朱常波，程新洲，高 潔（1.中國聯(lián)通智能城市研究院，北京 100048；2.中訊郵電咨詢設(shè)計院有限公司，北京 100048；.中國聯(lián)通網(wǎng)絡(luò)技術(shù)研究院，北京 100048）

1 概述

在這場舉全國之力抗擊疫情的“戰(zhàn)役”中，各級政府通過暫緩企業(yè)開工、學(xué)校開課等政策手段，有效控制了疫情的蔓延和發(fā)展，當(dāng)前已初步呈現(xiàn)疫情防控形勢持續(xù)向好、生產(chǎn)生活秩序加快恢復(fù)的態(tài)勢。然而，企業(yè)復(fù)工復(fù)產(chǎn)對保持經(jīng)濟社會穩(wěn)定發(fā)展至關(guān)重要，迫在眉睫。因此，如何統(tǒng)籌疫情防控和復(fù)工復(fù)產(chǎn)，成為擺在各級政府面前的又一大挑戰(zhàn)。2020 年2 月11 日，國務(wù)院應(yīng)對新型冠狀病毒感染肺炎疫情聯(lián)防聯(lián)控機制舉行“切實加強疫情科學(xué)防控，有序做好企業(yè)復(fù)工復(fù)產(chǎn)”工作發(fā)布會。要求各地區(qū)分不同疫情狀況，在繼續(xù)加強疫情科學(xué)防控的同時，及時協(xié)調(diào)解決企業(yè)的困難和問題，有序推動企業(yè)復(fù)工復(fù)產(chǎn)，盡早恢復(fù)正常生產(chǎn)。

中國聯(lián)通作為擁有4 億用戶的電信運營商，充分發(fā)揮全國31 省一點集中的數(shù)據(jù)優(yōu)勢，面對疫情，快速響應(yīng)，在保證用戶隱私安全的基礎(chǔ)上研究開發(fā)了一系列大數(shù)據(jù)疫情防控產(chǎn)品并面向全國部署，為企業(yè)復(fù)工復(fù)產(chǎn)洞察、城市人口動態(tài)透視等應(yīng)用場景提供了數(shù)據(jù)支撐，確保疫情防控、復(fù)工復(fù)產(chǎn)的科學(xué)有效推進。

本文主要介紹了運營商大數(shù)據(jù)在疫情防控趨于穩(wěn)定的情況下，企業(yè)復(fù)工復(fù)產(chǎn)、學(xué)校開工開學(xué)等場景的探索及應(yīng)用。文章組織結(jié)構(gòu)如下：第2 章對運營商大數(shù)據(jù)的特征與分析架構(gòu)進行了介紹；第3 章闡述了運營商大數(shù)據(jù)在復(fù)工復(fù)產(chǎn)背景下的區(qū)域到崗率實時洞察與柵格化危險指數(shù)評估關(guān)注點、區(qū)域人口流入與員工出行方式風(fēng)險點等4個方面的數(shù)據(jù)分析及研判；第4章對全文進行了總結(jié)。

2 運營商大數(shù)據(jù)技術(shù)架構(gòu)

運營商大數(shù)據(jù)相較于其他行業(yè)，有著無法比擬的諸多優(yōu)勢。

首先，運營商擁有十億級的出賬用戶數(shù)、PB 級日均數(shù)據(jù)生成及采集量，數(shù)據(jù)維度全面包含了用戶信息、地理位置、上網(wǎng)行為、歷史軌跡、社交關(guān)系、支付能力等多元內(nèi)容，可準(zhǔn)確實時地反映用戶全息行為狀態(tài)。

另外，運營商擁有多張移動網(wǎng)絡(luò)，全生命周期時間連續(xù)、空間完整，在覆蓋時間、覆蓋范圍上遙遙領(lǐng)先于其他行業(yè)。運營商大數(shù)據(jù)可以通過電話號碼標(biāo)識來整合打通各類數(shù)據(jù)，與GPS、統(tǒng)計數(shù)據(jù)等相比，可直接追溯到自然人。通過運營商大數(shù)據(jù)可以獲取用戶身份信息、時間信息、位置信息、終端信息、行為信息和感知體驗，形成每個用戶的動態(tài)標(biāo)簽庫，從行為軌跡、業(yè)務(wù)偏好、時空分布、社交屬性等維度刻畫人們的日常工作與生活。

