基于无线技术的学生校内轨迹分析系统及分析方法与流程

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。

技术实现要素：

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。