CN108242035A - 一种基于大数据的校园安全监测方法及系统 - Google Patents
一种基于大数据的校园安全监测方法及系统 Download PDFInfo
- Publication number
- CN108242035A CN108242035A CN201810024096.3A CN201810024096A CN108242035A CN 108242035 A CN108242035 A CN 108242035A CN 201810024096 A CN201810024096 A CN 201810024096A CN 108242035 A CN108242035 A CN 108242035A
- Authority
- CN
- China
- Prior art keywords
- data
- information
- campus
- students
- security incident
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 238000004458 analytical method Methods 0.000 claims description 34
- 230000000694 effects Effects 0.000 claims description 12
- 230000005764 inhibitory process Effects 0.000 claims description 10
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 5
- 230000002123 temporal effect Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000012098 association analyses Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 208000037063 Thinness Diseases 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 206010048828 underweight Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Educational Technology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种基于大数据的校园安全监测方法,其特征在于，包括以下步骤：采集校园数据；对校园数据进行分析处理得到学生行为模型；将学生行为模型与参照模型进行对比分析并输出评估结果。本发明实现对在校学生的安全监测，监测内容包括：活动轨迹、课堂表现、作息习惯、消费习惯等，通过数据分析及时发现异常情况，提高了校园的安全性，提高了学校的管理效率。
Description
技术领域
本发明涉及一种信息处理系统具体涉及一种基于大数据的校园安全监测方法及系统。
背景技术
随着社会经济及科技的迅速发展，学生在学校学习与生活的多样化，校园安全问题越来越成为学校管理的重点及难点。学生在校的安全包括：心里安全、身体安全、学业安全、消费安全、交通安全、住宿安全、设施安全、消防安全、活动安全、环境安全等内容。校园已逐步形成一个生态圈，高校安全管理工作中存在着种种难点。
目前由于校园各系统基本采用“烟囱式”建设和发展模式，各系统间未实现数据互联互通，对于校园安全的预防和处置存在以下缺陷：（1）、数据孤岛：各系统独立运行，数据自生产自消费；（2）、没有统一的数据标识和标准；（3）、各系统间数据难以实现关联分析。
现有技术无法对校园运行过程中的数据进行关联分析，通过数据挖掘来指导学校工作，通过数据挖掘来及时发现风险。
因此，需要提出一种能实现各系统间数据互联互通和进行个系统间数据关联分析的方法和系统，实现学生在校的安全监测与防范。
发明内容
为了解决上述问题，本发明提出一种基于大数据的校园安全监测方法,其特征在于，包括以下步骤：
采集校园数据；
对校园数据进行分析处理得到学生行为模型；
将学生行为模型与参照模型进行对比分析并输出评估结果。
进一步的，所述采集校园数据采用的数据接口类型包括：数据库接口、文件接口、WEBService接口和SDK接口中的一种或几种；
所述校园数据包括：学生基础信息、学籍信息、课程安排信息、考试成绩信息、奖惩信息、参加活动信息、一卡通消费信息、门禁数据信息和摄像头影像信息中的一种或几种。
进一步的，对校园数据进行分析处理得到学生行为模型包括：
对校园数据进行关联分析、聚类分析、趋势分析、排行分析和/或数据汇总分析，并建立学生行为模型。
进一步的，所述参照模型由操作人员预先设定。
进一步的，所述将学生行为模型与参照模型进行对比分析并输出评估结果包括：
设定学生行为模型与参照模型之间的容错度，若学生行为模型与参照模型差别超过容错度则判定出现安全事件；
对操作人员进行身份鉴权，若操作人员非授权人员则锁定人机交互界面并发出警报；
通过列表动态更新方式向操作人员展示安全事件；
对不同类型的安全事件进行数量统计并向操作人员展示统计结果；
对异常信息进行定期巡检；
记录安全事件详细信息包括：时间信息或/和地点信息或/和安全事件类型信息或/和人员姓名信息或/和安全事件详细描述信息，并向操作人员展示安全事件详细信息。
进一步的，将学生行为模型与参照模型进行对比分析并输出评估结果，还包括步骤
