基于Python預(yù)測(cè)公共安全事件發(fā)展研究

王騰飛?李宏

摘要：在大數(shù)據(jù)時(shí)代，建立用 Python 預(yù)測(cè)公共安全事件發(fā)展研究，可實(shí)現(xiàn)對(duì)公共安全事件防控全面、客觀的感知和認(rèn)識(shí)，為做出符合實(shí)際的科學(xué)決策提供實(shí)證支撐。另一方面，大數(shù)據(jù)不僅是一項(xiàng)具有革命性的信息技術(shù)，也是一種思維、資源和能力。在新冠肺炎公共安全事件防控的大背景下，面對(duì)突發(fā)性公共衛(wèi)生事件，如何運(yùn)用大數(shù)據(jù)提升政府治理能力，增強(qiáng)治理效能，進(jìn)行科學(xué)決策、思想引導(dǎo)和精準(zhǔn)施策，需要相關(guān)人員深入研究并提出相關(guān)措施。

關(guān)鍵詞：Python 預(yù)測(cè)；公共安全事件；發(fā)展研究

基金項(xiàng)目：本文系“可視化計(jì)算與虛擬現(xiàn)實(shí)四川省重點(diǎn)實(shí)驗(yàn)室”單位項(xiàng)目《大數(shù)據(jù)在重大疫情防控中的應(yīng)用研究》 （課題編號(hào)：SCVCVR2021.04VS）；課題所取得的研究成果受“可視化計(jì)算與虛擬現(xiàn)實(shí)四川省重點(diǎn)實(shí)驗(yàn)室”資助。

王騰飛（1986.11-），男，漢族，重慶開州，碩士學(xué)位，助教，研究方向：大數(shù)據(jù)技術(shù)與應(yīng)用；

李宏（1964.04-），男，漢族，重慶開州，學(xué)士學(xué)位，教授，研究方向：計(jì)算機(jī)應(yīng)用技術(shù)。

一、背景

突發(fā)性公共事件，是現(xiàn)代社會(huì)風(fēng)險(xiǎn)治理的重要課題。其中重點(diǎn)包括了“防范化解重大風(fēng)險(xiǎn)體制機(jī)制不斷健全，突發(fā)公共事件應(yīng)急能力顯著增強(qiáng)”。

在大數(shù)據(jù)時(shí)代，建立用 Python 預(yù)測(cè)公共安全事件發(fā)展研究，可實(shí)現(xiàn)對(duì)公共安全事件防控全面、客觀的感知和認(rèn)識(shí)，為做出符合實(shí)際的科學(xué)決策提供實(shí)證支撐。另一方面，大數(shù)據(jù)不僅是一項(xiàng)具有革命性的信息技術(shù)，也是一種思維、資源和能力。

二、原則及方法

①運(yùn)用大數(shù)據(jù)實(shí)時(shí)數(shù)據(jù)治理，促進(jìn)公共安全事件防控治理網(wǎng)絡(luò)化、制度化和規(guī)范。在大數(shù)據(jù)時(shí)代，社會(huì)結(jié)構(gòu)和治理模式正在發(fā)生變革，如社會(huì)構(gòu)成復(fù)雜化、權(quán)力機(jī)制扁平化、社會(huì)治理多元化等。

②運(yùn)用大數(shù)據(jù)實(shí)施整體性治理，提升公共安全事件防控把控能力和科學(xué)決策力。需要建立公共安全事件防控中利用大數(shù)據(jù)“采集——分析——反饋”的制度規(guī)范，確保和提高行政運(yùn)行效率。

③運(yùn)用大數(shù)據(jù)實(shí)施精準(zhǔn)治理，提升應(yīng)對(duì)公共安全事件防控的態(tài)勢(shì)感知力、資源匹配供給力和差異化服務(wù)能力。

既能體現(xiàn)以人民為中心的根本立場，又能在應(yīng)急處置中激發(fā)人們主動(dòng)參與，減少治理成本，增強(qiáng)治理效能，提升廣大民眾對(duì)黨和政府的信任感和信賴度[3]。

