CN111221832B - 一种学生失联预警方法、系统及存储介质 - Google Patents
一种学生失联预警方法、系统及存储介质 Download PDFInfo
- Publication number
- CN111221832B CN111221832B CN201911372454.0A CN201911372454A CN111221832B CN 111221832 B CN111221832 B CN 111221832B CN 201911372454 A CN201911372454 A CN 201911372454A CN 111221832 B CN111221832 B CN 111221832B
- Authority
- CN
- China
- Prior art keywords
- student
- data
- time
- time length
- loss
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 15
- 238000007405 data analysis Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G06F16/23—Updating
- G06F16/2379—Updates performed during online database operations; commit processing
-
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2457—Query processing with adaptation to user needs
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Technology (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种学生失联预警方法,包括:获取校园各系统的学生数据;将学生数据按照时间先后排序;选取学生最近一次数据更新之前一段时间的学生数据作为学生历史数据;根据所述学生历史数据求得学生相邻数据更新的时长,得到学生的历史失联时长集合;根据所述历史失联时长集合计算出学生的正常失联时长阈值;在学生下一次数据更新之前,实时计算当前时刻距最近一次数据更新时刻的时长,得到学生的观察失联时长;如果所述观察失联时长大于所述正常失联时长阈值,则发出学生失联预警。采用本发明,能够根据学生的校园系统数据进行失联预警分析,并发出相应等级的预警,实现学生的安全预警管理。
Description
技术领域
本发明涉及校园安全管理领域,尤其涉及一种学生失联发现方法、系统及存储介质。
背景技术
近年来,大数据技术逐步兴起,大数据技术在高校中的有效应用是提高学校管理效率和办学水平的关键技术之一。通过对高校业务数据的集成应用与深入挖掘,基于大数据分析的思维深入分析学生管理中教据的应用,是学生管理过程中数据分析的新思路,也是应用大教据技术推动学校管理和人才培养的创新思路和方法。随着大数据时代的到来,高校的学生管理将发生深层次的变革。
目前,大数据分析在高校中的应用愈加广泛。很多高校都建立了基于教务数据、人事数据、科研数据、学生数据、一卡通主题、网络认证等各类主题数据的共享数据中心,并尝试性地做了大量的数据应用工作,但效果并不十分显著。
高校数据具有数据量虽不大,但结构相对较复杂、相关性高、数据管理问题突出等特点。在此背景下,如何更有效地挖掘和应用高校的数据价值,是现在高校数据应用过程中最迫切的问题。
在髙校进行学生管理的过程中,学生的安全管理是重中之重。目前,我国大多数高校的学生安全管理手段大多是在宣传教育、定期(人力为主)安全检查的策略上,形成定性分析或事后分析,这种管理手段落后而又被动,很难适应网络大数据时代安全管理的要求。
发明内容
本发明所要解决的技术问题在于,提供一种学生失联预警方法、系统及存储介质,能够解决目前校园学生安全管理存在被动和落后的问题。
为了解决上述技术问题,本发明提供了一种学生失联预警方法,包括:获取校园各系统的学生数据;将学生数据按照时间先后排序;选取学生最近一次数据更新之前一段时间的学生数据作为学生历史数据;根据所述学生历史数据求得学生相邻数据更新的时长,得到学生的历史失联时长集合;根据所述历史失联时长集合计算出学生的正常失联时长阈值;在学生下一次数据更新之前,实时计算当前时刻距最近一次数据更新时刻的时长,得到学生的观察失联时长;如果所述观察失联时长大于所述正常失联时长阈值,则发出学生失联预警。
优选地,所述根据所述学生历史数据求得学生的历史失联时长集合的步骤包括:将所述学生历史数据按半小时粒度磨平去重,将半个小时内出现的所有数据归纳为一个数据;计算磨平去重后相邻数据的时间间隔,得到历史失联时长集合。
