基于數(shù)據(jù)融合的 一種校園安全判定模型構(gòu)建與研究

趙文龍 鄧文雯 張強(qiáng)偉 孫玉

摘? ?要：傳統(tǒng)學(xué)生在校狀態(tài)往往基于一卡通消費數(shù)據(jù)進(jìn)行判斷，存在數(shù)據(jù)質(zhì)量不高、消費隨機(jī)性較大等現(xiàn)象，加上信息時代行為習(xí)慣不同，導(dǎo)致數(shù)據(jù)精準(zhǔn)度不高、預(yù)測性不強(qiáng)、可信度較差。為精準(zhǔn)掌握學(xué)生在校狀態(tài)，文章提出一種基于多源數(shù)據(jù)融合的判定模型，結(jié)果表明：行為活動時間長度在篩選時間段長度[60%，80%]之間時，是否在校判定模型的計算結(jié)果與實際在校狀態(tài)基本相符，準(zhǔn)確率可達(dá)98%以上，為疫情防控提供了輔助決策支持，為平安校園建設(shè)提供了一種技術(shù)保證，并根據(jù)ARIMA模型進(jìn)行預(yù)測分析，對學(xué)情管理具有一定的指導(dǎo)價值。

關(guān)鍵詞：數(shù)據(jù)融合;判定模型;數(shù)據(jù)驅(qū)動;輔助決策;預(yù)測分析

中圖分類號：G717;TP391.77 文獻(xiàn)標(biāo)志碼：A 文章編號：1673-8454（2021）15-0065-04

一、引言

隨著大學(xué)返校復(fù)學(xué)的推進(jìn)，為確保返校學(xué)生生命安全和身體健康，繼續(xù)堅持健康狀況“日報告”和“零報告”制度，積極有效開展線上線下混合式教學(xué)。[1]利用校內(nèi)業(yè)務(wù)系統(tǒng)之間數(shù)據(jù)融合聯(lián)動，達(dá)到用數(shù)據(jù)說話、用數(shù)據(jù)決策、用數(shù)據(jù)管理的效果，進(jìn)而為實現(xiàn)精準(zhǔn)分析學(xué)情提供輔助決策支持，并將“人民至上、生命至上”政策落實到常態(tài)化學(xué)情管理中。[2]

隨著信息化業(yè)務(wù)深度的拓展，以往精準(zhǔn)學(xué)情分析如學(xué)生是否在校，僅靠一卡通應(yīng)用分析完成，仍存在數(shù)據(jù)質(zhì)量差、分析結(jié)果不準(zhǔn)確、數(shù)據(jù)價值難以實現(xiàn)的情況;[3]鑒于此，基于異構(gòu)數(shù)據(jù)融合，筆者提出一種高等院校學(xué)生是否在校安全判定模型的數(shù)據(jù)解決方案，通過集成異構(gòu)應(yīng)用系統(tǒng)的多源耦合數(shù)據(jù)的采集、清洗、治理，基于預(yù)置設(shè)定模型對數(shù)據(jù)集進(jìn)行計算、可視化展示，并對在校異常情況進(jìn)行特別關(guān)注與處理，進(jìn)而實現(xiàn)對全校學(xué)生在校狀態(tài)實時掌控，為學(xué)校的教學(xué)、管理提供決策支持，實現(xiàn)決策科學(xué)化、學(xué)情治理精準(zhǔn)化。

二、相關(guān)工作

1.數(shù)據(jù)融合

數(shù)據(jù)的多源異構(gòu)性使數(shù)據(jù)共享和綜合應(yīng)用變得比較困難，進(jìn)而導(dǎo)致“數(shù)據(jù)孤島”存在。單一業(yè)務(wù)系統(tǒng)數(shù)據(jù)往往不足以支持特定數(shù)據(jù)集成應(yīng)用研究，因此通過構(gòu)建數(shù)據(jù)平臺，實現(xiàn)不同業(yè)務(wù)平臺內(nèi)數(shù)據(jù)質(zhì)量不一的混合型、離散型整合，打通數(shù)據(jù)孤島，進(jìn)而通過一個多層次、多方面的處理過程，如對多源數(shù)據(jù)進(jìn)行檢測、結(jié)合、相關(guān)、估計和組合，以期實現(xiàn)數(shù)據(jù)冗余減少，數(shù)據(jù)提質(zhì)增效，精確的狀態(tài)估計、身份評估等完整及時的態(tài)勢分析。其按操作級別分為數(shù)據(jù)級融合、特征級融合以及決策級融合。

