大学生校园行为分析,特别是大学生校园数据的时空建模与行为规律挖掘,是当前计算机科学、心理学、教育学等交叉学科的研究热点。大学生不恰当、多变的日常行为活动,会给学生的学业发展和学校的个性化教育带来很多不利的影响。当前教育信息化发展迅速,国内外高校普遍开展了以教育大数据为基础的“智慧校园”建设,构建了以多种应用服务平台为载体的校园信息一体化的环境。以校园生活服务系统、校园一卡通系统、校园网络建设为代表的校园信息化设施为在校师生提供了便利的服务,同时大学生的日常行为数据也被全过程化持续记录着,形成了海量反映学生各方面的多源融合数据。如何挖掘分析这些大学生校园日常行为活动,并利用数据驱动的方法进行个体行为规律和行为预测的研究,意义重大且十分迫切。本文以智慧校园场景下的大规模时空细粒度学生校园行为活动数据为基础展开研究,针对高校学生行为管理和个性化教育的需求,主要完成以下研究工作:（1）构建了一个大学生校园日常行为数据集,通过采集时空细粒度数据,结合校园多源数据,定义活动数据、多维标签,建立了包含时间、区域、位置、内容描述、行为类别、是否异常的行为类别标签的大学生校园日常行为数据集。（2）构建校园行为数据的动态语义时空图模型,建立基于空间路网位置语义的动态图结构,在此基础上,以时间切片结构将多个静态图进行融合生成动态图网络模型,实现行为数据的深层次建模,可表征行为的语义特性和动态演化特性。（3）提出多片段动态语义时空图卷积神经网络模型,实现大学生校园行为与异常行为的预测。针对时空细粒度的大学生日常行为数据,构造可以提取行为数据的时间周期特征、空间语义特征和动态演化特征的深度学习模型,利用动态语义图卷积和周期片段特征融合的操作实现数据的精准预测。（4）构建早期异常行为预警管理机制,利用时空行为预测结果,以学生个体成长监测为目标,预警日常行为异常的学生,挖掘学生行为规律等高阶信息,为实现个性化教育提供有意义的参考。