优选地,所述将所述学生历史数据按半小时粒度磨平去重的步骤之后还包括:统计全校学生在半小时内更新数据的总频数;用所述总频数替换这半小时的时长,并将所述历史失联时长集合转换为历史失联相对时长集合。
优选地,通过MAD算法,根据所述历史失联相对时长集合计算出正常失联相对时长阈值,其中,所述MAD算法为基于中位数的数值范围测量算法。
优选地,在学生下一次数据更新之前,实时计算当前时刻距最近一次数据更新时刻这段时间内,全校学生数据更新的总频数,得到学生的观察失联相对时长。
优选地,当观察失联相对时长大于正常失联相对时长阈值时,发出学生失联预警,并根据所述观察失联相对时长与正常失联相对时长阈值的比值,确定学生失联预警的等级。
优选地,在发出学生失联预警后,如果该学生更新了数据,则取消学生失联预警。
优选地,所述获取校园各系统的学生数据步骤包括:获取学生上网行为数据,具体包括学生基本信息、学生登录信息、网站浏览记录、网站浏览时长;获取学生食堂与超市消费数据,具体包括学生基本信息、交易信息、商户信息、终端信息;获取学生图书借阅数据,具体包括学生基本信息、图书信息、图书借阅信息;获取学生宿舍门禁数据,具体包括学生基本信息、学生刷卡出入信息。
本发明还提供了一种学生失联预警系统,获取模块,用于获取校园各系统的学生数据;排序模块,用于将学生数据按照时间先后排序;选取模块,用于选取最近一次数据更新之前一段时间的学生数据作为学生历史数据;磨平模块,用于将所述学生历史数据按半小时粒度磨平去重,将半个小时内出现的所有数据归纳为一个数据;计算模块,用于计算观察失联相对时长与正常失联相对时长阈值,并计算所述观察失联相对时长与正常失联相对时长阈值的比值;预警模块,用于当所述计算观察失联相对时长大于正常失联相对时长阈值时根据所述比值发出相应等级的预警,用于当学生更新了数据时取消学生失联预警。
本发明还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行上述学生失联预警方法中的步骤。
实施本发明的有益效果在于:
本发明提供的学生失联预警方法、系统及存储介质,能够通过对学生数据进行处理分析,获得学生的历史失联时长阈值和观察失联时长,通过比较历史失联时长阈值和观察失联时长,发出相应等级的预警,实现学生的安全预警管理。
附图说明
图1是本发明提供的学生失联预警方法流程图;
图2是本发明提供的正常失联相对时长阈值计算方法流程图;
图3是本发明提供的学生失联预警系统示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。仅此声明,本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词,仅以本发明的附图为基准,其并不是对本发明的具体限定。
如图1所示,本发明提供了一种学生失联预警方法,包括:
S101,获取校园各系统的学生数据。
具体地,获取学生上网行为数据,具体包括学生基本信息、学生登录信息、网站浏览记录、网站浏览时长;获取学生食堂与超市消费数据,具体包括学生基本信息、交易信息、商户信息、终端信息;获取学生图书借阅数据,具体包括学生基本信息、图书信息、图书借阅信息;获取学生宿舍门禁数据,具体包括学生基本信息、学生刷卡出入信息。
S102,将学生数据按照时间先后排序。
S103,选取学生最近一次数据更新之前一段时间的学生数据作为学生历史数据。
例如,选取学生最近一次数据更新之前60天内的学生数据作为学生历史数据,当最近一次数据更新的时刻处于开学期时,也就是遇到跨学期初,则取上学期末数据进行补齐,自动跳过暑假寒假,剔除寒暑假数据对数据分析的影响,提高失联预警的准确性。
S104,根据所述学生历史数据求得学生相邻数据更新的时长,得到学生的历史失联时长集合。例如,学生历史数据中,A与B是相邻数据,A与B数据更新的时间间隔记为该学生的历史失联时长,所有历史失联时长构成历史失联时长集合。
S105,根据所述历史失联时长集合计算出学生的正常失联时长阈值。
S106,在学生下一次数据更新之前,实时计算当前时刻距最近一次数据更新时刻的时长,得到学生的观察失联时长。例如,学生最近一次数据更新时刻为中午12点,如果实时时间为16点,则观察失联时长为4小时。
S107,如果所述观察失联时长大于所述正常失联时长阈值,则发出学生失联预警。
