CN110072191B - 基于无线技术的学生校内轨迹分析系统及分析方法 - Google Patents

基于无线技术的学生校内轨迹分析系统及分析方法 Download PDF

Info

Publication number
CN110072191B
CN110072191B CN201910328769.9A CN201910328769A CN110072191B CN 110072191 B CN110072191 B CN 110072191B CN 201910328769 A CN201910328769 A CN 201910328769A CN 110072191 B CN110072191 B CN 110072191B
Authority
CN
China
Prior art keywords
data
track
mining
module
student
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.)
Active
Application number
CN201910328769.9A
Other languages
English (en)
Other versions
CN110072191A (zh
Inventor
丁阔
徐恒越
张正国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Zhiyuan Huilian Electronic Technology Co ltd
Original Assignee
Anhui Zhiyuan Huilian Electronic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Zhiyuan Huilian Electronic Technology Co ltd filed Critical Anhui Zhiyuan Huilian Electronic Technology Co ltd
Priority to CN201910328769.9A priority Critical patent/CN110072191B/zh
Publication of CN110072191A publication Critical patent/CN110072191A/zh
Application granted granted Critical
Publication of CN110072191B publication Critical patent/CN110072191B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/282—Hierarchical databases, e.g. IMS, LDAP data stores or Lotus Notes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于无线技术的学生校内轨迹分析系统及分析方法，首先对校园区域进行分区，并通过2.4G技术采集学生的轨迹数据，接着对轨迹数据进行数据清洗、轨迹压缩等预处理，然后进行轨迹数据检索优化，最后通过多种模式和算法进行数据挖掘，获取学生的行为特征、生活习惯、兴趣爱好等丰富的价值信息，为高校学生管理、教学管理、校园管理提供科学的决策依据。

