一、选题背景和意义
随着我国高等教育事业的发展与 “健康中国” 战略的推进，高校体育设施建设逐步完善，校园体育馆作为师生运动锻炼的核心场所，其使用需求与日俱增。然而，当前多数高校体育馆仍采用 “线下登记”“固定时段开放” 或 “基础线上预约” 等传统模式，存在三大核心痛点：首先，资源匹配效率低,师生需手动筛选场馆时段，易因信息不对称导致热门场馆（如篮球场、羽毛球场）预约拥堵，而冷门场馆长期闲置，场馆整体利用率低；其次，用户需求适配差,传统预约系统未考虑师生课程作息、运动偏好等个性化因素，常出现 “预约时段与课程冲突”“推荐项目与用户兴趣不符” 等问题，降低锻炼意愿；然后，社交属性缺失，现有系统缺乏同伴匹配功能，难以满足师生 “组队运动” 的需求。在此背景下，开发一款基于用户行为分析与智能推荐的校园体育馆个性化预约平台，既是解决当前场馆管理痛点的现实需求，也是智慧校园建设在体育服务领域的重要延伸。
开发该平台可以提升场馆管理效率：通过智能推荐平衡热门与冷门场馆的预约需求，预计可提升场馆利用率，减少资源浪费，预约冲突自动检测与调整功能可降低管理员人工干预成本，优化管理流程；可以改善师生锻炼体验：平台通过个性化场馆时段推荐、同伴匹配等功能，解决 “预约难”“缺同伴” 等问题，降低师生运动门槛，推荐结果解释功能可增强用户对系统的信任度，提升使用粘性；还可以助力校园体育文化建设：平台通过记录用户运动数据、激励持续锻炼，可间接促进师生形成规律运动习惯，推动校园体育文化从 “被动服务” 向 “主动引导” 转型。
二、国内外研究现状、发展动态（文献综述）
国内关于 “用户行为分析 + 智能推荐” 的研究已覆盖多个领域，且在校园场景的应用逐步深化，主要集中于以下方向：在校园图书馆领域，相关研究已形成成熟范式：张奇志[1]通过分析用户借阅历史、检索记录等行为数据，构建协同过滤推荐模型，实现图书资源精准推送，其 “多源行为数据整合” 思路为本课题的 “课程表 + 预约历史” 数据融合提供了参考；陈望舒[2]开发的移动数字图书馆个性化推荐系统，强调 “情境因素（如考试周、假期）” 对用户需求的影响，与本课题 “整合考试周、天气等环境信息” 的设计理念高度契合。在体育相关校园场景中，研究仍处于起步阶段：钱秋羽[3]等虽聚焦体育院校用户，但核心仍为 “阅读资源推荐”，未涉及体育场馆预约；王琳[4]提出的 “基于大数据智能技术的图书馆资源优化配置策略”，其 “资源利用率优化” 逻辑可迁移至场馆管理，但未结合用户行为的时序与社交特性。深度学习与图神经网络技术的应用是国内研究的热点：王晓东[5]等提出将 RNN（门控循环单元 GRU 为核心变种）用于捕捉用户行为的时序规律，GNN 用于挖掘用户 - 物品的结构关系，二者融合后推荐准确率较传统协同过滤提升 15%-20%，为本课题 “GRU+GNN” 的算法框架提供了直接技术支撑；戴作林[6]通过 GRU 模型分析用户观看序列的时间依赖性，其 “时序行为建模” 方法可直接复用至本课题 “用户预约历史分析” 模块；王刚[7]等提出的 “融合用户行为分析和兴趣序列相似性的个性化推荐方法”，强调 “用户兴趣动态变化” 的特性，提示本课题需避免 “静态偏好建模”，需通过 GRU 实时更新用户运动偏好。国内高校场馆预约系统的研究多侧重 “功能实现” 而非 “智能推荐”：现有系统（如清华大学 “体育场馆预约平台”、浙江大学 “智慧体育服务系统”）虽实现了线上预约、时段查询等基础功能，但普遍缺乏 “个性化推荐” 与 “同伴匹配” 模块；薛瑞珍[8]“用户画像构建方法”，虽针对电商场景，但其 “从行为数据到用户偏好的映射逻辑”，可为本课题 “运动偏好画像构建” 提供参考。
国外关于智能推荐与场馆管理的研究，更侧重 “公共设施效率优化” 与 “用户体验个性化”，国外对 “时序 + 结构” 双维度行为建模的研究较为深入：Shen Nanyan[10]等，提出将 GRU（时序）与 GAT（图注意力网络，GNN 变种）融合，用于电商用户的商品推荐，其 “注意力机制优化结构关系权重” 的方法，可为本课题 “用户 - 场馆 - 同伴” 异质图的权重分配提供参考；Dimitrakopoulos I[9]虽聚焦社交软件用户行为分析，但其 “社交关系对用户决策的影响” 研究，提示本课题需重视 “同伴预约记录” 对用户选择的引导作用。国外高校对校园场馆的研究更侧重 “运营模式” 而非 “智能技术”：例如，Stanford University 的 “Campus Recreation Reservation System”，通过 “分时段预约 + 优先级设置（如学生优先于教职工）” 优化资源分配，但未引入行为分析与推荐功能；Harvard University 的 “FitRec Reservation Platform” 虽支持运动项目偏好设置，但推荐逻辑仍为 “基于标签匹配”，未实现动态时序分析。
（三）现有研究的不足与本课题的创新点