需要说明的是,本发明通过根据校园各系统中学生的数据,求得学生正常失联时长阈值,再通过实时的数据监控,获得学生的观察失联时长,当观察失联时长大于所述正常失联时长阈值,则发出失联预警。例如,通过数据分析学生A过往60天的数据,得到学生A的正常失联时间阈值为5小时,今天中午12点是学生A数据最后出现的时间点,到下午5点01分,学生A仍然没有出现下一次数据更新记录,学生A的观察失联时长为5小时1分钟,就对学生A发出失联预警,随着时间往后,失联时间越长。采用本发明,能够通过对学生数据进行处理分析,获得学生的历史失联时长阈值和观察失联时长,通过比较历史失联时长阈值和观察失联时长,发出相应等级的预警,实现学生的安全预警管理。
如图2所示,所述根据所述学生历史数据求得学生的历史失联时长集合的步骤包括:
S201,将所述学生历史数据按半小时粒度磨平去重,将半个小时内出现的所有数据归纳为一个数据。
具体地,根据人类时空统计力学相关理论,人触发记录事件服从高阵发性与低记忆性的特点,通俗一点讲,拿消费为例,可能在短时间内多次刷卡,然后静止很长一段长时间。所以处理失联事件,会出现大量短时间段,需要把这段事件磨平,变为一个事件进行分析。例如,通过数据分析,学生A在8:15:40打卡一次,在8:17:40再打卡一次,中间失联的两分钟是没有分析意义的。因而,应当将所述学生历史数据按半小时粒度磨平去重,将半个小时内出现的所有数据归纳为一个数据,即归纳为学生A在8:30打卡。需要指出的时,本发明按半小时粒度磨平去重,并不局限于半小时,也可以为10分钟或1小时。
S202,计算磨平去重后相邻数据的时间间隔,得到历史失联时长集合。
进一步地,所述将所述学生历史数据按半小时粒度磨平去重的步骤之后还包括:
S203,统计全校学生在半小时内更新数据的总频数。
S204,用所述总频数替换这半小时的时长,并将所述历史失联时长集合转换为历史失联相对时长集合。
不同时间段的失联时长有不同的代表价值,通俗来讲,白天失联10小时,跟深夜失联10小时意义不同,因为正常人是昼伏夜出的,白天的10小时应该比深夜10小时更有失联代表意义。因而,选用群体活动频数代替真实时间计算,可以有效评价昼夜差异,短期节假日与工作日的差异。学生在白天时,由于学习和生活,主要在白天,白天数据更新的次数比晚上多。例如,某学生A的历史失联子时间段a为8点~12点,某学生A的另一历史失联子时间段b为21点~6点,如果用真实的时间去计算历史失联时长阈值,则需要将白天和晚上区别对待,在处理学生失联事件上有些不便,会出现失联预警误判断。
因而,不用绝对时间(即真实时间)计算阈值,通过用全校学生数据总频数替代真实时间,因为白天和晚上的总频数有差异,用总频数去计算历史失联相对时长阈值(单位,次数),从而能够更有效地体现失联的具体意义。例如,某学生A的历史失联子时间段a为8点~12点,此时间段内,全校学生更新数据的总频数为5万次,某学生A的另一历史失联子时间段b为21点~6点,此时间段内,全校学生更新数据的总频数为1万次,通过总频数就可以反应白天和黑夜的失联意义。
S205,通过MAD算法,根据所述历史失联相对时长集合计算出正常失联相对时长阈值,其中,所述MAD算法为基于中位数的数值范围测量算法。
基于中位数的数值范围测量算法,不同于传统的正态假设下均值±3倍标准差,本算法利用中位数信息:mad(X)=median(|Xi-median(X)|),数值范围为:median(X)±α*mad(X)其中α为训练值,通过对多分布数据训练获得的一个相对稳定的值。常用的取合理值的方法是均值±3倍标准差(PS:此方法容易受到极大值和极小值的影响,出现“被平均”的现象),但这里采用基于中位数的数值合理范围,其原因是中位数是以它在所有标志值中所处的位置确定的全体单位标志值的代表值,不受分布数列的极大或极小值影响,从而在一定程度上提高了中位数对分布数列的代表性,以中位数寻找的合理范围在此问题更具合理性。
S206,在学生下一次数据更新之前,实时计算当前时刻距最近一次数据更新时刻这段时间内,全校学生数据更新的总频数,得到学生的观察失联相对时长。
S207,当观察失联相对时长大于正常失联相对时长阈值时,发出学生失联预警,并根据所述观察失联相对时长与正常失联相对时长阈值的比值,确定学生失联预警的等级。
S208,在发出学生失联预警后,如果该学生更新了数据,则取消学生失联预警。
具体地,通过学生A过往60天的轨迹数据,计算出学生A的正常失联相对时间阈值为16万次,今天中午12点是学生A最后出现的时间点,开始统计从12点到目前全校学生数据的总频数,从12点到下午5点,总频次已经累计到16万次了,而学生A仍然没有出现数据更新记录,就对学生A发出失联预警,学生A当前已失联实际时长为5小时。失联预警继续实时监控,若学生A仍处于失联状态,则更新观察失联相对时长;通过所述观察失联相对时长与正常失联相对时长阈值的比值,当比值超过预先设定的中度失联预警比值时,将学生A失联预警的等级升级为中度失联预警等级,提高对该学生的失联预警关注度。若学生A在7点半出现活动记录,就取消学生A的失联预警。