Description

基于无线技术的学生校内轨迹分析系统及分析方法
技术领域
本发明属于学生管理系统技术领域，涉及一种学生校内轨迹分析系统，具体是一种基于无线技术的学生校内轨迹分析系统及分析方法。
背景技术
学生在校园日常生活中产生大量的行为数据，其中很重要的一项便是轨迹数据。从广义上讲，轨迹数据是单个或多个物体移动时所产生的轨迹和位置数据的集合，属于时空的概念范畴。学生轨迹数据是指学生在以校园为中心的日常活动中所产生的轨迹数据，它包含学生的位置信息、时间信息等。高校是学生聚集的场所，每天都产生海量的轨迹数据，由于学生活动的离散化以及数据采集手段的多样化，导致采样精度难以保证，数据的整合难度大。
发明内容
本发明的目的在于提供一种基于无线技术的学生校内轨迹分析系统及分析方法，获取学生的行为特征、生活习惯、兴趣爱好等丰富的价值信息，为高校学生管理、教学管理、校园管理提供科学的决策依据。
本发明的目的可以通过以下技术方案实现：
基于无线技术的学生校内轨迹分析系统，包括轨迹数据采集模块、消费数据采集模块、签到数据采集模块、门禁数据采集模块、数据预处理模块、数据存储模块、数据索引模块、数据查询模块、数据挖掘模块、数据分类模块以及图表生成模块；
所述轨迹数据采集模块，对校园各活动区域进行分区，并在各活动区域内设置射频采集器，通过识别设置在学生校园一卡通内的2.4G芯片，采集学生在校园各区域活动的轨迹数据；
所述消费数据采集模块，通过校园一卡通系统，采集学生在校园内的消费数据；
所述签到数据采集模块，通过学生签到系统，采集学生上课、考试的签到数据；
所述门禁数据采集模块，通过宿舍门禁系统，采集学生出入宿舍记录；
所述数据预处理模块，对轨迹数据采集模块采集的原始轨迹数据进行预处理操作以去除轨迹数据中的噪音和冗余；
所述数据存储模块，采用关系型或分布式数据库对预处理后的轨迹数据进行存储；
所述数据索引模块，采用R-tree索引、B-tree索引和K-D树索引方式建立索引；
所述数据查询模块，包括轨迹点查询、区域查询和轨迹查询，其中，所述轨迹点查询用于查询满足特定时空关系的兴趣点的信息，所述区域查询用于特定区域内轨迹段，所述轨迹查询使用基于轨迹点之间距离的聚类算法对轨迹进行分类或相似性挖掘；
所述数据挖掘模块，在数据预处理的基础上，通过周期模式挖掘、伴随模式挖掘和频繁模式挖掘的挖掘手段获取有价值的信息，从而获取学生行为的规律性；
所述数据分类模块，用于对获取的轨迹数据进行分类，通过分类的轨迹数据挖掘获取学生个体的倾向性、规律性；
所述图表生成模块，用于将数据挖掘模块和数据分类模块输出的结果转化为直观的图表形式。
进一步地，所述数据预处理模块包括数据清洗单元、轨迹数据压缩单元、轨迹分段单元和路网匹配单元；
所述数据清洗单元，用于清除原始轨迹数据中的冗余点和噪音点；
所述轨迹数据压缩单元，采用基于路网的压缩算法、基于开放窗口或滑动窗口的在线数据约简算法、基于垂直欧氏距离或同步欧式距离的压缩算法，对轨迹数据进行压缩；
所述轨迹分段单元，根据预设的时间周期，采用轨迹语义、几何拓扑和时间阈值策略对原始轨迹数据进行划分，获取对象的时空特性和规律性；
所述路网匹配单元，将原始轨迹数据与路网坐标间进行转换和匹配，并结合Dijkstra算法进行线路优化。
进一步地，所述周期模式挖掘用于挖掘活动对象的周期性活动；所述伴随模式挖掘是在轨迹数据中通过提取伴随对象的移动数据对群体的行为特征或规律进行挖掘，用于发现一定时空范围内的群体事件或规律；所述频繁模式挖掘是从轨迹数据中挖掘出对象活动的频繁度及时间相关性。