1. 现有研究的核心不足
   （1）场景适配性不足：多数校园场景推荐研究集中于图书馆，针对体育馆预约的研究极少，且未考虑 “课程作息约束”“考试周情境” 等校园特有的影响因素；（2）算法融合深度不够：现有研究多单独使用 GRU（时序）或 GNN（结构），未充分融合二者优势以应对 “用户预约既有时序规律（如每周三晚运动）又有结构关系（如偏好篮球馆 - 羽毛球馆关联）” 的复杂需求；（3）功能设计不完整：现有场馆预约系统缺乏 “同伴匹配”“推荐结果解释”“预约冲突智能调整” 等功能，难以满足用户从 “预约” 到 “运动” 的全流程需求。
2. 本课题的创新点
   （1）场景创新：首次将 “用户行为分析 + 智能推荐” 深度融入校园体育馆预约场景，重点解决 “课程冲突”“考试周需求变化” 等校园特有问题；（2）算法创新：构建 “GRU 时序建模 + GNN 结构建模” 的双维度融合算法，既捕捉用户预约的时间规律，又挖掘用户 - 场馆 - 同伴的关联关系，提升推荐准确率；（3）功能创新：集成 “照片识别场馆”“同伴邀请”“推荐结果解释” 功能，形成从 “需求识别” 到 “预约完成” 再到 “运动实施” 的全流程服务闭环。
   三、研究的内容及可行性分析

图1整体功能模块图
（一）研究内容
本课题为工程类研究，围绕 “校园体育馆个性化预约平台” 的开发，从 “数据层 - 算法层 - 应用层” 三个维度展开，明确 3 个核心研究点：

1. 校园多源行为数据整合与异质图数据集构建
   （1）数据来源梳理：对接校园信息系统（统一身份认证后获取用户课程表）、平台内行为数据（预约历史、运动项目评分、同伴预约记录）、外部公开数据（天气 API 获取实时天气、校园教务系统获取考试周时间）；（2）数据预处理：针对不同来源数据的格式差异（如课程表为 Excel 格式、预约记录为 JSON 格式），采用 Python 的 Pandas 库进行清洗（缺失值填充、异常值剔除）、标准化；（3）异质图建模：以 “用户（U）、场馆（V）、运动项目（S）” 为核心节点，“预约关系（U-V，带时间戳）”“偏好关系（U-S，带评分权重）”“社交关系（U-U，带同伴预约频次权重）” 为边，构建异质图数据集，使用 PyTorch Geometric 库实现图结构存储与调用。

   图2模块功能图

2. 融合 GRU-GNN 的个性化推荐算法设计
   （1）GRU 时序偏好建模：以用户近 3 个月的预约历史为输入序列（如 “周一 18:00 篮球馆→周三 19:00 羽毛球馆→周五 18:30 健身房”），通过 GRU 网络捕捉时间依赖关系（如 “每周三晚偏好羽毛球”），输出用户动态偏好向量（维度为运动项目数 + 场馆数）；（2）GNN 结构关系挖掘：将异质图数据集输入 GAT（图注意力网络），学习 “用户 - 场馆 - 项目” 的结构关联（如 “偏好篮球的用户常选择 1 号场馆”“选择羽毛球的用户多与选择乒乓球的用户组队”），输出结构特征向量；（3）双维度特征融合：采用 “加权求和” 策略融合 GRU 动态偏好向量与 GNN 结构特征向量（权重通过交叉验证确定，初始设为 0.6:0.4），输入全连接层生成 “场馆 - 时段” 推荐列表与 “潜在同伴” 匹配列表。

