ESTEducational Science Theory2995-48352995-4843Art and Technology10.61369/EST.2026070032Article融合多算法对比的高校数字化校园异常数据检测与智能预警模型研究https://artdesignp.com/journal/EST/4/7/10.61369/EST.2026070032黄敏菁2026472026-07-20随着高校数字化校园建设的推进，多业务系统产生了大量数据，但在整合与治理过程中易出现缺失、重复、冲突及行为异常等问题，影响数据质量与决策效率。本文以某高校脱敏数据为样本，构建异常数据检测指标体系，选取K-Means、LOF、Isolation Forest、Random Forest、XGBoost 等算法进行对比分析，并基于模型性能设计融合多算法的异常检测与智能预警模型，实现异常识别、评分与分级预警。研究结果表明，多算法融合方法能够有效提升异常检测的准确性与稳定性，为高校数据治理与智能决策提供参考。数字化校园,异常数据检测,机器学习,多算法对比,智能预警

[1] 吴瑞芳. 大数据背景下高校智慧校园建设研究与探索[J]. 中国信息化,2023,(9):94-95+101.[2] 陈荣荣. 基于分布式计算的数字化校园云存储网络安全策略研究[J]. 自动化与仪器仪表,2023,(9):31-35.[3]ROMERO C, VENTURA S. Educational data mining and learning analytics: An updated survey[J/OL]. arXiv, 2024.[4]PANG G S, SHEN C H, CAO L B, et al. Deep Learning for Anomaly Detection: A Review[J/OL]. arXiv, 2020.[5]HAN S Q, HU X Y, HUANG H L, et al. ADBench: Anomaly Detection Benchmark[J/OL]. arXiv, 2022.