将安全事件详细信息发送至安全事件学生指定联系人。
进一步的，所述学生行为模型与参照模型之间的容错度参照学生考试成绩信息或/和体检信息进行设定。
进一步的，采集校园数据包括：
定时数据采集、文件数据采集、数据库库表同步、冗余数据过滤、关键字标识和关联属性标识中的一种或几种。
进一步的，所述安全事件包括：
活动轨迹异常、课堂表现异常、学习成绩异常、消费行为异常和作息习惯异常中的一种或几种。
为了保证上述方法的实施，本发明还提供一种基于大数据的校园安全监测系统,其特征在于，包括以下模块：
采集模块，用于采集校园数据；
行为模型建立模块，用于对校园数据进行分析处理得到学生行为模型；
分析模块，用于将学生行为模型与参照模型进行对比分析并输出评估结果。
进一步的，所述采集模块的数据接口类型包括：数据库接口、文件接口、WEBService接口SDK接口中的一种或几种；
所述校园数据包括：学生基础信息、学籍信息、课程安排信息、考试成绩信息、奖惩信息、参加活动信息、一卡通消费信息、门禁数据信息和摄像头影像信息中的一种或几种；
行为模型建立模块对校园数据进行关联分析、聚类分析、趋势分析、排行分析或/和数据汇总分析，并建立学生行为模型；
行为模型建立模块中参照模型由操作人员预先设定；
所述分析模块设定学生行为模型与参照模型之间的容错度，若学生行为模型与参照模型差别超过容错度则判定出现安全事件；
对操作人员进行身份鉴权，若操作人员非授权人员则锁定人机交互界面并发出警报；
通过列表动态更新方式向操作人员展示安全事件；
对不同类型的安全事件进行数量统计并向操作人员展示统计结果；
对异常信息进行定期巡检；
记录安全事件详细信息包括：时间信息、地点信息、安全事件类型信息、人员姓名信息或/和安全事件详细描述信息，并向操作人员展示安全事件详细信息；
所述分析模块将安全事件详细信息发送至安全事件学生指定联系人；
所述分析模块将所述学生行为模型与参照模型之间的容错度参照学生考试成绩信息或/和体检信息进行设定；
采集模块定时数据采集、文件数据采集、数据库库表同步、冗余数据过滤、关键字标识或/和关联属性标识；
所述安全事件包括：活动轨迹异常、课堂表现异常、学习成绩异常、消费行为异常、作息习惯异常。
本发明的有益效果是：
本发明实现对在校学生的安全监测，监测内容包括：活动轨迹、课堂表现、作息习惯、消费习惯等，通过数据分析及时发现异常情况，提高了校园的安全性，提高了学校的管理效率。
附图说明
图1为本发明一种基于大数据的校园安全监测方法流程图。
图2为本发明一种基于大数据的校园安全监测系统结构图。
图3为本发明一种基于大数据的校园安全监测方法学生轨迹参照模型示意图。
图4为本发明一种基于大数据的校园安全监测方法学生轨迹异常情况示意图。
图5为本发明一种基于大数据的校园安全监测方法架构示意图。
具体实施方式
本发明解决背景问题技术问题的思路之一是：
通过采集校园内各系统数据（包括：学生基础信息、学籍信息、课程安排、考试成绩、奖惩信息、参加活动、一卡通消费、门禁数据、摄像头影像等数据），对各采集到的数据进行集中存储、统一标识处理、冗余数据过滤、关联属性加载并存储至数据仓库，通过定时执行各类已定义的大数据处理算法（包括：数据关联分析、聚类分析、趋势分析、TOP排行等数据分析方法），实现对在校学生的安全监测，监测内容包括：活动轨迹、课堂表现、作息习惯、消费习惯等，通过上述安全监测方法实施与执行显著提升学生在校的安全保障。
如图1所示，本发明提出一种基于大数据的校园安全监测方法包括以下步骤：
采集校园数据；
对校园数据进行分析处理得到学生行为模型；
将学生行为模型与参照模型进行对比分析并输出评估结果。
所述采集校园数据采用的数据接口类型包括：数据库接口或/和文件接口或/和WEBService接口或/和SDK接口;
目前校园管理中，安防系统、学生成绩管理系统、门禁系统等都已经非常成熟稳定且成本较低，直接通过通用数据接口调取相关数据，可以利用现有设备降低成本并提高系统稳定性。
所述校园数据包括：学生基础信息或/和学籍信息或/和课程安排信息或/和考试成绩信息或/和奖惩信息或/和参加活动信息或/和一卡通消费信息或/和门禁数据信息或/和摄像头影像信息。
进一步的，对校园数据进行分析处理得到学生行为模型具体为：
对校园数据进行关联分析或/和聚类分析或/和趋势分析或/和排行分析或/和数据汇总分析并建立学生行为模型。
关联分析可以将用户相互影响的数据进行关联，在本实施例中将学生的去食堂的频次数据、学生的体重、学生的学习成绩、学生参加活动的时间四个有相互影响的数据进行关联并建立学生行为模型。
进一步的，所述参照模型由操作人员预先设定。
参照模型由经验丰富的学校管理人员进行设定，依据一个学生的正常行为下应该产生的数据进行设定。
进一步的，所述将学生行为模型与参照模型进行对比分析并输出评估结果包括：
设定学生行为模型与参照模型之间的容错度，若学生行为模型与参照模型差别超过容错度则判定出现安全事件；
在本实施例中设定学生进出食堂都触发食堂门禁并产生门禁数据，参照模型设定一个体重信息正常的学生一天触发食堂门禁的次数为6设置容错值为2，当学生触发食堂门禁次数超过8时判断出现安全事件。
对操作人员进行身份鉴权，若操作人员非授权人员则锁定人机交互界面并发出警报；
本方法执行会产生大量敏感信息，通过对操作人员进行身份鉴权避免了敏感信息泄露提高了系统的安全性。
通过列表动态更新方式向操作人员展示安全事件；
对不同类型的安全事件进行数量统计并向操作人员展示统计结果；
将不同类型安全事件向操作人员进行展示统计提高了学校的管理效率。