3. 前后端分离的个性化预约系统开发
   （1）前端界面开发：基于 Vue.js 框架与 Element Plus 组件库，设计 5 大核心模块 —— 首页（推荐列表展示）、预约中心（场馆时段选择、一键预约）、同伴匹配（潜在同伴列表、邀请功能）、个人中心（运动记录、偏好设置）、系统设置（冲突提示阈值调整）；重点实现 “预约冲突自动检测”（对比课程表与预约时段）、“照片识别场馆”（调用百度 AI 开放平台的图像识别 API，上传场馆照片后匹配对应场馆）；（2）后端服务开发：采用 Spring Boot 框架构建后端，设计 3 层架构 —— 数据访问层（MySQL 数据库存储用户、场馆、预约数据，Redis 缓存热点推荐结果）、业务逻辑层（调用推荐算法接口、处理预约请求）、接口层（通过 RESTful API 实现前后端数据交互）；（3）系统功能测试：针对 “推荐准确率”“冲突检测成功率”“照片识别准确率” 等指标，设计测试用例（如模拟 100 名用户的课程表与预约需求，验证推荐列表的适配性）。
   （二）可行性分析

4. 技术可行性
   （1）数据处理与算法实现：Python 的 Pandas、PyTorch Geometric 库已成熟支持 “数据清洗”“异质图构建”“GRU-GNN 融合建模”，且王晓东等（2021）已验证该技术路线的有效性，无技术壁垒；（2）前后端开发：Vue.js+Element Plus、Spring Boot 均为高校计算机专业常用技术栈，且有大量开源项目（如校园预约系统模板）可参考，开发难度可控；（3）第三方接口：天气 API（如高德开放平台）、图像识别 API（如百度 AI）均提供免费开发者额度，可满足校园场景的调用需求。

5. 数据可行性
   （1）校内数据获取：对接校园信息系统（脱敏后获取用户课程表），平台内行为数据可通过模拟测试用户生成初始数据集；（2）外部数据获取：天气、考试周等数据为公开或半公开信息。

6. 资源可行性
   文献与指导资源：现有 18 篇参考文献已覆盖 “数据整合”“算法设计”“系统开发” 全流程。

四、论文拟解决的关键问题及难点
（一）关键问题 1：多源异构数据的高效融合与质量控制
问题描述
本课题需整合 “课程表（结构化 Excel）、预约历史（半结构化 JSON）、天气（非结构化文本）、考试周（时间区间）” 等多源异构数据，数据格式差异大、噪声多（如课程表存在 “调课” 导致的时间冲突、预约历史存在 “误操作” 记录），若融合不当会直接影响推荐算法的准确性。
难点分析
（1）数据格式统一：课程表的 “课程名称 - 上课时间 - 上课地点” 与预约历史的 “场馆名称 - 预约时间” 需建立字段映射（如 “上课地点≠场馆” 时需排除冲突），无成熟映射规则可参考；（2）噪声数据剔除：“误操作预约”（如预约后 10 分钟内取消）与 “异常课程记录”（如临时停课）的识别阈值难以确定，需设计自适应过滤规则。

