[发明专利]一种基于大数据分析的困难学生认定及预警方法及系统

权利要求书

1.一种基于大数据分析的困难学生认定及预警方法，其特征是：包括如下步骤：

S1.采集学生的综合数据，获得学生的校内系统数据和社交网络的公开数据；

S2.对步骤S1中采集的数据进行清洗，得到清洗后的数据，并简化对数据的转换运算，然后整合形成该学生的信息结构表；

S3.将数据存储于特定位置，将该学生的信息结构表中的数据存入相应数据节点，并在所创建的特定文件夹中保存，对学生数据进行一一对应的存储；

S4.对数据进行筛选，选取不同指标作为数据中心进行数据分离；

S5.进行数据挖掘，构建数据挖掘模型，分离出经济类数据集，对学生的经济状况进行判断分类；

S6.建立预警模型，根据不同学生的经济状态进行模型分类，触发分类预警；

步骤S4包括如下步骤：

S41.设定学生的信息结构表M中所有对象的平均距离为

其中x_i为学生的基本信息和第i条校园生活记录数据，x_j为第j条平均校园卡消费数据，线性规划出所有对象的平均距离；

再对学生的信息结构表M中所有对象设立平均密度：

以平均校园卡消费数据x_j作为聚类中心，设定聚类类别为两类：经济类数据、非经济类数据，利用各类数据与聚类中心的欧式距离，再结合平方准则误差函数分离出两类数据，

其中欧式距离为：

d(X_i，X_j)＝[(X_i1-X_j1)²+(X_i2-X_j2)²+…]    (3)

平方准则误差函数为

步骤S5包括如下步骤：

S51.建立模糊数学模式识别模型，将高校学生经济分为四种类型，得到A良好型、B正常型、C困难型和D特别困难型；

S52.根据模糊数学识别模型以及经济类数据集确定学生隶属度等级：

F＝N×k×L   (5)

k＝(k₁ k₂……k_n)  (6)

N＝(N₁ N₂……N_n)  (7)

其中F为隶属度最终判别函数，k为n个影响因子的对应权重，N为经济类数据集中n个影响因子，L矩阵各个因子隶属于A、B、C、D四种分类等级，不同因子隶属度计算公式为：

S53.再根据择近原则判断归属模式A、B、C、D，取样本集良好型SA、正常型SB、困难型SC、特别困难型SD作为样本代表，从而让所有的学生都归类于A、B、C、D这四种类型，并且确保学生不同时归属于两个或者更多的类别；

S54.利用择近原则以及模糊集格贴近度公式进行学生经济异常等级隶属度判断：

设A’_i,B’∈F(U),i'＝1,2,···,n₂，若存在i'₀，使：

P(A’i',B’)＝max{P(A’₁,B’),P(A’₂,B’),···,P(A’n₂,B’)}   (10)

其中，P(A’i',B’)为B’与A’i'的贴近度，则认为B’与A’i'₀最接近，即判定B’与A’i'₀为一类，

现给出模糊集合贴近度公式为：

其中：A’⊙B’＝∨_u∈U(A’(u)∧B’(u))为模糊集A’、B’的内积；

其中：为模糊集A’、B’的外积；

S55.判断出该学生属于哪一种经济状态，从而触发步骤S6中的某种预警模型。

2.根据权利要求1所述的一种基于大数据分析的困难学生认定及预警方法,其特征是：步骤S1包括如下步骤：

S11.获取学生在校的数据和社交网络的公开数据；

S12.提取学生的基本信息、成绩信息、考勤信息、家庭收入信息、消费信息和社交信息。