对异常信息进行定期巡检；
记录安全事件详细信息包括：时间信息或/和地点信息或/和安全事件类型信息或/和人员姓名信息或/和安全事件详细描述信息，并向操作人员展示安全事件详细信息。
将详细信息发送给操作人员有利于操作人员依据相关信息作出学校管理决策。
进一步的，将学生行为模型与参照模型进行对比分析并输出评估结果，还包括步骤
将安全事件详细信息发送至安全事件学生指定联系人。
在本实施例中一旦判定学生触发安全事件，则立刻将安全事件详细信息通过微信，邮件，短信等方式发送至学生的家长，方便家长实时了解自己子女的情况，同时只有在触发安全事件才联系家长，不会过分分担家长的精力。
进一步的，所述学生行为模型与参照模型之间的容错度参照学生考试成绩信息或/和体检信息进行设定。
在本实施例中利用学生成绩排名来设置容错度，若学生排名成绩排名靠前则设置容错值较大，若成绩排名靠后则设置容错值较小，加强对成绩差同学的管理，同时让成绩优秀的同学能自由安排自己的活动，获取更大的成长空间。
在本实施例中参照模型通过调用监控资料设定参照模型中学生的课外活动时间为60分钟，则可以设定成绩排名前10的同学容错值为60分钟，成绩排名后10的同学容错度为10分钟，督促成绩较差的学生回教室学习，并给成绩较好的学生更多的活动时间。
类似的还可以将学生的体重值与学生去食堂的次数进行关联，限制体重超重的学生去食堂的次数，鼓励体重过轻的学生多去食堂进食。
进一步的，采集校园数据包括：
定时数据采集或/和文件数据采集或/和数据库库表同步或/和冗余数据过滤或/和关键字标识或/和关联属性标识。
通过对原始数据进行分析处理，减少了存储空间并提高了系统运行的准确性。
进一步的，所述安全事件包括：
活动轨迹异常或/和课堂表现异常或/和学习成绩异常或/和消费行为异常或/和作息习惯异常。
通过对安全事件进行归类，方便学校给管理员和学生家长系统直观全面的了解学生在学校的情况。
在本实施例中通过学生在学校运行轨迹来判断是否触发安全事件，分析学生正常活动轨迹和异常活动轨迹的对比，如图所示依据“正常轨迹”在校出入宿舍、教室、餐厅的频次设定学生轨迹的参照模型，当监控数据显示学生去“异常轨迹”学生大部门活动轨迹出现在宿舍和餐厅之间，且超过容错值，去教室和图书馆的频次较少，可以判定为“学生在校活动轨迹异常”，发生安全事件，校方相关负责人根据分析得出的该异常情况对该学生进行针对行辅导，同时及时将相关信息发送至学生家长处，方便学生家长了解自己子女在学校的情况。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种基于大数据的校园安全监测方法,其特征在于，包括以下步骤：
采集校园数据；
对校园数据进行分析处理得到学生行为模型；
将学生行为模型与参照模型进行对比分析并输出评估结果。
2.如权利要求1所述的一种基于大数据的校园安全监测方法,其特征在于，
所述采集校园数据采用的数据接口类型包括：数据库接口、文件接口、WEBService接口和SDK接口中的一种或几种；
所述校园数据包括：学生基础信息、学籍信息、课程安排信息、考试成绩信息、奖惩信息、参加活动信息、一卡通消费信息、门禁数据信息和摄像头影像信息中的一种或几种。
3.如权利要求1所述的一种基于大数据的校园安全监测方法,其特征在于，对校园数据进行分析处理得到学生行为模型包括：
对校园数据进行关联分析、聚类分析、趋势分析、排行分析和/或数据汇总分析，并建立学生行为模型；
所述参照模型由操作人员预先设定。
4.如权利要求1所述的一种基于大数据的校园安全监测方法,其特征在于，所述将学生行为模型与参照模型进行对比分析并输出评估结果包括：
设定学生行为模型与参照模型之间的容错度，若学生行为模型与参照模型差别超过容错度则判定出现安全事件；
对操作人员进行身份鉴权，若操作人员非授权人员则锁定人机交互界面并发出警报；
通过列表动态更新方式向操作人员展示安全事件；
对不同类型的安全事件进行数量统计并向操作人员展示统计结果；
对异常信息进行定期巡检；
记录安全事件详细信息包括：时间信息或/和地点信息或/和安全事件类型信息或/和人员姓名信息或/和安全事件详细描述信息，并向操作人员展示安全事件详细信息。
5.如权利要求1所述的一种基于大数据的校园安全监测方法,其特征在于，将学生行为模型与参照模型进行对比分析并输出评估结果，还包括步骤
将安全事件详细信息发送至安全事件学生指定联系人。
6.如权利要求3所述的一种基于大数据的校园安全监测方法,其特征在于，所述学生行为模型与参照模型之间的容错度参照学生考试成绩信息或/和体检信息进行设定。
7.如权利要求1所述的一种基于大数据的校园安全监测方法,其特征在于，采集校园数据包括：
定时数据采集、文件数据采集、数据库库表同步、冗余数据过滤、关键字标识和关联属性标识中的一种或几种。
8.如权利要求4-7中任意一项所述的一种基于大数据的校园安全监测方法,其特征在于，安全事件包括：
活动轨迹异常、课堂表现异常、学习成绩异常、消费行为异常和作息习惯异常中的一种或几种。
9.一种基于大数据的校园安全监测系统,其特征在于，包括以下模块：
采集模块，用于采集校园数据；
行为模型建立模块，用于对校园数据进行分析处理得到学生行为模型；
分析模块，用于将学生行为模型与参照模型进行对比分析并输出评估结果。
10.如权利要求9所述的一种基于大数据的校园安全监测系统，其特征在于，
所述采集模块的数据接口类型包括：数据库接口、文件接口、WEBService接口SDK接口中的一种或几种；
