的定位学生群体,并关注学生,为实现精细化管理奠定基础。主要研究内容如下:1、将大学在校生的各方面数据整理融合,并结合数据设计学生评价指标。基于聚类分析设计细分模型,优化k-means算法的初始聚类中心的选取和距离的计算,并提出了优化的k-means聚类算法,使聚类效果更好,将学生进行精确化分类。2、针对学生行为提醒的后置性和时效性问题,本文提出了基于学生行为类别的K近邻算法可预测学生行为,让辅导员和老师及时对学生进行管理与帮助。实现了学生行为...
【文章来源】：西华大学四川省
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景
1.2 研究目的
1.3 研究意义
1.4 国内外现状
1.5 研究内容
1.6 论文结构
2 大学生行为分析的基本实现原理和相关技术
2.1 大数据平台分析构建
2.2 数据采集
2.3 数据整合、预处理与存储
2.3.1 数据整合、预处理
2.3.2 数据存储
2.4 数据建模方法分析与设计
2.5 业务应用
2.6 相关技术
2.6.1 k-means聚类算法
2.6.2 k-medoids算法
2.6.3 Spark简介
2.7 本章小结
3 基于聚类分析的学生数据分析方法
3.1 学生数据分析需求
3.2 学生数据描述指标
3.3 优化的k-means算法
3.3.1 数据标准化和相似度计算
3.3.2 聚类效果评价准则
3.3.3 优化的k-means方法
3.4 实验结果分析
3.5 本章小结
4 学生行为预测
4.1 建立学生行为特征类别模型
4.2 学生行为预测方法分析
4.3 实验结果与分析
5 高校贫困生及异常行为判定
5.1 支持向量机理论
5.1.1 SVM基本原理
5.1.2 SVM核函数
5.2 高校贫困生判定
5.3 异常行为数据准备及特征提取
5.4 学生异常行为判定
5.5 实验结果及分析
5.6 Spark平台实现及分析
5.7 本章小结
6 总结与展望
6.1 工作总结
6.2 未来工作展望
参考文献
攻读硕士学位期间发表论文及科研成果
致谢
【参考文献】：
期刊论文
[1]基于Spark的并行关联规则挖掘算法研究综述[J]. 刘莉萍,章新友,牛晓录,郭永坤,丁亮. 计算机工程与应用. 2019(09)
[2]MySQL数据库理实一体化教学研究[J]. 张喻平. 学周刊. 2019(09)
[3]基于K-means和SVM的蓝牙室内定位算法[J]. 徐超蓝,高军礼,张小花,宋海涛. 传感器与微系统. 2019(02)
[4]常见数据预处理技术分析[J]. 周泉锡. 通讯世界. 2019(01)
[5]K近邻分类算法的应用研究[J]. 皮亚宸. 通讯世界. 2019(01)
[6]基于数据预处理技术的学生成绩预测模型研究[J]. 张麒增,戴翰波. 湖北大学学报(自然科学版). 2019(01)
[7]MySQL数据库性能优化研究[J]. 范开勇,陈宇收. 中国新通信. 2019(01)
[8]基于Spark平台的并行KNN异常检测算法[J]. 冯贵兰,周文刚. 计算机科学. 2018(S2)
[9]基于层次聚类的支持向量机分类算法[J]. 李兵,田元,赵明华,李剑波. 电子技术与软件工程. 2018(19)
[10]一种基于Yarn云计算平台与NMF的大数据聚类算法[J]. 冯新扬,沈建京. 信息网络安全. 2018(08)
硕士论文
[1]基于Spark的K-medoids聚类算法的研究[D]. 臧兆杰.大连大学 2018
[2]基于校园卡数据的学生行为分析研究[D]. 徐晶晶.河南师范大学 2018
[3]基于非负矩阵分解的聚类算法研究[D]. 詹明俊.华南理工大学 2018
[4]基于机器学习和大数据技术的高校学生行为分析[D]. 邓晗.北京邮电大学 2017
[5]基于Spark平台的局部离群值挖掘算法研究[D]. 包涵.吉林大学 2016
[6]基于Spark 云计算平台的改进K近邻算法研究[D]. 陈晓康.广东工业大学 2016
[7]K-means聚类方法的改进及其应用[D]. 李荟娆.东北农业大学 2014
