1 研究背景
汽油、化工原料、毒害物質(zhì)等危化品的運(yùn)輸與存儲(chǔ)安全是城市公共安全領(lǐng)域備受關(guān)注的研究課題。長久以來，由于危險(xiǎn)品存儲(chǔ)與運(yùn)輸不當(dāng)而造成的城市安全事故層出不窮。2015 年 8 月 12 日，天津?yàn)I海新區(qū)危險(xiǎn)品倉庫發(fā)生爆炸，造成了 173 人死亡、8 人失蹤、798 人受傷的嚴(yán)重事故。事故原因是涉案公司在靠近住宅區(qū)的地點(diǎn)違規(guī)存儲(chǔ)了近 3000 噸的�；凡l(fā)生自燃。類似的事故在西方發(fā)達(dá)國家也曾經(jīng)出現(xiàn)過，2001 年 9 月，位于法國西南部工業(yè)城市圖盧茲的 AZF 化工廠發(fā)生強(qiáng)烈爆炸，事故造成 31 人死亡和 2500 人受傷。時(shí)任圖盧茲市市長事后表示，此次事故說明圖盧茲市民實(shí)際上是在「與炸彈同眠」。
圖 1. 國內(nèi)外危險(xiǎn)品事故
頻發(fā)的事故與慘痛的教訓(xùn)反映出城市危險(xiǎn)品安全問題的解決迫在眉睫，并且面臨著諸多挑戰(zhàn)。如何尋找城市中由于危險(xiǎn)品的不合理規(guī)劃導(dǎo)致的危險(xiǎn)區(qū)域?如何得知造成城市區(qū)域危險(xiǎn)的原因?如何預(yù)測危險(xiǎn)的發(fā)生?北京航空航天大學(xué)計(jì)算機(jī)學(xué)院和經(jīng)管學(xué)院的合作團(tuán)隊(duì)，研發(fā)的 Dangerous Goods Eyes (DGeye) 系統(tǒng)從大數(shù)據(jù)的角度為這些問題的解決提供了新的視角。
2 系統(tǒng)介紹
DGeye 系統(tǒng)主要由多元數(shù)據(jù)融合、危險(xiǎn)模式挖掘、因果依賴網(wǎng)絡(luò)及其應(yīng)用構(gòu)成。下面我們將具體介紹這些部分。
2.1 數(shù)據(jù)來源
DGeye 系統(tǒng)的數(shù)據(jù)來源由危險(xiǎn)品運(yùn)輸車輛軌跡和手機(jī)信令數(shù)據(jù)兩部分構(gòu)成。首先是危險(xiǎn)品車輛的軌跡數(shù)據(jù)。2010 年 7 月，國務(wù)院印發(fā)《關(guān)于進(jìn)一步加強(qiáng)企業(yè)安全生產(chǎn)工作的通知》，要求自 2011 年 8 月 1 日起，所有新出廠的危險(xiǎn)品運(yùn)輸車輛，均需安裝北斗衛(wèi)星定位裝置。定位數(shù)據(jù)由地方交通管理部門進(jìn)行分級(jí)收集管理，并接入交通部運(yùn)營平臺(tái)，從而實(shí)現(xiàn)了對(duì)于全國危險(xiǎn)品車輛位置的實(shí)時(shí)管理。
然而只了解危險(xiǎn)品車輛的位置并不能完全滿足危險(xiǎn)品管理的要求。DGeye 系統(tǒng)除了需要知道危險(xiǎn)品在哪里之外，還需要了解「人」在哪里。手機(jī)信令數(shù)據(jù)(手機(jī)和基站之間進(jìn)行信號(hào)連接的次數(shù)記錄，不記名、不含隱私信息)能夠統(tǒng)計(jì)城市中手機(jī)用戶的數(shù)量，DGeye 系統(tǒng)使用手機(jī)信令數(shù)據(jù)作為第二個(gè)主要的數(shù)據(jù)來源。
