CN112766832A - 一种基于学生特性的智能宿舍分配方法与系统 - Google Patents

一种基于学生特性的智能宿舍分配方法与系统 Download PDF

Info

Publication number
CN112766832A
CN112766832A CN202110376553.7A CN202110376553A CN112766832A CN 112766832 A CN112766832 A CN 112766832A CN 202110376553 A CN202110376553 A CN 202110376553A CN 112766832 A CN112766832 A CN 112766832A
Authority
CN
China
Prior art keywords
student
dormitory
students
information
characteristic
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
Application number
CN202110376553.7A
Other languages
English (en)
Inventor
吴志丰
刘晨旭
姚金伟
沈阳
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.)
Nanjing Sudi Technology Co ltd
Original Assignee
Nanjing Sudi 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 Nanjing Sudi Technology Co ltd filed Critical Nanjing Sudi Technology Co ltd
Priority to CN202110376553.7A priority Critical patent/CN112766832A/zh
Publication of CN112766832A publication Critical patent/CN112766832A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于学生特性的智能宿舍分配方法与系统，主要结合学生的主观特性和客观特性，通过K‑Means算法模型对学生进行统一的宿舍分配，智能宿舍分配方法基于宿舍分配系统，包括：学生客观信息提取、学生主观信息提取、综合学生各项信息形成学生特性模型、宿舍预分配并生成宿舍属性，学生选择是否愿意入住，结合学生实际意愿重新调整宿舍分配。本发明将学生基础信息的客观特性与学生自主选择的主观特性相结合，在尊重学生意愿的前提下对学校的宿舍资源进行分配管理，帮助学校更高效、更合理的分配学生宿舍资源，体现以人为本的管理和服务理念。

