浅析对大数据挖掘技术与高职院校汽车类专业课程融合

张芽

摘 要：随着大数据时代的到来，有效挖掘海量数据背后潜在模式成为研究热点。我国高职院校汽车类专业课程涉及大量故障及维护实践数据，传统授课方式单一，未有效挖掘利用这些数据背后潜在模式为课程服务，课程缺乏创新。本文通过对大数据挖掘技术和汽车类专业课程融合探讨，提出大数据挖掘技术与高职院校汽车类专业课程融合的新教学模式和方法，利用大数据挖掘技术充分挖掘海量汽车类专业相关数据背后隐藏的有效模式，并对理论与实践授课阶段进行指导，旨在推动大数据挖掘技术在高职院校汽车类课程教学工作中发挥更大作用。

关键词：大数据挖掘技术 高职院校 汽车类专业 指导

Analysis on the Integration of Big Data Mining Technology and Automobile Professional Courses in Higher Vocational Colleges

Zhang Ya

Abstract：With the advent of the era of big data， effectively mining potential patterns behind massive data has become a research hotspot. The automobile professional courses of higher vocational colleges in China involve a large amount of fault and maintenance practice data. The traditional teaching method is single， and the potential patterns behind these data are not effectively exploited to serve the courses， and the courses lack innovation. This paper discusses the integration of big data mining technology and automotive professional courses， and proposes a new teaching model and method that integrates big data mining technology with automotive professional courses in higher vocational colleges， and uses big data mining technology to fully mine massive automotive professional related data. The hidden effective model and the guidance of the theory and practice teaching stage are aimed at promoting big data mining technology to play a greater role in the teaching of automobile courses in higher vocational colleges.

Key words：big data mining technology， higher vocational colleges， automobile majors， guidance

1 大數据挖掘技术背景

大数据背景下，面对各行业海量结构化数据挖掘问题，以Hadoop、Spark、Storm为支撑的分布式数据挖掘平台受到越来越多关注。其中，以分布式文件系统（Hadoop Distributed File System，HDFS）为数据存储，以MapReduce为分布式计算框架的数据挖掘技术在云计算、海量数据离线分析、实时流数据挖掘等实际场景得到广泛应用。

汽车实践类课程与大数据挖掘技术有效融合一直是高职院校课程改革的重难点，汽车类的多数课程在实践环节中涉及大量的汽车维护与保养以及故障诊断等参数数据，但存在的问题是，在教学实践过程中，并没有有效挖掘利用这些数据作为课程教学的参考。为此，我们需要应用大数据挖掘技术，如决策树、支持向量机（Support Vector Machine，SVM）、人工神经网络（Artificial Neural Networks，ANN） 等对这些数据挖掘，将大数据挖掘技术充分融入到高职院校汽车类专业课程，提高数据利用率，为课程授课提供参考和依据，从而最大程度的降低人工汽车维修与保养成本，为汽车类专业课程改革提供方向。

2 大数据挖掘技术与课程融合现状及存在的问题

2.1 发展现状

近年来，国家不断加大对大数据、人工智能、区块链等技术的政策扶持力度，各大企业纷纷成立大数据研究基地，各高校结合自身专业实际成立大数据挖掘研究院等。大数据挖掘技术目前主要应用在流量预测、广告点击预测、用户行为分析等场景，对于高职院校汽车类专业课程而言，受课程特殊性要求，大数据挖掘技术一直以来没有与课程相融合，授课方式采用传统讲授与实践相结合的模式。大量专业课程相关实践参数数据没有发挥其真正价值和意义，课程缺乏创新和信息化技术融入。

2.2 存在的问题

2.2.1 专业课程实践数据利用率低

高职院校汽车类专业课程包括动手实践环节，该环节存在大量汽车维修与保养等相关数据。长期以来，积累的海量汽车维修数据并未得到重视，背后隐藏的有用信息未被有效挖掘并加以利用。受传统讲授式授课方式影响，理论加实践的教学模式缺乏创新性，课堂效果不佳，学生积极性不高。大数据挖掘技术与课程融合的缺失使得课程信息化程度较低，加之对现有有效数据的挖掘分析不足，使得专业课程实践数据得不到有效利用。

