一种基于非现场监管的消防一码数据关联分析方法与流程

本发明涉及数据关联，更具体地说，本发明涉及一种基于非现场监管的消防一码数据关联分析方法。

背景技术：

1、随着消防监管数字化建设的持续推进，社会单位日常巡查、防消联勤检查、消防设施维保检测以及监管部门监督检查逐步采用二维码方式对消防重点部位进行标识和记录。在实际应用过程中，不同主体通过扫码产生巡查记录、异常上报记录、维保记录及整改记录等数据，形成覆盖隐患发现、整改处置和监督检查等环节的数据链路，然而，现有管理模式下，多源检查数据缺乏有效关联与共享机制，难以支撑非现场条件下的持续监管和风险追溯。

2、现有技术存在以下不足：

3、目前，现有技术通常采用异常次数统计、规则匹配或单一业务记录关联的方式对消防码点数据进行分析，缺乏对异常共现关系、维保协同关系以及扫码行为特征之间关联结构的综合挖掘能力，容易将集中巡查、批量检查等活动产生的表面关联误判为真实风险关联，导致关键风险码点识别准确性不足，难以满足消防非现场监管场景下的精准分析需求，因此，提出一种基于非现场监管的消防一码数据关联分析方法。

4、在所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供一种基于非现场监管的消防一码数据关联分析方法，通过运用基于异常共现图谱构建、症状簇自组织聚类、关联中心指数生成及扫码行为偏置校准的消防码点关联分析技术以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案，一种基于非现场监管的消防一码数据关联分析方法，包括以下步骤：

3、步骤s1：在历史异常上报库中调用历史异常上报记录计算码点间异常共现频次，调取异常类型字典生成异常类型关联权重，结合码点间异常共现频次生成相关性图谱，提取当前异常上报记录中标记上报码点；

4、步骤s2：识别标记上报码点的异常类型，采集各标记上报码点的位置元数据，结合异常类型合成症状特征空间，在症状特征空间内对标记上报码点执行稀疏异步聚类，生成症状簇集合；

5、步骤s3：采集各码点被同一维保工单同时操作的累计次数并计算共操作频次，根据共操作频次生成共操作强度，遍历相关性图谱生成各节点对症状簇的相关性贯通度，综合维保共操作强度与相关性贯通度生成关联中心指数；

6、步骤s4：利用关联中心指数筛选关联中心候选码点，基于关联中心候选码点调取对应症状簇的交互事件，根据交互事件分析扫码事件密度，通过扫码事件密度对关联中心候选码点的关联中心指数执行反向校准，生成关联中心码点三元组。

7、在一个优选的实施方式中，在步骤s1中，从历史异常上报库中调取历史异常上报记录，按预设时间窗口长度对历史异常上报记录逐批扫描，累计统计全部时间窗口长度中两码点同时上报异常的次数，得到码点间异常共现频次；

8、调取异常类型分类标签字典，包含码点对应的全部异常类型及其归属关系；

9、针对两个码点上报的异常类型，按照异常类型分类标签字典中的层级关系计算两个异常类型在标签字典层级树中的归属距离，将两个异常类型在标签字典层级树中的归属距离除以距离衰减系数后取反，再对取反结果取自然指数，得到异常类型关联权重。

10、在一个优选的实施方式中，在步骤s1中，将码点间异常共现频次与异常类型关联权重的乘积作为两码点间的相关性边权重；

11、由码点作为节点、码点之间的相关性边权重作为边构成相关性图谱；

12、对当前异常上报记录进行扫描，将当前时间窗口内存在异常上报记录的码点提取为标记上报码点。

13、在一个优选的实施方式中，在步骤s2中，识别标记上报码点在当前周期内上报的异常类型，对任意两个标记上报码点，调取两个码点异常类型对应的异常类型关联权重，通过异常类型关联权重计算两个标记上报码点之间的类型距离；

14、位置元数据是指由标记上报码点在所属建筑空间坐标系下的三维坐标分量构成的静态属性数据；

15、对位置元数据中的各坐标分量分别进行标准化处理，得到标准化后位置坐标分量；

16、将类型距离与标准化后位置坐标分量联合构成症状特征空间，在症状特征空间中，任意两个标记上报码点之间的症状距离通过两个标记上报码点之间的类型距离和标准化后位置坐标分量计算得到。

17、在一个优选的实施方式中，在步骤s2中，在症状特征空间内对标记上报码点集合执行稀疏异步聚类时，以预设邻域半径搜索每个标记上报码点邻域内的其他标记上报码点，将邻域内标记上报码点数量与预设邻居数阈值进行比较：

