基于校园一卡通系统的决策支持和数据分析研究

摘要

校园一卡通系统的普及结束了校园内传统的消费模式，实现了学校管理的规范化，为师生的校园生活提供了极大的便利。校园一卡通已然成为数字化校园不可或缺的重要组成部分。我校关于校园一卡通的相关数据仅实现了记录与展示，关于其数据的进一步分析以及由数据分析延伸的决策应用则非常欠缺。针对校园场景的数据分析及相关决策研究文献数量稀少的原因如下，一是校园一卡通数据源的保密性及局限性，例如获取不到其他学校的数据;二是缺乏针对校园一卡通场景的数据研究人员。
　　以北京化工大学为例，据统计，校园卡系统每天产生约17万条数据，其中，每天的消费数据可以达到80000多条，若直接对数据库进行SQL语句查询，效率极低。为了提高数据查询处理效率，本文以应用为导向，用海量数据清洗与整合技术以及知识发现技术，提出一种基于知识挖掘的敏捷校园卡分析方法，通过生成敏捷应用数据库，有效提高了校园卡应用的查询效率，实现了校园卡应用系统从设计理念到实际应用的跨越。另外，本文采用改进的FP-growth算法挖掘用户行为模式，利用非线性回归方法预测学校食堂峰值，基于学校微信企业号为师生提供个性化推荐服务;另一方面，通过分析校园卡用户消费行为数据，生成该用户的消费行为轨迹，判断学生在校与否，若学生长时间不在校，则通过微信企业号发出预警消息。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 本文主要研究内容及创新点

1．4 论文的基本结构

1．5 技术路线

第二章 相关技术介绍

2．1 校园一卡通系统概述

2．1．1 校园一卡通系统简介

2．1．2 校园一卡通系统架构

2．1．3 校园一卡通系统功能模块及数据表简介

2．2 数据仓库技术概述

2．2．1 数据仓库简介

2．2．2 数据仓库系统构成

2．3 数据挖掘技术概述

2．3．1 数据挖掘简介

2．3．2 数据挖掘算法简介

2．3．3 数据挖掘流程

2．4 本章小结

第三章 校园卡消费行为挖掘分析系统设计

3．1 问题提出

3．2 系统结构规划

3．2．1 体系整体结构

3．2．2 系统模块概览

3．3 数据仓库设计

3．3．1 数据仓库的构建规划

3．3．2 数据仓库的构建过程

3．4 本章小结

第四章 数据挖掘分析方法

4．1 多源数据融合

4．1．1 数据清洗

4．1．2 数据融合

4．2 基于约减的FP-growth改进算法

4．3 敏捷应用数据库

4．4 本章小结

第五章 决策支持应用

5．1 用户行为模式挖掘

5．2 食堂人数峰值预测

5．2．1 构建敏捷应用数据库

5．2．2 基于非线性回归的食堂人数预测

5．2．3 拟合曲线的优化及应用

5．3 学生不在校预警

5．3．1 需求分析

5．3．2 构建敏捷应用数据库

5．3．3 实验结果与分析

5．4 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介