中國聯(lián)通在大數(shù)據(jù)技術(shù)及場景化應(yīng)用產(chǎn)品研發(fā)方面有著多年的技術(shù)積累與沉淀，在產(chǎn)品迭代更新上線時，更多的是基于原有的用戶標(biāo)簽庫、指紋數(shù)據(jù)庫以及場景化分析模型的抽取和組合，快速形成針對不同場景應(yīng)用的整體技術(shù)解決方案，并可以在很短的周期內(nèi)完成相關(guān)產(chǎn)品的模塊式開發(fā)及上線應(yīng)用。運營商大數(shù)據(jù)在助力復(fù)工復(fù)產(chǎn)方面的應(yīng)用模型如圖1所示。

整體的技術(shù)方案，可以分為數(shù)據(jù)中臺層和場景化應(yīng)用層。

針對數(shù)據(jù)中臺層的技術(shù)方案，主要包含：

a）數(shù)據(jù)處理：運營商數(shù)據(jù)包含23類用戶側(cè)及網(wǎng)絡(luò)側(cè)數(shù)據(jù)，數(shù)據(jù)類型包括關(guān)系型數(shù)據(jù)、NoSQL數(shù)據(jù)等。同時，互聯(lián)網(wǎng)及垂直行業(yè)包含大量的異構(gòu)數(shù)據(jù)。數(shù)據(jù)存儲層根據(jù)各類數(shù)據(jù)的采集方式、數(shù)據(jù)特點制定了一套規(guī)范化的數(shù)據(jù)管理存儲體系，實現(xiàn)對以往分散數(shù)據(jù)的歸集與規(guī)范化管理，存儲能力達到PB級。

b）模型搭建：針對數(shù)據(jù)存儲層所存儲的大量關(guān)系型數(shù)據(jù)、NoSQL數(shù)據(jù)、異構(gòu)數(shù)據(jù)，為了后續(xù)進行準(zhǔn)確、高效的數(shù)據(jù)分析，根據(jù)各個數(shù)據(jù)源的不同，研究數(shù)據(jù)解析與入庫方法，實現(xiàn)高效且精準(zhǔn)的數(shù)據(jù)解析，并搭建支撐上層指標(biāo)分析的機器學(xué)習(xí)模型。

圖1 大數(shù)據(jù)助力復(fù)工復(fù)產(chǎn)分析的技術(shù)方案

c）指標(biāo)分析：通過搭建Impala 集群、Vertica 集群，形成用戶和業(yè)務(wù)為主體的6個基礎(chǔ)模塊分析。在基礎(chǔ)模塊之上，數(shù)據(jù)分析層將進行關(guān)聯(lián)分析，構(gòu)建用戶屬性標(biāo)簽庫、用戶位置檔案庫，形成用戶、位置、駐留時長等分析指標(biāo)的數(shù)據(jù)中間層。同時，數(shù)據(jù)分析層還將引入分布式計算、商業(yè)智能BI 等技術(shù)，提升該平臺的性能及功能。

場景化應(yīng)用層主要包括場景化應(yīng)用報告及平臺服務(wù)。在指標(biāo)分析層以上，搭建地圖服務(wù)器、GIS 服務(wù)器、Web 服務(wù)器，進而實現(xiàn)數(shù)據(jù)分析層的用戶、位置以及柵格化分析指標(biāo)的實時查詢及地理化呈現(xiàn)，以及針對不同應(yīng)用場景生成相應(yīng)的分析報告。

3 運營商大數(shù)據(jù)助力復(fù)工復(fù)產(chǎn)

首先，通過政府公開的媒體網(wǎng)站調(diào)研了北京市疫情防控的實時進展情況，截至2020年2月底，北京市疫情走勢如圖2 所示。單日新增疑似、新增確診的病例數(shù)均成下降趨勢，且趨近于0。

圖2 北京單日新增病例數(shù)走勢

同時，通過分析用戶瀏覽微博、新聞等APP 的業(yè)務(wù)使用行為，結(jié)合互聯(lián)網(wǎng)公開數(shù)據(jù)接口，獲取用戶對疫情的關(guān)注程度?；谧匀徽Z言處理算法對用戶微博、新聞留言等多元文本進行情感研究與分析，可進一步判定用戶情緒指數(shù)（積極/消極，喜悅/憤怒/恐懼等），關(guān)注人群輿論導(dǎo)向。如圖3和圖4所示，可見公眾對疫情的關(guān)注度在2020 年2 月逐步下降，同時公眾情緒正在緩慢由消極向積極進行轉(zhuǎn)變。

