编者按：现在的大学生不仅要会学，还要会玩，成绩、健身、旅行、社交、休闲都不能耽误。对于一些学霸来说，他们可以给自己制作一张高效生活的时间表，并从中受益，比其他人更有效率。但是对于大部分大学生而言，别说跟着时间表执行了，做一份适合自己的时间规划都很难！而本文使用模糊逻辑结合GPS定位系统，通过手机App来跟踪分析学生的生活方式，可以帮助大学生平衡所有的时间，科学高效地学习、休息、健身、社交。
1.目前研究的方向，我们研究的问题
进入大学后，学生的生活不再只有学习。大学生不仅要保证学业优秀、身体健康，还要安排好自己的日常生活，参加社交活动，以及追求自己感兴趣的领域。本文所讲的模糊逻辑系统不仅可以帮助学生从事这些活动，还能帮助他们平衡所有的时间。这样做最终可以帮助学生根据自己的意愿选择更适合自己的职业。
要想安排好自己的日常生活，最终按照自己的意愿选择适合自己的职业，学生要在所有活动中明确自己要用的时间，耗费的精力。不过事实上能做到这种程度的学生能有几个呢？这种人虽少，但是可以在实践活动中令自己更加优秀。
用模糊逻辑解决和大学生相关的问题的研究近来出现了很多。
Pateletal对学生的学业表现进行了评估，包括考勤、内部考试、实验室作业和团队合作评估等。
Chrysafiadi和Virvou开发了一种模糊逻辑系统,深入了解学生的遗忘过程。
Ingoley和Bakal已经抛弃了传统评估学生表现的方法，开始考虑个人因素，如压力承受能力和接受评估系统是私密而非透明的事实。
Gokmen等人已经制定了一个模糊的评估系统，通过在考试前设立评估标准，有助于评估学生的表现和考试类型，这对我们本文的研究很有帮助。
Hameed和Sorensen已经开发了一个可靠和稳健的系统，使用高斯型隶属函数进行学生评估。
Xu等人在学习材料，测验和建议方面实现了基于网络的教育系统的个性化，实现了学习的有效性。
Huapaya开发了模糊学生诊断模型，帮助教师提供高度的灵活性来评估学生。
观察以上研究可以看出，使用模糊逻辑系统解决学生生活方式的问题并不多，本文讨论的是通过一种模糊逻辑的新方法对学生在各类事项中对每天时间支配的分析。根据数据分析得出的结果，必须定期给予适当的建议和意见。这将有助于学生控制不良习惯，保持良好的生活方式。
A. 什么是模糊逻辑
在过去三十年中，模糊逻辑被广泛应用于各种领域来解决问题。它越来越受到人们欢迎的原因之一是其可用性在所有行业都是动态规划的，包括过程控制或优化。模糊逻辑抛弃了“绝对真理”的理论，提出了一种新的“部分真理”的理论，也称为隶属度（Zadeh在1965年提出）。
首先，让S成为一个非空集合，称为全集。现在，考虑任何一个确定的集合A属于S。
其特征函数X（A）定义为：
特征函数将0或1的值分配给S的每个元素。
现在考虑一个模糊集B属于S。隶属函数μB（x）定义为μB：S→[0,1]。与经典集理论中的集合的概念不同，其中元素属于或不属于基于二价条件的特定集合，在模糊集理论中，元素对特定集合的归属是使用介于0和1之间的隶属度值的隶属函数来确定的。
B. 问题解决的思路
这个问题可以分为三大部分：
数据收集：利用GPS和Google Places API，对所有定义位置的数据进行收集和用户在每个位置所花费的时间。
模糊化：不分明化输入并计算相应的隶属函数的值。
去模糊化：根据某些规则设置模糊推理系统，并给出建议和意见。
2. 模糊逻辑系统的设计思路
本文的一般工作流程如图1所示。
图1 模糊逻辑系统架构来确定学生的生活方式
表1 取样地点及用途
A. 数据收集
大学生几乎都随身携带手机，于是，可以使用GPS全天候提取他/她的位置。系统为了进行测试，在Android上开发了一个移动应用程序，并利用谷歌映射API提取用户的位置。
Google Maps API将大部分地点分类为餐厅，购物中心，市政厅等类别。根据这些类别进行标签标注。除了这些现有的标签之外，还生成了两个附加的标签，即家庭和工作。这两个附加标签的GPS数据将是用户特定的。
因此，最初每个用户都需要更新这两个标签的位置。这个步骤是为了明确地识别自己的家庭和工作场所，在进一步的过程中会产生准确的结果。
鉴于人们可能在披萨店和家人朋友聚餐玩耍，也可能在披萨店工作，事先如果不知道披萨店的GPS详情，就会把在披萨店聚餐的时间作为在披萨店工作的时间。为了避免这种混乱，必须执行以上初始步骤。
令X={x| x是一个标签}。分析一个人的生活方式是由许多参数控制的，但在典型的大学生生活中，我们主要关心大学生的健康，工作，休闲和社交。