2.2.2 大数据挖掘技术复杂度高

大数据挖掘技术覆盖面广，技术含量高，涉及数学、生物、计算机、现代密码学等学科知识，包含机器学习、大数据、数据挖掘、云计算等内容，需要同时具备相关知识。尤其在当前大数据时代背景下，海量数据挖掘不能单纯依靠传统的逻辑回归、决策树、SVM等数据挖掘方法，而应该同时具备Hadoop、Spark等分布式数据挖掘理论与方法。技术的复杂性对从业者要求较高，加之当前高职院校专业大数据挖掘人才不足，使得该技术很难与专业课程相融合。

2.2.3 专业师资力量不足

高职院校缺乏对大数据挖掘相关的课程设置，这就导致了具备大数据知识技能的人才储备不足，很难有足够的专业师资力量去讲授类似的课程，大数据与汽车专业的融合难度间接性的提高了很多。此外，我们还必须认识到，大数据的挖掘技术复杂程度比较高，对学校的相关人才的技术熟练度有着更高表尊的要求，凡此种种，使得很多院校不具备开设汽车与大数据融合类课程的条件。我们人才库的薄弱力量目下已经成为了掣肘我们汽车专业发展的重要因素，需要我们的高校予以重视。

3 汽车类专业课程授课现状

高职院校中，汽车类专业课程普遍采用理论讲授与实践相结合的传统上课模式。具体来说，理论课堂主要意在讲解与汽车相关的基础理论知识，让学生对汽车专业的基本概念和原理进行学习，拥有扎实的理论基础;实践课程主要是以分组方式按照多对一模式在老师的带领之下进行动手实践，意在锻炼学生的实践操作能力。在实践课程中，由于受到学校硬件设备的限制，学生的实践操作时间不够产，使得部分知识仅停留在理论阶段，不能通过大量的实践操作将理论与实践相结合，更谈不上对知识的创新和扩展。反之，在理论课程环节，专业教师讲授的新理论和新方法较少，主要针对传统理论的讲授，学生学到的知识不能够从容的应对从业后面临的新型汽车技术，对于汽车新科技带来的一系列问题，无法熟练地进行解决。

4 大数据挖掘技术与汽车类专业课程融合

针对目前高职院校汽车类专业课程现状，本文提出大数据挖掘技术与汽车类专业课程融合的新授课模式。在课程准备阶段，整合相关数据，以现有汽车故障诊断及保养实践数据为基础，利用HDFS存储海量数据，离线阶段使用MapReduce分布式计算框架对海量汽车数据进行分析挖掘，在线阶段使用Spark Streaming或Storm分布式计算框架对汽车运行过程产生的数据实时分析，不断更新模型。并将模型与实际现状相结合，通过课程标准建设、老师上课环节等方法，应用到课程建设及授课过程当中。

4.1 课堂与实践相结合

大数据挖掘技术与汽车类专业课程的融合依然需要基础理论授课和实踐环节，在课程创新过程中，采用传统讲授式上课模式为学生讲解汽车维护与保养基础理论知识。通过课堂理论学习，使学生了解基本概念和工作原理，在掌握基本知识的基础上进行相对应的实践操作。多元化的课程学习体系，让学生可以通过实物观摩来强化对课堂知识的理解和记忆，进而扩展知识的广度，为后续大数据技术在课堂的融入提供坚实的基础。

4.2 大数据挖掘技术与教学融合

大数据挖掘技术与专业课程融合能够解决传统授课模式单一性问题，提高课堂和实践效果，激发学生学习兴趣。对海量汽车维修与保养实践数据挖掘分析得到的有效模式可以为授课提供参考和借鉴，有效模式的强大预测功能能够在实践环节根据实时数据流做出科学预测，为教学和技术落地提供技术支撑，具有重要意义。

