时至今日，校园的信息化与数字化建设已经初具成效，各大高校已经基本上建设起了较为完善的“智慧校园”。“智慧校园”的建设也为教育数据挖掘的发展提供了良好的环境。如果能通过教育数据挖掘分析出学生在行为等方面的特点，毫无疑问将能够对学校各方面的管理方案的制定提供有重要意义的参考。研究表明，自我控制能力对于个人发展而言至关重要。目前对自我控制能力的衡量主要是使用传统的调查问卷方式，然而调查问卷方式具有低效等缺点，教育数据挖掘的发展为其带来了全新的机遇。因此，本文提出了基于校园大数据的学生自我控制能力分析模型，该模型结合了数据挖掘以及机器学习技术，从学生在校期间日常生活产生的数据中挖掘其与自我控制能力相关的特征并构建算法模型，实现了对学生自我控制能力的分析。本文的主要工作如下：
　　①提出了基于多因素的自我控制能力分析算法模型，研究了学生自我控制能力与行为数据之间的相关性，通过校园多源数据构建出与自我控制能力相关联的特征向量，所采用的数据考虑了学生在校的多种日常行为，包括学生在校的历史成绩数据、上网产生的网络日志数据、使用一卡通产生的消费数据和进出宿舍的门禁数据，多方面对学生进行立体的分析。提取了消费特征、门禁特征、健康习惯特征以及学习能力特征。结合学生自我控制量表测评数据，使用不同算法进行实验，实验结果表明，使用XGBoost在学生自我控制能力分析问题上的预测水平最佳，F1-score达到0.71。
　　②为了对学生的整体行为进行描述，提出了行为链的概念，将校园中的多源异构数据进行融合。在此基础之上，对学生的整体行为模式进行分析。使用隐马尔可夫模型对学生的行为进行建模，提取了学生行为模式特征。提出基于周期相似性度量方法，提取学生行为周期相似性特征。根据学生行为数据挖掘出学生的人际关系，从而提取学生的人际关系特征。最终的算法模型的F1-score达到0.77。
　　综合以上实验表明学生的自我控制能力与在校行为数据之间存在关联性，可以通过校园大数据分析学生的自我控制能力。随着学生在校时间的增长，所产生的日常行为数据会不断增多，可以实时地捕捉到学生自我控制能力的变化，便于学校及时采取相关措施，对自我控制能力弱的学生进行引导。