进一步地，所述周期模式挖掘分为同步周期、异步周期和完全周期三种模式，所述同步周期模式按照周期间隔或其倍数进行数据采样和挖掘，所述异步周期模式用于噪音干扰下非固定周期行为的数据挖掘，所述完全周期模式强调整体性和全局性，对整个行为周期内的时间点进行全面的数据挖掘。
进一步地，所述伴随模式挖掘包括Swarm模式、Convoy模式、Flock模式和Gahtering模式，所述Flock模式用于考察某群体在特定时空范围内的活动趋势，所述Convoy模式用于基于密度聚类的轨迹挖掘，所述Swarm模式用于对无时间连续性的移动对象的轨迹挖掘，所述Gahtering模式用于模拟群体性事件的模式挖掘。
进一步地，所述频繁模式挖掘包括基于聚类算法的兴趣区域发现、基于路网匹配的模式挖掘和基于分段轨迹的模式挖掘。
基于无线技术的学生校内轨迹分析方法，包括以下步骤：
步骤S1，对校园各活动区域进行分区，并在各活动区域内设置射频采集器，对各区域的射频采集器进行编号；
步骤S2，当学生进入相应活动区域时，通过区域内的射频采集器识别学生校园一卡通内的2.4G芯片，获取学生到该区域以及在该区域停留的轨迹数据；
步骤S3，对采集的轨迹数据进行数据清洗，清除冗余点和噪音点，针对冗余点的数据清洗时，保留学生在某时间段、某地点驻留时间较长的点或区域，清除其余冗余项，对于噪音数据，采用粒子滤波、卡尔曼滤波、中值滤波或均值滤波的方法进行数据清洗；
步骤S4，采用基于路网的压缩算法、基于开放窗口或滑动窗口的在线数据约简算法、基于垂直欧氏距离或同步欧式距离的压缩算法，对轨迹数据进行压缩，减少轨迹点数量，产生近似轨迹；
步骤S5，根据预设的时间周期，采用轨迹语义、几何拓扑和时间阈值策略对原始轨迹数据进行划分；
步骤S6，将轨迹数据与路网坐标间进行转换和匹配，并结合Dijkstra算法进行线路优化；
步骤S7，采用R-tree索引、B-tree索引和K-D树索引方式建立索引，可执行轨迹点查询、区域查询和轨迹查询；
步骤S8，通过周期模式挖掘、伴随模式挖掘和频繁模式挖掘的挖掘手段获取轨迹数据中有价值的信息，从而获取学生行为的规律性；
步骤S9，对获取的轨迹数据进行分类，通过分类的轨迹数据挖掘获取学生个体的倾向性、规律性；
步骤S10，将数据挖掘模块和数据分类模块输出的结果转化为直观的图表形式。
进一步地，所述步骤S9中的轨迹数据的分类包含以下步骤：
步骤S91、将轨迹数据分割成多个段；
步骤S92、提取特征信息；
步骤S93、通过HMM模型、CRF模型或DBN模型对轨迹段进行划分和挖掘。
本发明的有益效果：本发明提供的基于无线技术的学生校内轨迹分析系统及分析方法，首先对校园区域进行分区，并通过2.4G技术采集学生的轨迹数据，接着对轨迹数据进行数据清洗、轨迹压缩等预处理，然后进行轨迹数据检索优化，最后通过多种模式和算法进行数据挖掘，获取学生的行为特征、生活习惯、兴趣爱好等丰富的价值信息，为高校学生管理、教学管理、校园管理提供科学的决策依据。
附图说明
下面结合附图和具体实施例对本发明作进一步详细描述。
图1是本发明的系统示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。
如图1所示，本发明提供了一种基于无线技术的学生校内轨迹分析系统，包括轨迹数据采集模块、消费数据采集模块、签到数据采集模块、门禁数据采集模块、数据预处理模块、数据存储模块、数据索引模块、数据查询模块、数据挖掘模块、数据分类模块以及图表生成模块。
轨迹数据采集模块，对校园各活动区域进行分区，并在各活动区域内设置射频采集器，通过识别设置在学生校园一卡通内的2.4G芯片，采集学生在校园各区域活动的轨迹数据。