Description

一种基于学生特性的智能宿舍分配方法与系统
技术领域
本发明涉及高校学生宿舍管理领域，具体涉及一种基于学生特性的智能宿舍分配方法与系统。
背景技术
高校的学生宿舍分配一直是困扰学校宿舍管理的难点，如何对宿舍资源进行最高效的利用、如何避免因生活习惯不同造成的舍友间的矛盾、如何通过科学的宿舍分配形成融洽的校园生活环境，这些都是各高校对学生管理探讨的难点。基于学生特性进行预分配的智能宿舍分配方法，能够有效帮助学校解决一系列的问题。
在高校现有的宿舍分配方案中，主要是以学校分配为主，由老师根据学生的班级归属、学业成绩等信息，对学生宿舍进行指派式分配，不考虑学生个人的意愿。另有一些学校让学生自行选择宿舍，根据学生所属的专业班级划分一定范围的宿舍床位让学生自行选择，同样不考虑学生的兴趣爱好生活习惯等个体属性。以上现有技术和方法主观意识较强，没法有效基于学生各项属性进行合理的宿舍预分配管理，也无法让学生在宿舍预分配基础上，基于自身主观意愿进行调整。
发明内容
发明目的：本发明的目的在于针对现有技术的不足，提供一种基于学生特性的智能宿舍分配方法与系统，将学生基础信息的客观特性，与学生自主选择的主观特性相结合，在尊重学生意愿的前提下更高效的对学校的宿舍资源进行分配管理。
本发明公开的一种基于学生特性的智能宿舍分配方法，其特征在于，包括以下步骤：
步骤一：从招生信息数据库中提取学生客观信息数据，形成学生客观特性；
步骤二：从新生信息采集库中学生对住宿的要求中提取学生主观信息数据，形成学生主观特性；
步骤三：综合学生客观特性和学生主观特性，形成学生特性模型；
步骤四：根据学生特性模型信息，利用基于K-Means的聚类算法模型对学生进行宿舍预分配，将同一聚类中的学生分别放到同一宿舍中，并基于学生特性将已分配的宿舍聚合形成宿舍属性；
步骤五：学生根据宿舍预分配情况选择是否愿意入住，若不愿意，则进行重新分配；
步骤六：进行重新分配时，再次利用K-Means的聚类算法进行聚类运算后分配，或通过聚合形成的宿舍属性直接将学生特性与宿舍属性进行匹配后分配；
步骤七：综合学生提交的实际意愿情况，进行统一调整，完成最终的宿舍分配。
所述的步骤一中学生客观信息数据包括学生的生源地、户籍、民族、成绩形成学生客观特性资源池。
所述的步骤二中学生主观信息数据包括学生的生活习惯、作息时间、对宿舍房间朝向的要求、房间人数的要求、宿舍费用的承受度、空调电器需求。
所述的步骤三中学生特性模型包括特性类、特性标签、特性值和特性值的量化，对学生的主、客观特性进行分类，设置特性标签，并根据特性标签设置特性值，将特性值量化。
一种基于学生特性的智能宿舍分配系统，其特征在于，包括：学生信息模块、学生特征属性模块、住宿分配模块和宿舍信息模块，所述的学生信息模块连接所述的学生特征属性模块，所述的住宿分配模块分别连接所述的学生信息模块、学生特征属性模块和宿舍信息模块，所述的住宿分配模块结合学生信息模块和学生特征属性模块，利用K-Means聚类算法模型进行住宿分配，且最终在宿舍信息模块中生成宿舍信息。
所述的学生信息模块包括招生信息数据库和新生信息采集库，用于采集学生客观信息和学生主观信息，形成学生客观特性和主观特性。
所述的学生特征属性模块包括学生主观特性和学生客观特性，用于学生特征属性的收集与查看，形成学生的特性模型。
所述的学生住宿分配模块利用K-Means聚类算法模型，根据学生特征属性对相近属性的学生进行聚类分析，聚类后进行住宿分配。
所述的宿舍信息模块包括床位信息和宿舍属性信息，用于查看宿舍分配的情况。
本发明技术方案带来的有益效果有：
1、帮助学校更高效、更合理的分配学生宿舍资源，体现以人为本的管理和服务理念。
2、帮助学生更好融入校园生活，促进对学生学习生活的管理与培养，为学校与社会培养优秀毕业生。
附图说明
图1为本发明的实施方式的模型结构关系图。
具体实施方式
下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。
本发明公开了一种基于学生特性的智能宿舍分配方法，包括以下步骤：
步骤一：从招生信息数据库中提取学生客观信息数据，形成学生客观特性。
本步骤中，通过从招生信息数据库中提取数据，获取学生客观信息数据。学生客观信息数据包括学生的生源地、户籍、民族、成绩等，形成学生客观特性。同时还可采集学生的个人详细信息内容，如兴趣爱好、家庭经济状况等，进一步扩充学生的客观信息数据，使学生客观特性更加丰富。
步骤二：从新生信息采集库中学生对住宿的要求中提取学生主观信息数据，形成学生主观特性。
本步骤中，通过在新生信息采集库中学生填写个人对住宿的要求，获取学生主观信息数据。学生主观信息数据包括学生的入睡时间、起床时间、是否玩游戏、宿舍费用的承受度、性格特点和是否独生子女等，形成学生主观特性。
步骤三：综合学生客观特性和学生主观特性，形成学生特性模型。
本步骤中，根据学生的客观特性与主观特性集合，包括学生的客观信息和主观信息数据，得到学生的各项特征信息，并形成学生的特性模型。对学生的各项特性进行分类，设置特性标签，根据特性标签设定特性值，并对特性值量化。表1提取了学生的8个特性，具体如下：
表1：学生特性模型
Figure 568478DEST_PATH_IMAGE001
步骤四：根据学生特性模型信息，宿舍分配系统收集每位学生的信息，通过量化后的特性值数据，形成学生宿舍预分配数据集，使用基于K-Means的算法模型对学生进行聚类，将同一聚类中的学生分别放到同一宿舍中，并基于学生特征属性将已分配的宿舍聚合形成宿舍属性。
本步骤中，通过宿舍分配系统收集步骤三中学生的客观特性和主观特性信息，利用量化后的特性值数据，形成学生特性数据集；使用基于K-Means的聚类算法，首先随机选取K个聚类中心，将学生数据集中每个学生样本按照最邻近原则分配到最近聚类中心；然后重新计算聚类中心，使用每个聚类中学生样本均值作为新的聚类中心，直至聚类中心不再变化。最后得到K个聚类。具体实现如下：
