CN117931846B - 基于多源融合的智能门禁数据管理方法及系统 - Google Patents

Abstract

本发明公开了一种基于多源融合的智能门禁数据管理方法及系统，包括获取目标区域内门禁设备的多源门禁数据进行分区及数据聚合，根据不同分区的区域业务确定不同分区的安防需求；获取不同安防需求在时序上的响应状况表征门禁设备的识别准确度，筛选响应状况不符合参考阈值的时段，在筛选时段中自适应进行安防业务调度；筛选门禁用户的出入点及路径序列建立目标区域的时空图，基于安防数据挖掘门禁用户的正常路径集合，构建异常检测模型进行训练识别门禁用户的异常行为。本发明根据门禁设备的安防业务响应获取识别准确度偏低的时段，及时进行业务管理调度，提高用户体验，并且根据安防数据实现人员行为异常的有效检测，实现全面智能安防。

Description

基于多源融合的智能门禁数据管理方法及系统

技术领域

本发明涉及数据处理技术领域，更具体的，涉及一种基于多源融合的智能门禁数据管理方法及系统。

背景技术

门禁管理系统是一种通过现代化的技术手段来对人员出入某个区域进行管控的系统，随着社会发展和科技进步，门禁管理系统在各个领域得到了广泛的应用，如住宅企业、企事业单位、公共场所等，门禁管理系统通过识别人员身份信息，控制门禁开关，实现对人员进出的控制、记录、管理等功能，确保了区域的安全和管理的便利性。

门禁管理系统的基本原理是通过对人员身份信息的识别，对门禁设备进行控制，实现对人员进出的管理，门禁管理系统的优点是安全可靠、管理方便、操作简单等，为各行业提供了高效的管理手段。目前现有技术的门禁管理系统大多使用人脸识别的方式，通过摄像头获取人脸图像，采集过程中通常需要用户站在特定位置，并保持面部朝向摄像头，随后将获取的人脸特征与已知的人脸特征进行比对和匹配，确定是否匹配成功，根据匹配结果，进行身份认证或识别。然而，现有门禁系统在面对员自身产生异常或受到安全威胁的情况时,在防范上却有所缺失，无法进行人员行为异常的有效检测。因此，如何采集多源数据信息进行摄像头准确度的智能感知并针对性甄别异常行为是亟需解决的问题。

发明内容

为了解决上述技术问题，本发明提出了一种基于多源融合的智能门禁数据管理方法及系统。

本发明第一方面提供了一种基于多源融合的智能门禁数据管理方法，包括：

获取目标区域内门禁设备的多源门禁数据，利用门禁设备的分布将所述多源门禁数据进行分区及数据聚合，提取不同分区的区域业务，获取所述区域业务确定不同分区的安防需求；

获取不同安防需求在时序上的响应状况，根据所述响应状况表征门禁设备的识别准确度，筛选响应状况不符合参考阈值的时段，在筛选时段中自适应进行安防业务调度；

提取各门禁设备对应不同安防业务的安防数据，筛选门禁用户的出入点及路径序列建立目标区域的时空图，通过数据插值将安防数据归入所述时空图中；

基于所述安防数据挖掘门禁用户的正常路径集合，构建异常检测模型进行训练，将门禁设备感知的用户通行序列导入异常检测模型，识别门禁用户的异常行为，并进行异常用户路径的可视化溯源。

本方案中，利用门禁设备的分布将所述多源门禁数据进行分区及数据聚合，提取不同分区的区域业务，获取所述区域业务确定不同分区的安防需求，具体为：

通过预设采集端获取反应门禁设备状态的多源门禁数据，将所述多源门禁数据进行预处理，根据预处理后的多源门禁数据评估门禁设备的日忙碌特征；

获取目标区域对应的三维格栅地图，利用建筑高度信息对所述三维格栅地图进行分层，将门禁设备的分布地点在所述三维格栅地图中进行标记；

根据所述日忙碌特征获取符合预设忙碌阈值的门禁设备，根据门禁设备所处格栅生成初始聚类中心，获取初始聚类中心所处格栅区域中建筑的业务项目作为格栅业务标签；

根据业务项目分布自适应设置不同初始聚类中心的邻域范围，在各初始聚类中心的邻域范围内计算各门禁设备与初始聚类中心的距离信息，迭代更新获取新的聚类中心，当聚类收敛时输出门禁设备的聚类结果；