然而，学生也会投身到不属于这些类别的活动中，如旅行。像这样的活动属于另一类。现在让S，L，H，W，O是X定义的子集。
S={x|x属于X，x=社交和x≠家庭，工作}
L={x|x属于X，x=休闲和x≠家庭，工作}
H={x|x属于X，x=健康和x≠家庭，工作}
W={x|x属于X，x=工作和x≠家庭}
O={x|x属于X和x不属于SLHW的并集}
标签x可能属于集合S，L，H，W中的一个或多个。例如，一个人可能会去游乐园。在这种情况下，这个人的社交和休闲目的都达到了。
使用这种分类技术，我们可以提取一个人的位置和一天内在每个标签上花费的时间。表1列出了一些地点及其访问目的。所提到的位置基本上是家庭和工作以外的标签。
衡量标准
对某一特定目的，不同的位置将产生不同的工作量和影响。例如，医院和健身房都属于健康类别。然而，一个人去健身房是为了增加身体活动，因此去健身房对健康有积极的影响。但是，如果他/她生病了，就会去医院。因此，去医院对人的健康有负面影响。所以我们必须不同地处理这两种情况。
函数Y定义为Y：X→R使得每x属于X的Y（x）表示在标签位置x处花费的时间。例如，令x=健身房，如果Y（x）=0.5，这意味着一个人一整天在健身房度过了30分钟。在本文中，时间单位以小时计算。
函数ZS定义为ZS：S属于[-100,100]，每x属于S的ZS（x）表示相对于社交类别的标签x的强度。类似的，可以分别为健康，休闲，工作和其他类别定义ZH，ZL，ZW和ZO。选择范围[-100,100]进行归一化。
例如，令x=健身房，那么ZH（x）=50>0，表示健身房具有积极的健康影响；令y=医院，那么ZH（y）=-20<0，表示医院对健康有消极影响。
但是，ZL（x）=ZL（y）=0。x和y对休闲类别没有积极或消极的影响。
还要注意的是，如果标签t属于两个不同的类别，那么它在两个类别中的权重不能为0。
函数Y和Z是不包括家庭标签的，因为它是一个特例。家庭标签将在后面单独解释。
权重分配
一开始可以自由分配权重。
但是为了获取更好的结果，我们可以经过调查再分配权重，以了解位置标签属于哪个类别。
拿健康类别举个例子。
在调查中，我们要求样本人群对健康类别从正权重到负权重的顺序排列每个x属于H。
H={健身房，操场，游泳馆，健身俱乐部，医院，药店，物理治疗师，牙医，医生}
图2显示了一项调查，以确定健康类别的正权重。
蓝色：健身房
红色：健身俱乐部
黄色：操场
绿色：游泳馆
图2 健康类别正权重的调查
由于54.1％的受访者投票选出操场作为他们最大的积极的受益健康类别，计算x=操场的相应权重为ZH（x）=54.1/100×100=54.1。
图3显示了一项确定健康类别负权重的调查。
蓝色：医院
红色：药店
黄色：物理治疗师
绿色：牙医
紫色：医生
图3 健康类别负权重调查
由于41％的受访者将医生视为消极的健康的极限类别，计算x=医生的相应权重为ZH（x）-41/100×100=-41。
家庭标签
在家居住的时间可能不会完全用于休息和休闲。人们可以在家里练习瑜伽，并将相应的时间添加到健康类别中。
我们用T表示在家里花费的总时间。而TH，TW，TL，TO，TS表示各类别的等效时间。
这部分需要用户通过移动应用程序输入。
B.模糊化
时间调整
定义一个人p。假设p访问标签{x1，x2，...，xn}，再由{Y（x1），Y（x2），...，Y（xn）}表示在这些标签位置处花费的时间。令KH，KL，KS，KW，KO分别表示在健康，休闲，社交，工作和其他类别中花费的总体时间。得出：
同样的，可以得出KW，KS，KL，KO。
我们定义了所有类别的以下模糊集合。这些集合定义了一个人生活在每个类别中的生活方式。休闲还包括休息。
健康={不健康的,健康,积极健身}
休闲={忙碌，理想状态，懒惰}
社交={保守，交际，过分社交}
工作={懈怠，努力，勤奋}
其他={非生产性，生产性的}
这些模糊集的隶属函数是通过对样本人群进行调查而构建的。调查数据可以通过使用分位数范围和梯形隶属函数进行近似。不过，也可以使用各种其他技术来绘制隶属函数。
例如，在抽样调查中健康类学生花费的时间是：0.45,2.25,2,2.25,2.5,2.5,2.75,2.75,3,4,4.25。
因此，分位间隔Q1=2，Q2=2.5，Q3=3，inf=0.45，sup=4.25。在健康类别中使用这些值的语言术语“fit”的梯形隶属函数如图4所示。
