本发明涉及大数据分析领域，具体公开了一种基于校园教育系统的大数据分析方法。
背景技术：
近年来，学生的教育与成绩逐渐成为家庭和社会的关注重点，挑选教学条件优质的学校成为了家长与孩子择校的关键考察因素。随着数字技术的发展，越来越多的院校开始建设自己的数字化系统，数字化教学系统的优劣，成为了新一轮各大院校比拼教学资源的前沿阵地。
公司进入学校，可以实时掌握学校教学师资、教育管理情况、学生学习情况等各项丰富的数据资源，在大数据成为新能源的未来，这无疑是一座巨大的富矿。从大数据的收集到分析，最终实现教育系统的智能化，是所有教育机构的目标。然而现有的教学系统开发，普遍是由校方提出需求，寻找系统开发公司进行功能性的教育系统开发，基本都只注重功能的使用效果和系统性能的优化，缺乏有效数据的收集与利用的规划，对教育系统内数据的运用与分析，均停留在简单的报表与统计之中，缺乏针对教育系统的专业化大数据分析系统。
教师分析学生学习情况时，针对大量的数据和信息只能根据经验得出一个模糊的结论，家长和学生针对自己的学习情况更是只能与身边的同学进行简单比较，难以精确的判断自己的不足与欠缺。
技术实现要素：
为了克服上述问题，本发明提供一种基于校园教育系统的大数据分析方法。
本发明采用的技术方案是：一种基于校园教育系统的大数据分析方法，包含学生数据库，所述的大数据分析方法包含步骤如下：
s1.数据分类，将知识点量化数据、考试分数数据分类为学习数据，将课堂行为记录、在校行程分为动态数据，将学生个人信息、家长信息、校园一卡通消费记录进行量化统计并分为环境数据，将学生点评数据分为评价数据；
s2.建立数学模型，针对不同的学期和所属院校分别建立数学模型，数学模型用于将大数据进行分类归纳；
s3.分析目标，针对分析作为目标的学生个人或群体，提取个人或群体的学生数据，记录各数据的参数范围和平均值为目标数据；
s4.数据归纳，按照数学模型的和目标数据，将学生数据库的数据进行分类筛选，筛选出所有相同数学模型的比对数据1，筛选出所有具有相同数据模型和目标数据的比对数据2；
s5.统计分析，针对学生数据1和学生数据2的数据进形各类数据的分别求平均数计算和计数统计，输出为统计数据；
s6.结果推送，比较目标数据与统计数据，得出目标学生个人或群体针对该学期和近似范围学生的，通过预设策略将比较结果推送或显示给相关人员查看。
作为优选的，所述的学生数据库包括多所院校历年全部学生的个人信息、家长信息、知识点量化数据、考试分数数据、课堂行为记录、在校行程、校园一卡通消费记录、学生点评数据。
优选的，所述的步骤s5求平均数时，排除数据中1％的最大的数据和1％的最小的数据作为异常数据不纳入计算。
优选的，所述的步骤s4还包括子步骤如下：
a1.常用模型保存，当相同的数据模型和目标数据筛选超过2次时，将该数学模型和目标数据的步骤s4和步骤s5的统计结果数据保存为常用模型；
a2.当步骤s4接收到的数据模型和目标数据与常用模型相同时，直接调用常用模型的数据并执行s6。
本发明的有益效果是：可以帮助学生、家长和教职人员更准确及时的通过学生数据与大数据分析的数据进行比对，得知学生的学习是否有偏差或者遗漏，个人在校时间分配是否合理，学习效率、学习重点如何调整才能进一步提高学习效果。
具体实施方式
本发明是一种基于校园教育系统的大数据分析方法，其中大数据是多所院校历年来全部学生的数据记录。
大数据保存在学生数据库中，其中包括全部学生的个人信息、家长信息、知识点量化数据、考试分数数据、课堂行为记录、在校行程、校园一卡通消费记录、学生点评数据。
个人信息主要包括性别、年龄、住址、身高、体重等数据信息。
家长信息主要包括年龄、性别、住址、收入范围、从事行业、文化水平等数据信息。
知识点量化数据是教职人员将课程的知识点录入计算机系统后，系统针对科目、年级、先后顺序进行编号，并统计对应知识点授课时学生的学习数据和对应知识点的考试题目对错情况以及作业数据，最终统计针对该知识点的学习参数。
考试分数数据是学生考试的总分数据以及错题分布数据，包括体育、艺术等课程的记录和分数在内。
课堂行为记录是通过安装在课堂内的智能学生行为分析摄像头，通过对学生的上课行为分析，统计的认证听课时间数据，以及每堂课教师针对学生的打分数据。
在校行程数据是学生的考勤数据以及校车乘坐数据，以及在校内的活动数据。
校园一卡通消费记录是学生在校通过一卡通在食堂、小卖部或者自动售货机消费的数据。
学生点评数据是教职人员和家长针对学生的定期评分数据。
大数据分析方法包含步骤如下：
s1.数据分类，将知识点量化数据、考试分数数据分类为学习数据，将课堂行为记录、在校行程分为动态数据，将学生个人信息、家长信息、校园一卡通消费记录进行量化统计并分为环境数据，将学生点评数据分为评价数据；
s2.建立数学模型，针对不同的学期和所属院校分别建立数学模型，数学模型用于将大数据进行分类归纳；
s3.分析目标，针对分析作为目标的学生个人或群体，提取个人或群体的学生数据，记录各数据的参数范围和平均值为目标数据；
s4.数据归纳，按照数学模型的和目标数据，将学生数据库的数据进行分类筛选，筛选出所有相同数学模型的比对数据1，筛选出所有具有相同数据模型和目标数据的比对数据2；
s5.统计分析，针对学生数据1和学生数据2的数据进形各类数据的分别求平均数计算和计数统计，输出为统计数据；
s6.结果推送，比较目标数据与统计数据，得出目标学生个人或群体针对该学期和近似范围学生的，通过预设策略将比较结果推送或显示给相关人员查看。
例如需要分析3年级第一学期的某学生的数据，该学生为男性，个人点评分数为8，则比对3年级第一学期的所有学生数据的数据平均模型，以及3年级第一学期的所有男性且个人点评分数为8的所有学生的数据平均模型，通过知识点量化数据、考试分数数据、课堂行为记录、在校行程等数据的对比，显示出该学生再哪一些地方低于平均水平，需要进一步完善，以及哪方面做的好，值得表扬。
步骤s4还包括子步骤如下：
a1.常用模型保存，当相同的数据模型和目标数据筛选超过2次时，将该数学模型和目标数据的步骤s4和步骤s5的统计结果数据保存为常用模型；
a2.当步骤s4接收到的数据模型和目标数据与常用模型相同时，直接调用常用模型的数据并执行s6。
常用模型的每次检索均会进行技术，当常用模型累积到一定数量后，即可通过这些检索次数最高的常用模型现出该数据模型中学生的常见情况模型，以供进一步数据分析和优化所用，亦可作为人工智能教育系统的参考数据模型。
步骤s5求平均数时，排除数据中1％的最大的数据和1％的最小的数据作为异常数据不纳入计算，以尽可能排除无效或者特异数据。