将聚类结果各类簇中不同门禁设备所在格栅的格栅业务标签进行聚合筛选，筛选离群点格栅业务标签对应的门禁设备，将筛选的门禁设备进行重新分配，获取更新后的类簇；

根据更新后类簇进行目标地区三维格栅地图的划分，获取不同分区对应的多源门禁数据集合及区域业务，利用所述多源门禁数据集合及区域业务基于安防实例在预设安防需求库中选取安防需求。

本方案中，根据所述响应状况表征门禁设备的识别准确度，筛选响应状况不符合参考阈值的时段，具体为：

通过数据感知获取门禁设备在不同安防业务下的安防数据导入云平台进行数据备份，将云平台中的数据作为数据源进行数据脱敏及数据结构化处理，根据不同的安防业务生成对应的响应状况序列；

将不同的响应状况序列利用堆叠自编码器网络进行特征提取，利用梯度下降方法将所述堆叠自编码器进行参数更新，将当前LSTM自编码器的隐藏层作为下一LSTM自编码器的输入，训练获取最佳网络参数；

通过训练后的堆叠自编码器提取响应特征，将所述响应特征与门禁设备的工况匹配，在不同工况对应的响应特征集中引入注意力机制表征响应特征的重要程度；

根据注意力权重的大小获取预设数量的异常工况下不同响应状况序列的响应特征，根据获取的响应特征计算正常工况与异常工况下在不同时段特征分布的相对熵，根据所述相对熵生成不同时段的参考阈值，存入门禁设备对应的数据仓库；

根据参考阈值判断门禁设备当前响应状况序列是否满足标准。

本方案中，在筛选时段中自适应进行安防业务调度，具体为：

当目标门禁设备处于异常识别准确度时段时，则获取当前时段目标门禁设备平均通过时间与基准通过时间的时间差，根据所述时间差确定目标门禁设备的异常程度；

根据目标门禁设备的区域业务在对应安防需求集合中确定必要安防业务，获取同一分区中检索与目标门禁设备中距离最近的其他门禁设备进行标记，将目标门禁设备及标记门禁设备构建动态无线网络；

将必要安防业务的安防数据利用所述异常程度对应数量的通信链路进行优先通信处理，将次要安防业务的安防数据转发到动态无线网络，利用剩余通信链路及其他门禁设备的网络节点进行转发通信。

本方案中，筛选门禁用户的出入点及路径序列建立目标区域的时空图，通过数据插值将安防数据归入所述时空图中，具体为：

根据云平台的数据仓库获取门禁用户的出入点及路径序列，采用无向图方法构建目标区域的时空图，将门禁设备作为时空图的节点，并通过路径序列获取节点之间关系；

根据路径序列中门禁用户所涉及出入点之间的欧氏距离判断是否小于预设范围，获取空间边集合，并将路径序列中相邻时间戳的出入点视为相邻，获取时间边；

通过数据插值将门禁设备的安防数据作为时空图的节点参数，根据所述空间边及时间边构建邻接矩阵，利用所述邻接矩阵对时空图进行表示。

本方案中，构建异常检测模型进行训练，将门禁设备感知的用户通行序列导入异常检测模型，识别门禁用户的异常行为，具体为：

通过聚类方法将门禁用户的出入点及路径序列进行聚类挖掘门禁用户的正常路径集合，根据门禁用户感知的用户通行序列设置对应邻接矩阵；

根据图卷积网络及Seq2Seq模型构建异常检测模型，利用所述正常路径集合对所述异常检测模型进行训练，将用户通行序列对应的邻接矩阵作为模型输入；

利用图卷积操作结合邻居聚合操作获取用户通行序列的空间特征及时间上下文特征，根据所述空间特征及时间上下文特征生成特征序列，通过残差连接将所述特征序列导入Seq2Seq模型进行编码；

利用隐藏状态信息获取特征嵌入向量，在Seq2Seq模型的解码器中引入注意力机制度量不同特征的重要性，将加权后的特征进行解码导入全连接层中通过识别与正常路径的误差判断是否为异常行为。