[8]利用校园一卡通数据优化高校贫困生认定系统[D]. 陈建兵.电子科技大学 2012
本文编号：3163376
【文章来源】：西华大学四川省
【文章页数】：68 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景
1.2 研究目的
1.3 研究意义
1.4 国内外现状
1.5 研究内容
1.6 论文结构
2 大学生行为分析的基本实现原理和相关技术
2.1 大数据平台分析构建
2.2 数据采集
2.3 数据整合、预处理与存储
2.3.1 数据整合、预处理
2.3.2 数据存储
2.4 数据建模方法分析与设计
2.5 业务应用
2.6 相关技术
2.6.1 k-means聚类算法
2.6.2 k-medoids算法
2.6.3 Spark简介
2.7 本章小结
3 基于聚类分析的学生数据分析方法
3.1 学生数据分析需求
3.2 学生数据描述指标
3.3 优化的k-means算法
3.3.1 数据标准化和相似度计算
3.3.2 聚类效果评价准则
3.3.3 优化的k-means方法
3.4 实验结果分析
3.5 本章小结
4 学生行为预测
4.1 建立学生行为特征类别模型
4.2 学生行为预测方法分析
4.3 实验结果与分析
5 高校贫困生及异常行为判定
5.1 支持向量机理论
5.1.1 SVM基本原理
5.1.2 SVM核函数
5.2 高校贫困生判定
5.3 异常行为数据准备及特征提取
5.4 学生异常行为判定
5.5 实验结果及分析
5.6 Spark平台实现及分析
5.7 本章小结
6 总结与展望
6.1 工作总结
6.2 未来工作展望
参考文献
攻读硕士学位期间发表论文及科研成果
致谢
【参考文献】：
期刊论文
[1]基于Spark的并行关联规则挖掘算法研究综述[J]. 刘莉萍,章新友,牛晓录,郭永坤,丁亮. 计算机工程与应用. 2019(09)
[2]MySQL数据库理实一体化教学研究[J]. 张喻平. 学周刊. 2019(09)
[3]基于K-means和SVM的蓝牙室内定位算法[J]. 徐超蓝,高军礼,张小花,宋海涛. 传感器与微系统. 2019(02)
[4]常见数据预处理技术分析[J]. 周泉锡. 通讯世界. 2019(01)
[5]K近邻分类算法的应用研究[J]. 皮亚宸. 通讯世界. 2019(01)
[6]基于数据预处理技术的学生成绩预测模型研究[J]. 张麒增,戴翰波. 湖北大学学报(自然科学版). 2019(01)
[7]MySQL数据库性能优化研究[J]. 范开勇,陈宇收. 中国新通信. 2019(01)
[8]基于Spark平台的并行KNN异常检测算法[J]. 冯贵兰,周文刚. 计算机科学. 2018(S2)
[9]基于层次聚类的支持向量机分类算法[J]. 李兵,田元,赵明华,李剑波. 电子技术与软件工程. 2018(19)
[10]一种基于Yarn云计算平台与NMF的大数据聚类算法[J]. 冯新扬,沈建京. 信息网络安全. 2018(08)
硕士论文
[1]基于Spark的K-medoids聚类算法的研究[D]. 臧兆杰.大连大学 2018
[2]基于校园卡数据的学生行为分析研究[D]. 徐晶晶.河南师范大学 2018
[3]基于非负矩阵分解的聚类算法研究[D]. 詹明俊.华南理工大学 2018
[4]基于机器学习和大数据技术的高校学生行为分析[D]. 邓晗.北京邮电大学 2017
[5]基于Spark平台的局部离群值挖掘算法研究[D]. 包涵.吉林大学 2016
[6]基于Spark 云计算平台的改进K近邻算法研究[D]. 陈晓康.广东工业大学 2016
[7]K-means聚类方法的改进及其应用[D]. 李荟娆.东北农业大学 2014
[8]利用校园一卡通数据优化高校贫困生认定系统[D]. 陈建兵.电子科技大学 2012
本文编号：3163376
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3163376.html