消费数据采集模块，通过校园一卡通系统，采集学生在校园内的消费数据。
签到数据采集模块，通过学生签到系统，采集学生上课、考试的签到数据。
门禁数据采集模块，通过宿舍门禁系统，采集学生出入宿舍的记录。
数据预处理模块，对轨迹数据采集模块采集的原始轨迹数据进行预处理操作以去除轨迹数据中的噪音和冗余。
其中，数据预处理模块包括数据清洗单元、轨迹数据压缩单元、轨迹分段单元和路网匹配单元。
数据清洗单元，用于清除原始轨迹数据中的冗余点和噪音点，在不同的场景下有着不同的清洗方法。针对冗余点的数据清洗时，有的侧重于停留点，有的侧重于速度划分，在学生轨迹数据挖掘中更侧重于停留点，即保留学生在某时间段、某地点驻留时间较长的点或区域，清除其余冗余项。噪音点是由轨迹数据采集模块中射频采集器的故障或延迟所产生的错误数据，对于噪音数据，可采用粒子滤波、卡尔曼滤波、中值滤波或均值滤波的方法进行数据清洗。
轨迹数据压缩单元，采用基于路网的压缩算法、基于开放窗口或滑动窗口的在线数据约简算法、基于垂直欧氏距离或同步欧式距离的压缩算法，对轨迹数据进行压缩，其中，基于垂直欧氏距离的压缩算法可以减少轨迹点数量，基于时间同步欧氏距离的压缩算法可以产生近似轨迹。
轨迹分段单元，根据预设的时间周期，采用轨迹语义、几何拓扑和时间阈值策略对原始轨迹数据进行划分，划分后的数据段代表一次活动的记录，降低数据计算的复杂度，方便获取对象的时空特性和规律性。在学生轨迹数据处理中，常以天或周为时间单位对轨迹进行分段，获取学生的行为规律、上课热点、教室安排合理度、教师上课听课率、学生离校返校规律等，对于轨迹行为异常的学生进行预警监测，对拥堵点进行疏解。
路网匹配单元，将原始轨迹数据与路网坐标间进行转换和匹配，用于迎新、离校、学生讲座、会议、校园活动等过程中的学生引导和拥堵点预测，并结合Dijkstra算法进行线路优化。其中，路网匹配分为在线匹配和离线匹配两种方式，其中在线匹配强调实时性，离线匹配多用于历史数据分析。
数据存储模块，采用关系型或分布式数据库对预处理后的轨迹数据进行存储。
数据索引模块，采用R-tree索引、B-tree索引和K-D树索引方式建立索引，采用索引机制提高轨迹数据的检索效率，降低查询代价。
数据查询模块，包括轨迹点查询、区域查询和轨迹查询，其中轨迹点查询用于查询满足特定时空关系的兴趣点的信息，如宿舍A和教室B之间的自习室和活动场地的信息；区域查询用于特定区域内轨迹段，用于向常在某区域活动的学生推送消息；轨迹查询使用基于轨迹点之间距离的聚类算法对轨迹进行分类或相似性挖掘。
数据挖掘模块，在数据预处理的基础上，通过周期模式挖掘、伴随模式挖掘和频繁模式挖掘的挖掘手段获取有价值的信息，从而获取学生行为的规律性。
其中，周期模式挖掘用于挖掘活动对象的周期性活动，例如在校生的作息规律、学习规律等。通过周期模式挖掘可以对学生行为进行预测，对异常行为进行预警，如晚归、夜不归宿、迟到旷课等。周期模式挖掘分为同步周期、异步周期和完全周期三种模式。同步周期模式按照周期间隔或其倍数进行数据采样和挖掘，异步周期模式用于噪音干扰下非固定周期行为的数据挖掘，完全周期模式强调整体性和全局性，对整个行为周期内的时间点进行全面的数据挖掘。
