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。技术实现要素：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。进一步，使用fpgrowth算法对随机报警发生的记录进行关联分析是指扫描当前门禁报警的事务数据库，计算每个报警点在所有报警记录中出现的频数，报警点按照频数递减排序，得到频繁项集；基于所述频繁项集，对当前每条记录中各个报警点进行重新排序；建立fp－tree，将重新排序得到的报警发生记录插入fp－tree。进一步，所述fp－tree中一个节点表示一个报警点，一条路径对应一个季度该小区的门禁报警记录，每条路径上节点的计数值表示支持度，所示支持度用于确定任意两个报警点间的关联程度。进一步，从所述fp－tree找出频繁项，得到每个报警点二项之间的频繁项集合，所述频繁项集合包括每个报警点与其它报警点之间的支持度，一个报警点到其他任意一个报警点的发生概率为该报警点与其他任意一个报警点之间的支持度与该报警点到各个报警点的支持度之和之间的比值。进一步，根据每个报警点与其它报警点之间的频繁项集合，得到每个报警点到其它报警点的随机发生概率。进一步，使用fpgrowth算法获得频繁项集的时候，首先删除频数小于预设的最小支持度的报警点，将剩余的报警点按照频数递减排序，得到频繁项集。进一步，推送给移动客户端是指将得到的预测结果通过移动互联网技术推送至移动客户端。进一步，将得到的预测结果通过移动互联网技术推送给移动客户端，所述移动客户端包括android手机和苹果手机。本发明的有益效果是：本发明是一种基于移动互联网技术的小区门禁报警预测方法，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。附图说明下面结合附图和实例对本发明作进一步说明。图1是本发明的流程图；图2是本发明fpgrowth算法的流程图；图3是本发明生成fp－tree的示意图。具体实施方式图1是本发明的流程图，如图3所示，本发明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：a1，采集门禁报警数据；a2，对门禁报警数据进行初始化处理；a3，对初始化处理后的门禁报警数据进行关联性分析；a4，对关联性分析结果整合实现警情预测；a5，推送给移动客户端。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；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；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；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；推送给移动客户端是指将得到的预测结果通过移动互联网技术推送至移动客户端，所述移动客户端包括android手机和苹果手机。在本发明的一种具体实施方式中，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，得到报警数据历史信息，所述使用智能门禁，采用rfid识别开锁，在锁芯配置传感器，用于检测门禁异常(强行开锁)情况，若发生异常，则上传一条报警记录至服务器，报警记录存储在数据库。在本发明的一种具体实施方式中，在步骤2中，考虑到小区发生警情具有比较低的重复性，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。例如小区a栋2楼，即标号为a2f。在该种实施方式中，将警情发生数据通过fpgrowth算法进行隐藏数据挖掘，进行关联分析，将门禁报警历史数据进行关联分析，预测小区中具体哪一户的门禁发生报警的可能性。关联分析算法很多，鉴于i/0开支对性能的影响，本发明实施例选用无需多次扫描事务数据库的fpgrowth算法进行关联分析。普遍来讲，fpgrowth是寻找频繁项集的算法，频繁项集就是所谓的“支持度”比较高的项集。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。具体而言，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。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。图2是本发明fpgrowth算法的流程图，如图2所示，fpgrowth算法包括以下步骤：b1，第一次扫描数据库；b2，形成频繁1项集；b3，按照支持度递减排序；b4，再一次扫描数据库；b5，建立fp－tree；b6，从叶子节点挖掘fp－tree生成条件库，构造条件fp－tree；b7，在条件fp－tree进行递归挖掘，产生频繁模式。