所述校园数据包括：学生基础信息、学籍信息、课程安排信息、考试成绩信息、奖惩信息、参加活动信息、一卡通消费信息、门禁数据信息和摄像头影像信息中的一种或几种；
行为模型建立模块对校园数据进行关联分析、聚类分析、趋势分析、排行分析或/和数据汇总分析，并建立学生行为模型；
行为模型建立模块中参照模型由操作人员预先设定；
所述分析模块设定学生行为模型与参照模型之间的容错度，若学生行为模型与参照模型差别超过容错度则判定出现安全事件；
对操作人员进行身份鉴权，若操作人员非授权人员则锁定人机交互界面并发出警报；
通过列表动态更新方式向操作人员展示安全事件；
对不同类型的安全事件进行数量统计并向操作人员展示统计结果；
对异常信息进行定期巡检；
记录安全事件详细信息包括：时间信息、地点信息、安全事件类型信息、人员姓名信息或/和安全事件详细描述信息，并向操作人员展示安全事件详细信息；
所述分析模块将安全事件详细信息发送至安全事件学生指定联系人；
所述分析模块将所述学生行为模型与参照模型之间的容错度参照学生考试成绩信息或/和体检信息进行设定；
采集模块定时数据采集、文件数据采集、数据库库表同步、冗余数据过滤、关键字标识或/和关联属性标识；
所述安全事件包括：活动轨迹异常、课堂表现异常、学习成绩异常、消费行为异常、作息习惯异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810024096.3A CN108242035A (zh) | 2018-01-10 | 2018-01-10 | 一种基于大数据的校园安全监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810024096.3A CN108242035A (zh) | 2018-01-10 | 2018-01-10 | 一种基于大数据的校园安全监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108242035A true CN108242035A (zh) | 2018-07-03 |
Family
ID=62699408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810024096.3A Pending CN108242035A (zh) | 2018-01-10 | 2018-01-10 | 一种基于大数据的校园安全监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108242035A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111223016A (zh) * | 2019-12-30 | 2020-06-02 | 南京零镜科技有限公司 | 一种学生在校情况判别方法及其系统 |
| CN111260314A (zh) * | 2020-01-10 | 2020-06-09 | 重庆跃途科技有限公司 | 智慧校园安全态势感知系统 |
| CN112001688A (zh) * | 2020-07-06 | 2020-11-27 | 重庆跃途科技有限公司 | 一种校园主数据管理方法及系统 |
| CN112132711A (zh) * | 2020-08-07 | 2020-12-25 | 上海有间建筑科技有限公司 | 一种应用于智慧校园的校园监护系统 |
| CN114445053A (zh) * | 2022-04-11 | 2022-05-06 | 江西水利职业学院(江西省水利水电学校、江西省灌溉排水发展中心、江西省水利工程技师学院） | 一种智慧校园数据处理方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150051041A (ko) * | 2013-11-01 | 2015-05-11 | 박굳건 | 실시간 교육환경 모니터링 시스템 |
| CN105405082A (zh) * | 2015-11-30 | 2016-03-16 | 河北工程大学 | 大数据学生性格分析方法 |
-
2018
- 2018-01-10 CN CN201810024096.3A patent/CN108242035A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20150051041A (ko) * | 2013-11-01 | 2015-05-11 | 박굳건 | 실시간 교육환경 모니터링 시스템 |
| CN105405082A (zh) * | 2015-11-30 | 2016-03-16 | 河北工程大学 | 大数据学生性格分析方法 |
Non-Patent Citations (1)
| Title |
|---|
| 邓逢光 等: ""基于大数据的学生校园行为分析预警管理平台建构研究"", 《中国电化教育》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111223016A (zh) * | 2019-12-30 | 2020-06-02 | 南京零镜科技有限公司 | 一种学生在校情况判别方法及其系统 |
| CN111260314A (zh) * | 2020-01-10 | 2020-06-09 | 重庆跃途科技有限公司 | 智慧校园安全态势感知系统 |
