CN106960213A - 一种基于大数据分析的消防安全重点单位等级排序系统 - Google Patents

Abstract

本发明公开了一种基于大数据分析的消防安全重点单位等级排序系统，该系统包括用于采集多个建筑所对应的建筑属性参数的数据采集单元、用于采用PCA算法对采集得到的多个建筑所对应的建筑属性参数进行主成分分析处理，得到多个建筑所对应的主成分数据，对多个建筑所对应的主成分数据进行聚类分析后得到至少两个数据簇的数据处理单元、用于计算每个数据簇的第一主成分平均值，根据第一主成分平均值，对数据簇进行排序的数据排序单元。通过使用本发明的系统，能准确对消防安全重点单位进行界定，并且令消防安全重点单位的等级确定结果更符合实际情况，且处理效率高。本发明的系统可广泛应用于消防管控领域中。

Description

一种基于大数据分析的消防安全重点单位等级排序系统

技术领域

本发明涉及数据判定排序处理技术，尤其涉及一种基于大数据分析的消防安全重点单位(建筑物)等级排序处理系统。

背景技术

技术词解释：

PCA：Principal Component Analysis，主成分分析，其是一种统计方法，通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。

随着近年社会经济的快速发展，消防工作面临的新情况、新问题不断增多，消防安全形势依然严峻，区域性火灾隐患突出，总体上仍处于火灾易发、多发期，给消防工作带来严峻的挑战和考验。为了降低火灾发生几率，减少火灾造成的人民生命财产的损害，县级以上地方人民政府公安机关消防机构会将发生火灾可能性较大以及发生火灾可能造成重大的人身伤亡或者财产损失的单位(建筑物)，确定为本行政区域内的消防安全重点单位(建筑物)，进行专门的管理以及重点关注，从而加强消防安全保障。然而，在现有对消防安全重点单位的等级排序技术中，对各种建筑的参数界定却缺乏大量统计数据支撑，容易导致等级排序结果的准确度低下，发生与实际情况不符的情况，而且其中定义的规则也较为繁杂，因此会降低了操作性以及数据处理效率，还有，各种建筑的参数在时间迁移的过程中会发生变化，这样则会导致消防安全重点单位的等级排序结果发生变化，而由于目前消防安全重点单位的等级排序基本是依赖人为操作来完成的，因此，当建筑的参数更新变化时，工作人员则需要重新进行数据处理来得出新的等级排序结果，这样不仅大大降低处理效率、操作便利性以及为产生结果滞后性，而且还会极大地增加工作人员的工作负担。

发明内容

为了解决上述技术问题，本发明的目的是提供一种效率高、准确度高、符合实际情况的基于大数据分析的消防安全重点单位(建筑物)等级排序处理系统。

本发明所采用的技术方案是：一种基于大数据分析的消防安全重点单位等级排序系统，该系统包括：

数据采集单元，用于采集多个建筑所对应的建筑属性参数；

数据处理单元，用于采用PCA算法对采集得到的多个建筑所对应的建筑属性参数进行主成分分析处理，从而得到多个建筑所对应的主成分数据，然后对多个建筑所对应的主成分数据进行聚类分析，从而得到至少两个数据簇；

数据排序单元，用于计算每个数据簇的第一主成分平均值，然后根据计算得出的第一主成分平均值，对数据簇进行排序。

进一步，所述数据采集单元包括：

获取模块，用于采集多个建筑所对应的建筑属性信息，其中，一个建筑对应多个建筑属性信息；

处理模块，用于对采集得到的多个建筑所对应的建筑属性信息进行数值转化处理，从而令一个建筑属性信息对应一建筑属性数值；

构建模块，用于将多个建筑所对应的建筑属性数值构成建成一样本数据矩阵，其中，所述样本数据矩阵作为所需采集的多个建筑所对应的建筑属性参数。

进一步，所述数据处理单元包括：

PCA处理模块，用于对样本数据矩阵进行归一化处理，从而得到归一化样本数据矩阵，然后计算归一化样本数据矩阵所对应的相关系数矩阵，接着，计算相关系数矩阵所对应的特征向量矩阵以及多个特征值，跟着，根据计算得出的多个特征值，从而计算得出每一个建筑所对应的主成分数据；

