基于大数据的大型活动拥挤踩踏事故预警分析研究*

王起全，李鹏昇

(中国劳动关系学院 安全工程系，北京 100048)

0　引言

近年来，大型活动中拥挤踩踏事故频繁发生，在造成惨重的人员伤亡和社会负面影响的同时，也引起了社会的广泛关注。据不完全统计，近15 a来，国内至少发生了17起拥挤踩踏事故，造成至少140人遇难，338人受伤，其中有5起是由于大型活动引起的事故，可想而知，解决大型活动的安全隐患迫在眉睫。因此，针对大型活动开展拥挤踩踏事故预警分析研究，已成当今的热点之一。

国外学者对拥挤踩踏事故的研究起步较早，相对比较成熟，法国心理学家Gustave Le Bon率先对危险环境下人群聚集行为和心理变化进行研究，提出从众理论[1]；Dirk Helbing对疏散过程中人群的恐慌心理与从众行为进行了模拟和研究，提出著名的“社会力”模型[2]，随后Kebel也提出微观仿真模型，为拥挤踩踏事故疏散提供科学的参考和依据[3]；Lee和Hughes基于法国科学家Lighthill的运动波理论，对照车流运动与人群运动的相似性、人群运动周期和心理特性，构建持续人群流动模型[4]；Krausz等通过视频分析方法，深入分析社会群体活动的运动特征和事故机理[5]；Nelson和Maclennan在《Emergency Movement》中提出，当人群密度在3.8人/m2以上时，可能会形成人群堵塞[6]，基于这个发现，Wirz等采用移动技术和感知方法，对大型活动进行监控与管理研究[7]。

国内研究，在预防与控制方面，熊艳把场地内的人群密度作为预警分级的指标，在此等级上建立相应的聚集人群管理控制方案[8]；李焘等确定大型活动中安全监测的5个重点部位，提出大型客流风险的预警方法[9]；王振、展懿、白锐、王艳、张慧等都先后基于事故机理，对拥挤踩踏事故的预防与控制提出了对策[10-11]。以上这些关于拥挤踩踏事故预防与控制的研究，都为社会活动的顺利运行，避免事故发生，提供了借鉴。在事故机理方面，白锐基于安全承载量计算与持续人群流动模型，结合人群因素，研究事故致因的《室外大型社会活动拥挤踩踏事故机理研究》[12]；张青松以风险理论等多种理论方法为基础，构建人群拥挤踩踏事故风险(四阶段)理论模型，分析事件发生原因[13]；胡清梅构建SimCrowd实验仿真系统，对构建的场景进行仿真，对事故致因进行分析[14]；佟瑞鹏等提出一种拥挤踩踏危害定量评价模型和方法[15]；张青松等依据Newton second law和“社会力”模型，对区域中行人之间的受力进行建模，引进“拥挤力”的思想，架构行人受力微观模拟模型并结合MAS技术进行模拟分析[16]；王起全等采用灰色层次分析法、BP神经网络安全评估方法和赋权关联度算法，对风险进行数据方面的分析与评估，为其他学者研究踩踏事故提供评估方法[17-18]。

综上，目前国内外研究主要集中在大型活动拥挤踩

踏事故机理、人群疏散、应急对策三方面。随着安全信息化的发展，大数据在公共安全方面的运用逐渐被人们所认识，曾范敬、张鹤飞结合拥挤踩踏事故特点，提出大数据技术在大型活动拥挤踩踏事故危险信息采集与分析、快速预测事态及提供解决方案等方面具有优势[19]，但如何运用大数据技术开展拥挤踩踏事故预警分析，目前在国内尚少有涉及。在此背景下，提出运用大数据技术对大型活动拥挤踩踏事故进行预警模型的构建和分析，研究拥挤踩踏预警模型与预警分析系统的可行性，提出合理的预控对策，并辅以实例进行验证，为预防拥挤踩踏事故提供科学的技术指导和参考。

1　基于大数据的大型活动拥挤踩踏事故预警分析系统构建

大型活动拥挤踩踏事故预警分析系统即是对预警区域内的涉及到踩踏事故的致因进行监督预防，从而达到活动中无事故早期征兆的预警系统。为了使预警分析系统兼具科学性与实用性，该系统运用大数据技术对危险因素进行预警分析，其工作流程如图1所示。

