基于校园大数据的学生异常行为分析及可视化

发布时间：2024-10-04 17:13

　　近年来,高校学生问题频繁发生,各类学生事件发人深省,已引起社会各界的高度关注。如何从基数大、活动广、个性强的校园学生群体中有效识别校园内潜在的、非常规的学生异常行为,已成为校园问题的研究重点。而校园大数据的有效存储、数据挖掘及可视化技术的快速发展,为本文利用学生生活数据进行异常行为的探索分析和可视化提供了新的解决思路。然而,现有学者对学生异常行为的挖掘多侧重于宏观性分析,而对学生异常行为检测及其可视分析的研究较少。基于此,本文基于北京市某高等学校学生行为数据,包括:消费数据、淋浴数据、充值数据、图书馆借阅数据、图书馆门禁数据、网络浏览数据等,提出一套学生异常行为探索、异常关联分析及可视化的方法,以自动检测校园内学生异常活动;并在此基础上,通过关联性度量异常个体间的群体关联性,来寻找校园内存在相似行为的学生群体。本文选定全校范围内的本科生样本进行实验,并向指定辅导人员获取先验异常学生群体信息,来验证论文实验结果的可靠性。本论文主要包括以下三方面的研究内容:(1)基于无监督聚类的学生异常个体检测。本文通过对校园学生生活行为进行特征提取及表示,利用聚类方式实现了基于生活行为的学生群体无监督分类...

【文章页数】：86 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
    1.2 国内外研究现状
        1.2.1 学生大数据规律挖掘现状分析
        1.2.2 学生异常行为检测分析
        1.2.3 学生大数据可视化分析
        1.2.4 小结
    1.3 本文主要研究工作与论文组织
        1.3.1 研究工作
        1.3.2 论文组织
第2章 基于无监督聚类的学生异常个体检测
    2.1 引言
    2.2 基于无监督聚类的学生异常个体检测
    2.3 校园大数据预处理及特征提取
        2.3.1 数据集
        2.3.2 数据预处理
        2.3.3 学生行为特征提取
    2.4 基于聚类的异常类提取
        2.4.1 异常行为聚类分析
        2.4.2 相对异常类判定
    2.5 基于局部异常因子的异常个体提取
    2.6 实验结果及分析
        2.6.1 聚类效果分析
        2.6.2 学生异常行为情况分析
    2.7 本章小结
第3章 基于模块度最优的学生群体关联分析
    3.1 引言
    3.2 基于模块度最优的学生关联分析方案
    3.3 学生个体相似性算子
        3.3.1 数据集
        3.3.2 移动模式相似性算子
        3.3.3 时空融合相似性算子
        3.3.4 特征规律相似性算子
    3.4 基于BGLL算法的异常群体关联分析
        3.4.1 学生群体模块度定义
        3.4.2 学生异常群体关联分析
    3.5 实验结果与分析
        3.5.1 相关性算子度量
        3.5.2 关联关系分析
    3.6 本章小结
第4章 学生异常行为可视化
    4.1 引言
    4.2 可视化系统
        4.2.1 可视化任务概述
        4.2.2 可视化系统设计
    4.3 学生特征描述可视化
        4.3.1 特征选择
        4.3.2 聚类效果分析
        4.3.3 特征可视化
    4.4 学生时空关联可视化
        4.4.1 弦连接关系图
        4.4.2 均匀连接关系图
    4.5 异常个体探索可视化
        4.5.1 异常因子可视化
        4.5.2 关联异常可视化
    4.6 案例分析
        4.6.1 社交关联异常
        4.6.2 行为特征异常
        4.6.3 异常个体关联检测
        4.6.4 异常群体关联检测
    4.7 本章小结
结论
参考文献
攻读硕士学位期间所取得的研究成果
致谢



本文编号：4006947