基于Apriori关联规则算法的消防大数据分析

孙可心

摘要：本文以消防大数据平台为基础，利用Hadoop程序模块，展开消防大数据分析，研究Apriori关联规则算法模型;并且提出了基于Apriori关联规则算法视角下，分析消防大数据之间的内在关联，力图挖掘火灾发生因素之间的关联，最大程度地减少火灾发生。

關键词：Apriori;关联规则;消防;大数据平台

1引言

在社会经济发展进程中，城乡一致性建设步伐稳定前进，伴随着消防力量式微，给消防部队防火作业与灭火工作发起了新挑战。在消防信息化建设水平日益提升的科技时代背景下，国内消防数据以惊人之势迅速翻倍。消防数据的有效采集、科学存储、数据资源的综合利用，成为当务之急。

2Apriori关联规则算法模型

第一，消防大数据集合，将其中1阶项数据集合全部筛选出来;依据预先设定的最小值aiR，甄别1阶项中的频繁数据项集合，以最小值支持度阀值为参考，标记为I1;重复上述操作，计算2阶候选集C2;筛选满足条件的2阶频繁数据项目集合，标记为I2;重复统计数据，直至标记的数据项目集合IK-1，其所对应的候选集为Ck，候选集中的所有项目集合支持度均小于min，即频繁项目集合不再产生。

第二，在数据不断重复迭代过程中，候选项目数据集合、置信度判断分析，二者在进行时，涉及到两个概念：连接、剪枝;Apriori算法的核心性质为：任意一个项目集合属性为频繁，其中所有子集的属性为非空、频繁;连接是指Ik生成CK-1候选集时，采取的是Ik自身连接方式，连接条件为：K项集合中，k-1项之前的数据相同，从第K项开始不同;其中自身连接是构成长度最大的项集，利用已知频繁项集数据系统，实现减少计算量，获取高概率的频繁项集。在连接过程中，非频繁候选项集的处理工作，应用的是剪枝概念;剪枝是处理非频繁项子集的关键操作。

第三，推导强规则。针对每个频繁子集I，筛选其项集中的非空真子集;l与子集l之间的形成的关系为：I=I-I;计算规则R的置信度：conf（R）：sup（I）/sup（I）;如若conf（R）值、置信度最小值，二者之间的关系为前者不小于后者，则认定R为强规则。

3基于Apriori关联规则算法的消防大数据分析方法

3.1消防云上搭建Hadoop大数据cluster

在省级消防数据系统云端上，利用云管理工具开辟计算空间，开辟数量为3;在三个节点空间上，安装JAVA数据工程，配置工程运行所需的环境变量，搭建工程环境，具体使用的是：javaverslon 1.8.0141，安装版本为Hadoop 2.7.3。为数据工程配置集群文件，为其提供数据基础性文件内容，辅助其良好运行：etc/hadoop/core-site.xml，etc/hadoop/slaves.etc/hadoop/hdfs-site.xml，etc/hadoop/yam-site.xml，etc/hadoop/mapred-site.xml。启动Hadoop程序，查找进程运行机制，确定主节点yuhl位置，主节点包含：ResourceManager、SecondaryNameNode、NameNode;非主节点进程有：DataNode、NodeManager;搭建好主节点与非主节点的运行程序，完成消防云大数据环境搭建。

3.2Apriori算法实现

在Apriori的算法基础上，结合MapReduce模型;MapReduce是一种编程模型，用于大规模数据集的并行运算，大规模数据集的数据大小为：1TB，此编程模型实现了至少1TB数据集的并行运算，具有计算高速率、数据准确性的特征;Stringterms[]=value.tostring（）.split（“，”）;在C++、java编程语言中，String类是不可更改的，具有绝对的稳定性，如若采取措施试图改变String类，将成立新的String类对象;编程中利用String类，来保障消防云系统上数据的绝对稳定性与精准性，防止数据恶意更改现象发生，减少人为操作失误，每一次数据更改操作，在系统中均有详实记录，实现了消防数据的智能管理。