（1）设定学生特性数据集为
Figure 485618DEST_PATH_IMAGE002
，其中m为学生总数，X中学 生样本
Figure 265355DEST_PATH_IMAGE003
，其中样本
Figure 224346DEST_PATH_IMAGE004
对应8个学生特性值a1，a2…a8的具体取 值。
（2）从学生特性数据集X中随机选择K个样本作为初始聚类中心
Figure 38719DEST_PATH_IMAGE005
，簇为
Figure 923498DEST_PATH_IMAGE006
。计算X中每个
Figure 190531DEST_PATH_IMAGE004
和各个聚类中心
Figure 451748DEST_PATH_IMAGE007
的距离
Figure 120627DEST_PATH_IMAGE008
，其中j=1,2,…k。距离越小，样本
Figure 176308DEST_PATH_IMAGE004
和
Figure 930637DEST_PATH_IMAGE009
越相似，差异度越小；选择
Figure 667649DEST_PATH_IMAGE008
对应 的值最小的类别
Figure 751886DEST_PATH_IMAGE010
。
Figure 306364DEST_PATH_IMAGE011
（3）对于每个簇
Figure 610307DEST_PATH_IMAGE010
中所有的样本点进行计算得出均值作为新的聚类中心
Figure 885430DEST_PATH_IMAGE012
。
Figure 528901DEST_PATH_IMAGE013
其中n为簇
Figure 427849DEST_PATH_IMAGE010
的样本数。
（4）迭代执行上述操作，直到聚类的平方误差E平稳或者达到系统设定的迭代次 数。此时则输出划分好的簇
Figure 156771DEST_PATH_IMAGE014
。
Figure 297902DEST_PATH_IMAGE015
其中，
Figure 795880DEST_PATH_IMAGE012
是簇
Figure 629844DEST_PATH_IMAGE016
的均值。
算法实例说明：
（1）对于收集的学生数据集进行数据量化，从收集整理数据中随机选取5个学生数据，如表2所示；
表2：随机选取5个学生数据
Figure 580482DEST_PATH_IMAGE017
（2）从数据集中随机选择2个样本
Figure 525304DEST_PATH_IMAGE018
和
Figure 877788DEST_PATH_IMAGE019
作为初始的聚类中心
Figure 820336DEST_PATH_IMAGE020
和
Figure 819123DEST_PATH_IMAGE021
，簇为
Figure 239740DEST_PATH_IMAGE022
，分别对剩余的每个学生
Figure 774627DEST_PATH_IMAGE023
，
Figure 888076DEST_PATH_IMAGE024
，
Figure 875624DEST_PATH_IMAGE025
计算其与各个簇中心
Figure 99932DEST_PATH_IMAGE020
和
Figure 223746DEST_PATH_IMAGE021
的距离， 将其赋给距离最近的簇中，计算如下：
Figure 508096DEST_PATH_IMAGE026
,
Figure 484405DEST_PATH_IMAGE027
，
显然
Figure 512404DEST_PATH_IMAGE028
，将
Figure 693986DEST_PATH_IMAGE029
分配给
Figure 945976DEST_PATH_IMAGE030
，
Figure 845799DEST_PATH_IMAGE031
，
Figure 474226DEST_PATH_IMAGE032
，
显然
Figure 775895DEST_PATH_IMAGE033
，将
Figure 198786DEST_PATH_IMAGE024
分配给
Figure 585905DEST_PATH_IMAGE034
，
Figure 516558DEST_PATH_IMAGE035
，
Figure 407154DEST_PATH_IMAGE036
，
显然
Figure 266526DEST_PATH_IMAGE037
，将
Figure 875362DEST_PATH_IMAGE038
分配给
Figure 48854DEST_PATH_IMAGE039
，
更新得到簇
Figure 121852DEST_PATH_IMAGE040
,
Figure 89808DEST_PATH_IMAGE041
；
（3）计算簇
Figure 248257DEST_PATH_IMAGE042
和
Figure 959861DEST_PATH_IMAGE043
中样本的均值作为
Figure 388831DEST_PATH_IMAGE042
和
Figure 527688DEST_PATH_IMAGE043
的新的聚类中心
Figure 173433DEST_PATH_IMAGE044
和
Figure 423149DEST_PATH_IMAGE021
：
Figure 408422DEST_PATH_IMAGE045
，
Figure 780498DEST_PATH_IMAGE046
；
（4）计算平方误差E，将每个簇中的样本和聚类中心进行平方误差计算：