2.校園安全

疫情防控期間，校園安全成為學(xué)校穩(wěn)定、產(chǎn)生社會影響的關(guān)鍵因素，借助智能信息化技術(shù)對學(xué)生是否在校進(jìn)行精準(zhǔn)的識別與預(yù)警，及時發(fā)現(xiàn)和掌控學(xué)生在校行為的安全異常點，消除化解疫情防控期間的安全隱患，有效做到學(xué)生在校安全的全生命周期的管理和預(yù)警，并利用大數(shù)據(jù)手段對疑似不在校學(xué)生予以重點關(guān)注，為多維度的校園學(xué)情管理提供決策支持，切實履行校園安全保障責(zé)任，落實“校園安全無小事”的常態(tài)化服務(wù)事項。

三、理論模型

基于數(shù)據(jù)清洗與整合平臺，通過ETL工具采集關(guān)聯(lián)業(yè)務(wù)系統(tǒng)產(chǎn)生的原始數(shù)據(jù)，經(jīng)清洗、治理、轉(zhuǎn)換后，將以學(xué)生唯一ID標(biāo)識為基準(zhǔn)構(gòu)建的、時間屬性約束下的行為屬性數(shù)據(jù)鏈存儲在共享數(shù)據(jù)中心主題庫。[4]其執(zhí)行流程如圖1所示。

如圖1所示，采集異構(gòu)多源業(yè)務(wù)系統(tǒng)（一卡通消費系統(tǒng)、圖書借閱系統(tǒng)、人臉識別安防系統(tǒng)、上網(wǎng)認(rèn)證系統(tǒng)）的數(shù)據(jù)，基于異構(gòu)數(shù)據(jù)治理處理采集的數(shù)據(jù)，并將治理后的數(shù)據(jù)轉(zhuǎn)換成統(tǒng)一格式，生成學(xué)生在校行為活動統(tǒng)一格式記錄，構(gòu)建數(shù)據(jù)篩選參數(shù)和判別邏輯模型，分析學(xué)生限定時間段內(nèi)在校情況，進(jìn)而判斷學(xué)生在校時段內(nèi)的行為狀態(tài)，最終為疫情防控管理提供輔助決策支持。

根據(jù)預(yù)設(shè)參數(shù)從主題庫所存儲學(xué)生的記錄表中篩選出滿足一定條件的在校行為活動記錄，并將在校行為記錄存儲為數(shù)據(jù)鏈，每一數(shù)據(jù)鏈均含有ID號、行為發(fā)生時間、行為屬性等，設(shè)計模型如下：

上面三個公式中：Yi是第i個學(xué)生的行為活動次數(shù);

Ci是預(yù)設(shè)時間內(nèi)行為活動時間長度;

Si是第i個學(xué)生平均活動時間長度;

S是所有學(xué)生平均行為活動時間長度;

N是學(xué)生總數(shù)。

基于上述公式，其判定模型為：

（1）若第i個學(xué)生的活動次數(shù)Yi大于0，則判定預(yù)設(shè)時間段內(nèi)該學(xué)生在校，否則不在校;

（2）若第i個學(xué)生的活動時間長度Ci大于等于閾值A(chǔ)，且單次活動時間長度Si小于等于單次活動時間長度平均值，則判定預(yù)設(shè)時間段內(nèi)該學(xué)生全時段在校，否則不在校。

四、模型設(shè)計

基于多源共享分析挖掘數(shù)據(jù)價值，建立決策模型，[5]構(gòu)建一體化、智能化的輔助決策服務(wù)平臺，進(jìn)一步推動高校信息化建設(shè)發(fā)展，本文提出的學(xué)生是否在校判定模型設(shè)計，分?jǐn)?shù)據(jù)采集模塊、數(shù)據(jù)清洗與整合模塊、數(shù)據(jù)轉(zhuǎn)換與篩選模塊、數(shù)據(jù)判定模塊、數(shù)據(jù)可視化展示模塊及數(shù)據(jù)存儲模塊。其總體設(shè)計框圖如圖2所示。

