1 研究背景
汽油、化工原料、毒害物質等�；返倪\輸與存儲安全是城市公共安全領域備受關注的研究課題。長久以來，由于危險品存儲與運輸不當而造成的城市安全事故層出不窮。2015 年 8 月 12 日，天津濱海新區危險品倉庫發生爆炸，造成了 173 人死亡、8 人失蹤、798 人受傷的嚴重事故。事故原因是涉案公司在靠近住宅區的地點違規存儲了近 3000 噸的�；凡l生自燃。類似的事故在西方發達國家也曾經出現過，2001 年 9 月，位于法國西南部工業城市圖盧茲的 AZF 化工廠發生強烈爆炸，事故造成 31 人死亡和 2500 人受傷。時任圖盧茲市市長事后表示，此次事故說明圖盧茲市民實際上是在「與炸彈同眠」。
圖 1. 國內外危險品事故
頻發的事故與慘痛的教訓反映出城市危險品安全問題的解決迫在眉睫，并且面臨著諸多挑戰。如何尋找城市中由于危險品的不合理規劃導致的危險區域?如何得知造成城市區域危險的原因?如何預測危險的發生?北京航空航天大學計算機學院和經管學院的合作團隊，研發的 Dangerous Goods Eyes (DGeye) 系統從大數據的角度為這些問題的解決提供了新的視角。
2 系統介紹
DGeye 系統主要由多元數據融合、危險模式挖掘、因果依賴網絡及其應用構成。下面我們將具體介紹這些部分。
2.1 數據來源
DGeye 系統的數據來源由危險品運輸車輛軌跡和手機信令數據兩部分構成。首先是危險品車輛的軌跡數據。2010 年 7 月，國務院印發《關于進一步加強企業安全生產工作的通知》，要求自 2011 年 8 月 1 日起，所有新出廠的危險品運輸車輛，均需安裝北斗衛星定位裝置。定位數據由地方交通管理部門進行分級收集管理，并接入交通部運營平臺，從而實現了對于全國危險品車輛位置的實時管理。
然而只了解危險品車輛的位置并不能完全滿足危險品管理的要求。DGeye 系統除了需要知道危險品在哪里之外，還需要了解「人」在哪里。手機信令數據(手機和基站之間進行信號連接的次數記錄，不記名、不含隱私信息)能夠統計城市中手機用戶的數量，DGeye 系統使用手機信令數據作為第二個主要的數據來源。
DGeye 系統使用柵格化方法，將城市地圖劃分為 500m×500m 的正方形區域，并對每一個區域的危險品車輛數據和手機用戶所代表的人口數據進行了統計。下圖使用 2015 年 1 月的數據，展示了北京和天津兩座城市中人口數量的分布和危險品車輛的分布情況(左圖為人口分布，右圖為危險品車輛分布)。
圖 2 京津兩市人口與危險品車輛分布
2.2 數據融合
從圖 2 中可以看出，如果我們只考慮危險品車輛而不考慮人口的分布，會因為絕大多數危險品車輛都分布在城市外圍，而認為城市中心區域并沒有太嚴重的危險品運輸風險。因此需要對兩種數據進行融合。
數據融合的主要挑戰是兩類數據在尺度上的異構性。全北京的總人口超過兩千萬，但是危險品車輛的總數不超過一千輛，如果直接將兩種數據進行融合，危險品車輛的信息會完全淹沒在巨量的人口數據當中。為了解決這一問題，DGeye 使用馬氏距離將兩種數據進行尺度歸一化。對于一個區域，我們使用人口和危險品數量在馬氏距離空間上的乘積作為該區域的風險評分(Risk Score)，如下圖所示：
當一個區域的風險評分高于某個閾值時，系統就認為該區域是一個風險區域(Risky Zone)。下圖展示了京津兩地的風險區域分布和每個區域的風險評分。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險區域被檢測了出來。
圖 3. 京津兩市的 Risky Zone 分布
2.3 危險模式挖掘
然而，Risky Zones 并不能完全表達一個城市的風險分布，因為其僅能反映短暫的風險事件，為了發現穩定、頻繁的風險區域，我們提出了一種 Apriori-like 算法來挖掘城市中風險區域的時空模式。該算法的功能是發現城市中「空間上相鄰」(co-location)、「時間上頻繁」(co-occurrence)的風險區域組合，即如下圖所示。
通過 Apriori-like 算法，DGeye 系統提取出了穩定的城市風險模式。下圖為北京和天津兩座城市在風險模式上的比較。