图1　预警分析系统中大数据处理流程Fig.1　Large data processing flow in early warning analysis system

1.1　数据源

数据源获取方式有多种途径，如官方数据、半官方数据、各个平台的数据、通过数据采集工具或软件自行收集的数据、专门数据采集机构等。本文大型活动拥挤踩踏事故预警分析系统的数据源来自百度LBS开放平台的实时路况，驾车、公交、骑行、步行路线规划和导航服务数据，以及活动场所中人群手机访问百度APP时所携带的位置信息、网络授权手机定位通话记录、关键词搜索记录等。

1.2　数据提取和集成

大型活动中人群信息的数据源提取和集成运用批处理和流处理对数据进行聚合和关联，并存储使之成为预警分析时有用的数据集。

1)批处理

预警分析系统中，数据批处理是将人群对地图关键词搜索记录(PC端和Web端)数据先存储后处理的过程，批处理流程如图2所示[20]。

图2　批处理流程Fig.2　Batch processing flow

在预警分析系统中，批处理流程的第一步是将网民的不同关键词搜索数据进行分块归类；第二步是将分块的数据交给不同的Map阶段处理；第三步是通过Map阶段处理解析出中间结果，并写入本地硬盘；第四步是Reduce阶段，将硬盘中的中间结果读取出来，并把相同关键词搜索数据组织排序在一块；最后一步是将组织排序好的结果输出。

2)流处理

预警分析系统中，数据流处理是第一时间将大型活动关于人群情况方面的大量数据视为数据流进行处理分析，并输出结果的处理过程。该数据在某时间段内具有一定的作用，且作用大小随时间的流逝而降低[21]，图3为预警分析系统中的流处理流程，其处理对象主要是大型活动人群手机访问APP 时所携带的信息和网络授权手机定位通话记录等数据。

图3　流处理流程Fig.3　Stream processing flow

1.3　数据分析

拥挤踩踏预警分析系统中的数据分析是利用机器学习、数据挖掘、数据统计技术来实现预测预警和辅助决策。机器学习是让计算机有效学习，通过选取训练集，来使得计算机学习到其中的某一个一般规律，并运用于实际；数据挖掘是将数据的潜在知识挖掘出来，并且这些知识可以描述或者预测数据的特征；数据统计是对提取和集成的有用信息进行简单的分析和归类统计。

1.4　合理解释

拥挤踩踏预警分析系统中的合理解释是将数据分析的结果，通过热力图、人群流向图、地图搜索量这3种可视化与呈现技术，对数据进行合理解释。大型活动拥挤踩踏预警分析系统中大数据技术的应用如表1所示。

表1　大数据技术的应用

1.5　预警分析过程中大数据技术的应用

在拥挤踩踏预警分析过程中，将大数据可视化分析与呈现融入到传统的预警分析过程，形成一个适用于大数据的预警分析过程[22]，其过程为监测、识别、诊断和评价4个过程。

1)监测。利用热力图、人群流向图、地图搜索量对大型活动中的人群定位信息、关键词搜索记录、人群定位轨迹变化信息进行监测，整理、存储、创立预警分析系统公共的数据集。

2)识别。以拥挤踩踏事故预警模型中设定的事故诱发因子为标准，对监测数据实行识别，研究其是否存在拥挤踩踏事故早期征兆，判断其可能导致的连锁反应，在必要时报警，并将识别的数据输入到诊断环节。

3)诊断。根据识别的事故早期征兆进行判断，剖析成因、状态、过程、发展趋势，找出主要的致因，并将诊断结果输入到评价与输出环节。

4)评价。运用大数据分析系统技术，对人群密度、分布、流向、聚集趋势情况进行危险性评价。通过评价和输出预警的等级，指导预控对策的制定与实施。

2　实例说明

2014年12月31日23时35分，上海跨年夜活动，因很多游客和市民聚集在上海外滩迎接新年，黄浦区外滩陈毅广场进入和退出的人流对冲，致使有人摔倒，发生踩踏事故，短短21 min的时间，踩踏事故共造成36人死亡， 49人受伤。

上海外滩拥挤踩踏事故当晚，上海外滩的人群数量约为31万人，严重超出场所所能容纳的人数，区域中人群密度极高。事发当天，在上海外滩的人群分布极度不均匀，局部区域人群过度拥挤，主要分布在陈毅广场和外滩源附近。21时，陈毅广场人群流量占50%；22时，陈毅广场占人群流量60%～70%。当晚，外滩人群流向混乱并存在成拱现象、异向人流现象等特征。