本发明第二方面还提供了一种基于多源融合的智能门禁数据管理系统，该系统包括：存储器、处理器，所述存储器中包括基于多源融合的智能门禁数据管理方法程序，所述基于多源融合的智能门禁数据管理方法程序被所述处理器执行时实现如下步骤：

获取目标区域内门禁设备的多源门禁数据，利用门禁设备的分布将所述多源门禁数据进行分区及数据聚合，提取不同分区的区域业务，获取所述区域业务确定不同分区的安防需求；

获取不同安防需求在时序上的响应状况，根据所述响应状况表征门禁设备的识别准确度，筛选响应状况不符合参考阈值的时段，在筛选时段中自适应进行安防业务调度；

提取各门禁设备对应不同安防业务的安防数据，筛选门禁用户的出入点及路径序列建立目标区域的时空图，通过数据插值将安防数据归入所述时空图中；

基于所述安防数据挖掘门禁用户的正常路径集合，构建异常检测模型进行训练，将门禁设备感知的用户通行序列导入异常检测模型，识别门禁用户的异常行为，并进行异常用户路径的可视化溯源。

本发明公开了一种基于多源融合的智能门禁数据管理方法及系统，包括获取目标区域内门禁设备的多源门禁数据进行分区及数据聚合，根据不同分区的区域业务确定不同分区的安防需求；获取不同安防需求在时序上的响应状况表征门禁设备的识别准确度，筛选响应状况不符合参考阈值的时段，在筛选时段中自适应进行安防业务调度；筛选门禁用户的出入点及路径序列建立目标区域的时空图，基于安防数据挖掘门禁用户的正常路径集合，构建异常检测模型进行训练识别门禁用户的异常行为。本发明根据门禁设备的安防业务响应获取识别准确度偏低的时段，及时进行业务管理调度，提高用户体验，并且根据安防数据实现人员行为异常的有效检测，实现全面智能安防。

附图说明

图1示出了本发明一种基于多源融合的智能门禁数据管理方法的流程图；

图2示出了本发明筛选响应状况不符合参考阈值的时段的流程图；

图3示出了本发明构建异常检测模型的流程图；

图4示出了本发明一种基于多源融合的智能门禁数据管理系统的框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

图1示出了本发明一种基于多源融合的智能门禁数据管理方法的流程图。

如图1所示，本发明第一方面提供了一种基于多源融合的智能门禁数据管理方法，包括：

S102，获取目标区域内门禁设备的多源门禁数据，利用门禁设备的分布将所述多源门禁数据进行分区及数据聚合，提取不同分区的区域业务，获取所述区域业务确定不同分区的安防需求；

S104，获取不同安防需求在时序上的响应状况，根据所述响应状况表征门禁设备的识别准确度，筛选响应状况不符合参考阈值的时段，在筛选时段中自适应进行安防业务调度；

S106，提取各门禁设备对应不同安防业务的安防数据，筛选门禁用户的出入点及路径序列建立目标区域的时空图，通过数据插值将安防数据归入所述时空图中；

S108，基于所述安防数据挖掘门禁用户的正常路径集合，构建异常检测模型进行训练，将门禁设备感知的用户通行序列导入异常检测模型，识别门禁用户的异常行为，并进行异常用户路径的可视化溯源。

需要说明的是，通过预设采集端获取反应门禁设备状态的多源门禁数据，包括门禁开启次数、开启失败次数、磁吸设备状态指数等，将所述多源门禁数据进行预处理，根据预处理后的多源门禁数据评估门禁设备的日忙碌特征；获取目标区域对应的三维格栅地图，利用建筑高度信息对所述三维格栅地图进行分层，将门禁设备的分布地点在所述三维格栅地图中进行标记；根据所述日忙碌特征获取符合预设忙碌阈值的门禁设备，根据门禁设备所处格栅生成初始聚类中心，获取初始聚类中心所处格栅区域中建筑的业务项目作为格栅业务标签，例如食堂门禁、实验室门禁及宿舍楼门禁等；根据业务项目分布自适应设置不同初始聚类中心的邻域范围，例如根据实验室占地面积预设所处格栅的邻域范围，在各初始聚类中心的邻域范围内计算各门禁设备与初始聚类中心的距离信息，迭代更新获取新的聚类中心，当聚类收敛时输出门禁设备的聚类结果；将聚类结果各类簇中不同门禁设备所在格栅的格栅业务标签进行聚合筛选，筛选与主要业务标签偏移量过大的离群点的格栅业务标签对应的门禁设备，将筛选的门禁设备进行重新分配，获取更新后的类簇；根据更新后类簇进行目标地区三维格栅地图的划分，获取不同分区对应的多源门禁数据集合及区域业务，利用所述多源门禁数据集合及区域业务基于安防实例及专家经验在预设安防需求库中选取安防需求。