DGeye 系統(tǒng)使用柵格化方法，將城市地圖劃分為 500m×500m 的正方形區(qū)域，并對(duì)每一個(gè)區(qū)域的危險(xiǎn)品車輛數(shù)據(jù)和手機(jī)用戶所代表的人口數(shù)據(jù)進(jìn)行了統(tǒng)計(jì)。下圖使用 2015 年 1 月的數(shù)據(jù)，展示了北京和天津兩座城市中人口數(shù)量的分布和危險(xiǎn)品車輛的分布情況(左圖為人口分布，右圖為危險(xiǎn)品車輛分布)。
圖 2 京津兩市人口與危險(xiǎn)品車輛分布
2.2 數(shù)據(jù)融合
從圖 2 中可以看出，如果我們只考慮危險(xiǎn)品車輛而不考慮人口的分布，會(huì)因?yàn)榻^大多數(shù)危險(xiǎn)品車輛都分布在城市外圍，而認(rèn)為城市中心區(qū)域并沒有太嚴(yán)重的危險(xiǎn)品運(yùn)輸風(fēng)險(xiǎn)。因此需要對(duì)兩種數(shù)據(jù)進(jìn)行融合。
數(shù)據(jù)融合的主要挑戰(zhàn)是兩類數(shù)據(jù)在尺度上的異構(gòu)性。全北京的總?cè)丝诔^兩千萬，但是危險(xiǎn)品車輛的總數(shù)不超過一千輛，如果直接將兩種數(shù)據(jù)進(jìn)行融合，危險(xiǎn)品車輛的信息會(huì)完全淹沒在巨量的人口數(shù)據(jù)當(dāng)中。為了解決這一問題，DGeye 使用馬氏距離將兩種數(shù)據(jù)進(jìn)行尺度歸一化。對(duì)于一個(gè)區(qū)域，我們使用人口和危險(xiǎn)品數(shù)量在馬氏距離空間上的乘積作為該區(qū)域的風(fēng)險(xiǎn)評(píng)分(Risk Score)，如下圖所示：
當(dāng)一個(gè)區(qū)域的風(fēng)險(xiǎn)評(píng)分高于某個(gè)閾值時(shí)，系統(tǒng)就認(rèn)為該區(qū)域是一個(gè)風(fēng)險(xiǎn)區(qū)域(Risky Zone)。下圖展示了京津兩地的風(fēng)險(xiǎn)區(qū)域分布和每個(gè)區(qū)域的風(fēng)險(xiǎn)評(píng)分。顏色由綠到紅，表示 Risk Score 由低到高。從圖中可以看出，一些位于市中心的高風(fēng)險(xiǎn)區(qū)域被檢測了出來。
圖 3. 京津兩市的 Risky Zone 分布
2.3 危險(xiǎn)模式挖掘
然而，Risky Zones 并不能完全表達(dá)一個(gè)城市的風(fēng)險(xiǎn)分布，因?yàn)槠鋬H能反映短暫的風(fēng)險(xiǎn)事件，為了發(fā)現(xiàn)穩(wěn)定、頻繁的風(fēng)險(xiǎn)區(qū)域，我們提出了一種 Apriori-like 算法來挖掘城市中風(fēng)險(xiǎn)區(qū)域的時(shí)空模式。該算法的功能是發(fā)現(xiàn)城市中「空間上相鄰」(co-location)、「時(shí)間上頻繁」(co-occurrence)的風(fēng)險(xiǎn)區(qū)域組合，即如下圖所示。
通過 Apriori-like 算法，DGeye 系統(tǒng)提取出了穩(wěn)定的城市風(fēng)險(xiǎn)模式。下圖為北京和天津兩座城市在風(fēng)險(xiǎn)模式上的比較。
圖 4. 京津兩市的風(fēng)險(xiǎn)模式空間分布