從數(shù)據(jù)分析結(jié)果看，截至2020 年2 月底的新冠疫情從醫(yī)學(xué)防控和心理防控2方面整體處于積極向好的穩(wěn)定局面，這主要得益于常駐人口的自我隔離和遷入人口的有效控制。

圖3 公眾疫情關(guān)注度變化趨勢

圖4 公眾心理情緒變化趨勢

綜上所述，針對大數(shù)據(jù)助力復(fù)工復(fù)產(chǎn)的分析應(yīng)用場景，應(yīng)重點關(guān)注復(fù)工復(fù)產(chǎn)帶來的城市遷入人口變化以及常住人口的隔離變化2 個方面。因此，本文從區(qū)域到崗復(fù)工率分析和區(qū)域柵格化安全指數(shù)2 個關(guān)注點，以及人口遷入分析和員工出行方式預(yù)測2 個風(fēng)險點等4個方面進行分析及研判。

3.1 關(guān)注點1：區(qū)域到崗復(fù)工率分析

運營商數(shù)據(jù)具備分析用戶群體時空信息的能力，通過位置信息、時間戳，可以獲取用戶的時空軌跡，從而掌握用戶出行特征。通過對信令數(shù)據(jù)的實時分析和用戶屬性更新，可以逐步形成穩(wěn)定的用戶標(biāo)簽庫數(shù)據(jù)。通過對某特定區(qū)域內(nèi)用戶屬性分析以及用戶數(shù)量變化分析，可以實時關(guān)注特定區(qū)域內(nèi)的在崗員工到崗復(fù)工的變化情況，為企業(yè)決策者在制定復(fù)工復(fù)產(chǎn)相關(guān)政策、措施時提供數(shù)據(jù)分析依據(jù)。

通過用戶標(biāo)簽庫進行數(shù)據(jù)篩選分析，主語國際周邊區(qū)域（2 km×2 km）約有8 000名在崗員工。通過實時樣本數(shù)據(jù)觀測，針對主語國際周邊區(qū)域進行詳細分析，如圖5 所示，從2020 年2 月25 日—3 月1 日，周邊區(qū)域到崗復(fù)工比例整體在40%左右，從2020年2月25日—2 月28 日（周二—周五）單日到崗復(fù)工人數(shù)從3 000 人左右增長至3 700人左右，且持續(xù)呈上升趨勢。隨著國務(wù)院相關(guān)政策的發(fā)布，各企事業(yè)單位陸續(xù)進入逐步到崗復(fù)工的階段。

圖5 區(qū)域到崗復(fù)工人數(shù)變化趨勢

對周邊區(qū)域人數(shù)比較集中的企業(yè)、商業(yè)樓宇進行個體分析，如圖6 所示，公安部第1 研究所、國興大廈、機械研究院等單位的到崗復(fù)工比例較高，分別為41.3%、32.2%、31.8%；從地圖上看，如圖7所示，其中紅點表示人員相對集中的區(qū)域，包括公安部及機械研究院區(qū)域、百萬莊區(qū)域、中國標(biāo)協(xié)和云建大廈區(qū)域等。

3.2 關(guān)注點2：區(qū)域柵格化安全指數(shù)分析

基于運營商大數(shù)據(jù)，考慮人口密度、職業(yè)群體分布、自我隔離水平、用戶出行計劃和意圖等因素，綜合評估城市中各個柵格的危險指數(shù)及防疫安全等級（見圖8），并通過可視化平臺觀測風(fēng)險預(yù)警，可將疫情風(fēng)險度量化到柵格單位內(nèi)，為復(fù)工復(fù)產(chǎn)、精準(zhǔn)施策的防疫支撐工作提供參考依據(jù)。

從圖8 可以看出，主語周邊區(qū)域平均安全指數(shù)3.75，超越市區(qū)54.31%的區(qū)域，處于中等水平。

同時，在SEIR 傳染病模型中，新增感染人數(shù)和潛伏者、傳染者、感染者接觸到的易感者人數(shù)、傳染概率、潛伏者轉(zhuǎn)化為感染者概率等因素正相關(guān)。因此，高頻活動群體成為潛伏者的概率較大，而監(jiān)測管理該群體，可以有效降低感染者接觸到的易感者人數(shù)，對于病毒防控有積極作用。