图2示出了本发明筛选响应状况不符合参考阈值的时段的流程图。

根据本发明实施例，根据所述响应状况表征门禁设备的识别准确度，筛选响应状况不符合参考阈值的时段，具体为：

S202，通过数据感知获取门禁设备在不同安防业务下的安防数据导入云平台进行数据备份，将云平台中的数据作为数据源进行数据脱敏及数据结构化处理，根据不同的安防业务生成对应的响应状况序列；

S204，将不同的响应状况序列利用堆叠自编码器网络进行特征提取，利用梯度下降方法将所述堆叠自编码器进行参数更新，将当前LSTM自编码器的隐藏层作为下一LSTM自编码器的输入，训练获取最佳网络参数；

S206，通过训练后的堆叠自编码器提取响应特征，将所述响应特征与门禁设备的工况匹配，在不同工况对应的响应特征集中引入注意力机制表征响应特征的重要程度；

S208，根据注意力权重的大小获取预设数量的异常工况下不同响应状况序列的响应特征，根据获取的响应特征计算正常工况与异常工况下在不同时段特征分布的相对熵，根据所述相对熵生成不同时段的参考阈值，存入门禁设备对应的数据仓库；

S210，根据参考阈值判断门禁设备当前响应状况序列是否满足标准。

需要说明的是，通过数据感知获取门禁设备在不同安防业务下的通行时间数据、用户身份数据、用户同行人数据及用户体温信息等作为安防数据。基于LSTM自编码器构建堆叠自编码器网络，将多个相同结构的LSTM自编码器连接起来，通过梯度下降方法进行训练，通过历史安防数据获取训练样本，利用训练样本进行编码，获取训练参数作为隐藏层特征进行保存，并输入下一隐藏层中，进行逐层训练获取最优参数集合。根据获取的响应特征计算正常工况与异常工况下在不同时段特征分布的相对熵作为为异常得分，结合不同时段内门禁设备的通行数据以此来确定不同时段的参考检测阈值，若当前相对熵不处于参考检测阈值范围，则说明门禁设备的识别准确度异常，可能导致非法访客误识别的情况出现，影响用户的体验。

当目标门禁设备处于异常识别准确度时段时，则获取当前时段目标门禁设备平均通过时间与基准通过时间的时间差，根据所述时间差确定目标门禁设备的异常程度；根据目标门禁设备的区域业务在对应安防需求集合中确定必要安防业务，例如实验室门禁设备的必要安防业务包括身份信息识别及是否存在尾行情况等；获取同一分区中检索与目标门禁设备中距离最近的其他门禁设备进行标记，将目标门禁设备及标记门禁设备构建动态无线网络，若标记门禁设备的网络波动过大，则根据距离选择另一网络波动符合预设条件的门禁设备；不同异常程度对应不同通信链路数量，并设置异常阈值，当异常程度大于异常阈值时，则将全部通信链路都优先分配至必要安防业务，将必要安防业务的安防数据利用所述异常程度对应数量的通信链路进行优先通信处理，将次要安防业务的安防数据转发到动态无线网络，利用剩余通信链路及其他门禁设备的网络节点进行转发通信。

