伴随着全国各地志愿服务活动的蓬勃发展,越来越多的个人和团体投身于公益志愿服务领域中来,与此同时也积累了海量的志愿服务大数据。从2008年全国志愿服务信息系统启用开始,截止至2019年2月底已经在全国31个省级行政区中累积了超过1.2亿志愿者、73万志愿团体和232万志愿项目的海量数据。在大数据和人工智能相关技术快速发展的背景下,如何将志愿服务大数据通过机器学习相关算法进行分析挖掘,并且反哺助力志愿服务活动的后续发展,成为了亟需解决的问题。同时随着智慧城市的快速发展,志愿服务的分析研究结果也对城市中的征信、风控和社会服务等问题存在重要指导作用。例如在城市的冬奥会、企业家论坛等重大活动的志愿者招募中,志愿者诚信度等指标会帮助主办方进行候选人筛选。并且在海量数据纷繁复杂的情况下,当下的志愿服务领域缺乏可视化的管理平台,从而无法对志愿服务的发展现状做直观清晰的展示。本文将通过志愿者诚信度的评分模型构建志愿城市信用与风控体系,从志愿团队和志愿项目的角度去挖掘城市志愿场景,进而构建志愿城市的活跃度模型,同时搭建志愿者和志愿城市的大数据可视化平台,帮助政府的管理者进行志愿服务信息的管理和分析。论文的主要工作内容包括如下三个部分:一、构建志愿者的诚信度评分体系,首先针对志愿者数据集的诚信度影响因子,进行清洗处理和特征工程。根据逻辑回归算法和分箱算法建立评分卡模型,利用线性函数的转化将评分模型输出的结果标准化至[0,300]区间,并通过信息值判断各个影响因子与预测结果的关联性大小。对评分卡模型的结果指标进行评估,AUC（Area Under Curve）面积达到0.9651,KS值达到0.8521,准确度和划分能力符合预期。然后通过神经网络和后向传播梯度下降的算法,设计一个多层的神经网络模型,并利用交叉熵作为损失函数建立志愿者诚信分类模型。最后针对模型结果指标进行对比,对于准确率指标而言,评分卡模型和神经网络模型的结果分别是0.8995和0.6667;对于精准率指标而言,这两种模型分别是0.9195和0.7253;对于召回率指标而言,这两种模型分别是0.9159和0.7336。评分卡模型的结果均优于神经网络模型的结果。二、基于城市志愿服务信息数据,进行志愿城市的场景挖掘,其中包括志愿团体和志愿项目的场景研究以及志愿城市活跃度的分析。首先针对城市中的志愿团体,采用层次聚类的方法对min-max归一化后的影响因子进行聚类分析,轮廓系数达到0.9655,从而得到城市中12种不同属性的志愿团体。然后针对城市中的志愿项目,利用高德地图的逆地理编码进行兴趣点信息挖掘。将城市中的志愿项目进行时间域分析和空间域分析,得到时空维度上城市志愿项目的分布情况。随后对志愿项目的进行归一化,并对转化后的数据进行聚类。最后利用层次分析法构建志愿城市的活跃度模型,并得出城市活跃度和常住人口数之间的关系。三、基于志愿者诚信度和志愿城市服务场景的研究结果,搭建志愿者诚信度可视化平台和志愿城市服务可视化平台。利用SpringMVC的系统处理框架,构建可视化平台的业务逻辑处理系统,并通过MyBatis的持久层框架与服务器上的MySQL数据库进行连接,完成志愿服务相关数据的增删改查。同时利用Bootstrap的前端应用服务架构和异步动态页面刷新等技术,搭建平台的Web页面展示业务处理得到的可视化模型和视图。最终针对两个可视化平台进行完整的功能测试,从而得到通过测试用例的平台。