從圖中可以看出，北京較大規(guī)模的風(fēng)險(xiǎn)模式集中在城市中心區(qū)域，而天津較大規(guī)模的風(fēng)險(xiǎn)模式則集中在天津港區(qū)。這種差異反映出兩座城市具有不同的危險(xiǎn)品運(yùn)輸需求：北京的危險(xiǎn)品需求多為加油站、餐飲燃?xì)獾让裼萌剂蠟橹鳎\(yùn)輸車輛需要穿行市區(qū)，因此在市中心造成連片的風(fēng)險(xiǎn)模式；而天津的危險(xiǎn)品需求主要是天津港的�；愤M(jìn)出口，因此風(fēng)險(xiǎn)模式集中在天津港區(qū)。
在時(shí)間分布上，京津兩市的風(fēng)險(xiǎn)模式也極為不同。如下圖所示，北京的危險(xiǎn)品需求內(nèi)在驅(qū)動(dòng)力為市民的生活需求，因此風(fēng)險(xiǎn)模式的時(shí)間分布和市民作息高度相關(guān)，具有有著很強(qiáng)的節(jié)律性;而天津的危險(xiǎn)品需求為進(jìn)出口工業(yè)需求，由于港口能夠進(jìn)行三班倒的連續(xù)運(yùn)營，因此天津的風(fēng)險(xiǎn)模式在時(shí)間上的分布比較均勻。
圖 5. 京津兩市的風(fēng)險(xiǎn)模式時(shí)間分布
2.4 風(fēng)險(xiǎn)模式依賴網(wǎng)絡(luò)
在同一個(gè)城市中，各個(gè)風(fēng)險(xiǎn)模式之間存在著很強(qiáng)的因果依賴關(guān)系。例如，城市道路上的風(fēng)險(xiǎn)模式往往是由加油站、餐館等危險(xiǎn)品運(yùn)輸目的地所導(dǎo)致的。為了便于城市管理部門對(duì)風(fēng)險(xiǎn)模式進(jìn)行治理，我們需要進(jìn)一步地分析風(fēng)險(xiǎn)模式之間的依賴關(guān)系。
如下圖所示，我們構(gòu)建了一個(gè)模式之間的依賴網(wǎng)絡(luò)，該網(wǎng)絡(luò)中每一個(gè)節(jié)點(diǎn)代表一個(gè)危險(xiǎn)模式，當(dāng)一輛危險(xiǎn)品運(yùn)輸車從 A 模式經(jīng)過并駛向 B 模式時(shí)，我們會(huì)對(duì) A 到 B 模式之間構(gòu)建一條邊，并對(duì)邊的權(quán)重加 1。
以此方法構(gòu)建出的網(wǎng)絡(luò)，假設(shè) px → py 有一條邊，那么我們可以認(rèn)為區(qū)域 py 是危險(xiǎn)品的下一目的地，py (或其下游節(jié)點(diǎn))對(duì)危險(xiǎn)品的需求其導(dǎo)致了區(qū)域 px 的風(fēng)險(xiǎn)，因此我們也稱該網(wǎng)絡(luò)為風(fēng)險(xiǎn)模式的因果依賴網(wǎng)絡(luò)。
基于風(fēng)險(xiǎn)模式的因果依賴網(wǎng)絡(luò)，我們使用帶重啟動(dòng)的隨機(jī)游走算法 (Random Walk with Restart)，對(duì)風(fēng)險(xiǎn)模式進(jìn)行重要性排名。下圖是排名獲得的兩個(gè)例子。
圖 6. 風(fēng)險(xiǎn)模式排名案例分析
