当代科学技术发展正逐步走向信息化,与大数据相关的研究发展正推进着当前高校由数字化校园向智慧校园的转变。其中,学生校园卡的应用以及校园一卡通系统的部署使各高校师生的工作和生活更加便捷化。校园卡的使用为师生的日常生活带来便捷与高效,同时也产生了大量主体用户行为日志数据。在大数据分析的环境下,高校管理者常通过分析学生在校生活中产生的行为数据,利用机器学习和大数据理论,分析学生的成长轨迹,为高校教学、学生管理和校园生活提供更科学化、智慧化的决策服务。本文基于高校学生在校生活的行为数据,刻画学生的行为画像,对学生的行为活动地点进行预测。通过对高校在校学生的学生一卡通中的数据进行分析,细分学生的行为问题,并以此构建行为模型。1)融合学生的个性化行为因素,用机器学习的方法分析学生的行为规律,构建具有学生个性信息的时间序列特征,建立LSTM网络模型,以实现对学生未来的刷卡消费地点预测。2)基于深度学习算法改进现有模型的结构。结合卷积神经网络对特征提取的优势,改变使用双向LSTM网络处理时序序列数据,将以上两个深度学习模型进行融合,提高对问题预测的准确率。3)比较改进后的方法模型与传统使用的方法模型之间的优劣性,对实验结果对比分析。实验对比发现,本文提出的改进后的方法模型相较于传统使用的网络模型在预测学生的活动地点问题上的准确率有一定的提高,为高校更方便的控制学生流量、改善校园环境提供了一定的参考意见,对高校更好地学生管理工作具有重要的应用意义。