在门禁设备中构建本地数据库，根据门禁设备的历史通行数据筛选高频通行用户，将所述高频通行用户的身份验证信息存入所述本地数据库；获取高频通行用户的通行时间段热力图，读取高频用户的通行偏好时间；根据门禁设备的日忙碌特征读取门禁设备的忙碌时段，判断所述通行偏好时间及忙碌时段是否存在交集，若存在，则在交集时间段直接调用本地数据库进行身份验证，在其他时间段根据门禁设备的单位时间通过人数判断忙碌状态，当处于忙碌状态时同样调用本地数据库，并选取高频通信用户最近一次在门禁设备非忙碌状态的通行数据，当达到预设时间间隔后，根据所述通行数据对本地数据库进行更新。

图3示出了本发明构建异常检测模型的流程图。

根据本发明实施例，构建异常检测模型进行训练，将门禁设备感知的用户通行序列导入异常检测模型，识别门禁用户的异常行为，具体为：

S302，通过聚类方法将门禁用户的出入点及路径序列进行聚类挖掘门禁用户的正常路径集合，根据门禁用户感知的用户通行序列设置对应邻接矩阵；

S304，根据图卷积网络及Seq2Seq模型构建异常检测模型，利用所述正常路径集合对所述异常检测模型进行训练，将用户通行序列对应的邻接矩阵作为模型输入；

S306，利用图卷积操作结合邻居聚合操作获取用户通行序列的空间特征及时间上下文特征，根据所述空间特征及时间上下文特征生成特征序列，通过残差连接将所述特征序列导入Seq2Seq模型进行编码；

S308，利用隐藏状态信息获取特征嵌入向量，在Seq2Seq模型的解码器中引入注意力机制度量不同特征的重要性，将加权后的特征进行解码导入全连接层中通过识别与正常路径的误差判断是否为异常行为 ;

需要说明的是，门禁通行数据是记录用户进出门禁设备时间和地点的数据，反映用户在目标地点内的行为习惯和路径，挖掘用户的路径及时间序列的频繁序列集，生成正常路径集合。通过正常路径及异常路径的偏差训练异常检测模型，能够用于识别地区内的非法闯入者或者门禁用户的考勤管理等。当识别到异常后，根据路径数据调用监控数据进行异常用户识别，并进行异常用户路径的可视化溯源，生成对应安防预警信息。利用图卷积操作结合邻居聚合操作根据空间边集合及事件边集合获取用户通行序列的空间特征及时间上下文特征，图卷积的过程为：

;

其中，表示输出的特征，/>表示激活函数，/>为可训练参数，优选的可以设置注意力机制，/>表示邻接矩阵，/>表示单位矩阵，/>表示输入的节点参数。

利用残差结构将图卷积网络和Seq2Seq模型进行连接以减轻网络计算负担，在加速网络训练速度的同时提升网络性能，Seq2Seq模型使用的都是RNN单元，一般为LSTM和GRU，通过上一时刻的编码器隐藏状态和记忆状态计算得到相关性，进行归一化，并且在解码器中利用注意力机制度量不同特征因子的重要性，凸显重要的特征，以增强识别精准度。

根据云平台的数据仓库获取门禁用户的出入点及路径序列，采用无向图方法构建目标区域的时空图，将门禁设备作为时空图的节点，并通过路径序列获取节点之间关系；根据路径序列中门禁用户所涉及出入点之间的欧氏距离判断是否小于预设范围，获取空间边集合，并将路径序列中相邻时间戳的出入点视为相邻，获取时间边；通过数据插值将门禁设备的安防数据作为时空图的节点参数，根据所述空间边及时间边进行拼接构建邻接矩阵，利用所述邻接矩阵对时空图进行表示。

图4示出了本发明一种基于多源融合的智能门禁数据管理系统的框图。

本发明第二方面还提供了一种基于多源融合的智能门禁数据管理系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于多源融合的智能门禁数据管理方法程序，所述基于多源融合的智能门禁数据管理方法程序被所述处理器执行时实现如下步骤：

获取目标区域内门禁设备的多源门禁数据，利用门禁设备的分布将所述多源门禁数据进行分区及数据聚合，提取不同分区的区域业务，获取所述区域业务确定不同分区的安防需求；

获取不同安防需求在时序上的响应状况，根据所述响应状况表征门禁设备的识别准确度，筛选响应状况不符合参考阈值的时段，在筛选时段中自适应进行安防业务调度；

提取各门禁设备对应不同安防业务的安防数据，筛选门禁用户的出入点及路径序列建立目标区域的时空图，通过数据插值将安防数据归入所述时空图中；

基于所述安防数据挖掘门禁用户的正常路径集合，构建异常检测模型进行训练，将门禁设备感知的用户通行序列导入异常检测模型，识别门禁用户的异常行为，并进行异常用户路径的可视化溯源。