4.2.1 数据准备与模型训练

良好的数据预处理是数据挖掘的关键一步，汽车类专业课程实践环节收集到的汽车数据需要进行数据清洗，主要包括缺失数据、冗余属性、离散化等过程。清洗完成后，将数据存放在预先搭建好的HDFS中，并选择合适数据挖掘方法进行模型训练，根据训练目标分为回归问题和分类问题，训练过程通过对学习率和数据增强调整使模型达到最优。

4.2.2 理论教学过程融入大数据挖掘

课堂基础知识讲授过程融入大数据挖掘成果，有利于激发学生学习兴趣，活跃课堂氛围，是对传统授课方式的创新。

授课过程中，老师根据课程具体内容安排，提前完成对应授课内容相关数据挖掘模型训练，并在课堂知识点讲解过程穿插演示数据挖掘成果，并对相关原理进行简单介绍，从而加深学生对知识理解和记忆，激发学生对课程和技术学习热情。

4.2.3 实践课程融入大数据挖掘

实践课程是理论知识扩展的重要一环，汽车类专业课程的实践环节根据大数据挖掘技术融入目标不同可分为离线挖掘和在线挖掘阶段。

离线挖掘阶段，老师在实践课堂引导学生完成对现有海量数据清洗、数据挖掘算法选取、模型训练和部署。汽车维护与保养内容实践时，一方面引导学生通过课堂知识解决实际问题，加强学生动手能力，另一方面，利用数据挖掘模型对实际问题进行评估预测，为汽车维护和保养结论提供预测和结果指导。

在线挖掘阶段，该过程需预先完成针对特定分类或回归问题数据挖掘模型训练，并将模型与汽车硬件结合。实践场景下，通过实时产生的流数据对模型更新，并为汽车运行过程各部件维护进行智能化告警，为安全驾驶提供保障。该阶段实践，能够最大程度提高学生应用知识能力，达到学以致用的目标。

4.2.4 引入校企合作新模式

汽车类专业课程注重实践，结合大数据挖掘技术，合理开展校企合作模式有利于学校提供具有专业知识人才，企业提供接近于真实场景环境和具备大数据挖掘工程化经验人才，两者的有效结合可以相互弥补不足。学校通过安排学生到企业工程实训和定期实习等方法提升学生就业技能，企业人才定期到学校为学生授课等方式让学生了解更多企业专业知识，提升和扩展学生知识范围。

4.2.5 建立大数据挖掘技术实践基地

大数据挖掘技术与汽车类专业课程完全融合不能仅依靠课堂授课，高职院校应当结合自身实际，建立大数据挖掘技术实践基地，为学生提供场技术实践场地和实验室。在课余时间，老师指导学生系统学习大数据挖掘技术理论并实践与专业课程融合，从而培养学生动手能力和学习兴趣，提高学生创新思维能力。

5 总结

本文通过对大数据挖掘技术和高职院校汽车类专业课程分析，探讨了大数据挖掘技术与汽车类专业课程融合问题。针对汽车类专业课程目前存在的问题，本文提出了汽车类专业课程与大数据挖掘技术有效融合的几种方式方法，可以提高汽车类专业课程教学效果，激发学生学习兴趣，为高职院校汽车类课程信息化建设和改革提供思路和借鉴。

参考文献：

[1]赵好好.大数据挖掘在高职院校智慧校园建设中的应用[J].信息记录材料，2020，21（04）：105-106.

[2]张明辉.基于大数据在高职院校教学中的应用研究[J].数字技术与应用，2020，38（01）：24-25.

[3]庞英智.大数据挖掘在高职院校智慧校园建设中的应用情况分析[J].现代经济信息，2019（20）：356+359.

[4]吕明，徐畅，徐杏玉.大数据背景下高职院校学生综合素质教育管理平台功能挖掘研究——以常州信息职业技术学院为例[J].泰州职业技术学院学报，2019，19（03）：18-21.

[5]米保全.数据挖掘技术在高职院校教学管理中的应用[J].软件导刊，2018，17（08）：178-181.