| CN112001688A (zh) * | 2020-07-06 | 2020-11-27 | 重庆跃途科技有限公司 | 一种校园主数据管理方法及系统 |
| CN112132711A (zh) * | 2020-08-07 | 2020-12-25 | 上海有间建筑科技有限公司 | 一种应用于智慧校园的校园监护系统 |
| CN114445053A (zh) * | 2022-04-11 | 2022-05-06 | 江西水利职业学院(江西省水利水电学校、江西省灌溉排水发展中心、江西省水利工程技师学院） | 一种智慧校园数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108242035A (zh) | 一种基于大数据的校园安全监测方法及系统 | |
| Folkerts et al. | Human episodic memory retrieval is accompanied by a neural contiguity effect | |
| Dahlin et al. | Opportunity, motivation, and ability to learn from failures and errors: Review, synthesis, and ways to move forward | |
| Feng et al. | The relationship between adolescents’ stress and internet addiction: A mediated-moderation model | |
| CN107302466B (zh) | 一种动环监控系统大数据分析平台及方法 | |
| Cameron et al. | Emergency situation awareness from twitter for crisis management | |
| Staiano et al. | Friends don't lie: inferring personality traits from social network structure | |
| Shany-Ur et al. | Personality and social cognition in neurodegenerative disease | |
| Dumas et al. | Identity development as a buffer of adolescent risk behaviors in the context of peer group pressure and control | |
| CN104484617B (zh) | 一种基于多策略融合的数据库访问控制方法 | |
| Blood et al. | Suicide and the media: Part III. Theoretical issues. | |
| Shinnar | The new ILAE classification | |
| Akl et al. | Clustering home activity distributions for automatic detection of mild cognitive impairment in older adults 1 | |
| Lieberman et al. | Let's gang up on cyberbullying | |
| CN107016457A (zh) | 一种实现社区危险行为预警的系统和方法 | |
| CN108921746A (zh) | 基于人工智能的在线学习考试系统及方法 | |
| Chen et al. | Human rights event detection from heterogeneous social media graphs | |
| CN107948596A (zh) | 一种乡镇管理系统 | |
| Minshew et al. | Implicit and explicit memory in survivors of chronic interpersonal violence. | |
| Luo et al. | The effect of college students' adaptability on nomophobia: Based on lasso regression | |
| Aarset et al. | Police leadership during challenging times | |
| CN112950431A (zh) | 一种智慧学校局域网电子班牌系统 | |
| Fraser et al. | A context-aware, info-bead and fuzzy inference approach to notification management | |
| Rice et al. | Monitoring event-driven dynamics on Twitter: a case study in Belarus | |
| Zhang | Research on college students’ psychological crisis early warning method based on fuzzy clustering algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180703 |