2.1　上海外滩拥挤踩踏事故预警分析

基于对上海外滩拥挤踩踏事故的鱼刺图分析，得出人群密度、人群分布、人群流向为事故的主要诱发因子，运用大数据热力图、人群流向图、地图搜索量等预警分析技术，进行上海外滩拥挤踩踏事故预警分析。

1)热力图预警分析

由于上海外滩拥挤踩踏事故发生时间为23时35分，运用百度热力图软件对当晚22时左右的人群热力图进行模拟，热力图如图4所示。

图4　上海外滩当晚22时热力图Fig.4　Thermal map of Shanghai Bund at am 22:00 in the night of the accidents

根据热力图，针对人群分布较大的重点危险区域，首先运用CAD软件算出各区域不同颜色小区域的面积S(m2)，其次根据各色密度范围测算出相应的人群数量W(人)，最后通过人群数量除以相应区域面积得到平均人群密度ρ，分别对陈毅广场区域、外滩区域、外滩源区域平均人群密度进行计算，结果如表2～表4所示。

表2　陈毅广场区域平均人群密度Table 2　Density of average crowd in Chen yi square

表3　外滩区域平均人群密度Table 3　The average population density of the Bund area

表4　外滩源区域平均人群密度Table 4　Average crowd density of the Bund source area

2)人群流向预警分析

对上海外滩当晚22时左右的部分人群流向进行研究，运用手机基站定位软件对历史数据和信息进行分析，该样本数据来自百度LBS开放平台，图5中，每个小箭头表示1位行人，其箭头指向表示走向。剖析人群流向样本图可知，当晚22时左右，大部分人群从南京东路走往陈毅广场，部分人群从观景平台走向陈毅广场，部分人群从外滩走向外滩源。在此，进一步对外滩的人流进行量化分析，绘制出人群流向，如图6所示。图中每条直线代表不同的人流方向，直线的半径表示该方向的人流量大小。由人群流向图可知南北流向的人流占41.6%，东西流向的人流占22.3%，其他流向的人流占36.1%，人群流动方向十分混乱，整体呈现向陈毅广场和外滩源聚集的趋势。

图5　人群流向样本Fig. 5　Crowd flow to sample map

图6　事故当晚人群流向Fig. 6　Map of Crowd flow in the night of the accident

3)地图搜索量预警分析

运用百度指数软件，对上海外滩事故当天和之前2天的外滩关键词搜索量进行大数据统计，得出地图搜索量，如图7所示，其中包括30日和31日外滩地图搜索量。

图7　外滩地图搜索量Fig. 7　Searching volume of Bund map

据统计和观察，30日外滩地图搜索量相比平时外滩搜索量的相对值范围在0～2之间；而31日，外滩地图搜索量峰相对值达到7.5，是平时峰值的3.75倍，在31日22时，外滩地图搜索量相对值达到6.7，而30日22时的相对值为1.6，这就说明在未来的60～90 min后，仍有人群继续聚集至上海外滩，即将聚集的人流量是往日的4倍以上。

2.2　上海外滩拥挤踩踏事故预警启动

根据上海外滩事发当晚的热力图分析，人群分布集中，其中陈毅广场颜色区域的平均人群密度最低值为2.508人/m2、外滩颜色区域的平均人群密度最低值为1.808人/m2、外滩源颜色区域的平均人群密度最低值为1.744人/m2，平均人群密度均高于0.75人/m2[23]，存在事故早期征兆；事发当晚的人群流向图分析表明，人流方向呈现混杂状态，且人群前往陈毅广场、外滩源聚集，将会导致人群分布更为不均，区域人群密度越来越大，存在事故早期征兆；事发当晚的地图搜索量分析表明，事发当晚22时，外滩地图搜索量相对值高达6.7，且该值呈现增长趋势，在未来60～90 min后，将会有更多的人来到上海外滩，增加人群数量，存在事故早期征兆。综上所述，事发当晚22时，就已存在事故早期征兆，应启动预警。