左圖為北京市的風(fēng)險(xiǎn)模式區(qū)域排名，其中紅色的模式為排名第一的風(fēng)險(xiǎn)模式。該模式覆蓋了北京市東四北大街和建國門內(nèi)大街的一片區(qū)域。生活在北京的朋友們都知道，該區(qū)域是北京的休閑和娛樂區(qū)，著名的「簋街」特色小吃一條街就在這里。該區(qū)域火鍋、烤魚、麻辣小龍蝦等特色餐飲吸引了眾多的食客(人口密度大)。同時(shí)，眾多餐館對(duì)煤氣罐等危險(xiǎn)貨物的需求導(dǎo)致該區(qū)域危險(xiǎn)品和人口聚集高度重合，形成了危險(xiǎn)品安全風(fēng)險(xiǎn)。左圖中綠色和藍(lán)色的兩個(gè)模式是因果依賴網(wǎng)絡(luò)中依賴于紅色區(qū)域的兩個(gè)主要模式。可以看出，這兩個(gè)模式覆蓋了從市區(qū)外到達(dá)紅色區(qū)域的幾條主干道路。紅色區(qū)域?qū)τ谖ｋU(xiǎn)品的迫切需求，導(dǎo)致了這兩個(gè)區(qū)域發(fā)生了危險(xiǎn)品運(yùn)輸風(fēng)險(xiǎn)。2016 年 1 月 17 日，一輛液化氣運(yùn)輸車在綠色區(qū)域發(fā)生了燃燒事故，其目的地就是紅色區(qū)域的特色餐館。
由于我們使用的是歷史數(shù)據(jù)，我們也想看看天津爆炸案發(fā)生前的風(fēng)險(xiǎn)排名情況。在圖 6 的右圖中，我們可以看到當(dāng)時(shí)天津市排名第一的風(fēng)險(xiǎn)模式覆蓋了沿著天津港的一條南北走向的主干道，該道路直接和天津港碼頭的內(nèi)部鐵路相連。由該模式引起的兩個(gè)模式覆蓋了通往碼頭的一條東西主干道路，該道路穿過了天津?yàn)I海新區(qū)人口密度較高的城市中心。東西道路和南北道路的交叉點(diǎn)，就是天津?yàn)I海新區(qū)爆炸事故的爆炸點(diǎn)!
此外，基于因果依賴網(wǎng)絡(luò)，我們提出了基于 算法的貝葉斯模型，以當(dāng)前一小時(shí)的風(fēng)險(xiǎn)模式分布來預(yù)測未來的一個(gè)小時(shí)的風(fēng)險(xiǎn)模式分布。由于我們的因果依賴網(wǎng)絡(luò)能夠很好的建模模式之間的因果依賴關(guān)系，因此獲得了非常好的預(yù)測效果。
3 總結(jié)
本文提出了一個(gè)新型系統(tǒng) DGeye 用于城市危險(xiǎn)品風(fēng)險(xiǎn)檢查和預(yù)測。其重點(diǎn)技術(shù)在于危險(xiǎn)模式的挖掘、Apriori-like 算法以及因果網(wǎng)絡(luò)的構(gòu)建和應(yīng)用。危險(xiǎn)模式揭示了歷史數(shù)據(jù)中京津兩市危險(xiǎn)品管理風(fēng)險(xiǎn)的時(shí)空間分布規(guī)律�；谝蚬蕾嚲W(wǎng)絡(luò)的應(yīng)用能夠指導(dǎo)城市管理部門進(jìn)行城市危險(xiǎn)品治理和城市安全改造。
注：本論文所使用的數(shù)據(jù)均為歷史數(shù)據(jù)，實(shí)驗(yàn)結(jié)果只用于驗(yàn)證模型和算法的有效性，并不代表京津兩市的當(dāng)前城市危險(xiǎn)品風(fēng)險(xiǎn)。在天津爆炸事故發(fā)生之后，政府對(duì)天津港的危險(xiǎn)品管理進(jìn)行了重點(diǎn)治理，目前隱患已經(jīng)排除。對(duì)北京簋街地區(qū)存在的液化氣運(yùn)輸風(fēng)險(xiǎn)，大家也完全不必?fù)?dān)心。2016 年，北京市啟動(dòng)了包括鋪設(shè)天燃?xì)夤艿涝趦?nèi)簋街的改造工程。目前，簋街已經(jīng)完全告別了罐裝氣時(shí)代。
|