聚类处理模块，用于采用kmeans聚类算法对多个建筑所对应的主成分数据进行聚类分析，从而得到三个数据簇。

进一步，所述归一化样本数据矩阵中所包含的元素数值，其计算公式如下所示：

其中，h_ij表示为归一化样本数据矩阵中第i行第j列的元素数值，x_ij表示为样本数据矩阵中第i行第j列的建筑属性数值，表示为样本数据矩阵中第j列建筑属性数值的平均值，var(x_j)表示为样本数据矩阵中第j列建筑属性数值的方差，n为建筑的个数，m为一个建筑所对应的建筑属性数值的个数。

进一步，所述相关系数矩阵中第i行第j列的元素数值表示为归一化样本数据矩阵中第i列建筑属性数值与第j列建筑属性数值之间的相关系数。

进一步，所述相关系数矩阵中所包含的元素数值，其计算公式如下所示：

其中，cov(h_i,h_j)为h_i,h_j之间的协方差，为h_i的标准差,为h_j的标准差；h_i表示为归一化样本数据矩阵中第i列建筑属性数值，h_j表示为归一化样本数据矩阵中第j列建筑属性数值,c_ij表示为相关系数矩阵中第i行第j列的元素数值。

进一步，所述根据计算得出的多个特征值，从而计算得出每一个建筑所对应的主成分数据，其具体为：

首先，计算多个特征值的总和，然后按照数值从大至小的顺序依次选取特征值，当选取出的k个特征值的和超出预设值时，则利用选取出的k个特征值从特征向量矩阵中选取出相对应的k列特征向量数据构建成一个m×k的矩阵M；

然后，将归一化样本数据矩阵与矩阵M相乘，从而得到新的样本数据矩阵，其中，所述新的样本数据矩阵包括有每一个建筑所对应的主成分数据。

进一步，所述采用kmeans聚类算法对多个建筑所对应的主成分数据进行聚类分析，从而得到三个数据簇，其具体包括：

设定3个初始质心；

计算数据点与3个质心的距离，然后将该数据点划分至与其距离最近的质心所属的数据簇中，从而形成3个数据簇；

判断当前3个数据簇是否满足聚类结束条件，若是，则结束聚类，将当前得到的3个数据簇作为最终聚类分析后得到的3个数据簇；反之，则重新分别计算3个数据簇的质心，然后返回执行上一步骤。

进一步，所述数据簇的第一主成分平均值，其具体计算步骤包括有：

首先，对该数据簇中所包含的所有建筑所对应的主成分数据进行同一属性主成分数据的方差计算；

然后，选出数值最大的方差，将选出的方差所对应的同一属性主成分数据作为第一主成分数据；

接着，计算第一主成分数据的平均值作为该数据簇的第一主成分平均值。

进一步，所述相关系数矩阵所对应的特征向量矩阵以及多个特征值，其采用雅可比法来计算得出。

本发明的有益效果是：通过使用本发明的等级排序处理系统，能够为工作人员的操作带来极大的便利性，大大减轻工作人员的工作负担，而且当建筑的参数发生变化时，能快速计算得出消防安全重点单位的等级排序结构，数据处理效率高，而且其计算处理过程中不涉及人工操作，因此还大大提高计算结果的准确性。另外，对于本发明的等级排序处理系统，其首先通过PCA算法来对建筑物的消防相关属性参数进行主成分分析处理，提取出对建筑消防风险影响最大的因素，并且根据这些因素来判定该建筑主体是否为消防安全重点单位，最后在利用这些提取出来的因素，采用聚类方法对所述的重点单位进行等级划分排序，从而确定所述重点单位所属的等级，即重要程度，如最重要、次重要、一般重要等，由此可见，本发明的系统是基于大数据分析技术而实现的，而且采用PCA算法和聚类算法来实现消防安全重点单位的判定及其重要等级的确定，能令处理得出的等级确定结果更符合实际情况，避免发生真正高风险的建筑物被大量“次重点”的建筑物所掩盖的问题，有利于消防管控工作的资源调配。

附图说明

图1是本发明一种基于大数据分析的消防安全重点单位等级排序系统的结构框图；

图2是本发明一种基于大数据分析的消防安全重点单位等级排序系统的一具体实施例结构框图；

图3是针对一种基于大数据分析的消防安全重点单位等级排序系统所涉及的数据处理步骤流程图。

具体实施方式

如图1所示，一种基于大数据分析的消防安全重点单位等级排序系统，该系统包括：

数据采集单元101，用于采集多个建筑所对应的建筑属性参数；

数据处理单元102，用于采用PCA算法对采集得到的多个建筑所对应的建筑属性参数进行主成分分析处理，从而得到多个建筑所对应的主成分数据，然后对多个建筑所对应的主成分数据进行聚类分析，从而得到至少两个数据簇；

