随着MOOC技术的发展,各高校也开始建立自己的云课堂学习平台,云课堂上有大量的学习数据,而在大数据时代,对数据的挖掘和分析显得尤为重要。聚类分析也是无监督学习,模糊聚类提出后被广泛应用,模糊C均值聚类算法(Fuzzy C-Means,FCM)是一种重要的模糊聚类方法。时间序列分析是一个古老的课题,发展到现在已被广泛应用于各领域。时间序列聚类虽然应用广泛,但在教育领域的应用还较少。时间序列模型用曲线拟合时间序列数据,并可预测序列未来趋势。本文根据分析结果采取自回归移动平均(Auto-Regressive and Moving Avergae,ARMA)模型进行拟合预测。本文通过分析某高校云课堂学习行为数据,发现了云课堂学习平台数据的特性。学习行为数据是一个时间序列,在对学习用户进行聚类的时候,使用样本点与聚类中心的时间序列相似距离来代替样本点与聚类中心的欧式距离,根据数据特征采用动态时间弯曲距离(Dynamics Time Wraping,DTW)来计算样本点与聚类中心的时间序列相似距离,设计出基于DTW的模糊C均值聚类算法(DTW-FCM),并对经过预处理的学习用户数据进行基于DTW的模糊C均值聚类,得到用户隶属于每类的隶属度,再将基于DTW-FCM的ARMA模型应用到云课堂学习行为分析上,对处理后的学习行为数据进行拟合预测,即依据DTW-FCM聚类得到的的隶属度及其他特征分类,然后对数据进行ARMA模型分析,得到预测结果,对预测结果进行分析。并进行实验对比验证,结果表明本文设计的基于DTW-FCM的ARMA模型比基于传统的FCM的ARMA模型效果更好。本文对云课堂学习数据进行的有效分析,得到的信息可以为教学提供一定的参考,具有一定的指导意义。