圖6 區(qū)域到崗復(fù)工率分析

圖7 區(qū)域到崗復(fù)工率分析

圖8 柵格安全指數(shù)分布

從數(shù)據(jù)分析結(jié)果看，主語周邊區(qū)域，頻繁進出大中型醫(yī)院的群體人員，比例較低，基本穩(wěn)定在0.3%左右，平均每天為600人。

3.3 風(fēng)險點1：城市人口遷入風(fēng)險分析

受疫情影響，全國大多數(shù)城市都推遲了復(fù)工日期，因此原本應(yīng)該在農(nóng)歷初六、七出現(xiàn)的“回流”高峰得到了抑制，整個節(jié)后春運期間并未出現(xiàn)明顯的集中返程高峰，交通表現(xiàn)相對比較平穩(wěn)。對比北京市2019年和2020年同期人口遷出情況，如圖9所示，截至2020年1月25日前，2020年人口遷出指數(shù)與同期相比并無較大差異，但從2020 年人口遷入情況看，與同期形成較大的對比差異。截至2020 年2 月底，返京人員總量仍處于較低的水平，統(tǒng)計來看，有約400 萬人員尚未返京。如圖10所示，從2020年2月15日—2月28日的人口遷入變化分析，單日返京人口數(shù)量呈上升趨勢，因此，隨著逐步復(fù)工復(fù)產(chǎn)的趨勢，北京仍面臨大量人口流入壓力。

3.4 風(fēng)險點2：員工出行方式預(yù)測分析

全面到崗復(fù)工復(fù)產(chǎn)過程中，企業(yè)員工的出行方式，同樣也是需要關(guān)注的重點之一，尤其是乘坐公共交通的群體。通過對用戶屬性標(biāo)簽庫進行篩選分析，中訊院、網(wǎng)研院北京在崗員工約為1 100 人，通過與近期的實時數(shù)據(jù)關(guān)聯(lián)出800 人左右在京遠程辦公，主要居住在海淀區(qū)和豐臺區(qū)（見圖11）。

圖9 北京市人口遷入遷出對比

圖10 北京市人口遷入實時變化趨勢

圖11 北京地區(qū)居住行政區(qū)分布

通過對員工居住地與主語國際直線距離的分析（見圖12），發(fā)現(xiàn)僅有11%員工居住在離主語2 km范圍內(nèi)，這部分員工可采用步行或單車方式出行上班。如圖13 所示，其余約有43%員工出行方式以地鐵為主，約有46%員工出行方式為路面交通（如網(wǎng)約車、公交車、自駕），均存在一定接觸風(fēng)險。

圖12 員工居住地與主語距離分布

圖13 員工出行方式預(yù)測

考慮到接觸風(fēng)險，北京公交集團為復(fù)工企事業(yè)單位推出定制化公交通勤班車的政策，企業(yè)可以參考員工住址標(biāo)簽數(shù)據(jù)，生成建議定制路線，為員工解決上下班的通勤風(fēng)險問題。

4 總結(jié)

本文從區(qū)域到崗復(fù)工率實時洞察、柵格化危險指數(shù)評估、區(qū)域人口流入風(fēng)險分析、員工出行方式風(fēng)險分析等4 個方面的數(shù)據(jù)分析及研判，實現(xiàn)基于運營商大數(shù)據(jù)的復(fù)工復(fù)產(chǎn)分析及應(yīng)用。主要包括：

a）區(qū)域到崗復(fù)工率分析，關(guān)注特定區(qū)域內(nèi)的在崗員工到崗復(fù)工的變化情況，為企業(yè)決策者在制定復(fù)工復(fù)產(chǎn)相關(guān)政策、措施時提供數(shù)據(jù)分析依據(jù)。

b）針對區(qū)域柵格化安全指數(shù)分析，并針對不同柵格評估其危險指數(shù)，為員工出行、復(fù)工復(fù)產(chǎn)提供參考依據(jù)。

c）對城市人口遷入風(fēng)險分析，對節(jié)后復(fù)工背景下可能產(chǎn)生的城市疫情傳播風(fēng)險進行評估。

d）員工出行方式預(yù)測分析，預(yù)測分析需要乘坐公共交通的員工群體，為復(fù)工復(fù)產(chǎn)企業(yè)解決員工上下班的接觸風(fēng)險問題。

通過上述分析結(jié)果，可在疫情態(tài)勢研判等方面為政府提供有力支撐，助力企業(yè)復(fù)工復(fù)產(chǎn)，為企業(yè)決策者制定科學(xué)政策及手段提供支撐依據(jù)，逐步實現(xiàn)全面到崗復(fù)工。