数据排序单元103，用于计算每个数据簇的第一主成分平均值，然后根据计算得出的第一主成分平均值，对数据簇进行排序。

进一步作为本实施例的优选实施方式，如图2所示，所述数据采集单元101包括：

获取模块1011，用于采集多个建筑所对应的建筑属性信息，其中，一个建筑对应多个建筑属性信息；

处理模块1012，用于对采集得到的多个建筑所对应的建筑属性信息进行数值转化处理，从而令一个建筑属性信息对应一建筑属性数值；

构建模块1013，用于将多个建筑所对应的建筑属性数值构成建成一样本数据矩阵，其中，所述样本数据矩阵作为所需采集的多个建筑所对应的建筑属性参数。

进一步作为本实施例的优选实施方式，如图2所示，所述数据处理单元102包括：

PCA处理模块1021，用于对样本数据矩阵进行归一化处理，从而得到归一化样本数据矩阵，然后计算归一化样本数据矩阵所对应的相关系数矩阵，接着，计算相关系数矩阵所对应的特征向量矩阵以及多个特征值，跟着，根据计算得出的多个特征值，从而计算得出每一个建筑所对应的主成分数据；

聚类处理模块1022，用于采用kmeans聚类算法对多个建筑所对应的主成分数据进行聚类分析，从而得到三个数据簇。

进一步作为本实施例的优选实施方式，所述归一化样本数据矩阵中所包含的元素数值，其计算公式如下所示：

其中，h_ij表示为归一化样本数据矩阵中第i行第j列的元素数值，x_ij表示为样本数据矩阵中第i行第j列的建筑属性数值，表示为样本数据矩阵中第j列建筑属性数值的平均值，var(x_j)表示为样本数据矩阵中第j列建筑属性数值的方差，n为建筑的个数，m为一个建筑所对应的建筑属性数值的个数。

进一步作为本实施例的优选实施方式，所述相关系数矩阵中第i行第j列的元素数值表示为归一化样本数据矩阵中第i列建筑属性数值与第j列建筑属性数值之间的相关系数。

进一步作为本实施例的优选实施方式，所述相关系数矩阵中所包含的元素数值，其计算公式如下所示：

其中，cov(h_i,h_j)为h_i,h_j之间的协方差，为h_i的标准差,为h_j的标准差；h_i表示为归一化样本数据矩阵中第i列建筑属性数值，h_j表示为归一化样本数据矩阵中第j列建筑属性数值,c_ij表示为相关系数矩阵中第i行第j列的元素数值。

进一步作为本实施例的优选实施方式，所述根据计算得出的多个特征值，从而计算得出每一个建筑所对应的主成分数据，其具体为：

首先，计算多个特征值的总和，然后按照数值从大至小的顺序依次选取特征值，当选取出的k个特征值的和超出预设值时，则利用选取出的k个特征值从特征向量矩阵中选取出相对应的k列特征向量数据构建成一个m×k的矩阵M；

然后，将归一化样本数据矩阵与矩阵M相乘，从而得到新的样本数据矩阵，其中，所述新的样本数据矩阵包括有每一个建筑所对应的主成分数据。

进一步作为本实施例的优选实施方式，所述采用kmeans聚类算法对多个建筑所对应的主成分数据进行聚类分析，从而得到三个数据簇，其具体包括：

设定3个初始质心；

计算数据点与3个质心的距离，然后将该数据点划分至与其距离最近的质心所属的数据簇中，从而形成3个数据簇；

判断当前3个数据簇是否满足聚类结束条件，若是，则结束聚类，将当前得到的3个数据簇作为最终聚类分析后得到的3个数据簇；反之，则重新分别计算3个数据簇的质心，然后返回执行上一步骤。