图4 关于时间的所有类别的所有语言术语的隶属函数
图4显示了所有类别的不同语言的梯形隶属函数。
得分调整
大学生在某地花费的时间很重要，如何度过这段时间同样重要。这种对时间的有效利用由相应类别的分数MS，ML，MO，MW和MH表示。社交类别的得分计算如下：
其他类别的分数同样可以得出。
模糊的语言术语集“低分”,“理想分数”和“高分数”在每个类别定义模糊的分数。通过调查，可以计算这些集合在所有类别中的隶属函数，与模糊时间隶属函数的关系。例如,一项调查的样本符合学生表2所示。
因此，inf=11.25,Q1=29.75,Q3=42,sup=50。
健康类别下的语言术语“理想分数”的隶属函数如图5所示。同样，可以绘制所有类别中整个模糊集的隶属函数。
表2 调查确定在健康类别下的语言术语“理想分数”的隶属函数
图5 健康类别下“理想分数”的隶属函数
C. 去模糊化
其中x属于X而i=S,L,O,W,H，计算相应的Ki和Mi。使用调查，可以确定所有类别中所有语言术语的时间和分数模糊化的隶属函数。因此，在所有语言术语的分类中，Ki和Mi的分值都是可以确定的。令{R1,R2,…，RN}是一组推荐。现在每个Rk(1≤k≤N)将依赖于一组语言条件。
例如，推荐R=“只工作，不玩耍，聪明的孩子也变傻” ，即如果一个人在工作上花费了太多的时间和精力，而在休闲和社交生活上花费的时间少了，那么他就会被击败。
即他/她有一个“勤奋”的工作状态，一个高的工作分数；一个“保守”的社交状态，一个低的社交分数；一个“忙碌”的生活状态，一个低的分数。
所以R的属性可以被表示为{KW="工作"，MW=“高分”，KS=“保守”，MS=“低分”，KL=“忙碌”，ML=“低分”}。
令Rk具有{a1，a2，a3，...，an}的属性。
这里每个aj（1≤j≤n）是一个类别的语言术语的分数和时间的组合。
因此，如前所示，可以计算其隶属度值。令μ1，μ2，μ3，...，μn表示每个属性的各个隶属度值。这里n表示每个Rk可以有所不同。例如，图6显示隶属度值MH的功能。
图6 隶属度值的计算
令a1，a2，a3为以下属性：
a1=MH：低分
a2=MH：理想分数
a3=MH：高分
因此，对于MH=17，μ1，μ2，μ3对应图6分别为0.6,0.310,0.0。
对于每个aj使用相等的权重标准，我们可以计算每个建议ρ（Rk）定义的得分：
最后，使用最可能的标准，输出最大得分值ρ（Rk）的推荐。
3. 输出示例
为了确定所有类别中所有语言术语的所有隶属度值，我们在印度理工学院进行了一项调查。安装移动应用程序在学生的手机上，并对结果进行分析。
我们随机选了一名学生，并分析了他当天的数据。表Ⅲ显示了他在一天中访问的标签及其对应的时间和权重，每个标签的得分。表Ⅳ显示了所有类别的总时间和分数。
集合R中的R={R1，R2，R3，R4}的建议如下。
R1=“今天晚上去看电影”。
R2=“工作第一”。
R3=“家庭事务”。
R4=“去健身房锻炼”。
R的属性如表V所示。每个属性的隶属度值如表Ⅵ所示，还包括每个建议的相应分数。
由于ρ（R1）是最大的，移动应用程序建议学生“今晚去看电影”。
移动应用程序是使用Google Maps API在Android平台上开发的，通过GPS进行位置跟踪。开发的应用程序的截图如图7所示。
表Ⅲ 实验:数据
表Ⅳ 实验:计算每个类别的总时间和分数
表V 实验:推荐属性
表Ⅵ 实验:推荐分数计算
a)推荐屏幕
b)工作类别时间分配
图7 移动应用程序的屏幕截图
4. 结论
时间管理一直是一门难以掌握的复杂艺术。本文通过使用模糊逻辑来理解这个艺术背后的科学，帮助大学生掌握它。
从长远来看，这项技术的使用将导致更准确的结果。这种方法的主要亮点是大部分细分是自我配置的。
由于地理位置，大学性质和基础设施等诸多因素，在大学A学习的学生和大学B中学习的学生的动态可能会有很大的不同。因此，两个学校学生的分析参数应该有显著差异。
本文给予用户这种灵活性，以确定各种属性，如权重标签，隶属函数的类型和一组建议。这种做法将产生更好的结果，长期持续的应用效果巨大。该方法可应用于大学中所有学生的表现。结果可以与学校分享，使学校能够为学生的成长带来福祉。
作者：Sourish Ghosh，Aaditya Sanjay Boob，Nishant Nikhil，Nayan Raju Vysyaraju，Ankit Kumar
智能观 编译
还没有评论，来说两句吧...