Figure 851222DEST_PATH_IMAGE047
，
Figure 966945DEST_PATH_IMAGE048
，
Figure 806725DEST_PATH_IMAGE049
；
重复迭代上述操作直至簇中心不变或平方误差E平稳，停止迭代过程，算法停止。
系统可设置特定的属性（如学院、性别）优先筛选，再根据学生特征属性使用K-Means的聚类算法进行分配，学校可根据每次分配后的结果，适当调整特征属性的范围，重新计算与分配，以便于得到更合适的宿舍分配结果。
根据K-Means聚类算法的分配结果，系统可以为同类的学生安排相近的宿舍，然后在这部分宿舍内进行自动分配。学生宿舍分配完成后，根据同宿舍内的学生的共性特征属性，为该宿舍提取宿舍属性，如：宿舍内学生生活习惯-早睡早起、宿舍内性格特点-活泼，则该宿舍属性即为早睡早起、活泼。
步骤五：学生根据宿舍预分配情况选择是否愿意入住，若不愿意则进行重新分配。
本步骤中，学生在宿舍分配系统中可查看已分配的宿舍信息，选择并确认是否愿意入住，学生查看到宿舍分配信息以及同宿舍舍友的基本信息后，若学生愿意入住，则可确认，完成宿舍分配，若学生对当前已分配的宿舍不满意，则可以在系统中选择“重新分配”的选项。
步骤六：进行重新分配时，再次利用K-Means的聚类算法进行聚类运算后分配，或通过聚合形成的宿舍属性直接将学生特性与宿舍属性相近的进行匹配后分配。
本步骤中，在首轮宿舍分配结果公布、学生查看并确认个人意愿（学生未操作的统一视为默认即确认入住）之后，系统再次进行二次分配，首先将希望重新分配的学生床位腾空，然后在特定宿舍条件（如宿舍所属的学院属性）前提下，依次根据这部分学生的学生特性、宿舍属性进行匹配，对于每一个学生，先设定该学生全部特性数量n，若能找到与该学生的这些特性完全匹配的宿舍，则视为匹配成功，若无法满足，则使用n-1个学生特性寻找可以匹配成功的宿舍，依次递减，直到1个学生特性进行匹配查询，自动选择匹配度最高的宿舍进行重新安排；若在特定条件下无法分配到合适的宿舍，则由学校老师指定学生住宿信息。
步骤七：综合学生提交的实际意愿情况，进行统一调整，完成最终的宿舍分配。
本发明公开了一种基于学生特性的智能宿舍分配系统，包括学生信息模块、学生特征属性模块、住宿分配模块和宿舍信息模块，学生信息模块连接学生特征属性模块，住宿分配模块分别连接学生信息模块、学生特征属性模块和宿舍信息模块，住宿分配模块结合学生信息模块和学生特征属性模块，利用K-Means聚类算法模型进行住宿分配，且最终在宿舍信息模块中生成宿舍信息。
学生信息模块包括招生信息数据库和新生信息采集库，用于采集学生客观信息和学生主观信息，形成学生客观特性和主观特性。
具体的，招生信息数据库中学生的客观信息根据招生办的权威信息得到，学生客观信息包括生源地、户籍、民族、成绩等，形成学生客观特性，学生不可更改客观信息；新生信息采集库中的主观信息通过学生登录宿舍分配系统时自行填写，学生主观信息包括学生的生活习惯、作息时间、对宿舍房间朝向的要求、宿舍费用的承受度、空调电器需求等，学生可根据需要更改主观信息，形成学生主观特性。
学生特征属性模块包括学生主观特性和学生客观特性，用于学生特征属性的收集与查看，形成学生的特性模型。
具体的，学生特征属性模块连接学生信息模块，特征属性类别由系统设定，结合学生客观特性和主观特性，收集包括户籍、生源地、兴趣爱好、作息时间等信息，形成学生个人特征属性，显示于该模块中，方便学生查看。
学生住宿分配模块利用K-Means聚类算法模型，根据学生特征属性对相近属性的学生进行聚类分析，聚类后进行住宿分配。
具体的，学生住宿分配模块分别连接学生信息模块、学生特征属性模块和宿舍模块，首先根据学生信息模块采集到的信息形成学生的主客观特性，学生信息模块连接学生特征属性模块，再通过学生特征属性模块得到每位学生的特征属性类，根据学生特征属性类，采用K-Means聚类算法进行计算，将特征属性相近的学生进行宿舍分配。初次分配完后，将住宿分配信息传递到宿舍信息模块中，如需二次分配的，学生住宿分配模块根据宿舍信息模块以及学生特征属性类继续利用K-Means聚类算法进行计算，直到分配完为止。
宿舍信息模块包括床位信息和宿舍属性信息，用于查看宿舍分配的情况。
具体的，宿舍信息模块连接学生住宿分配模块，学生住宿分配模块对学生进行宿舍分配后，在宿舍信息模块中可查看分配后的相应宿舍信息，包括该宿舍的宿舍属性和床位信息。宿舍属性根据分配到该宿舍的学生的共同特征属性进行设置，床位信息包括床位的地理位置（还包括上下铺位置）以及床位的满或未满情况。宿舍信息模块的作用在于：一是在初次分配完后方便学生确认和查看自己选定的宿舍；二是系统重新分配时，可以根据宿舍属性和宿舍床位位满情况，方便对学生进行再次分配。
本发明公开了一种基于学生特性的智能宿舍分配方法与系统，主要结合学生的主、客观特性来进行统一的宿舍分配，方法步骤包括：学生客观信息提取、学生主观信息提取、综合学生各项信息形成学生特性模型、宿舍预分配并生成宿舍属性、学生选择是否愿意入住、结合学生实际意愿重新调整宿舍分配。宿舍分配系统预先设定好学校的宿舍资源，并根据校方实际的安排，将相应的宿舍提前安排给不同的学院，使得同学院的学生能够安排在一起。然后系统通过采集学生的客观属性与主观属性，作为宿舍分配的依据，再运用K-Means聚类算法对学生进行聚类、安排相同宿舍。最后由学生确认住宿信息，对住宿安排不满意的学生，对还可以进行系统二次分配或手动安排。本发明提供基于学生特性的智能宿舍分配方法与系统，将学生基础信息的客观特性，与学生自主选择的主观特性相结合，在尊重学生意愿的前提下更高效的对学校的宿舍资源进行分配管理。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上作出各种变化。