进一步作为本实施例的优选实施方式，所述数据簇的第一主成分平均值，其具体计算步骤包括有：

首先，对该数据簇中所包含的所有建筑所对应的主成分数据进行同一属性主成分数据的方差计算；

然后，选出数值最大的方差，将选出的方差所对应的同一属性主成分数据作为第一主成分数据；

接着，计算第一主成分数据的平均值作为该数据簇的第一主成分平均值。

进一步作为本实施例的优选实施方式，所述相关系数矩阵所对应的特征向量矩阵以及多个特征值，其采用雅可比法来计算得出。

如图3所示，针对上述基于大数据分析的消防安全重点单位等级排序处理系统，其具体处理方法步骤包括有：

S101、采集多个建筑所对应的建筑属性信息，其中，一个建筑对应多个建筑属性信息，而一个建筑所对应的多个建筑属性信息包括有：

a)建筑层数；

b)建筑高度；

c)建筑面积(m²)；

d)占地面积(m²)；

e)建筑主要使用功能：厂房、仓库、住宅、宿舍、公寓、学校、图书馆、医院、体育馆、电影院、商场、地下商场、地下车库、地下仓库、人民防空等；

f)房间数量；

g)人员数量；

h)投入使用年数；

i)其他扩展的数据；

S102、对采集得到的多个建筑所对应的建筑属性信息进行数值转化处理，从而令一个建筑属性信息对应一建筑属性数值；具体地，可采用布尔型数据转化方式将建筑属性信息这一非数值类数据转化为数值类数据，0或1，又或者，枚举型(针对建筑主要使用功能)采用整数数值对建筑主要使用功能依次编号，如厂房为1、仓库为2、住宅为3等如此类推；

S103、将多个建筑所对应的建筑属性数值构成建成一样本数据矩阵，其中，所述一样本数据矩阵作为所需采集的多个建筑所对应的建筑属性参数，例如，一共有n个建筑主体，而每个建筑主体包含m个建筑属性数值，那么该样本数据矩阵X如下所示：

可见，矩阵X中第i行的建筑属性数值对应第i个建筑主体；

S201、由于矩阵X中所包括的建筑属性数值的最大值和最小值均不确定，难以确定统一取值范围，并且数据中不同类别数据的取值范围差异较大，容易影响主成分分析过程，因此优选采用z-score方法对样本数据矩阵X进行归一化处理，使所有数据的取值范围落在[0,1]之间，从而得到归一化样本数据矩阵H，而该归一化样本数据矩阵H如下所示：

对于所述归一化样本数据矩阵H中所包含的元素数值h_ij，其具体计算公式如下所示：

其中，h_ij表示为归一化样本数据矩阵H中第i行第j列的元素数值，x_ij表示为样本数据矩阵X中第i行第j列的建筑属性数值，表示为样本数据矩阵X中第j列建筑属性数值的平均值，var(x_j)表示为样本数据矩阵X中第j列建筑属性数值的方差；

S202、计算归一化样本数据矩阵H所对应的相关系数矩阵C，其中，相关系数矩阵C中第i行第j列的元素数值c_ij表示为矩阵H中第i列建筑属性数值，即h_i，与第j列建筑属性数值，即h_j,之间的相关系数；

具体地，设定(h₁,h₂,h₃...h_m)是一个m维随机变量，任意h_i与h_j之间的相关系数c_ij表(i,j＝1,2,...m)存在,则以c_ij为元素数值的m阶矩阵称为该维随机向量的相关系数矩阵，记作C，相关系数矩阵C如下所示：

其中，对于相关系数矩阵C中所包含的元素数值c_ij，其计算公式如下所示：

其中，cov(h_i,h_j)为h_i,h_j之间的协方差，为h_i的标准差,为h_j的标准差；

S203、采用雅可比法来计算相关系数矩阵所对应的特征向量矩阵V以及多个特征值λ₁、λ₂…..λ_m，如矩阵S所示，其中，特征向量矩阵V和矩阵S如下所示：

S204、根据计算得出的多个特征值，从而计算得出每一个建筑所对应的主成分数据；

对于所述的步骤S204，其具体包括有：

S2041、计算多个特征值的总和λ＝λ₁+λ₂+……+λ_m，然后按照数值从大至小的顺序依次选取特征值，当选取出的k个特征值的和超出预设值，如85％*λ，那么利用选取出的k个特征值从特征向量矩阵V选取出相对应的k列特征向量数据作为一个m×k的矩阵M；

例如，当多个特征值按照数值从大至小的顺序为λ₁>λ₂>……>λ_m，然后，λ₁+λ₂的和超出85％*λ，那么λ₁和λ₂便为当前选取的特征值，即此时k为2，接着，利用选取出的这2个特征值，从特征向量矩阵V中选取出第1列和第2列特征向量数据作为一m×2的矩阵M，矩阵M如下所示：

若选取出的特征值为第三特征值λ₃和第六特征值λ₆，那么则从特征向量矩阵V中选取出第3列和第6列特征向量数据作为一m×2的矩阵M；

S2042、将归一化样本数据矩阵H与矩阵M相乘，从而得到新的样本数据矩阵H’，即令H'_nk＝H_nmM_mk；

通过采用上述的处理步骤，将n×m的归一化样本数据矩阵H映射成n×k的样本数据矩阵H’，而一建筑主体所对应的特征值数量则由m个减少到k个，此时，矩阵H’中第i行的k个元素数值实质为第i个建筑主体所对应的k个主成分数据，如k为2时，第1个建筑对应的2个主成分数据，即在新的样本数据矩阵H’包含了n个建筑所对应的主成分数据；