圖 4. 京津兩市的風險模式空間分布
從圖中可以看出，北京較大規模的風險模式集中在城市中心區域，而天津較大規模的風險模式則集中在天津港區。這種差異反映出兩座城市具有不同的危險品運輸需求：北京的危險品需求多為加油站、餐飲燃氣等民用燃料為主，運輸車輛需要穿行市區，因此在市中心造成連片的風險模式；而天津的危險品需求主要是天津港的�；愤M出口，因此風險模式集中在天津港區。
在時間分布上，京津兩市的風險模式也極為不同。如下圖所示，北京的危險品需求內在驅動力為市民的生活需求，因此風險模式的時間分布和市民作息高度相關，具有有著很強的節律性;而天津的危險品需求為進出口工業需求，由于港口能夠進行三班倒的連續運營，因此天津的風險模式在時間上的分布比較均勻。
圖 5. 京津兩市的風險模式時間分布
2.4 風險模式依賴網絡
在同一個城市中，各個風險模式之間存在著很強的因果依賴關系。例如，城市道路上的風險模式往往是由加油站、餐館等危險品運輸目的地所導致的。為了便于城市管理部門對風險模式進行治理，我們需要進一步地分析風險模式之間的依賴關系。
如下圖所示，我們構建了一個模式之間的依賴網絡，該網絡中每一個節點代表一個危險模式，當一輛危險品運輸車從 A 模式經過并駛向 B 模式時，我們會對 A 到 B 模式之間構建一條邊，并對邊的權重加 1。
以此方法構建出的網絡，假設 px → py 有一條邊，那么我們可以認為區域 py 是危險品的下一目的地，py (或其下游節點)對危險品的需求其導致了區域 px 的風險，因此我們也稱該網絡為風險模式的因果依賴網絡。
基于風險模式的因果依賴網絡，我們使用帶重啟動的隨機游走算法 (Random Walk with Restart)，對風險模式進行重要性排名。下圖是排名獲得的兩個例子。
圖 6. 風險模式排名案例分析
左圖為北京市的風險模式區域排名，其中紅色的模式為排名第一的風險模式。該模式覆蓋了北京市東四北大街和建國門內大街的一片區域。生活在北京的朋友們都知道，該區域是北京的休閑和娛樂區，著名的「簋街」特色小吃一條街就在這里。該區域火鍋、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，眾多餐館對煤氣罐等危險貨物的需求導致該區域危險品和人口聚集高度重合，形成了危險品安全風險。左圖中綠色和藍色的兩個模式是因果依賴網絡中依賴于紅色區域的兩個主要模式�？梢钥闯�，這兩個模式覆蓋了從市區外到達紅色區域的幾條主干道路。紅色區域對于危險品的迫切需求，導致了這兩個區域發生了危險品運輸風險。2016 年 1 月 17 日，一輛液化氣運輸車在綠色區域發生了燃燒事故，其目的地就是紅色區域的特色餐館。
由于我們使用的是歷史數據，我們也想看看天津爆炸案發生前的風險排名情況。在圖 6 的右圖中，我們可以看到當時天津市排名第一的風險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部鐵路相連。由該模式引起的兩個模式覆蓋了通往碼頭的一條東西主干道路，該道路穿過了天津濱海新區人口密度較高的城市中心。東西道路和南北道路的交叉點，就是天津濱海新區爆炸事故的爆炸點!
此外，基于因果依賴網絡，我們提出了基于 算法的貝葉斯模型，以當前一小時的風險模式分布來預測未來的一個小時的風險模式分布。由于我們的因果依賴網絡能夠很好的建模模式之間的因果依賴關系，因此獲得了非常好的預測效果。
3 總結
本文提出了一個新型系統 DGeye 用于城市危險品風險檢查和預測。其重點技術在于危險模式的挖掘、Apriori-like 算法以及因果網絡的構建和應用。危險模式揭示了歷史數據中京津兩市危險品管理風險的時空間分布規律�；谝蚬蕾嚲W絡的應用能夠指導城市管理部門進行城市危險品治理和城市安全改造。
注：本論文所使用的數據均為歷史數據，實驗結果只用于驗證模型和算法的有效性，并不代表京津兩市的當前城市危險品風險。在天津爆炸事故發生之后，政府對天津港的危險品管理進行了重點治理，目前隱患已經排除。對北京簋街地區存在的液化氣運輸風險，大家也完全不必擔心。2016 年，北京市啟動了包括鋪設天燃氣管道在內簋街的改造工程。目前，簋街已經完全告別了罐裝氣時代。
|