如图3所示,本发明还提供了一种学生失联预警系统1,获取模块101,用于获取校园各系统的学生数据;排序模块102,用于将学生数据按照时间先后排序;选取模块103,用于选取最近一次数据更新之前一段时间的学生数据作为学生历史数据;磨平模块104,用于将所述学生历史数据按半小时粒度磨平去重,将半个小时内出现的所有数据归纳为一个数据;计算模块105,用于计算观察失联相对时长与正常失联相对时长阈值,并计算所述观察失联相对时长与正常失联相对时长阈值的比值;预警模块106,用于当所述计算观察失联相对时长大于正常失联相对时长阈值时根据所述比值发出相应等级的预警,用于当学生更新了数据时取消学生失联预警。
本发明提供的学生失联预警系统1,通过获取模块101获取校园各系统的学生数据,通过排序模块102将所述学生数据按时间先后排序,通过选取模块103选取最近一次数据更新之前一段时间的学生数据作为学生历史数据,通过磨平模块104将所述学生历史数据按半小时粒度磨平去重,将半个小时内出现的所有数据归纳为一个数据,通过计算模块105计算观察失联相对时长与正常失联相对时长阈值,并计算所述观察失联相对时长与正常失联相对时长阈值的比值,通过预警模块106,当所述计算观察失联相对时长大于正常失联相对时长阈值时,根据所述比值发出相应等级的预警,用于当学生更新了数据时取消学生失联预警。采用本发明,能够通过对学生数据进行处理分析,获得学生的历史失联时长阈值和观察失联时长,通过比较历史失联时长阈值和观察失联时长,发出相应等级的预警,实现学生的安全预警管理。
本发明还提供了一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行上述学生失联预警方法中的步骤。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种学生失联预警方法,其特征在于,包括:
获取校园各系统的学生数据;
将所述学生数据按照时间先后排序;
选取学生最近一次数据更新之前一段时间的学生数据作为学生历史数据;
根据所述学生历史数据求得学生相邻数据更新的时长,得到学生的历史失联时长集合;其中,所述根据所述学生历史数据求得学生的历史失联时长集合的步骤包括:
将所述学生历史数据按半小时粒度磨平去重,将半个小时内出现的所有数据归纳为一个数据;
计算磨平去重后相邻数据的时间间隔,得到历史失联时长集合;
所述将所述学生历史数据按半小时粒度磨平去重的步骤之后还包括:
统计全校学生在半小时内更新数据的总频数;
用所述总频数替换这半小时的时长,并将所述历史失联时长集合转换为历史失联相对时长集合,其中,不同时间段的失联时长有不同的代表价值,选用群体活动频数代替真实时间计算,以评价昼夜差异以及短期节假日与工作日的差异,
通过用全校学生数据总频数替代真实时间,基于白天和晚上的总频数的差异,用总频数去计算历史失联相对时长阈值,以体现失联的具体意义;
根据所述历史失联时长集合计算出学生的正常失联时长阈值;其中,所述根据所述历史失联时长集合计算出学生的正常失联时长阈值的步骤包括:
通过MAD算法,根据所述历史失联相对时长集合计算出正常失联相对时长阈值,其中,所述MAD算法为基于中位数的数值范围测量算法,中位数信息:mad(X)=median(|Xi-median(X)|),数值范围为:median(X)±α*mad(X),mad(X)为中位数绝对偏差,Xi为所述历史失联相对时长集合中的第i个数据,median(X)为所述历史失联相对时长集合的中位数,α为训练值,通过对多分布数据训练以获得所需值;
在学生下一次数据更新之前,实时计算当前时刻距最近一次数据更新时刻的时长,得到学生的观察失联时长;其中,所述在学生下一次数据更新之前,实时计算当前时刻距最近一次数据更新时刻的时长,得到学生的观察失联时长的步骤包括:
在学生下一次数据更新之前,实时计算当前时刻距最近一次数据更新时刻这段时间内,全校学生数据更新的总频数,得到学生的观察失联相对时长;
如果所述观察失联时长大于所述正常失联时长阈值,则发出学生失联预警;其中,所述如果所述观察失联时长大于所述正常失联时长阈值,则发出学生失联预警的步骤包括:
当所述观察失联相对时长大于所述正常失联相对时长阈值时,发出学生失联预警。
2.如权利要求1所述的学生失联预警方法,其特征在于,根据观察失联相对时长与正常失联相对时长阈值的比值,确定学生失联预警的等级。
3.如权利要求2所述的学生失联预警方法,其特征在于,在发出学生失联预警后,如果该学生更新了数据,则取消学生失联预警。
4.如权利要求1至3中任一所述的学生失联预警方法,其特征在于,所述获取校园各系统的学生数据步骤包括:
获取学生上网行为数据,具体包括学生基本信息、学生登录信息、网站浏览记录、网站浏览时长;
获取学生食堂与超市消费数据,具体包括学生基本信息、交易信息、商户信息、终端信息;