S205、将一建筑所对应的主成分数据作为一数据点，然后采用kmeans聚类算法对多个建筑所对应的数据点进行聚类分析，从而得到三个数据簇；

对于所述步骤S205，其具体为：

S2051、选取3个数据点作为3个初始质心；

S2052、采用曼哈顿距离计算数据点与3个质心的距离，然后将该数据点划分至与其距离最近的质心所属的数据簇中，从而形成3个数据簇；

S2053、判断当前3个数据簇是否满足聚类结束条件，如数据簇是否不再发生变化或当前迭代次数已达到最大迭代次数，若是，则结束聚类，将当前得到的3个数据簇作为最终聚类分析后得到的3个数据簇；反之，则重新分别计算3个数据簇的质心，然后返回执行上一步骤S2052；

S206、计算每个数据簇的第一主成分平均值；

其中，对于一数据簇的第一主成分平均值，其具体计算步骤包括有：

对该数据簇中所包含的所有建筑所对应的主成分数据进行同一属性主成分数据的方差计算，例如，该数据簇中包含了10个建筑所对应主成分数据，而一建筑对应2个主成分数据，其数据矩阵如下所示：

可见，n为10，此时，则计算第1列10个主成分数据的方差以及第2列主成分数据的方差(同一列主成分数据属于同一属性，不同列的数据对应不同属性)，即计算同一属性主成分数据的方差，然后选出数值最大的方差，其中，数值最大的方差所对应的那一列主成分数据为第一主成分数据，接着，计算出那一列第一主成分数据的平均值作为该数据簇的第一主成分平均值；

S207、根据每一个数据簇所对应的第一主成分平均值，按照数值从大至小的顺序对3个数据簇进行排序，这样排序为第一的数据簇(即该数据簇的第一主成分平均值的数值为最大的)，其中所包含的建筑为第一类消防安全重点单位，排序为第二的数据簇，其中所包含的建筑为第二类消防安全重点单位，排序为第三的数据簇(即该数据簇的第一主成分平均值的数值为最小的)，其中所包含的建筑为第三类消防安全重点单位。

由上述可见，通过使用上述本发明的消防安全重点单位等级排序方式，能够为工作人员的操作带来极大的便利性，大大减轻工作人员的工作负担，而且当建筑的参数发生变化时，能快速计算得出消防安全重点单位的等级排序结构，数据处理效率高，而且其计算处理过程中不涉及人工操作，因此还大大提高计算结果的准确性。另外，本发明采用PCA算法和聚类算法来实现消防安全重点单位的判定及其重要等级的确定，能令处理得出的等级确定结果更符合实际情况，避免发生真正高风险的建筑物被大量“次重点”的建筑物所掩盖的问题，而且可以快速复制应用于以后消防安全大数据平台的开发，作为主要的建筑物重要程度分类排序算法，用于消防大数据平台的决策辅助应用，指导建筑物维护专项资金的分配，消防安全检查工作的安排等。

以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于大数据分析的消防安全重点单位等级排序系统，其特征在于：该系统包括：

数据采集单元，用于采集多个建筑所对应的建筑属性参数；

数据处理单元，用于采用PCA算法对采集得到的多个建筑所对应的建筑属性参数进行主成分分析处理，从而得到多个建筑所对应的主成分数据，然后对多个建筑所对应的主成分数据进行聚类分析，从而得到至少两个数据簇；

数据排序单元，用于计算每个数据簇的第一主成分平均值，然后根据计算得出的第一主成分平均值，对数据簇进行排序。

2.根据权利要求1所述一种基于大数据分析的消防安全重点单位等级排序系统，其特征在于：所述数据采集单元包括：

获取模块，用于采集多个建筑所对应的建筑属性信息，其中，一个建筑对应多个建筑属性信息；

处理模块，用于对采集得到的多个建筑所对应的建筑属性信息进行数值转化处理，从而令一个建筑属性信息对应一建筑属性数值；

构建模块，用于将多个建筑所对应的建筑属性数值构成建成一样本数据矩阵，其中，所述样本数据矩阵作为所需采集的多个建筑所对应的建筑属性参数。

3.根据权利要求2所述一种基于大数据分析的消防安全重点单位等级排序系统，其特征在于：所述数据处理单元包括：

PCA处理模块，用于对样本数据矩阵进行归一化处理，从而得到归一化样本数据矩阵，然后计算归一化样本数据矩阵所对应的相关系数矩阵，接着，计算相关系数矩阵所对应的特征向量矩阵以及多个特征值，跟着，根据计算得出的多个特征值，从而计算得出每一个建筑所对应的主成分数据；