第一次计算输入map的关键词key为“火灾标识”，value值代表的是“火灾因素”，值之间以逗号向分隔;输出新的标识key为“火灾因素”，value值取值1，输出计算结果;采取re-duce计算方式，输出火灾因素标识为key;将value作为求和数据，剪去小于aiR数据（aiR在上文中提及为：最小支持度阀值）;计算分析火灾因素之间的关联关系。其中reduce方法，是编程中的累加器，依据条件输出结果;对于不符合条件的项目，依据方法配置的具体内容，给予反馈;它是一种具有个性化设置的编程方法，有利于消防数据云平台实现个性化管理;小于min数据值，编写不符合条件时，直接排除数据的语言程序;此方法具有超强智能的数据处理机制，适用于消防大数据分析。

3.3大数据实例分析

某省消防云大数据平台中，详实记录了消防出警的全部过程，比如：实施受理、出警人数、灭火市场等数据;从中抽取近3年的火灾数据，时间段截取2013年1月至2017年6月;利用火灾数据，建立大数据实例集;考虑到数据的保密性质，将火灾因素以数字代替，一方面有利于数据分析，另一方面维护消防数据安全，保障国内社会经济稳定发展;火灾因素数据为1，2，3，4，5;火灾类型名称的数据为D100，D200，D300，D400;min值定为0.5。

数据分析，因素1出现频率为2次，因素2出现频率为3次，因素3出现频率为3次，因素4出现频率为1次，因素5出现频率为1次;数据实例集为：C1：{{1}：2，{2}：3，{3}：3，{4}：1，{5}：3};实例集所对应的Support支持度值分别为：0.5、0.75、0.75、0.25、0.75;剪去小于min=0.5的数值，最终得出的数据集合为F1：{{1}：2，{2}：3，{3}：3，{5}：3}。

在F1数据集基础上，开展第二次计算;输入数据因素1和2，二者共同出现的频率为1次;输入数据因素1和3，二者共同出现的频率为2次;输入数据因素1和5，二者共同出现的频率为1次;输入数据因素2和3，二者共同出现的频率为3次;输入数据因素2和5，二者共同出现的频率为3次;输入数据因素3和5，二者共同出现的频率为2次;即数据实例集为C2：{{1，2}：1，{1，3}：2，{1，5}：1，{2，3}：2，{2，5}：3，{3，5}：2};实例集C2支持度为：0.5、0.75、0.75、0.75;C2支持度數值均大于min值，即数据集为F2：{{1，3}：2，{2，3}：2，{2，5}：3，{3，5}：2}。

C3为第三次扫描，共同出现的数据因素：2、3、5，则实例集C3：{2，3，5}：2，C3的支持度为0.5;得出的关联关系为：频r率值为2时，数据因素3的支持度d为0.5，置信度f为0.66;r=3，数据因素2的d=0.5，f=0.66;r=3，数据因素5的d=0.5，f=0.66;r=5，数据因素5的d=0.5，f=0.66;r=2，数据因素2的d=0.75，f=1;r=5，数据因素2的d=0.75，f=1;r=2，数据因素2的d=0.75，f=1;r=2，数据因素3、5的d=0.5，f=0.66;当数据因素出现3、5时，出现数据因素2的d=0.5，f=1;当数据因素出现3时，同时出现数据因素2、5的d=0.5，f=0.66;当数据因素出现2、5时，出现数据因素3的d=0.5，f=0.66;当数据因素出现5时，同时出现数据因素2、3的d=0.5，f=0.66;当数据因素出现2、3时，出现数据因素5的d=0.5，f=1。

3.4实例分析

假设f的最小值为0.8，则：①数据因素2、5的同时发生概率p为0.75，发生因素2时，间接发生因素5的概率p1为1;②2、5同时发生p=0.75，先发生因素5，间接发生因素2的p1=1;③2、3、5同时发生p=0.5，先发生因素3、5，间接发生因素2的p1=1;④2、3、5同时发生p=0.5，先发生因素2、3，间接发生因素5的p1=1。由此可知，火灾数据因素之间存在关联关系，应加强防护措施，减少火灾带来的经济损失。

4结语

综上所述，引起火灾的数据因素较为复杂，涉及因素广泛，比如气象、建筑属性、人员习惯等，如若将诸多因素共同例入Apriori关联规则算法的实例项目集合中，需要更为专业的技术给予支持，来完善项目集合，寻找火灾因素的关联关系。