Claims (9)

1.一种基于学生特性的智能宿舍分配方法，其特征在于，包括以下步骤：
步骤一：从招生信息数据库中提取学生客观信息数据，形成学生客观特性；
步骤二：从新生信息采集库中提取学生主观信息数据，形成学生主观特性；
步骤三：综合学生客观特性和学生主观特性，形成学生特性模型；
步骤四：根据学生特性模型信息，利用基于K-Means的聚类算法模型对学生进行宿舍预分配，将同一聚类中的学生分别放到同一宿舍中，并基于学生特性将已分配的宿舍聚合形成宿舍属性；
步骤五：学生根据宿舍预分配情况选择是否愿意入住，若不愿意，则进行重新分配；
步骤六：进行重新分配时，再次利用K-Means的聚类算法进行聚类运算后分配，或通过聚合形成的宿舍属性直接将学生特性与宿舍属性进行匹配后分配；
步骤七：综合学生提交的实际意愿情况，进行统一调整，完成最终的宿舍分配。
2.根据权利要求1所述的一种基于学生特性的智能宿舍分配方法，其特征在于，所述的步骤一中学生客观信息数据包括学生的生源地、户籍、民族、成绩，形成学生客观特性资源池。
3.根据权利要求1所述的一种基于学生特性的智能宿舍分配方法，其特征在于，所述的步骤二中学生主观信息数据包括学生的生活习惯、作息时间、对宿舍房间朝向的要求、房间人数的要求、宿舍费用的承受度、空调电器需求。
4.根据权利要求1所述的一种基于学生特性的智能宿舍分配方法，其特征在于，所述的步骤三中学生特性模型包括特性类、特性标签、特性值和特性值的量化，对学生的主、客观特性进行分类，设置特性标签，并根据特性标签设置特性值，将特性值量化。
5.一种基于学生特性的智能宿舍分配系统，其特征在于，包括：学生信息模块、学生特征属性模块、住宿分配模块和宿舍信息模块，所述的学生信息模块连接所述的学生特征属性模块，所述的住宿分配模块分别连接所述的学生信息模块、学生特征属性模块和宿舍信息模块，所述的住宿分配模块结合学生信息模块和学生特征属性模块，利用K-Means聚类算法模型进行住宿分配，且最终在宿舍信息模块中生成宿舍信息。
6.根据权利要求5所述的一种基于学生特性的智能宿舍分配系统，其特征在于，所述的学生信息模块包括招生信息数据库和新生信息采集库，用于采集学生客观信息和学生主观信息，形成学生客观特性和主观特性。
7.根据权利要求5所述的一种基于学生特性的智能宿舍分配系统，其特征在于，所述的学生特征属性模块包括学生主观特性和学生客观特性，用于学生特征属性的收集与查看，形成学生的特性模型。
8.根据权利要求5所述的一种基于学生特性的智能宿舍分配系统，其特征在于，所述的学生住宿分配模块利用K-Means聚类算法模型，根据学生特征属性对相近属性的学生进行聚类分析，聚类后进行住宿分配。
9.根据权利要求5所述的一种基于学生特性的智能宿舍分配系统，其特征在于，所述的宿舍信息模块包括床位信息和宿舍属性信息，用于查看宿舍分配的情况。
CN202110376553.7A 2021-04-08 2021-04-08 一种基于学生特性的智能宿舍分配方法与系统 Pending CN112766832A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110376553.7A CN112766832A (zh) 2021-04-08 2021-04-08 一种基于学生特性的智能宿舍分配方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110376553.7A CN112766832A (zh) 2021-04-08 2021-04-08 一种基于学生特性的智能宿舍分配方法与系统