伴随模式挖掘是在轨迹数据中通过提取伴随对象的移动数据对群体的行为特征或规律进行挖掘，用于发现一定时空范围内的群体事件或规律。伴随模式挖掘包括Swarm模式、Convoy模式、Flock模式和Gahtering模式。Flock模式用于考察某群体在特定时空范围内的活动趋势，例如，多个年级或专业的学生在某一时空范围内的行为差异。Convoy模式用于基于密度聚类的轨迹挖掘，该模式打破了伴随模式挖掘中关于群体形状和大小的限制，同时要求移动对象在某时间段具备密度连续性。Swarm模式更加通用，对移动对象不要求时间连续性。Gahtering模式常用于模拟群体性事件，如校庆、运动会等群体活动的模式挖掘。
频繁模式挖掘是从轨迹数据中挖掘出对象活动的频繁度及时间相关性，比如挖掘出学生频繁使用或到访的学习场地、体育场馆、餐厅窗口、学生事务服务部门或窗口，以及受欢迎的教师、课程等。频繁模式挖掘在教学评价、课堂评价、学生服务评价、场地及办事部门结构优化等方面有很多应用。频繁模式挖掘包括基于聚类算法的兴趣区域发现、基于路网匹配的模式挖掘和基于分段轨迹的模式挖掘。
数据分类模块，用于对获取的轨迹数据进行分类，如学生的学习、外出或课外活动等，通过分类的轨迹数据挖掘获取学生个体的倾向性、规律性。
图表生成模块，用于将数据挖掘模块和数据分类模块输出的结果转化为直观的图表形式，方便查看和管理。
基于无线技术的学生校内轨迹分析方法，包括以下步骤：
步骤S1，对校园各活动区域进行分区，并在各活动区域内设置射频采集器，对各区域的射频采集器进行编号。
步骤S2，当学生进入相应活动区域时，通过区域内的射频采集器识别学生校园一卡通内的2.4G芯片，获取学生到该区域以及在该区域停留的轨迹数据。
步骤S3，对采集的轨迹数据进行数据清洗，清除冗余点和噪音点，针对冗余点的数据清洗时，保留学生在某时间段、某地点驻留时间较长的点或区域，清除其余冗余项，对于噪音数据，采用粒子滤波、卡尔曼滤波、中值滤波或均值滤波的方法进行数据清洗。
步骤S4，采用基于路网的压缩算法、基于开放窗口或滑动窗口的在线数据约简算法、基于垂直欧氏距离或同步欧式距离的压缩算法，对轨迹数据进行压缩，减少轨迹点数量，产生近似轨迹。
步骤S5，根据预设的时间周期，采用轨迹语义、几何拓扑和时间阈值策略对原始轨迹数据进行划分，具体地，以天或周为时间单位对轨迹进行分段，获取学生的行为规律、上课热点、教室安排合理度、教师上课听课率、学生离校返校规律等，对于轨迹行为异常的学生进行预警监测，对拥堵点进行疏解。
步骤S6，将轨迹数据与路网坐标间进行转换和匹配，用于迎新、离校、学生讲座、会议、校园活动等过程中的学生引导和拥堵点预测，并结合Dijkstra算法进行线路优化。
步骤S7，采用R-tree索引、B-tree索引和K-D树索引方式建立索引，可执行轨迹点查询、区域查询和轨迹查询。
步骤S8，通过周期模式挖掘、伴随模式挖掘和频繁模式挖掘的挖掘手段获取轨迹数据中有价值的信息，从而获取学生行为的规律性。
步骤S9，对获取的轨迹数据进行分类，通过分类的轨迹数据挖掘获取学生个体的倾向性、规律性。
其中，轨迹数据的分类包含以下步骤：
步骤S91、将轨迹数据分割成多个段。
步骤S92、提取特征信息。
步骤S93、通过HMM模型、CRF模型或DBN模型对轨迹段进行划分和挖掘。
步骤S10，将数据挖掘模块和数据分类模块输出的结果转化为直观的图表形式。
本发明提供的基于无线技术的学生校内轨迹分析系统及分析方法，首先对校园区域进行分区，并通过2.4G技术采集学生的轨迹数据，接着对轨迹数据进行数据清洗、轨迹压缩等预处理，然后进行轨迹数据检索优化，最后通过多种模式和算法进行数据挖掘，获取学生的行为特征、生活习惯、兴趣爱好等丰富的价值信息，为高校学生管理、教学管理、校园管理提供科学的决策依据。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (7)