18、邻域内标记上报码点数量大于预设邻居数阈值时，将标记上报码点为核心点，将其密度可达的全部标记上报码点合并为同一症状簇；

19、否则，将标记上报码点标记为孤立点，不进入任何症状簇；

20、簇内时间跨度由症状簇内全部标记上报码点中最早上报时间戳与最晚上报时间戳之间的时间差确定；

21、将症状簇内的标记上报码点与簇内时间跨度字段组合构成完整的症状簇数据结构，对当前周期内全部聚类结果依次执行上述组合操作得到症状簇集合。

22、在一个优选的实施方式中，在步骤s3中，对于当前症状簇中的任意一个候选码点，遍历维保工单数据库中的全部维保工单记录；

23、若候选码点与某一标记上报码点在同一张维保工单中被同时操作，则将本次共同出现记为一次共操作事件；

24、若未同时出现，则不计入统计；

25、分别求取候选码点与症状簇内每一个标记上报码点对应的共操作事件累计次数，再将全部共操作事件累计次数进行加总，得到候选码点对应的共操作频次；

26、对当前症状簇对应全部候选码点的共操作频次进行归一化处理，生成共操作强度；

27、统计全部候选码点中的最大共操作频次，将各候选码点对应的共操作频次除以最大共操作频次，得到共操作强度；

28、对于任一候选码点，从相关性图谱中提取候选码点与症状簇内全部标记上报码点之间的相关性边权重并进行累加，得到候选码点的相关性贯通度。

29、在一个优选的实施方式中，在步骤s3中，若相关性边权重达到预设关联有效阈值，则判定存在有效关联边；

30、统计候选码点与症状簇内全部标记上报码点之间有效关联边的数量，将有效关联边的数量除以症状簇内标记上报码点的总数，得到关联覆盖率；

31、统计当前症状簇对应全部候选码点中的最大相关性贯通度，将各相关性贯通度除以最大相关性贯通度，得到归一化相关性贯通度；

32、将候选码点对应的共操作强度、归一化相关性贯通度以及关联覆盖率三项指标相乘，得到候选码点的关联中心指数。

33、在一个优选的实施方式中，在步骤s4中，将关联中心指数达到预设筛选门限的候选码点筛选为关联中心候选码点；

34、对于每一个关联中心候选码点，提取其对应的症状簇，并调取对应症状簇时间跨度内的全部交互事件；

35、交互事件是指消防一码系统中由扫码行为产生的操作记录；

36、统计症状簇时间跨度内发生的全部扫码事件数量，得到扫码事件总量，将扫码事件总量除以症状簇时间跨度对应的时间长度，得到扫码事件密度；

37、通过调取当前建筑在历史正常运行周期内的扫码时间流日志，建立历史基准扫码事件密度。

38、在一个优选的实施方式中，在步骤s4中，将扫码事件密度除以历史基准扫码事件密度，计算得到扫码扰动倍率；

39、将关联中心候选码点对应的原始关联中心指数作为被校准对象，将扫码扰动倍率与常数项1相加生成巡查校准系数，再利用原始关联中心指数除以巡查校准系数，得到校准后的关联中心指数；

40、对校准后的关联中心指数进行排序，选取校准后关联中心指数最大的关联中心候选码点作为关联中心码点；

41、提取关联中心码点对应症状簇内全部标记上报码点作为下游关联码点集合；

42、将关联中心码点对应的校准后的关联中心指数除以全部关联中心候选码点中的最大校准后关联中心指数，得到结论置信度；

43、将关联中心码点标识、下游关联码点集合和结论置信度组合为关联中心码点三元组。

44、本发明的技术效果和优点：

45、本发明通过在历史异常上报库中统计码点间异常共现频次，结合异常类型关联权重累积构建相关性图谱，提取当前周期标记上报码点，识别其异常类型并采集位置元数据合成症状特征空间，在症状特征空间内执行稀疏异步聚类生成症状簇集合，调取维保工单码点共操作频次生成共操作强度，遍历相关性图谱生成各码点对症状簇的相关性贯通度，综合两者生成关联中心指数并筛选关联中心候选码点，调取对应症状簇扫码事件流日志生成扫码事件密度，对关联中心候选码点的关联中心指数执行反向校准，输出关联中心码点三元组，实现消防码点间关联结构的自学习构建，解决稀疏异步异常事件流的聚类问题，排除集中巡查活动引发的伪共因干扰，实现从分散症状数据到关联中心码点的结构化定位输出。