tp－tree是指构造扫描当前报警的事务数据库，计算每一项在所有报警记录中出现的频数，并删除频数小于预设的最小支持度的项，将剩余的所有的项按照频数递减排序，得到频繁1－项集l；基于l，构造表示事务数据库项集关联的fp－tree。fp－tree构造过程：创建fp－tree的根结点，用“null”表示，再次扫描事务数据库，对每个事务数据按照l中的顺序排序，同时删除非频繁项。然后为每个事务创建一个分支路径，创建的每条分支路径上的结点就是该事务中已排好序的频繁项集。对于每个事务分支，如果可以共享前缀路径，则共享前缀路径并且在该结点上记录下事务的支持度计数。为方便遍历fp－tree，为fp－tree创建一个项头表(headertable)，项头表由频繁1－项集构造的，且项头表中项目是按照支持度计数降序排列的。项头表中每一行表示一个频繁项，和一个指向它在fp－tree中第一次出现的结点的指针。在fp－tree上递归挖掘出所有的频繁项集是指从项头表的最后一个项目进行逆序遍历，依次为每个节点创建条件模式基，然后根据创建的条件模式基建立条件模式树，最后挖掘频繁模式，即得到所有的频繁项集。下面举例详细说明fpgrowth算法的完整实现过程。图3是本发明生成fp－tree的示意图，如图3所示：例如，事务数据库如表1所示，其中，一行表示一季度小区门禁报警历史记录。记录1a2f，b2f记录2a2f，b1f，c3f，d2f记录3b1f，a2f，c2f，d1f记录4b1f，a1f，c2f记录5a2f，c2f，d2f表1fpgrowth算法的实现过程包括如下步骤：步骤a1：扫描事务数据库，每项门禁报警历史纪录按频数递减排序，并删除频数小于最小支持度的记录。这是第一次扫描数据库(minsup)。得到的结果是：a2f：4，b1f：3，c2f：3，这里，minsup＝3。以上结果就是频繁1项集，记为f1。步骤a2：对于每一条报警历史记录，按照f1中的顺序重新排序，得到的结果如下：a2fa2f，b1fa2f，b1f，c2fb1f，c2fa2f，c2f步骤a3：将步骤a2得到的各条记录插入到fp－tree中。最终生成的fp－tree如图所示。步骤a4：从fp－tree中找出频繁项，得到每个报警记录两项之间的频繁项集合。遍历表头项中的每一项(以“c2f”为例)，对于各项都执行以下的操作：根据{c2f}线索链找到所有{c2f}结点，然后找出每个{c2f}结点的分支{a2f，b1f，c2f：1}{a2f，c2f：1}，{b1f，c2f：1}结点，除去{c2f}，我们得到前缀路径{a2f，b1f：1}{a2f：1}，{b1f：1}，根据前缀路径我们可以生产一颗条件fp－tree，构造方式跟之前一样。构造好条件树后，对条件树进行递归挖掘，假设{c2f}的条件频繁集为{s1，s2，s3}，则{c2f}的频繁集为{s1+{c2f}，s2+{c2f}，s3+{c2f}}，此处的条件频繁集为{{c2f}，{a2f，c2f}，{b1f，c2f}，{a2f，b1f，c2f}}。重复以上操作，对表头的每个项进行挖掘，即可得到整个频繁项集，频繁项集既不重复也不遗漏。根据每个报警发生区域二项频繁项集的支持度表，计算出各个报警发生区域的随机报警发生概率，从而达到报警预测的目的。将以上方法获得的预测结果，通过移动互联网技术推送至移动客户端，进而让用户知晓，并作出进一步安防措施。本发明使用fpgrowth算法对随机报警发生的记录进行关联分析是指扫描当前门禁报警的事务数据库，计算每个报警点在所有报警记录中出现的频数，报警点按照频数递减排序，得到频繁项集；基于所述频繁项集，对当前每条记录中各个报警点进行重新排序；将重新排序得到的报警发生记录插入fp－tree。所述fp－tree中一个节点表示一个报警点，一条路径对应一个季度该小区的门禁报警记录，每条路径上节点的计数值表示支持度，所示支持度用于确定任意两个报警点间的关联程度。从所述fp－tree找出频繁项，得到每个报警点二项之间的频繁项集合，所述频繁项集合包括每个报警点与其它报警点之间的支持度，一个报警点到其他任意一个报警点的发生概率为该报警点与其他任意一个报警点之间的支持度与该报警点到各个报警点的支持度之和之间的比值。具体而言，根据每个报警点与其它报警点之间的频繁项集合，得到每个报警点到其它报警点的随机发生概率。使用fpgrowth算法获得频繁项集的时候，首先删除频数小于预设的最小支持度的报警点，将剩余的报警点按照频数递减排序，得到频繁项集。以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。当前第1页12当前第1页12