根据预警分析和事故早期征兆，结合Nelson and Maclennan人群密度预警等级及状态结论[6]，判断不同区域的预警分级，如表5和表6所示。

表5　预警分级状态

表6　预警启动分级

通过表5，可以分析出上海外滩当晚各个区域都应启动Ⅱ级预警，并马上实施预控对策。

2.3　上海外滩预控对策

基于前述上海外滩当晚Ⅱ级警报预警分析结果，提出预防拥挤踩踏事故发生的对策。预控对策与当时实际过程中采取的对策进行对比，如表7所示。

表7　上海外滩预控对策分析

表7(续)

图8　上海外滩附近公安局/医院地点Fig.8　Shanghai Bund near the public security bureau/hospital location map

图9　上海外滩附近路线Fig.9　Shanghai Bund near the road map

图10　隔离栏设置Fig.10　Quarantine settings

图11　上海外滩附近应急避难场所Fig.11　Shanghai Bund near the emergency shelter

上海外滩踩踏事件后，上海市出台了《上海市公共场所人群聚集安全管理办法》，对重要节假日和重大活动的举办，要求区(县)人民政府组织公安、安全生产监管、建设、交通、商务、旅游、卫生计生、教育、文广影视、体育、绿化市容、民政、民族宗教等相关部门通过多种途径收集信息，对人群聚集公共场所和人群聚集活动进行风险评估，对重要时段的现场进行监测，对可能发生突发事件的，立即研判风险，及时采取预防性处置措施；对需要发布预警的，应当立即报告，并应根据实际情况，采取广播、电视、报纸、互联网、通讯工具、宣传车、警报器、电子显示屏、高音喇叭等方式发布预警信息。本文预控对策基本符合《上海市公共场所人群聚集安全管理办法》中的预警启动、发布、应急资源联动等方面的规定，这也说明本文的相关预控对策在拥挤踩踏事故预警方面的可行性。

3　结论

1)结合系统安全理论和预防原理，运用大数据技术建立拥挤踩踏事故预警模型，该预警模型包括拥挤踩踏事故预警分析系统、预控对策2个模块，其中拥挤踩踏预警分析系统核心技术为大数据技术，为预控对策提供技术支撑。

2)对上海外滩拥挤踩踏事件进行预警模型实例分析，首先研究上海外滩事故的诱发因子，即人群密度、人群分布、人群流向；其次运用百度热力图等大数据技术，进行预警分析，发现陈毅广场区域、外滩区域、外滩源区域当晚的人群密度过高，人群流向呈现混乱状态，有向陈毅广场和外滩源聚集的趋势；地图搜索量相对值是平常的3.75倍，并在22时达到4倍以上，意味着未来会有更多的人群聚集上海外滩，存在事故早期征兆；得出预警启动评价等级为Ⅱ级并提出上海外滩预控对策。

3)利用大数据技术进行预警分析，可以高效率识别、判断海量数据，变被动为主动，为预防大型活动拥挤踩踏事故的发生提供技术支持。

[1]Gustave Le Bon.The Crowd A Study of the Popular Mind[M].Kessinger Publishing, 2003.

[2]Helbing D, Farkas I, Vicsek T. Simulating dynamical features of escape panic[J]. Nature, 2000, 407(6803):487.

[3]Keβel A, Klüpfel H, Schreckenberg M. Microscopic simulation of pedestrian crowd motion[A]// Pedestrian and Evacuation Dynamics[C]. 2002:193-202.

[4]Lee R S C, Hughes R L. Exploring trampling and crushing in a crowd[J]. Journal of Transportation Engineering, 2005, 131(8):575-582.

[5]Krausz B, Bauckhage C. Loveparade 2010: automatic video analysis of a crowd disaster[J]. Computer Vision & Image Understanding, 2012, 116(3):307-319.

[6]Nelson H E,MacLennan H A.Emergency Movement,SFPE Handbook of fire Protection Engineering[M]. NFPA Quincy MA, USA, 1988.

[7]Wirz M, Mitleton-Kelly E, Franke T, et al. Using mobile technology and a participatory sensing approach for crowd monitoring and management during large-scale mass gatherings[M]. Co-evolution of Intelligent Socio-technical Systems. Springer Berlin Heidelberg, 2013:61-77.

[8]熊艳, 冯志斌. 人员密集场所人流安全预警管控系统的探讨[A]// 中国职业安全健康协会2009年学术年会论文集[C]. 2009.