（二）关键问题 2：GRU 与 GNN 的动态融合策略优化
问题描述
GRU 擅长捕捉时序规律（如用户每周固定时段运动），GNN 擅长挖掘结构关系（如用户与同伴的运动偏好关联），但二者的融合权重若为固定值（如 0.6:0.4），无法适配 “考试周（时序规律失效）”“新用户（结构关系不足）” 等特殊场景，会导致推荐准确率下降。
难点分析
（1）场景自适应权重调整：如何识别 “时序主导”（如正常学期）与 “结构主导”（如考试周）场景，缺乏明确的判断指标；（2）新用户冷启动：新用户无足够预约历史（GRU 输入不足）、无社交关系（GNN 输入不足），融合算法难以生成有效推荐。
（三）关键问题 3：预约冲突的智能调整与用户体验平衡
问题描述
系统需自动检测 “预约时段与课程冲突”“预约场馆已被占用” 等冲突，但单纯 “取消预约” 会降低用户体验，需在 “冲突解决” 与 “用户偏好” 之间找到平衡（如推荐相近时段的同类型场馆）。
难点分析
（1）冲突调整的优先级排序：当存在多个冲突解决方案（如 “推迟 1 小时”“更换场馆”）时，如何判断用户更倾向哪种方案；（2）调整结果的接受度：用户可能对系统自动调整的结果不满意，需设计 “解释机制” 提升接受度，但解释内容若过于复杂（如 “基于你的历史偏好，推荐更换场馆”），会增加用户理解成本。

五、研究方法
本课题针对 3 个核心研究内容，采用 “技术适配性强、可落地性高” 的研究方法，形成 “数据 - 算法 - 应用” 的全流程研究方案：
（一）多源数据整合与异质图构建的研究方法
首先利用数据采集法进行以下过程：
对接式采集：通过校园信息中心的 API 接口，以 “OAuth2.0” 授权方式获取用户课程表数据（脱敏处理，仅保留 “课程名称、上课时间、上课地点”）；
记录式采集：在平台内埋点记录用户预约操作（如点击、取消、评分），生成 JSON 格式的预约历史数据；
爬取式采集：使用 Python 的 Scrapy 框架爬取校园教务网的考试周通知（提取 “考试开始 / 结束时间”），调用高德天气 API 获取实时天气数据（按小时更新）。
接着利用图建模法，基于 PyTorch Geometric 库，构建异质图数据集：
节点定义：用户节点（含 ID、年级、运动偏好标签）、场馆节点（含 ID、类型、容量、开放时间）、项目节点（含 ID、所需场馆类型、难度等级）；
边定义：预约边（用户→场馆，属性为 “预约时间、是否完成”）、偏好边（用户→项目，属性为 “评分 1-5 分”）、社交边（用户→用户，属性为 “同伴预约频次”）；
图存储：采用 “邻接矩阵 + 节点特征矩阵” 的形式存储，便于 GNN 模型调用。
（二）GRU-GNN 融合推荐算法的研究方法
首先利用深度学习法（时序建模）进行以下过程：
数据预处理：将用户预约历史转换为 “时间序列向量”（如 “时间步 t1 = 篮球馆，t2 = 羽毛球馆，t3 = 健身房”），采用 One-Hot 编码转换为模型可输入格式；
GRU 模型训练：基于 PyTorch 框架构建 GRU 网络（输入层维度 = 场馆数 + 项目数，隐藏层维度 = 128，输出层维度 = 64），以 “预测用户下一次预约的场馆 / 项目” 为目标，使用交叉熵损失函数优化，学习率设为 0.001，迭代次数设为 100 轮；
时序偏好向量生成：将 GRU 隐藏层输出的 64 维向量作为用户动态时序偏好表征。
然后利用图神经网络法（结构建模）进行以下过程：
GAT 模型构建：采用 “两层 GAT” 结构，第一层输入异质图的节点特征（用户特征 64 维、场馆特征 32 维、项目特征 16 维），第二层输出 64 维的结构特征向量；注意力机制优化：在 GAT 的边注意力计算中，引入 “边属性权重”（如同伴预约频次越高，社交边的注意力权重越大），增强结构关系的区分度；
结构特征向量生成：将 GAT 输出的 64 维向量作为用户 - 场馆 - 项目的结构关系表征。
接着利用特征融合法进行以下过程：
加权求和融合：基于 “场景特征向量” 预测 GRU 与 GNN 特征向量的权重（如正常学期权重 0.6:0.4，考试周 0.3:0.7），公式为：最终特征 =α×GRU 向量 + (1-α)×GNN 向量（α 为动态权重）；
推荐列表生成：将最终特征输入全连接层（激活函数为 Softmax），输出 “场馆 - 时段” 的推荐概率，按概率排序生成 Top10 推荐列表；同伴匹配则基于 “用户最终特征的余弦相似度” 排序，生成 Top5 潜在同伴列表。
（三）前后端分离系统开发的研究方法
首先利用软件工程法（瀑布模型）进行以下过程：
需求分析阶段：通过 “问卷调查（面向 100 名师生）”“访谈（5 名场馆管理员）” 明确功能需求，绘制用例图（使用 Visio）；
概要设计阶段：设计系统架构（前后端分离）、数据库 ER 图（使用 PowerDesigner）、核心模块流程图（如预约流程、推荐流程）；
详细设计阶段：编写前端组件代码（如预约卡片组件、推荐列表组件）、后端接口文档（使用 Swagger）、算法伪代码；
实现与测试阶段：完成前后端联调，采用 “黑盒测试”（验证功能正确性）与 “性能测试”（使用 JMeter 测试并发预约请求）；
部署与优化阶段：将系统部署至实验室云服务器（Linux 系统），根据测试反馈优化界面交互与算法效率。
接着利用测试验证法进行以下过程：
算法准确率测试：构建测试集（含 500 条用户真实预约记录），计算推荐列表的 “命中率” 与 “平均排序位置（MAP）”，目标命中率≥80%；
功能完整性测试：设计 200 个测试用例（如 “课程冲突检测”“同伴邀请发送”），验证功能通过率≥95%；
用户体验测试：邀请 30 名师生试用系统，填写 SUS 用户体验量表（目标得分≥70 分，视为良好体验）。

