基于校园无线数据的人员关联性分析和轨迹研究

发布时间：2022-02-12 12:23

　　近年来,互联网技术应用、基于位置的服务都在快速发展,高等教育的信息化进程也在不断向前推进,越来越多的高校开始使用无线网络来进行信息化教学管理。对于日益增多的校园Wi-Fi用户数据,通过对用户轨迹特征的分析研究,对在校用户进行关联性分析,有助于发掘其中蕴藏的规律,掌握在校人员的行为特征。基于这样的背景,本文通过对某高校Wi-Fi环境下在校用户行为数据的分析,研究了该校人员群体特征,并进行行为模式的数据挖掘模型构建,以分析校园Wi-Fi用户的关联性和人员轨迹特征,并且对在校人群进行聚类分析研究。本文首先分析并呈现了校园Wi-Fi环境下在校人员的地点分布情况、手机品牌、时段分布等特征。基于上述的统计分析工作,本文对在校人员mac地址信息进行分组整理,得到关联分析的mac地址数据集合。并对原始数据进行维度变换,对地点id进行分类。在特征提取工作后,得到在校人员关于地点类型的分布矩阵。并通过数据索引得到在校人员出行轨迹记录数据。对于得到的mac地址数据集,本文使用了基于频繁模式树的关联规则挖掘算法,实现了对于特定mac地址的快速关联分析,探究了人员关联度和人员轨迹相似性的关系,随后进行了人员轨迹... 

【文章来源】：华中科技大学湖北省211工程院校985工程院校教育部直属院校

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

数数据变换

华 中 科 技 大 学 硕 士 学 位 论 文来提高学习能力，从而达到在统计样本量较少的情况下，也可以获得较好统计规律的目的。2.5 系统整体框架设计与搭建本文主要对在校人员 WiFi 数据进行分析挖掘，数据采用 mac 感知设备采集的用户 mac 数据，校园地点 id、地点类型数据，校园地点 GPS 信息数据等多源数据来对在校人员行为进行分析。本节主要对在校人员分析系统的整体框架和流程进行图文描述，系统框架如图 2-2 所示：

图 3-13 在校人员手机品牌比例图图 3-13 中呈现的移动终端品牌比例图可以看出，该校人员使用华为、、小米以及三星的用户占绝大多数，说明这五款型号的移动设备的用户数他品牌手机的，这也从侧面反映出当今的手机市场热度分布。本章小结本章主要进行了两个部分的工作，校园感知 mac 数据的预处理以及后续数据呈现。预处理方面，首先进行了数据清洗工作，包括无效字段的处理以及不符合要求的 mac 数据集，过滤了全零 mac、出现天数低于设定的天数阈值的 在单一地点出现过的 mac 信息。在这之后，对过滤后的数据进行了数据

【参考文献】：
期刊论文
[1]基于社交关系的微博主题情感挖掘[J]. 黄发良,于戈,张继连,李超雄,元昌安,卢景丽.  软件学报. 2017(03)
[2]基于数据挖掘的学生选课及学习行为分析算法研究[J]. 姜永超.  现代电子技术. 2016(13)
[3]基于MapReduce的并行SFLA-FCM聚类算法[J]. 苟杰,马自堂.  计算机工程与应用. 2016(01)
[4]基于GPS轨迹的用户兴趣点及频繁路径挖掘研究[J]. 袁华,钱宇,杨锐.  系统工程理论与实践. 2015(05)
[5]基于MapReduce的文本层次聚类并行化[J]. 余晓山,吴扬扬.  计算机应用. 2014(06)
[6]FP-Growth算法在电子病历挖掘中的应用[J]. 罗衡郴,周晓辉.  大众科技. 2010(12)
[7]基于K-means聚类算法的校园网用户行为分析研究[J]. 丁青,周留根,朱爱兵,张义东.  微计算机应用. 2010(06)
[8]负载均衡的FP-growth并行算法研究[J]. 曾志勇,杨呈智,陶冶.  计算机工程与应用. 2010(04)
[9]移动对象子轨迹段分割与聚类算法[J]. 张延玲,刘金鹏,姜保庆.  计算机工程与应用. 2009(10)
[10]改进的ID3算法在客户流失预测中的应用[J]. 李贤鹏,何松华,赵孝敏,尹波.  计算机工程与应用. 2009(10)

硕士论文
[1]数据挖掘在校园卡消费行为分析中的研究与应用[D]. 王德才.哈尔滨工程大学 2010
[2]基于聚类分析的电信客户细分系统研究与设计[D]. 丁继承.哈尔滨工业大学 2006
[3]关联规则挖掘算法及其在Web挖掘上应用的研究[D]. 王永利.哈尔滨工程大学 2003



本文编号：3621711