[9]李焘, 金龙哲, 马英楠,等. 大型活动客流监测预警方法研究[J]. 中国安全生产科学技术, 2012, 8(4):75-80.

LI Tao, JIN Longzhe, MA Yingnan, et al. Study on method for monitoring and early-warning of passenger flow in large-scale activities[J].Journal of Safety Science and Technology, 2012,8(4):75-80.

[10]刘茂, 王振. 人群拥挤踩踏事故的风险分析及预防控制[A]// 中国灾害防御协会风险分析专业委员会年会[C]. 2006.

[11]白锐, 梁力达, 田宏. 人群聚集场所拥挤踩踏事故原因分析与对策[J]. 工业安全与环保, 2009, 35(2):47-49.

BAI Rui, LIANG Lida, TIAN Hong. Analysis of cause and countermeasures of stampede accident in crowd-gathered place[J]. Industry Safety and Environmental Protection, 2009,35(2):47-49.

[12]白锐. 室外大型社会活动拥挤踩踏事故机理研究[D]. 沈阳：沈阳航空工业学院, 2009.

[13]张青松, 刘金兰, 赵国敏. 大型公共场所人群拥挤踩踏事故机理初探[J]. 自然灾害学报, 2009, 18(6):81-86.

ZHANG Qingsong, LIU Jinlan, ZHAO Guomin. Discussion on cause mechanism of crowd crushing trampling accident in large-scale public places[J].Journal of Natural Disasters, 2009,18(6):81-86.

[14]胡清梅. 大型公共建筑环境中人群拥挤机理及群集行为特性的研究[D]. 北京：北京交通大学, 2006.

[15]佟瑞鹏, 李春旭, 郑毛景,等. 拥挤踩踏事故风险定量评价模型及其优化分析[J]. 中国安全科学学报, 2013, 23(12):90-94.

TONG Ruipeng,LI Chunxu,ZHENG Maojing,et al. A quantitative risk assessment model of crowded stampede accident and its optimization analysis[J]. China Safety Science Journal, 2013,23(12):90-94.

[16]张青松, 刘金兰, 赵国敏. 人群拥挤踩踏事故后果微观建模及模拟分析[J]. 安全与环境学报, 2008, 8(4):164-168.

ZHANG Qingsong, LIU Jinlan,ZHAO Guomin.Microscopic modeling and simulation analysis for crowd crushing trampling accident consequence[J].Journal of Safety and Environment, 2008,8(4):164-168.

[17]王起全. 基于赋权关联度算法的地铁拥挤踩踏事故风险研究[J]. 中国安全科学学报, 2013, 23(5):94-100.

WANG Qiquan. Research on crowded stampede accident risk at subway based on empowering related degree method[J]. China Safety Science Journal, 2013,23(5):94-100.

[18]王起全, 金龙哲. 大型活动拥挤踩踏事故灰色层次分析[J]. 辽宁工程技术大学学报(社会科学版), 2008, 10(5):500-503.

WANG Qiquan,JIN Longzhe. Analysis of GAHP in crowded stampede accidents in large-scale activities[J]. Journal of Liaoning Technical University (Social Science Edition), 2008,10(5):500-503.

[19]曾范敬, 张鹤飞. 大数据在预防踩踏事故中的应用[J]. 中国人民公安大学学报(社会科学版), 2015, 31(3):79-84.

ZENG Fanjing, ZHANG Hefei. Application of large data in prevention of stagnation[J]. People’s public security university of China (social science edition), 2015，31(3):79-84.

[20]赵曦. 云计算架构在银行批处理流程优化中的应用研究[J]. 软件导刊, 2013, 12(10):1-4.

ZHAO Xi. Research on the application of cloud computing architecture in bank batch process optimization[J]. Software Guide, 2013,12(10):1-4.

[21]李建辉, 陈俊旭, 单一唯. 大数据对公安情报流程影响研究[J]. 湖北警官学院学报, 2015, 28(3):20-23.

LI Jianhui, CHEN Junxu, SHAN Yiwei.Research on the influence of large data on public security information flow[J]. Journal of Hubei University of Police, 2015,28(3):20-23.

[22]嵇方.会展活动安全事故成因分析及预警模型研究[D].上海：同济大学,2007.

[23]北京市园林局. 公园、风景名胜区安全管理规范: DB11/ 280—2005[S].北京：2005.