本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于多源融合的智能门禁数据管理方法程序，所述基于多源融合的智能门禁数据管理方法程序被处理器执行时，实现如上述任一项所述的基于多源融合的智能门禁数据管理方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种基于多源融合的智能门禁数据管理方法，其特征在于，包括以下步骤：

获取目标区域内门禁设备的多源门禁数据，利用门禁设备的分布将所述多源门禁数据进行分区及数据聚合，提取不同分区的区域业务，获取所述区域业务确定不同分区的安防需求；

获取不同安防需求在时序上的响应状况，根据所述响应状况表征门禁设备的识别准确度，筛选响应状况不符合参考阈值的时段，在筛选时段中自适应进行安防业务调度；

提取各门禁设备对应不同安防业务的安防数据，筛选门禁用户的出入点及路径序列建立目标区域的时空图，通过数据插值将安防数据归入所述时空图中；

基于所述安防数据挖掘门禁用户的正常路径集合，构建异常检测模型进行训练，将门禁设备感知的用户通行序列导入异常检测模型，识别门禁用户的异常行为，并进行异常用户路径的可视化溯源；

利用门禁设备的分布将所述多源门禁数据进行分区及数据聚合，提取不同分区的区域业务，获取所述区域业务确定不同分区的安防需求，具体为：

通过预设采集端获取反应门禁设备状态的多源门禁数据，将所述多源门禁数据进行预处理，根据预处理后的多源门禁数据评估门禁设备的日忙碌特征；

获取目标区域对应的三维格栅地图，利用建筑高度信息对所述三维格栅地图进行分层，将门禁设备的分布地点在所述三维格栅地图中进行标记；

根据所述日忙碌特征获取符合预设忙碌阈值的门禁设备，根据门禁设备所处格栅生成初始聚类中心，获取初始聚类中心所处格栅区域中建筑的业务项目作为格栅业务标签；

根据业务项目分布自适应设置不同初始聚类中心的邻域范围，在各初始聚类中心的邻域范围内计算各门禁设备与初始聚类中心的距离信息，迭代更新获取新的聚类中心，当聚类收敛时输出门禁设备的聚类结果；

将聚类结果各类簇中不同门禁设备所在格栅的格栅业务标签进行聚合筛选，筛选离群点格栅业务标签对应的门禁设备，将筛选的门禁设备进行重新分配，获取更新后的类簇；

根据更新后类簇进行目标地区三维格栅地图的划分，获取不同分区对应的多源门禁数据集合及区域业务，利用所述多源门禁数据集合及区域业务基于安防实例在预设安防需求库中选取安防需求。

2.根据权利要求1所述的一种基于多源融合的智能门禁数据管理方法，其特征在于，根据所述响应状况表征门禁设备的识别准确度，筛选响应状况不符合参考阈值的时段，具体为：

通过数据感知获取门禁设备在不同安防业务下的安防数据导入云平台进行数据备份，将云平台中的数据作为数据源进行数据脱敏及数据结构化处理，根据不同的安防业务生成对应的响应状况序列；

将不同的响应状况序列利用堆叠自编码器网络进行特征提取，利用梯度下降方法将所述堆叠自编码器进行参数更新，将当前LSTM自编码器的隐藏层作为下一LSTM自编码器的输入，训练获取最佳网络参数；

通过训练后的堆叠自编码器提取响应特征，将所述响应特征与门禁设备的工况匹配，在不同工况对应的响应特征集中引入注意力机制表征响应特征的重要程度；

根据注意力权重的大小获取预设数量的异常工况下不同响应状况序列的响应特征，根据获取的响应特征计算正常工况与异常工况下在不同时段特征分布的相对熵，根据所述相对熵生成不同时段的参考阈值，存入门禁设备对应的数据仓库；

