高校信息系统中的数据挖掘与学生行为预警分析研究

发布时间：2021-12-28 19:33

　　随着高校信息化建设逐步加快,数字校园及智慧校园逐步成为高校科学管理校园的重要手段,应用于教学、科研、学生管理等领域,提高了管理质量和效率。高校里的各类应用系统经过多年的运行产生了大量数据,存储于各应用系统数据库中,这些数据仅在其独立领域里发挥局部作用。真正意义上的数字校园和智慧校园,应将独立的应用系统的信息资源进行整合、集成,以构成统一的资源管理,进而通过对有教学和科研价值的数据进行分析,挖掘出海量数据的隐藏特征,找出数据间的潜在联系,可以辅助教务人员及学生思想政治工作人员的教学管理和学生管理,甚至能改变传统教育模式、学习生活模式及管理模式。针对上述问题,选择高校学生在校的“食、行、住、习”产生的历史数据进行研究,从学生管理系统、校园一卡通系统、教务系统、门禁系统获取相关数据,采用聚类分析算法和关联分析算法,挖掘与分析出这些校园海量数据中的潜在联系,研究学生行为特点,分析学生行为规律,聚类出学生行为类别,建立学生行为特征模型,再用实验数据验证并提升模型的准确性,依托高校数字化校园平台,进而建立基于Spark并行处理的学生行为分析与预测分析平台。通过分析校园一卡通系统用户的消费规律与教务... 

【文章来源】：湖北民族大学湖北省

【文章页数】：75 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
        1.1.1 课题背景
        1.1.2 研究意义
    1.2 国内外研究现状
    1.3 本文研究目标及内容
        1.3.1 研究目标
        1.3.2 研究内容
    1.4 本文组织结构
第2章 相关技术理论概述
    2.1 数据挖掘概述
    2.2 聚类分析
        2.2.1 聚类分析概述
        2.2.2 聚类分析方法
        2.2.3 聚类分析算法要求
        2.2.4 聚类分析的过程
    2.3 关联规则
        2.3.1 关联规则概述
        2.3.2 Apriori算法概述
    2.4 本章小结
第3章 高校学生行为特征数据处理
    3.1 数据抽取
    3.2 数据预处理概述
    3.3 数据预处理方法
    3.4 学生行为特征数据的预处理
    3.5 学生行为特征数据预处理
        3.5.1 学生行为特征分析系统数据清洗
        3.5.2 学生行为特征分析系统数据集成
        3.5.3 学生行为特征分析系统数据变换
    3.6 建立学生行为特征评价指标
    3.7 本章小结
第4章 K-Means聚类算法研究
    4.1 传统K-Means聚类算法
        4.1.1 传统K-Means聚类算法流程
        4.1.2 K-Means算法优缺点
    4.2 基于信息熵与密度优化的K-Means聚类算法
        4.2.1 信息熵的概念
        4.2.2 优化算法思想
        4.2.3 优化算法属性权值计算方法
        4.2.4 优化算法初始聚类中心的选择方法
        4.2.5 优化算法描述
    4.3 算法优劣分析
        4.3.1 时间复杂度分析
        4.3.2 实验比较分析
    4.4 本章小结
第5章 基于Spark的学生行为预测预警平台实现
    5.1 主要问题
    5.2 系统整体设计
    5.3 学生行为特征预警模型建立
    5.4 平台架构实现
        5.4.1 基于Spark技术的并行化理论
        5.4.2 Spark分布式平台环境
        5.4.3 分布式平台搭建过程
    5.5 实验数据分析
        5.5.1 贫困生评定分析
        5.5.2 学优生评定分析
        5.5.3 学生行为特征预测预警分析
        5.5.4 高校网络舆情分析
    5.6 本章小结
第6章 总结与展望
    6.1 工作总结
    6.2 展望
参考文献
攻读硕士学位期间的研究成果
致谢


【参考文献】：
期刊论文
[1]基于Apriori算法的关联规则分析[J]. 王晓丽,奚克敏,刘占波,闫实.  软件. 2019(02)
[2]关联规则及Apriori算法的大学生行为分析研究[J]. 张华霞,李秋生,蒲蓬勃.  赣南师范大学学报. 2018(03)
[3]云计算及大数据技术在智慧校园中的应用研究[J]. 翁锦榕,吴礼裔,吴文浩.  中国新通信. 2018(08)
[4]互联网+背景下地方高校智慧校园建设研究[J]. 黄奕宇.  中国教育技术装备. 2018(04)
[5]高校本科生就餐数据挖掘分析[J]. 苏兆兆,栾静.  电脑知识与技术. 2018(05)
[6]大数据下数据预处理方法研究[J]. 孔钦,叶长青,孙赟.  计算机技术与发展. 2018(05)
[7]一种基于信息熵的数据预处理技术[J]. 阮祥超,万定生.  微电子学与计算机. 2018(02)
[8]智慧校园的融合发展与技术实现[J]. 刘邦奇,孙曙辉.  现代教育技术. 2018(01)
[9]基于数据挖掘的大学生课堂学习行为数据研究[J]. 刘艳,耿强,苗莉.  电子商务. 2017(11)
[10]关联规则在高校学业预警中的应用研究[J]. 朱东星,沈良忠.  电脑知识与技术. 2017(23)

硕士论文
[1]基于Spark平台的大数据聚类算法研究及其应用[D]. 刘磊.南京邮电大学 2018
[2]基于大数据挖掘的高校学生管理平台的研究与应用[D]. 武书舟.华北电力大学(北京) 2018
[3]基于校园大数据的学生行为分析与预测方法研究[D]. 梁柱.西安理工大学 2017
[4]基于Hadoop的校园卡数据挖掘的研究与实现[D]. 戴海辉.南昌航空大学 2017
[5]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
[6]基于大数据挖掘的高校学生行为数据分析系统的研究与开发[D]. 孙杨博.华北电力大学(北京) 2017
[7]校园一卡通数据分析平台研究与设计[D]. 刘灵松.山东师范大学 2015
[8]基于数据挖掘的互联网用户行为分析及应用研究[D]. 廖涵冰.天津大学 2014
[9]基于K-means算法的学生校园活动管理分析[D]. 夏青.苏州大学 2013
[10]基于一卡通数据的大学生消费分析的技术路线研究与实例分析[D]. 王文娟.大连医科大学 2013



本文编号：3554607