[发明专利]一种基于无监督聚类模式的学生异常行为模式分析方法

摘要

本发明公开一种基于无监督聚类模式的学生异常行为模式分析方法，包括如下步骤：步骤1：提取学生异常行为关键特征；步骤2：使用无监督聚类分析进行学生异常行为类提取；步骤3：分组别度量学生异常类中异常行为个体；步骤4：利用学生时空关联图检测具有相似行为的异常群体。采用本发明的技术方案，可实现对校园内存在的学生异常行为进行精准分析，帮助校园管理人员精准、快速分析学生行为。

主权项

1.一种基于无监督聚类模式的学生异常行为模式分析方法，其特征在于，包括以下步骤：步骤1：学生异常行为关键特征提取所述关键特征包括：学生属性维度、消费规律特征、时间空间维度特征、社交活动特征；学生属性维度包含学生卡号Studentid、学生卡平均使用次数AvgCarduse、学生卡交易金额TransMoney；消费规律特征包含高峰时段消费HotTimeFre、正常消费次数NorUseFre；时间空间维度特征包含活动地点熵值LocDiff、活动时间熵值TimeDiff；社交活动特征包括个人社交网络大小MatSocLength、个人社交频率MatSocFre；基于上述9维关键活动特征指标为每一个体构建活动特征序列，以量化其在校行为规律；步骤2：基于无监督聚类方式的学生异常类提取使用K‑Means算法针对选取样本进行聚类分析，通过对K进行赋值进行聚类数目的判定，通过聚类的方式在高维度空间中具有相同或相似特征模式的个体将被分为一类，并且通过类内凝聚度以及类间凝聚度进行聚类效果的衡量；并利用相对异常算法ROCF(Relative outlier cluster factor)计算突变异常类，判断所得类目为纯异常或混合类；步骤3：基于局部异常因子算法的分组别异常个体行为分析基于提取的异常类与混合类，针对类内个体进行逐一分析，对于个体属于纯异常类的认定为异常个体；针对混合类使用基于局部异常因子的算法，判定个体在空间及时间特征上的离群程度，并通过验证筛选定义判定阈值，在所述阈值之上个体被认定为行为异常个体；步骤4：基于时空关联分析的异常群体检测通过对异常类及异常个体的挖掘与判定，将获得在行为上带有异常标签的个体，通过度量全体学生样本中与异常标签个体具有相似性，来构建基于时空关联的学生活动关联分析图，用来判断学生共有的学生行为模式，以及判定学生样本中存在的潜在异常群体。