如圖2所示，數(shù)據(jù)采集模塊主要實現(xiàn)關(guān)聯(lián)業(yè)務(wù)原始數(shù)據(jù)采集，并基于增量模式實時存儲數(shù)據(jù);數(shù)據(jù)清洗與整合模塊主要依據(jù)元數(shù)據(jù)，規(guī)范統(tǒng)一整合多源異構(gòu)數(shù)據(jù)并進(jìn)行混合存儲;數(shù)據(jù)轉(zhuǎn)換與篩選模塊主要實現(xiàn)，行為活動數(shù)據(jù)基于數(shù)據(jù)鏈表轉(zhuǎn)化成統(tǒng)一的格式化要求數(shù)據(jù);數(shù)據(jù)判定模塊根據(jù)判斷模型進(jìn)行數(shù)據(jù)推算;數(shù)據(jù)可視化模塊實現(xiàn)設(shè)定時間段內(nèi)的在校判定結(jié)果實時展示，進(jìn)而為輔助管理提供決策支持，實現(xiàn)決策治理科學(xué)化。

1.模型計算

本文提出的判定模型，設(shè)定共用N個學(xué)生，算法模型規(guī)定如下：

（1）選取第i個學(xué)生的行為活動記錄表Xi（i=1，2，3，...，N），查詢統(tǒng)計出預(yù)設(shè)時間段內(nèi)第i個學(xué)生的行為活動次數(shù)Yi;

（2）按照行為活動時間對行為活動記錄表中的數(shù)據(jù)鏈進(jìn)行排序，用行為活動數(shù)據(jù)鏈中的最大行為活動時間減去數(shù)據(jù)鏈中最小行為活動時間將得到第i個學(xué)生預(yù)設(shè)時間段內(nèi)的行為活動時間長度Ci;

重復(fù)執(zhí)行（1）（2），先分類匯總N個學(xué)生的行為活動次數(shù)、行為活動時間，再分別計算出行為活動次數(shù)平均值、單次行為活動時間長度Si、平均單次行為活動時間長度S。

2.數(shù)據(jù)存儲與展示

學(xué)生行為活動記錄數(shù)據(jù)經(jīng)采集、清洗、轉(zhuǎn)換后存儲在主題庫中，為便于數(shù)據(jù)分類匯總，將篩選后的數(shù)據(jù)鏈表數(shù)據(jù)存儲在Elastic Search搜索引擎數(shù)據(jù)庫中。實時展示學(xué)生在校、疑似不在校統(tǒng)計數(shù)據(jù)，并支持“下鉆”級聯(lián)查詢，為疫情防控期間學(xué)情分析提供輔助決策支持。

3.模型實現(xiàn)

先將多源異構(gòu)數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一數(shù)據(jù)格式，將原始庫中的數(shù)據(jù)統(tǒng)一轉(zhuǎn)換為“學(xué)號、姓名、日期、學(xué)院、行為記錄開始時間、行為記錄結(jié)束時間、行為活動屬性”（各項之間間隔1個字符）數(shù)據(jù)格式，其中行為活動屬性包括“1.校園消費”“2.圖書借閱”“3.人臉識別”“4.上網(wǎng)認(rèn)證”;根據(jù)預(yù)設(shè)屬性如時間段等，對數(shù)據(jù)鏈表進(jìn)行查詢即可獲取相應(yīng)的行為活動記錄。[6][7]利用上述定義的數(shù)據(jù)結(jié)構(gòu)完成行為活動記錄鏈數(shù)據(jù)封裝，根據(jù)預(yù)設(shè)時間段進(jìn)行滿足條件的數(shù)據(jù)鏈表記錄篩選，并存儲篩選記錄，以便對數(shù)據(jù)進(jìn)行可視化展示。

根據(jù)結(jié)構(gòu)體數(shù)據(jù)鏈表數(shù)組模型分別計算出：①每個學(xué)生Xi行為活動次數(shù)Yi、所有學(xué)生X（i=1，…，N）的行為活動記錄平均值;②每個學(xué)生Xi行為活動時間長度Ci;③每個學(xué)生Xi單次行為活動時間長度Si;④所有學(xué)生X（i=1，…，N）的單次行為活動長度均值S。