1.基于无线技术的学生校内轨迹分析系统，其特征在于，包括轨迹数据采集模块、消费数据采集模块、签到数据采集模块、门禁数据采集模块、数据预处理模块、数据存储模块、数据索引模块、数据查询模块、数据挖掘模块、数据分类模块以及图表生成模块；
所述轨迹数据采集模块，对校园各活动区域进行分区，并在各活动区域内设置射频采集器，通过识别设置在学生校园一卡通内的2.4G芯片，采集学生在校园各区域活动的轨迹数据；
所述消费数据采集模块，通过校园一卡通系统，采集学生在校园内的消费数据；
所述签到数据采集模块，通过学生签到系统，采集学生上课、考试的签到数据；
所述门禁数据采集模块，通过宿舍门禁系统，采集学生出入宿舍记录；
所述数据预处理模块，对轨迹数据采集模块采集的原始轨迹数据进行预处理操作以去除轨迹数据中的噪音和冗余；
所述数据预处理模块包括数据清洗单元、轨迹数据压缩单元、轨迹分段单元和路网匹配单元；
所述数据清洗单元，用于清除原始轨迹数据中的冗余点和噪音点；
所述轨迹数据压缩单元，采用基于路网的压缩算法、基于开放窗口或滑动窗口的在线数据约简算法、基于垂直欧氏距离或同步欧式距离的压缩算法，对轨迹数据进行压缩；
所述轨迹分段单元，根据预设的时间周期，采用轨迹语义、几何拓扑和时间阈值策略对原始轨迹数据进行划分，获取对象的时空特性和规律性；
所述路网匹配单元，将原始轨迹数据与路网坐标间进行转换和匹配，并结合Dijkstra算法进行线路优化；
所述数据存储模块，采用关系型或分布式数据库对预处理后的轨迹数据进行存储；
所述数据索引模块，采用R-tree索引、B-tree索引和K-D树索引方式建立索引；
所述数据查询模块，包括轨迹点查询、区域查询和轨迹查询，其中，所述轨迹点查询用于查询满足特定时空关系的兴趣点的信息，所述区域查询用于特定区域内轨迹段，所述轨迹查询使用基于轨迹点之间距离的聚类算法对轨迹进行分类或相似性挖掘；
所述数据挖掘模块，在数据预处理的基础上，通过周期模式挖掘、伴随模式挖掘和频繁模式挖掘的挖掘手段获取有价值的信息，从而获取学生行为的规律性；
所述数据分类模块，用于对获取的轨迹数据进行分类，通过分类的轨迹数据挖掘获取学生个体的倾向性、规律性；
所述图表生成模块，用于将数据挖掘模块和数据分类模块输出的结果转化为直观的图表形式。
2.根据权利要求1所述的基于无线技术的学生校内轨迹分析系统，其特征在于，所述周期模式挖掘用于挖掘活动对象的周期性活动；所述伴随模式挖掘是在轨迹数据中通过提取伴随对象的移动数据对群体的行为特征或规律进行挖掘，用于发现一定时空范围内的群体事件或规律；所述频繁模式挖掘是从轨迹数据中挖掘出对象活动的频繁度及时间相关性。
3.根据权利要求2所述的基于无线技术的学生校内轨迹分析系统，其特征在于，所述周期模式挖掘分为同步周期、异步周期和完全周期三种模式，所述同步周期模式按照周期间隔或其倍数进行数据采样和挖掘，所述异步周期模式用于噪音干扰下非固定周期行为的数据挖掘，所述完全周期模式强调整体性和全局性，对整个行为周期内的时间点进行全面的数据挖掘。