图3用例图

图4 E-R图

六、论文的进度安排
本课题计划按 “需求分析 - 算法设计 - 系统开发 - 论文撰写 - 答辩准备” 五个核心阶段推进，各阶段具体安排如下：
第一阶段为 2025.12.1—2026.12.15，属于需求分析与文献综述阶段。明确系统的功能需求与用户痛点，并绘制用例图梳理需求逻辑；同时，全面梳理国内外关于用户行为分析、智能推荐算法及校园场馆管理的相关文献，完成文献综述，总结现有研究不足与本课题创新方向；此外，结合需求与技术可行性，确定前后端分离的系统技术架构及 GRU-GNN 融合的算法框架，最终形成需求分析报告、文献综述及技术架构设计文档。
第二阶段为2026.12.16—2026.1.5，聚焦数据采集与算法设计。首先对接校园信息系统，通过授权获取脱敏后的用户课程表数据，同时在模拟平台内埋点记录用户预约操作生成预约历史数据，再利用 Scrapy 框架爬取校园教务网考试周信息、调用高德天气 API 获取实时天气数据，完成多源数据采集后，使用 Python Pandas 库进行缺失值填充、异常值剔除及格式标准化预处理；随后基于 PyTorch Geometric 库，以用户、场馆、运动项目为节点，以预约、偏好、社交关系为边，构建异质图数据集；最后实现 GRU 时序建模模块以捕捉用户预约时间规律，搭建 GNN（GAT）结构建模模块以挖掘用户 - 场馆 - 项目关联关系，并设计基于场景特征的动态权重融合策略，形成预处理后的 MySQL 格式数据集、异质图模型代码及含伪代码的算法设计文档。
第三阶段为2026.1.6—2026.2.20开展系统开发与测试工作。前端基于 Vue.js 框架与 Element Plus 组件库，完成首页（推荐列表展示）、预约中心（一键预约）、同伴匹配（邀请功能）、个人中心（运动记录）及系统设置（冲突阈值调整）五大核心模块的界面开发；后端采用 Spring Boot 框架构建数据访问层（MySQL 存储核心数据、Redis 缓存热点推荐结果）、业务逻辑层（调用推荐算法接口、处理预约请求）与接口层（RESTful API 实现前后端交互），并编写 Swagger 接口文档；完成前后端开发后进行联调，通过黑盒测试验证 200 个核心功能用例（如课程冲突检测、同伴邀请发送）的正确性，使用 JMeter 测试并发预约请求下的系统性能，同时基于测试反馈优化算法推荐准确率与界面交互流畅度，最终产出前端代码（托管于 GitHub 仓库）、后端代码（含 API 文档）及详细的测试报告（记录用例执行结果与性能指标）。
第四阶段为2026.2.21—4.10，重点进行论文撰写与修改。首先完成论文初稿撰写，内容涵盖引言（研究背景与意义）、文献综述（国内外研究现状）、研究方法（数据采集、算法设计、系统开发方案）、系统实现（前后端架构与核心功能展示）、测试结果（算法准确率、功能通过率、用户体验评分）等核心章节；随后根据指导教师意见，重点优化算法部分的逻辑阐述与系统测试部分的数据支撑，确保研究过程与结果表述清晰。
第五阶段为 2026.4.11—2026.4.30进入答辩准备与验收阶段。首先依据开题报告核心内容与研究成果，制作答辩 PPT；最后按学校要求提交论文终稿、系统代码、测试报告等支撑材料，参加正式答辩，完成课题验收，最终完成答辩 PPT 及全套论文与支撑材料。
七、主要参考文献
[1]张奇志.高校图书馆用户行为分析与智能推荐系统研究[J].时代报告(奔流),2025,(08):117-119.
[2]陈望舒.移动数字图书馆个性化推荐系统与用户行为分析[J].办公自动化,2025,30(14):82-84.
[3]钱秋羽,毕梧琼,王璐.体育院校中智慧图书馆的个性化阅读推荐系统设计[J].科技资讯,2024,22(23):225-227.DOI:10.16661/j.cnki.1672-3791.2407-5042-5062.