获取学生图书借阅数据,具体包括学生基本信息、图书信息、图书借阅信息;
获取学生宿舍门禁数据,具体包括学生基本信息、学生刷卡出入信息。
5.一种学生失联预警系统,其特征在于,
获取模块,用于获取校园各系统的学生数据;
排序模块,用于将学生数据按照时间先后排序;
选取模块,用于选取最近一次数据更新之前一段时间的学生数据作为学生历史数据;
磨平模块,用于将所述学生历史数据按半小时粒度磨平去重,将半个小时内出现的所有数据归纳为一个数据;
计算模块,用于计算观察失联相对时长与正常失联相对时长阈值,并计算所述观察失联相对时长与正常失联相对时长阈值的比值;
其中,计算磨平去重后相邻数据的时间间隔,得到历史失联时长集合;
所述将所述学生历史数据按半小时粒度磨平去重的步骤之后还包括:
统计全校学生在半小时内更新数据的总频数;
用所述总频数替换这半小时的时长,并将所述历史失联时长集合转换为历史失联相对时长集合,其中,不同时间段的失联时长有不同的代表价值,选用群体活动频数代替真实时间计算,以评价昼夜差异以及短期节假日与工作日的差异,
通过用全校学生数据总频数替代真实时间,基于白天和晚上的总频数的差异,用总频数去计算历史失联相对时长阈值,以体现失联的具体意义;
根据所述历史失联时长集合计算出学生的正常失联时长阈值;其中,所述根据所述历史失联时长集合计算出学生的正常失联时长阈值的步骤包括:
通过MAD算法,根据所述历史失联相对时长集合计算出正常失联相对时长阈值,其中,所述MAD算法为基于中位数的数值范围测量算法,中位数信息:mad(X)=median(|Xi-median(X)|),数值范围为:median(X)±α*mad(X),mad(X)为中位数绝对偏差,Xi为所述历史失联相对时长集合中的第i个数据,median(X)为所述历史失联相对时长集合的中位数,α为训练值,通过对多分布数据训练以获得所需值;
在学生下一次数据更新之前,实时计算当前时刻距最近一次数据更新时刻的时长,得到学生的观察失联时长;其中,所述在学生下一次数据更新之前,实时计算当前时刻距最近一次数据更新时刻的时长,得到学生的观察失联时长的步骤包括:
在学生下一次数据更新之前,实时计算当前时刻距最近一次数据更新时刻这段时间内,全校学生数据更新的总频数,得到学生的观察失联相对时长;
预警模块,用于当所述计算观察失联相对时长大于正常失联相对时长阈值时根据所述比值发出相应等级的预警,用于当学生更新了数据时取消学生失联预警。
6.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至4任一项所述的学生失联预警方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911372454.0A CN111221832B (zh) | 2019-12-27 | 2019-12-27 | 一种学生失联预警方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911372454.0A CN111221832B (zh) | 2019-12-27 | 2019-12-27 | 一种学生失联预警方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111221832A CN111221832A (zh) | 2020-06-02 |
CN111221832B true CN111221832B (zh) | 2023-11-24 |
Family
ID=70829178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911372454.0A Active CN111221832B (zh) | 2019-12-27 | 2019-12-27 | 一种学生失联预警方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111221832B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025759A (zh) * | 2017-04-07 | 2017-08-08 | 成都寻道科技有限公司 | 一种失联告警系统及方法 |
CN107241697A (zh) * | 2017-06-30 | 2017-10-10 | 北京奇虎科技有限公司 | 用于移动终端的用户行为确定方法、装置及移动终端 |
CN107423427A (zh) * | 2017-08-02 | 2017-12-01 | 上海数烨数据科技有限公司 | 一种利用大数据在限定区域内人员失联判定系统及方法 |