4.根据权利要求2所述的基于无线技术的学生校内轨迹分析系统，其特征在于，所述伴随模式挖掘包括Swarm模式、Convoy模式、Flock模式和Gahtering模式，所述Flock模式用于考察某群体在特定时空范围内的活动趋势，所述Convoy模式用于基于密度聚类的轨迹挖掘，所述Swarm模式用于对无时间连续性的移动对象的轨迹挖掘，所述Gahtering模式用于模拟群体性事件的模式挖掘。
5.根据权利要求2所述的基于无线技术的学生校内轨迹分析系统，其特征在于，所述频繁模式挖掘包括基于聚类算法的兴趣区域发现、基于路网匹配的模式挖掘和基于分段轨迹的模式挖掘。
6.基于无线技术的学生校内轨迹分析方法，包括以下步骤：
步骤S1，对校园各活动区域进行分区，并在各活动区域内设置射频采集器，对各区域的射频采集器进行编号；
步骤S2，当学生进入相应活动区域时，通过区域内的射频采集器识别学生校园一卡通内的2.4G芯片，获取学生到该区域以及在该区域停留的轨迹数据；
步骤S3，对采集的轨迹数据进行数据清洗，清除冗余点和噪音点，针对冗余点的数据清洗时，保留学生在某时间段、某地点驻留时间较长的点或区域，清除其余冗余项，对于噪音数据，采用粒子滤波、卡尔曼滤波、中值滤波或均值滤波的方法进行数据清洗；
步骤S4，采用基于路网的压缩算法、基于开放窗口或滑动窗口的在线数据约简算法、基于垂直欧氏距离或同步欧式距离的压缩算法，对轨迹数据进行压缩，减少轨迹点数量，产生近似轨迹；
步骤S5，根据预设的时间周期，采用轨迹语义、几何拓扑和时间阈值策略对原始轨迹数据进行划分；
步骤S6，将轨迹数据与路网坐标间进行转换和匹配，并结合Dijkstra算法进行线路优化；
步骤S7，采用R-tree索引、B-tree索引和K-D树索引方式建立索引，执行轨迹点查询、区域查询和轨迹查询；
步骤S8，通过周期模式挖掘、伴随模式挖掘和频繁模式挖掘的挖掘手段获取轨迹数据中有价值的信息，从而获取学生行为的规律性；
步骤S9，对获取的轨迹数据进行分类，通过分类的轨迹数据挖掘获取学生个体的倾向性、规律性；
步骤S10，将数据挖掘模块和数据分类模块输出的结果转化为直观的图表形式。
7.根据权利要求6所述的基于无线技术的学生校内轨迹分析方法，其特征在于，所述步骤S9中的轨迹数据的分类包含以下步骤：
步骤S91、将轨迹数据分割成多个段；
步骤S92、提取特征信息；
步骤S93、通过HMM模型、CRF模型或DBN模型对轨迹段进行划分和挖掘。
CN201910328769.9A 2019-04-23 2019-04-23 基于无线技术的学生校内轨迹分析系统及分析方法 Active CN110072191B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910328769.9A CN110072191B (zh) 2019-04-23 2019-04-23 基于无线技术的学生校内轨迹分析系统及分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910328769.9A CN110072191B (zh) 2019-04-23 2019-04-23 基于无线技术的学生校内轨迹分析系统及分析方法