基于封閉期間線上教學(xué)時間（上午8∶00-下午5∶50）、餐飲供應(yīng)時間（早上7∶00-晚上6∶30）、圖書館特殊時段工作時間（早上8∶00-下午5∶00）等要求，預(yù)設(shè)時間段設(shè)置分別為時間段1（上午7∶00-下午1∶30）、時間段2（下午1∶30-晚上6∶30）、時間段3（晚上6∶30-第二天上午8∶00）、時間段4（整天全時段00∶00-24∶00）。

采用雙向數(shù)據(jù)鏈表的設(shè)計，并將行為活動記錄數(shù)據(jù)項作為數(shù)據(jù)鏈表中的一個節(jié)點，不同數(shù)據(jù)項之間通過指針實現(xiàn)，既保持?jǐn)?shù)據(jù)記錄完整性，又保持了數(shù)據(jù)鏈表的連續(xù)性。[8]

五、實驗驗證

基于Ubuntu18.04 Eclipse3.2 IDE集成開發(fā)環(huán)境完成模型分析軟件代碼實現(xiàn)與應(yīng)用部署。根據(jù)數(shù)據(jù)畫像標(biāo)簽可視化，完成每個學(xué)生Xi的預(yù)設(shè)時間段內(nèi)行為活動次數(shù)Yi的判斷，若Yi>0，則預(yù)設(shè)時間段內(nèi)此學(xué)生Xi在校;對Yi為0的學(xué)生集進(jìn)行二次篩選判斷，分別計算第Xi個學(xué)生的行為活動時間長度Ci、單次行為活動時間長度Si、學(xué)生單次行為活動時間長度均值S。

1.預(yù)設(shè)時段計算分析

以14天封閉周期的第一周數(shù)據(jù)為例，不同篩選時段下判定模型計算的所有在校生第一周內(nèi)的校園消費、人臉識別、圖書借閱、上網(wǎng)認(rèn)證數(shù)據(jù)平均結(jié)果統(tǒng)計如表1所示。

如表1所示，從行為活動記錄來看，四個統(tǒng)計時段內(nèi)行為活動記錄主要為上網(wǎng)認(rèn)證，校園消費略高于人臉識別，圖書借閱相對較少，主要和封閉期間減少外出、線上授課等原因相關(guān);從上網(wǎng)時間平均寬度來看，上網(wǎng)時間占時段寬度的30%以上，和上網(wǎng)習(xí)慣、線上授課相關(guān);從疑似不在校率來看，疑似不在率與時段寬度相關(guān)，從試驗數(shù)據(jù)可知，若篩選時間寬度越長，疑似不在校率就越低;若篩選時間寬度越窄，疑似不在校率就越高。全時段模型運算流程如圖3所示。

如圖3所示，根據(jù)判定模型，設(shè)置推算時段初值和累進(jìn)步長，經(jīng)多次實驗對推算時間內(nèi)的閾值進(jìn)行推理，發(fā)現(xiàn)閾值寬度和活動時間長度、單次活動時間長度之間具有相關(guān)性，經(jīng)推算得知：閾值∈篩選時間段長度的[60%，80%]范圍內(nèi)，學(xué)生是否在校判斷正確率接近實際;若閾值大于篩選時間段長度的80%或小于篩選時間段長度的60%，學(xué)生是否在校判斷正確率偏差較大，與實際不符。

2.模型判定運算結(jié)果分析

根據(jù)模型算法顯示的封閉期內(nèi)14天的在校率統(tǒng)計數(shù)據(jù)，本次返?？?cè)藬?shù)為6000，7個二級學(xué)院平均在校率為99.939%。

如圖4所示，第一批學(xué)生自4月23日返校，4月24開始14天封閉期，根據(jù)判定模型計算出當(dāng)天疑似不在校學(xué)生人數(shù);參照線性模型、2移動平均（雙周期移動平均）模型均顯示疑似不在校趨勢為逐漸減少，其預(yù)測趨勢與實際相符，隨著封閉期結(jié)束，學(xué)生一卡通消費、圖書借閱、人臉識別、上網(wǎng)認(rèn)證和校園生活逐步恢復(fù)正常。