Publications (1)

Publication Number Publication Date
CN112766832A true CN112766832A (zh) 2021-05-07

Family

ID=75691379

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110376553.7A Pending CN112766832A (zh) 2021-04-08 2021-04-08 一种基于学生特性的智能宿舍分配方法与系统

Country Status (1)

Country Link
CN (1) CN112766832A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107895223A (zh) * 2017-10-30 2018-04-10 广州市勤思网络科技有限公司 基于大数据的学生宿舍分配方法及系统
CN110111221A (zh) * 2019-04-30 2019-08-09 刘柏佟 一种智能舍友匹配方法及系统
CN111861066A (zh) * 2019-04-30 2020-10-30 刘柏佟 一种智能宿舍选择系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107895223A (zh) * 2017-10-30 2018-04-10 广州市勤思网络科技有限公司 基于大数据的学生宿舍分配方法及系统
CN110111221A (zh) * 2019-04-30 2019-08-09 刘柏佟 一种智能舍友匹配方法及系统
CN111861066A (zh) * 2019-04-30 2020-10-30 刘柏佟 一种智能宿舍选择系统及方法

Similar Documents

Publication Publication Date Title
Asadullah Madrasah for girls and private school for boys? The determinants of school type choice in rural and urban Indonesia
Vandamme et al. Predicting academic performance by data mining methods
Rampichini et al. A hierarchical ordinal probit model for the analysis of life satisfaction in Italy
CN110837976B (zh) 一种走班制下智能选科分班方法及系统
Pavolini How many Italian welfare states are there?
Malone et al. Shocks & ossification: The durable hierarchy of neighborhoods in US metropolitan areas from 1970 to 2010
Camanho et al. Performance assessment of upper secondary schools in Italian regions using a circular pseudo-Malmquist index
Curci Latent variable models for the measurement of flashbulb memories: A comparative approach
CN112766832A (zh) 一种基于学生特性的智能宿舍分配方法与系统
Musterd Ethnic residential segregation–Reflections on concepts, levels and effects
Niederl et al. Mapping the European higher education landscape: New insights from the EUMIDA project
Curci et al. Features of autobiographical memory: Theoretical and empirical issues in the measurement of flashbulb memory
CN112036671B (zh) 自动生成课程配置信息的方法、装置和计算机设备
CN112102132B (zh) 行政班级的自动配置方法、装置和计算机设备
Cefalo et al. Territorial configurations of school‐to‐work outcomes in Europe
Pompili et al. Building synthetic indicators for aspects of territorial capital towards their impact on regional performance
CN113901287A (zh) 一种高考志愿填报系统
Darba et al. The Effectiveness of Positive Cognitive-Behavioral Interaction program on Mental Health and Job Satisfaction of Teachers
Martinoia et al. Building synthetic indicators for aspects of territorial capital
Cohen-Zada et al. Affinity and tension between religious denominations: Evidence from private school enrolment
Safar Different Approaches to the Measurement of Social Differentiation of the Czechoslovak Socialist Society.
Chen et al. Measuring Remoteness Using a Data-Driven Approach
Montero et al. Using dissimilarity index for analyzing gender equity in childcare activities in Spain
Aroca et al. Human capital concentration and the place-based policies in Chile
Pompili et al. Building synthetic indicators for aspects of territorial capital

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