CN109636062A (zh) * | 2018-12-25 | 2019-04-16 | 湖北工业大学 | 一种基于大数据分析的学生行为分析方法及系统 |
-
2019
- 2019-12-27 CN CN201911372454.0A patent/CN111221832B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107025759A (zh) * | 2017-04-07 | 2017-08-08 | 成都寻道科技有限公司 | 一种失联告警系统及方法 |
CN107241697A (zh) * | 2017-06-30 | 2017-10-10 | 北京奇虎科技有限公司 | 用于移动终端的用户行为确定方法、装置及移动终端 |
CN107423427A (zh) * | 2017-08-02 | 2017-12-01 | 上海数烨数据科技有限公司 | 一种利用大数据在限定区域内人员失联判定系统及方法 |
CN109636062A (zh) * | 2018-12-25 | 2019-04-16 | 湖北工业大学 | 一种基于大数据分析的学生行为分析方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于校园大数据的学生异常行为分析模型;郭水泉;;信息与电脑(理论版)(04);121-122+130 * |
Also Published As
Publication number | Publication date |
---|---|
CN111221832A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Folch et al. | Spatial variation in the quality of American Community Survey estimates | |
Ratcliffe | Geocoding crime and a first estimate of a minimum acceptable hit rate | |
CN108537544A (zh) | 一种交易系统实时监控方法及其监控系统 | |
CN111212383B (zh) | 区域常住人口数量的确定方法、装置、服务器和介质 | |
CN109002492B (zh) | 一种基于LightGBM的绩点预测方法 | |
CN105354196A (zh) | 信息推送方法和信息推送装置 | |
CN111260514A (zh) | 一种基于校园大数据的学生成绩预测方法 | |
CN106789292A (zh) | 一种异常行为监控方法和装置 | |
CN111898385A (zh) | 一种地震灾害评估方法及系统 | |
CN111259922A (zh) | 基于客户退单预警的订单数据处理方法、装置 | |
CN115330521A (zh) | 基于gps轨迹数据的车辆贷款逾期风险评估方法及系统 | |
CN113377845B (zh) | 基于大数据的智慧养老数据处理方法及系统 | |
CN111221832B (zh) | 一种学生失联预警方法、系统及存储介质 | |
CN114418970A (zh) | 基于卫星遥感的雾霾分布与气溶胶光学厚度检测方法和装置 | |
CN106846795A (zh) | 人群密集区域的获取方法及装置 | |
CN113553394A (zh) | 结合rpa和ai征信信息的处理方法和处理装置 | |
CN109492821A (zh) | 一种维稳预警方法及系统、电子设备 | |
CN107248125A (zh) | 一种确定疑似孤僻性格学生的方法及装置 | |
CN116775747A (zh) | 一种基于Apriori算法的人员预警方法及系统 | |
CN113473399B (zh) | 异常聚集事件检测方法、装置、计算机设备及存储介质 | |
CN112235727B (zh) | 一种基于mac数据的人员流动监测分析方法和系统 | |
CN109471775A (zh) | 一种未关机检测方法、装置、设备及可读存储介质 | |
CN109658095A (zh) | 自助设备日志存储管理方法、系统及存储介质 | |
Lansley et al. | Modelling small area level population change from administrative and consumer data | |
CN110020223A (zh) | 行为数据分析方法及装置 |
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 |