[4]王琳.基于大数据智能技术的图书馆资源优化配置策略分析[J].电子技术,2024,53(07):284-285.
[5]王晓东,赵一宁,肖海力,等.使用GNN与RNN实现用户行为分析[J].计算机科学与探索,2021,15(05):838-847.
[6]戴作林.基于用户行为分析的智能电视推荐算法[D].广东工业大学,2021.DOI:10.27029/d.cnki.ggdgu.2021.002401.
[7]王刚,郭雪梅.融合用户行为分析和兴趣序列相似性的个性化推荐方法研究[J].情报理论与实践,2019,42(07):119-125.DOI:10.16353/j.cnki.1000-7490.2019.07.021.
[8]薛瑞珍.基于大数据平台的电商网站用户行为分析和研究[D].中北大学,2024.DOI:10.27470/d.cnki.ghbgc.2024.001189.
[9]Dimitrakopoulos I .Direct Harms of Microaggressions and Discipline Among Grindr Users: An Analysis of the Social Harm of Femmephobia and Sizeism[J].Sexuality & Culture,2025,(prepublish):1-19.DOI:10.1007/S12119-025-10470-W.
[10]Nanyan S ,Zeyuan F ,Jing L , et al.Action fusion recognition model based on GAT-GRU binary classification networks for human-robot collaborative assembly[J].Multimedia Tools and Applications,2022,82(12):18867-18885.DOI:10.1007/S11042-022-14123-0.
[11]Gao Y , Tang S , Fan Z , et al. Daylight-thermal-energy integrated optimisation framework for gymnasium roofs: Generative adversarial network and random forest non-dominated sorting genetic algorithm[J]. Journal of Building Engineering, 2026, 117: 114651-114651
[12]Oki M , Matsuzaki S , Ishitobi R , et al. Supporting wayfinding behavior in shuttle run activities by floor projected pacemakers in a special-needs school gymnasium[J]. International Journal of Child-Computer Interaction, 2025, 45: 100748-100748
[13]Wang Y . Research on the Spatial Composite Design Strategy and Practice of University Gymnasiums: A Case Study of the Indoor Gymnasium of Xi’an University of Science and Technology High-Tech College[J]. Journal of Civil Engineering and Urban Planning, 2025, 7(2)
[14]New sports hall to be developed at Lyng Hall Secondary School[J]. M2 Presswire, 2025
[15]陈建铭, 陈辉镇. 更精明、更复合综合型校园体育馆设计实践[J]. 城市环境设计, 2024, (06): 82-91
[16]吕熠, 郑丽萍, 吴瑶. 高校旧厂房改造为体育场馆的开放问题研究——以武汉船舶职业技术学院体育馆为例[J]. 当代体育科技, 2024, 14(28): 179-182
[17]王丽, 何雄, 李斌, 等. 基于可视化智能引导的全自动预约平台的研发与实践[J]. 医疗装备, 2024, 37(12): 20-22
[18]黄敏, 龙兴波, 刘栩, 等. “一站式”检查智能预约平台的设计与实现[J]. 电子设计工程, 2024, 32(10): 30-33