[发明专利]一种基于移动互联网技术的小区门禁报警预测方法

说明书

本发明公开了一种基于移动互联网技术的小区门禁报警预测方法，包括以下步骤：采集门禁报警数据；对门禁报警数据进行初始化处理；对初始化处理后的门禁报警数据进行关联性分析；对关联性分析结果整合实现警情预测。本发明通过对小区以往的警情数据进行分析，对小区警情的事先预测，可以预先测出下一个发生警情的报警点，克服了以往小区发生警情后事后分析研判处理，被动出警的模式，实现了对小区未来警情的预测和区域治安形式的分析，可以主动加强巡逻防控，减少警情的发生，维护社会的长治久安。

技术领域

本发明是一种小区门禁管理方法，尤其涉及一种基于移动互联网技术的小区门禁报警预测方法。

背景技术

数据挖掘是一种从大型数据库或数据仓库中发现并提取出隐藏在其中的信息的一种新技术，收到人工智能与数据库领域的广泛重视。其中的关联规则发现是数据挖掘一个重要的研究分支。关联规则发现的目标是确定数据库中项目集(属性)之间的关系。这些从大量事务记录中发现的关联规则，可以帮助人们做出决策。

在所有的关联规则挖掘的算法中，著名的是Apriori算法和FPGrowth算法。R.Agrawal(阿格拉沃尔)等人于1993年提出Apriori算法，该算法通过不断地构造候选集，筛选候选集挖掘出频繁项集，需要多次扫描原始数据，当原始数据较大时，磁盘io次数太多，效率比较低下。FPGrowth算法则只需扫描原始数据两遍，通过FP－Tree数据结构对原始数据进行压缩，效率较高。

FPGrowth算法主要分为两个步骤：FP－Tree构建，递归挖掘FP－Tree。FP－Tree构建通过两次数据扫描，将原始数据中的事务压缩到一个FP－Tree树，该FP－Tree类似于前缀树，相同前缀的路径可以共用，从而达到压缩数据的目的。接着通过FP－Tree找出每个item的条件模式基，条件FP－Tree，递归的挖掘条件FP－Tree得到所有的频繁项集。

在现有的技术中，对于小区门禁警情并没有一个预测的机制，只有当警情发生的时候，才能进行处理，对于警情，并不能做到很好地预防，以往发生警情后都是事后分析研判，被动出警的模式会降低地区的安全平稳。

发明内容

为解决上述问题，本发明的目的在于提供一种基于移动互联网技术的小区门禁报警预测方法，为政府和社区管理部门的警情分析、警情预测、风险治理和相关决策等提供相应数据支持，为社会长治久安提供保障。

本发明解决其问题所采用的技术方案是：一种基于移动互联网技术的小区门禁报警预测方法，包括以下步骤：

采集门禁报警数据；

对门禁报警数据进行初始化处理；

对初始化处理后的门禁报警数据进行关联性分析；

对关联性分析结果整合实现警情预测。

进一步，门禁报警数据采集包括小区住房智能门禁采集报警数据，上传至服务器数据库存储。

进一步，报警数据初始化包括对数据库中的报警数据进行筛选初始化，过滤出报警发生的具体地址。

进一步，关联分析包括使用FPGrowth算法对随机报警发生的记录进行关联分析。

进一步，整合预测结果包括根据关联分析得到的结果集，通过整合计算，得到警情发生的随机概率和报警点之间的警情发生支持度，进而得到报警预测的结果。

进一步，所述小区住房智能门禁采用RFID识别开锁，在小区住房智能门禁配置传感器，用于检测小区住房智能门禁的异常情况，若发生异常，则上传一条报警记录至服务器数据库进行存储。

进一步，将报警数据进行初始化包括将小区划分为多个建筑，对每个建筑物进行编号，再对建筑物内部楼层进行编号。