1.一种基于学生学习习惯的大数据分析方法，包括：

步骤1：采集学生基础数据存储到计算机集群上的NoSQL数据库，并对海量基础数据进行初级分类：学习数据类、经济消费类、上网数据类、生活轨迹类；

步骤2：利用分类后的学生基础数据构建学生行为分析模型，具体步骤如下：步骤21：将学习数据类的属性集合记为A，A＝{A1,A2,…Ai,…,Am}；m为学习数据类的属性的个数，其中，Ai的属性特征值记为{ai1,ai2,ai3,…,aiti},列表表示如下：学习数据类属性 属性特征值

A1 a11,a12,a13,…,a1t1

A2 a21,a22,a23,…,a2t2

Ai ai1,ai2,ai3,…,aiti

… …

Am am1,am2,am3,…,amtm

其中，aij是学习数据类的属性Ai的属性特征值，aij(i＝1,…,m；j＝1,…,ti)的下标中，i是指第i个的属性，j是指Ai属性的第j个属性特征值，ti是表示Ai的属性特征值的个数；

步骤22：定义学生行为分析模型中分析维度的E，E＝{E1,E2,…Ei,…,Ez},z为分析维度的属性的个数；该分析维度E包含但不限于课程学习，健康分析，活动分析等属性；其中，Ei的属性特征值记为{ei1,ei2,ei3,…,eipi},列表表示如下：分析维度E 属性特征值

E1 e11,e12,e13,…,e1p1

E2 e21,e22,e23,…,e2p2

Ei ei1,ei2,ei3,…,eipi

… …

Ez ez1,ez2,ez3,…,ezpz

其中，eij是分析维度Ei所罗列的属性特征值，eij(i＝1,…,z；j＝1,…,pi)的下标中，i是指第i个的分析维度属性，j是指Ei属性的第j个属性特征值，pi是表示Ei的属性特征值的个数；

步骤23：构建学习数据类属性集合的属性特征值与学生行为分析模型中分析维度的E的各个特征值关联权重值和匹配值集合；

其中，构建学习数据类属性集合A与分析维度Ek(k＝1,…,z)属性的特征值关联权重值和匹配值集合列表如下：其中，特征值判别方法Δi(i＝1,…,m)是判别属性组Ai(i＝1,…,m)各特征值与Ek的属性特征值的匹配度的判别方法；AMij为根据特征值判别方法Δi得到的Ai的属性特征值aij与分析维度Ek的所有属性特征值的匹配值{am1,…,ampk}的集合，amq为属性Ai的aij特征值与分析维度Ek属性的第q个特征值的匹配值；awik是属性Ai与分析维度Ek属性在特征匹配计算时加权值，满足步骤24：根据步骤2的Ai的属性特征值aij与分析维度Ek的所有属性特征值的匹配值{am1,…,ampk}的集合AMij，以及Ek属性关联权重值awik，获得Ek属性的评价公式fk(x)；

步骤25：根据Ek属性的评价公式，利用曲线拟合的线性最小二乘法，获得学生预测模型γk为待定系数(k＝1,…,z)。

2.根据权利要求1所述的大数据分析方法，其特征在于：所述步骤21还包括：将经济消费类的属性集合记为B，B记为{B1,B2,…Bi,…,Bn}；n为经济消费类的属性的个数，其中，Bi的属性特征值记为{bi1,bi2,bi3,…,biri},列表表示如下：经济消费类属性 属性特征值

B1 b11,b12,b13,…,b1r1

B2 b21,b22,b23,…,b2r2

Bi bi1,bi2,bi3,…,biri

… …

Bn bn1,bn2,bn3,…,bnrn

其中，bij是经济消费类的属性Bi的属性特征值，bij(i＝1,…,n；j＝1,…,ri)的下标中，i是指第i个的经济消费类属性，j是指Bi属性的第j个属性特征值，ri是表示Bi的属性特征值的个数；

所述步骤23还包括：

构建经济消费类属性集合B的属性特征值与分析维度Ek(k＝1,…,z)属性的特征值关联权重值和匹配值集合，列表如下：其中，特征值判别方法Δm+i(i＝1,…,n)是判别属性组Bi(i＝1,…,n)与Ek的属性特征值的匹配度的判别方法；BMij为根据特征值判别方法Δm+i得到的Bi的属性特征值bij与分析维度Ek的所有属性特征值的匹配值{bm1,…,bmpk}的集合，bmq(q＝1,…,pk)为特征Bi属性的bij特征值与分析维度Ek属性的第q个特征值的匹配值；bwik是属性bi与分析维度Ek属性在个体特征匹配计算时加权值，满足