3.ARIMA模型預(yù)測結(jié)果分析

根據(jù)一個封閉期內(nèi)14天的數(shù)據(jù)，基于ARIMA模型進(jìn)行時間序列預(yù)測分析。

本文提出的判定模型對14天的運算結(jié)果表明不具有時序季節(jié)性影響、接近卡方近似呈平穩(wěn)分布，經(jīng)多次試驗確定模型ARIMA（p，d，q）中的p為1、d為1、q為1。模型預(yù)測分析結(jié)果如表2、表3、圖5所示。

如表2 所示，R平方為0.915，表明數(shù)據(jù)序列擬合度較高;如表3所示，AR系數(shù)為0.077，MA系數(shù)為0.646，顯著性水平小于0.01;由圖5可知，殘差A(yù)CF、殘差PACF呈現(xiàn)平穩(wěn)狀態(tài);擬合結(jié)果顯示ARIMA（1，1，1）合理。

由多次推算調(diào)整參數(shù)可知，ARIMA模型（1，1，1）與實際相符，預(yù)測疑似不在校人數(shù)隨著校園生活逐步恢復(fù)后趨于平穩(wěn)，不會出現(xiàn)較大波動，進(jìn)而表明本文提出的一種校園安全判定模型可為校園安全提供技術(shù)保證和決策支持。

六、結(jié)語

基于需求引領(lǐng)、數(shù)據(jù)驅(qū)動原則整合業(yè)務(wù)系統(tǒng)，解決數(shù)據(jù)“孤島”，實現(xiàn)數(shù)據(jù)共享。創(chuàng)建業(yè)務(wù)模型，實現(xiàn)學(xué)情綜合治理，通過學(xué)情深度挖掘，建立數(shù)據(jù)關(guān)聯(lián)關(guān)系，實現(xiàn)多源數(shù)據(jù)分析，并將結(jié)果進(jìn)行可視化展示，為學(xué)生管理提供輔助決策與支持。

本文提出的一種校園安全判斷模型在疫情下返校復(fù)課學(xué)生管理中得以應(yīng)用，充分利用大數(shù)據(jù)手段對疑似不在校學(xué)生予以重點關(guān)注，為多維度的校情學(xué)情管理提供決策支持，切實履行學(xué)生安全保障責(zé)任，積極落實“人民至上、生命至上”常態(tài)化服務(wù)理念。本文設(shè)計的個性化分析模型有效提升了校園安全系數(shù)，并根據(jù)ARIMA模型進(jìn)行預(yù)測模型分析，為平安校園建設(shè)提供技術(shù)保證和輔助決策支持。

參考文獻(xiàn)：

[1]劉淑英.高職院?；旌鲜骄€上線下教學(xué)模式改革的研究[J].農(nóng)家參謀，2020（16）：179.

[2]徐遵義，王俊雪.基于風(fēng)速融合和NARX神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測[J].現(xiàn)代電子技術(shù)，2020，43（9）：166-169，174.

[3]李芳.五年制高職化學(xué)學(xué)情分析及教學(xué)應(yīng)對[J].南方農(nóng)機(jī)，2019，50（19）：196，210.

[4]李秀.基于校園數(shù)據(jù)中心的數(shù)據(jù)治理與應(yīng)用[D].西安：西安科技大學(xué)，2018.

[5]邱國棟，王易.“數(shù)據(jù)-智慧”決策模型：基于大數(shù)據(jù)的理論構(gòu)建研究[J].中國軟科學(xué)，2018（12）：17-30.

[6]翟書穎，郝少陽，楊琪，李茹，李波，郭斌.多源異構(gòu)數(shù)據(jù)融合的智能商業(yè)選址推薦算法[J].現(xiàn)代電子技術(shù)，2019，42（14）：182-186.

[7]阿遼沙·葉.用電信息采集系統(tǒng)中多源異構(gòu)通信協(xié)議設(shè)計[J].現(xiàn)代電子技術(shù)，2018，41（2）：145-147，151.

[8]梁寶華.基于鏈表結(jié)構(gòu)的啟發(fā)式屬性約簡算法[J].計算機(jī)應(yīng)用與軟件，2016，33（3）：259-263.

（編輯：王天鵬）