Publications (2)

Publication Number Publication Date
CN110072191A CN110072191A (zh) 2019-07-30
CN110072191B true CN110072191B (zh) 2021-01-12

Family

ID=67368567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910328769.9A Active CN110072191B (zh) 2019-04-23 2019-04-23 基于无线技术的学生校内轨迹分析系统及分析方法

Country Status (1)

Country Link
CN (1) CN110072191B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112541646B (zh) * 2019-09-20 2024-03-26 杭州海康威视数字技术股份有限公司 周期行为分析方法及装置
CN110929914A (zh) * 2019-10-10 2020-03-27 重庆特斯联智慧科技股份有限公司 一种利用轨迹大数据预测的区域精准布控方法和系统
CN113139137B (zh) * 2020-01-19 2022-05-03 北京三快在线科技有限公司 确定poi坐标的方法、装置、存储介质及电子设备
CN111382278B (zh) * 2020-03-04 2023-08-08 华中师范大学 一种基于时空轨迹的社交网络构建方法及构建系统
CN113704378A (zh) * 2021-09-02 2021-11-26 北京锐安科技有限公司 一种伴随信息的确定方法、装置、设备及存储介质
CN117094685B (zh) * 2023-10-18 2024-01-12 深圳市智慧建筑创新有限公司 基于物联网技术的智慧校园监控数据管理系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171630A (zh) * 2017-12-29 2018-06-15 三盟科技股份有限公司 基于校园大数据环境下学生行为轨迹的发现方法及系统
CN109523442A (zh) * 2018-12-21 2019-03-26 广东粤众互联信息技术有限公司 一种基于校园教育系统的大数据分析方法
CN109543963A (zh) * 2018-11-06 2019-03-29 深圳信息职业技术学院 一种基于学生学习习惯的大数据分析方法及系统
CN109636688A (zh) * 2018-12-11 2019-04-16 武汉文都创新教育研究院（有限合伙） 一种基于大数据的学生行为分析系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014120780A1 (en) * 2013-02-01 2014-08-07 Worcester Polytechnic Institute Inquiry skills tutoring system
US20150072323A1 (en) * 2013-09-11 2015-03-12 Lincoln Global, Inc. Learning management system for a real-time simulated virtual reality welding training environment
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
CN106023012A (zh) * 2016-05-12 2016-10-12 北京圣水龙兴文化传媒有限公司 一种基于云计算的学生行为分析方法及系统
CN106649801A (zh) * 2016-12-29 2017-05-10 广东精规划信息科技股份有限公司 一种基于多源物联网位置感知的时空关系分析系统
CN107526801A (zh) * 2017-08-21 2017-12-29 浙江理工大学 一种基于布朗桥的移动对象跟随模式挖掘方法
CN109657703B (zh) * 2018-11-26 2023-04-07 浙江大学城市学院 基于时空数据轨迹特征的人群分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108171630A (zh) * 2017-12-29 2018-06-15 三盟科技股份有限公司 基于校园大数据环境下学生行为轨迹的发现方法及系统
CN109543963A (zh) * 2018-11-06 2019-03-29 深圳信息职业技术学院 一种基于学生学习习惯的大数据分析方法及系统
CN109636688A (zh) * 2018-12-11 2019-04-16 武汉文都创新教育研究院（有限合伙） 一种基于大数据的学生行为分析系统
CN109523442A (zh) * 2018-12-21 2019-03-26 广东粤众互联信息技术有限公司 一种基于校园教育系统的大数据分析方法

Also Published As

Publication number Publication date
CN110072191A (zh) 2019-07-30

Similar Documents

Publication Publication Date Title
CN110072191B (zh) 基于无线技术的学生校内轨迹分析系统及分析方法
CN110245981B (zh) 一种基于手机信令数据的人群类型识别方法
EP2219379B1 (en) Social network construction based on data association
Panagiotakis et al. Segmentation and sampling of moving object trajectories based on representativeness
Yuan et al. Extracting dynamic urban mobility patterns from mobile phone data
Shen et al. A framework for identifying activity groups from individual space-time profiles
CN106844585A (zh) 一种基于多源物联网位置感知的时空关系分析系统
CN105404890A (zh) 一种顾及轨迹时空语义的犯罪团伙判别方法
CN105307121B (zh) 一种信息处理方法及装置
Yu et al. Trajectory outlier detection approach based on common slices sub-sequence
CN109684373B (zh) 基于出行和话单数据分析的重点关系人发现方法
CN113157800B (zh) 实时发现空中动态目标识别方法
CN110109908B (zh) 基于社会基础信息挖掘人物潜在关系的分析系统及方法
CN108898520A (zh) 基于轨迹数据的学生安全监控方法和系统
Erhan et al. Analyzing objective and subjective data in social sciences: Implications for smart cities
CN111783295B (zh) 城市社区特定人行为链动态识别与预测评估方法及系统
Bamis et al. Lightweight extraction of frequent spatio-temporal activities from GPS traces
Loglisci Using interactions and dynamics for mining groups of moving objects from trajectory data
CN113486927A (zh) 一种基于先验概率的无监督轨迹访问地点标注方法
CN110033191B (zh) 一种商业人工智能的分析方法及系统
CN111507874B (zh) 智慧校园aiot大数据可视化分析方法
CN106682168B (zh) 一种跨域城市数据可视查询系统的构建方法
CN115062725B (zh) 酒店收益异常分析方法及系统
CN116089448A (zh) 一种基于多维感知建立人口画像的实时人口管理系统
Damiani et al. Symbolic trajectories and application challenges

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
GR01 Patent grant
GR01 Patent grant