3.根据权利要求2所述的大数据分析方法，其特征在于：所述步骤21还包括：将上网数据类的属性集合记为C，C＝{C1,C2,…Ci,…,Co}；o为上网数据类的属性的个数，其中，Ci的属性特征值记为{ci1,ci2,ci3,…,ciri},列表表示如下(表3)：上网数据类属性 属性特征值

C1 c11,c12,c13,…,c1r1

C2 c21,c22,c23,…,c2r2

Ci ci1,ci2,ci3,…,ciri

… …

Co co1,co2,co3,…,coro

其中，cij是上网数据类的属性Ci的属性特征值，cij(i＝1,…,o；j＝1,…,ri)的下标中，i是指第i个的上网数据类的属性，j是指Ci属性的第j个属性特征值，ri是表示Ci的属性特征值的个数；

所述步骤23还包括：

构建上网数据类属性集合C的属性特征值与分析维度Ek(k＝1,…,z)属性的特征值关联权重值和匹配值集合列表如下：其中，特征值判别方法Δm+n+i(i＝1,…,o)是判别属性组Ci(i＝1,…,o)与Ek的属性特征值的匹配度的判别方法；CMij为根据特征值判别方法Δm+n+i得到的Ci的属性特征值cij与分析维度Ek的所有属性特征值的匹配值{cm1,…,cmpk}的集合，cmq(q＝1,…,pk)为Ci属性的cij特征值与分析维度Ek属性的第q个特征值的匹配值；cwik是属性ci与分析维度Ek属性在个体特征匹配计算时加权值，满足

4.根据权利要求3所述的大数据分析方法，其特征在于：所述步骤21还包括：将生活轨迹类的属性集合记为D，D＝{D1,D2,…Di,…,Dp}；p为生活轨迹类的属性的个数，其中，Di的属性特征值记为{di1,di2,di3,…,diri},列表表示如下：生活轨迹类属性 属性特征值

D1 d11,d12,d13,…,d1r1

D2 d21,d22,d23,…,d2r2

Di di1,di2,di3,…,diri

… …

Dp dp1,dp2,dp3,…,dprp

其中，dij是生活轨迹类的属性Di的属性特征值，dij(i＝1,…,n；j＝1,…,ri)的下标中，i是指第i个的生活轨迹类属性，j是指Di属性的第j个属性特征值，ri是表示Di的属性特征值的个数；

所述步骤23还包括：

构建生活轨迹类属性集合D的属性特征值与分析维度Ek(k＝1,…,z)属性的特征值关联权重值和匹配值集合列表如下(表7)：其中,特征值判别方法Δm+n+o+i(i＝1,…,n)是判别属性组Di(i＝1,…,n)与Ek的属性特征值的匹配度的判别方法；DMij为根据特征值判别方法Δm+n+o+i得到的Di的属性特征值dij与分析维度Ek的所有属性特征值的匹配值{dm1,…,dmpk}的集合，dmq(q＝1,…,pk)为特征Bi属性的dij特征值与分析维度Ek属性的第q个特征值的匹配值；dwik是属性di与分析维度Ek属性在个体特征匹配计算时加权值，满足

5.根据权利要求4所述的大数据分析方法，其特征在于：步骤24中，Ek属性的评价公式包括：课程学习评价公式f1(x)、健康分析评价公式f2(x)和活动分析评价公式f3(x)；

步骤25中，学生预测模型为F(x)＝γ1·ef1(x)+γ2·ef2(x)+γ3·ef3(x)；其中，γ1、γ2和γ3分别为待定系数。

6.根据权利要求5所述的大数据分析方法，其特征在于：课程学习评价公式

其中ω11、ω12、ω13和ω14分别为待定系数。

7.根据权利要求5所述的大数据分析方法，其特征在于：健康分析评价公式

其中ω21、ω22、ω23和ω24分别为待定系数。

8.根据权利要求5所述的大数据分析方法，其特征在于：活动分析评价公式f3(x)＝；

其中ω31、ω32、ω33和ω34分别为待定系数。

9.一种基于学生学习习惯的大数据分析系统，其特征在于：该分析系统采用权利要求

1-8的大数据分析方法实现。