根据参考阈值判断门禁设备当前响应状况序列是否满足标准。

3.根据权利要求1所述的一种基于多源融合的智能门禁数据管理方法，其特征在于，在筛选时段中自适应进行安防业务调度，具体为：

当目标门禁设备处于异常识别准确度时段时，则获取当前时段目标门禁设备平均通过时间与基准通过时间的时间差，根据所述时间差确定目标门禁设备的异常程度；

根据目标门禁设备的区域业务在对应安防需求集合中确定必要安防业务，获取同一分区中检索与目标门禁设备中距离最近的其他门禁设备进行标记，将目标门禁设备及标记门禁设备构建动态无线网络；

将必要安防业务的安防数据利用所述异常程度对应数量的通信链路进行优先通信处理，将次要安防业务的安防数据转发到动态无线网络，利用剩余通信链路及其他门禁设备的网络节点进行转发通信。

4.根据权利要求1所述的一种基于多源融合的智能门禁数据管理方法，其特征在于，筛选门禁用户的出入点及路径序列建立目标区域的时空图，通过数据插值将安防数据归入所述时空图中，具体为：

根据云平台的数据仓库获取门禁用户的出入点及路径序列，采用无向图方法构建目标区域的时空图，将门禁设备作为时空图的节点，并通过路径序列获取节点之间关系；

根据路径序列中门禁用户所涉及出入点之间的欧氏距离判断是否小于预设范围，获取空间边集合，并将路径序列中相邻时间戳的出入点视为相邻，获取时间边；

通过数据插值将门禁设备的安防数据作为时空图的节点参数，根据所述空间边及时间边构建邻接矩阵，利用所述邻接矩阵对时空图进行表示。

5.根据权利要求1所述的一种基于多源融合的智能门禁数据管理方法，其特征在于，构建异常检测模型进行训练，将门禁设备感知的用户通行序列导入异常检测模型，识别门禁用户的异常行为，具体为：

通过聚类方法将门禁用户的出入点及路径序列进行聚类挖掘门禁用户的正常路径集合，根据门禁用户感知的用户通行序列设置对应邻接矩阵；

根据图卷积网络及Seq2Seq模型构建异常检测模型，利用所述正常路径集合对所述异常检测模型进行训练，将用户通行序列对应的邻接矩阵作为模型输入；

利用图卷积操作结合邻居聚合操作获取用户通行序列的空间特征及时间上下文特征，根据所述空间特征及时间上下文特征生成特征序列，通过残差连接将所述特征序列导入Seq2Seq模型进行编码；

利用隐藏状态信息获取特征嵌入向量，在Seq2Seq模型的解码器中引入注意力机制度量不同特征的重要性，将加权后的特征进行解码导入全连接层中通过识别与正常路径的误差判断是否为异常行为。

6.一种基于多源融合的智能门禁数据管理系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于多源融合的智能门禁数据管理方法程序，所述基于多源融合的智能门禁数据管理方法程序被所述处理器执行时实现如下步骤：

获取目标区域内门禁设备的多源门禁数据，利用门禁设备的分布将所述多源门禁数据进行分区及数据聚合，提取不同分区的区域业务，获取所述区域业务确定不同分区的安防需求；

获取不同安防需求在时序上的响应状况，根据所述响应状况表征门禁设备的识别准确度，筛选响应状况不符合参考阈值的时段，在筛选时段中自适应进行安防业务调度；

提取各门禁设备对应不同安防业务的安防数据，筛选门禁用户的出入点及路径序列建立目标区域的时空图，通过数据插值将安防数据归入所述时空图中；

基于所述安防数据挖掘门禁用户的正常路径集合，构建异常检测模型进行训练，将门禁设备感知的用户通行序列导入异常检测模型，识别门禁用户的异常行为，并进行异常用户路径的可视化溯源；