聚类处理模块，用于采用kmeans聚类算法对多个建筑所对应的主成分数据进行聚类分析，从而得到三个数据簇。

4.根据权利要求3所述一种基于大数据分析的消防安全重点单位等级排序系统，其特征在于：所述归一化样本数据矩阵中所包含的元素数值，其计算公式如下所示：

$h_{ij}=\frac{x_{ij}-{\stackrel{\‾}{x}}_j}{\sqrt{\mathrm{var}\left(x_j\right)}},(i=1,2,\mathrm{...},n;j=1,2,\mathrm{...},m)$

其中，h_ij表示为归一化样本数据矩阵中第i行第j列的元素数值，x_ij表示为样本数据矩阵中第i行第j列的建筑属性数值，表示为样本数据矩阵中第j列建筑属性数值的平均值，var(x_j)表示为样本数据矩阵中第j列建筑属性数值的方差，n为建筑的个数，m为一个建筑所对应的建筑属性数值的个数。

5.根据权利要求4所述一种基于大数据分析的消防安全重点单位等级排序系统，其特征在于：所述相关系数矩阵中第i行第j列的元素数值表示为归一化样本数据矩阵中第i列建筑属性数值与第j列建筑属性数值之间的相关系数。

6.根据权利要求5所述一种基于大数据分析的消防安全重点单位等级排序系统，其特征在于：所述相关系数矩阵中所包含的元素数值，其计算公式如下所示：

$c_{ij}=\frac{\mathrm{cov}(h_i,h_j)}{\sqrt{{\mathrm{Dh}}_i}\sqrt{{\mathrm{Dh}}_j}},(i,j=1,2,\mathrm{...},m)$

其中，cov(h_i,h_j)为h_i,h_j之间的协方差，为h_i的标准差,为h_j的标准差；h_i表示为归一化样本数据矩阵中第i列建筑属性数值，h_j表示为归一化样本数据矩阵中第j列建筑属性数值,c_ij表示为相关系数矩阵中第i行第j列的元素数值。

7.根据权利要求6所述一种基于大数据分析的消防安全重点单位等级排序系统，其特征在于：所述根据计算得出的多个特征值，从而计算得出每一个建筑所对应的主成分数据，其具体为：

首先，计算多个特征值的总和，然后按照数值从大至小的顺序依次选取特征值，当选取出的k个特征值的和超出预设值时，则利用选取出的k个特征值从特征向量矩阵中选取出相对应的k列特征向量数据构建成一个m×k的矩阵M；

然后，将归一化样本数据矩阵与矩阵M相乘，从而得到新的样本数据矩阵，其中，所述新的样本数据矩阵包括有每一个建筑所对应的主成分数据。

8.根据权利要求7所述一种基于大数据分析的消防安全重点单位等级排序系统，其特征在于：所述采用kmeans聚类算法对多个建筑所对应的主成分数据进行聚类分析，从而得到三个数据簇，其具体包括：

设定3个初始质心；

计算数据点与3个质心的距离，然后将该数据点划分至与其距离最近的质心所属的数据簇中，从而形成3个数据簇；

判断当前3个数据簇是否满足聚类结束条件，若是，则结束聚类，将当前得到的3个数据簇作为最终聚类分析后得到的3个数据簇；反之，则重新分别计算3个数据簇的质心，然后返回执行上一步骤。

9.根据权利要求7所述一种基于大数据分析的消防安全重点单位等级排序系统，其特征在于：所述数据簇的第一主成分平均值，其具体计算步骤包括有：

首先，对该数据簇中所包含的所有建筑所对应的主成分数据进行同一属性主成分数据的方差计算；

然后，选出数值最大的方差，将选出的方差所对应的同一属性主成分数据作为第一主成分数据；

接着，计算第一主成分数据的平均值作为该数据簇的第一主成分平均值。

10.根据权利要求3-9任一项所述一种基于大数据分析的消防安全重点单位等级排序系统，其特征在于：所述相关系数矩阵所对应的特征向量矩阵以及多个特征值，其采用雅可比法来计算得出。