利用门禁设备的分布将所述多源门禁数据进行分区及数据聚合，提取不同分区的区域业务，获取所述区域业务确定不同分区的安防需求，具体为：

通过预设采集端获取反应门禁设备状态的多源门禁数据，将所述多源门禁数据进行预处理，根据预处理后的多源门禁数据评估门禁设备的日忙碌特征；

获取目标区域对应的三维格栅地图，利用建筑高度信息对所述三维格栅地图进行分层，将门禁设备的分布地点在所述三维格栅地图中进行标记；

根据所述日忙碌特征获取符合预设忙碌阈值的门禁设备，根据门禁设备所处格栅生成初始聚类中心，获取初始聚类中心所处格栅区域中建筑的业务项目作为格栅业务标签；

根据业务项目分布自适应设置不同初始聚类中心的邻域范围，在各初始聚类中心的邻域范围内计算各门禁设备与初始聚类中心的距离信息，迭代更新获取新的聚类中心，当聚类收敛时输出门禁设备的聚类结果；

将聚类结果各类簇中不同门禁设备所在格栅的格栅业务标签进行聚合筛选，筛选离群点格栅业务标签对应的门禁设备，将筛选的门禁设备进行重新分配，获取更新后的类簇；

根据更新后类簇进行目标地区三维格栅地图的划分，获取不同分区对应的多源门禁数据集合及区域业务，利用所述多源门禁数据集合及区域业务基于安防实例在预设安防需求库中选取安防需求。

7.根据权利要求6所述的一种基于多源融合的智能门禁数据管理系统，其特征在于，根据所述响应状况表征门禁设备的识别准确度，筛选响应状况不符合参考阈值的时段，具体为：

通过数据感知获取门禁设备在不同安防业务下的安防数据导入云平台进行数据备份，将云平台中的数据作为数据源进行数据脱敏及数据结构化处理，根据不同的安防业务生成对应的响应状况序列；

将不同的响应状况序列利用堆叠自编码器网络进行特征提取，利用梯度下降方法将所述堆叠自编码器进行参数更新，将当前LSTM自编码器的隐藏层作为下一LSTM自编码器的输入，训练获取最佳网络参数；

通过训练后的堆叠自编码器提取响应特征，将所述响应特征与门禁设备的工况匹配，在不同工况对应的响应特征集中引入注意力机制表征响应特征的重要程度；

根据注意力权重的大小获取预设数量的异常工况下不同响应状况序列的响应特征，根据获取的响应特征计算正常工况与异常工况下在不同时段特征分布的相对熵，根据所述相对熵生成不同时段的参考阈值，存入门禁设备对应的数据仓库；

根据参考阈值判断门禁设备当前响应状况序列是否满足标准。

8.根据权利要求6所述的一种基于多源融合的智能门禁数据管理系统，其特征在于，在筛选时段中自适应进行安防业务调度，具体为：

当目标门禁设备处于异常识别准确度时段时，则获取当前时段目标门禁设备平均通过时间与基准通过时间的时间差，根据所述时间差确定目标门禁设备的异常程度；

根据目标门禁设备的区域业务在对应安防需求集合中确定必要安防业务，获取同一分区中检索与目标门禁设备中距离最近的其他门禁设备进行标记，将目标门禁设备及标记门禁设备构建动态无线网络；

将必要安防业务的安防数据利用所述异常程度对应数量的通信链路进行优先通信处理，将次要安防业务的安防数据转发到动态无线网络，利用剩余通信链路及其他门禁设备的网络节点进行转发通信。

9.根据权利要求6所述的一种基于多源融合的智能门禁数据管理系统，其特征在于，构建异常检测模型进行训练，将门禁设备感知的用户通行序列导入异常检测模型，识别门禁用户的异常行为，具体为：

通过聚类方法将门禁用户的出入点及路径序列进行聚类挖掘门禁用户的正常路径集合，根据门禁用户感知的用户通行序列设置对应邻接矩阵；

根据图卷积网络及Seq2Seq模型构建异常检测模型，利用所述正常路径集合对所述异常检测模型进行训练，将用户通行序列对应的邻接矩阵作为模型输入；

利用图卷积操作结合邻居聚合操作获取用户通行序列的空间特征及时间上下文特征，根据所述空间特征及时间上下文特征生成特征序列，通过残差连接将所述特征序列导入Seq2Seq模型进行编码；

利用隐藏状态信息获取特征嵌入向量，在Seq2Seq模型的解码器中引入注意力机制度量不同特征的重要性，将加权后的特征进行解码导入全连接层中通过识别与正常路径的误差判断是否为异常行为。