三、案例

（一）Python 預(yù)測(cè)案例

作為TF-IDF結(jié)果的一個(gè)例子，來看看這些句子。"Im traveling to Paris this week"，"There will be so many journeys to Paris next week"，"Paris is supposed to receive a lot of tourists"。實(shí)際案例簡單的案例，使用TF-IDF來識(shí)別。數(shù)據(jù)集從2009年至2020年的英文文本中抽取了一組新聞和觀點(diǎn) [1]。數(shù)據(jù)集包含了日期、標(biāo)題、新聞?wù)暮捅惶峒暗年P(guān)鍵詞。

將該詞還原為詞根同義詞。由于De輸入 "POS"，詞根是來自形容詞、動(dòng)詞還是名詞。刪除常見的詞，如Wall street、 Market、Stock、Share等。

模型是創(chuàng)建符合目的的模型。因此，使用Python中的Sklearn庫。由于想知道每個(gè)日期的關(guān)鍵信息，使用 TfidfVectorizer模型，可以幫助識(shí)別每個(gè)日期的關(guān)鍵信息。可以設(shè)置關(guān)鍵特征的數(shù)量來控制輸出結(jié)果的數(shù)量，設(shè)置為8個(gè)特征。

from sklearn.feature_extraction.text importTfidfVectorizer

tf_idf_model = TfidfVectorizer（max_features=8）

processed_text_tf = tf_idf_model.fit_transform（preprocessed_texts）

tf_idf_values = tf_idf_model.idf_

tf_idf_names = tf_idf_model.get_feature_names（）

接下來，用當(dāng)天數(shù)據(jù)集中的新聞片段來應(yīng)用這個(gè)模型。通過這種方式，得到一組8個(gè)代表當(dāng)天關(guān)鍵信息的詞，每個(gè)詞都有一個(gè)TF-IDF值，表示在當(dāng)天的重要性。

（二）用Python預(yù)測(cè)公共安全事件發(fā)展

首先對(duì)SIR模型做一個(gè)簡單的介紹，SIR全稱就是Susceptible—Infected—Recovered，易感—感染—康復(fù)，即易感人群Susceptible有α概率被某種疾病感染，成為感染人群Infected，而感染人群Infected又有β概率康復(fù)，成為康復(fù)人群Recovered。這次用到的圖論方面的庫是networkx，這是Python中最常用的圖論分析的庫。下面還是直接用代碼來具體說明一下。先導(dǎo)入各種包。

import matplotlib.pyplot as plt

import numpy.random as rdm

import networkx as nx

接下來定義兩個(gè)變量n和g。n是總?cè)藬?shù)，nx.erdos_renyi_graph則是一種隨機(jī)網(wǎng)絡(luò)圖，著名的E-R隨機(jī)圖理論（Random graph theory），復(fù)雜網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的系統(tǒng)性分析。而這個(gè)E-R圖也是本文應(yīng)用的基礎(chǔ)[2]。而nx.erdos_renyi_graph（n， 0.01）的意思就是以概率0.01來連接100個(gè)節(jié)點(diǎn)。然后是三個(gè)string類型的變量susceptible、infected和recovered，分別代表“易感”“感染”和“康復(fù)”人群。

第一個(gè)函數(shù)Onset，在這里把每個(gè)節(jié)點(diǎn)的狀態(tài)都設(shè)置為“S”，也就是易感狀態(tài)，感染函數(shù)是Infect_prop，Prop是Proportion，這個(gè)函數(shù)是感染比例，這里用到了Numpy.Random.Random方法，也就是返回一個(gè)均勻分布，數(shù)值大小在0-1之間，不包含1，當(dāng)Rdm.random（）<= Proportion時(shí)，就讓這樣的人群變?yōu)楦腥救巳?，這樣讓感染人群更加均勻一些。第三個(gè)函數(shù)是Build_model，是一個(gè)嵌套函數(shù)，有兩個(gè)參數(shù)，PInfect和PRecover，分別代表感染概率和康復(fù)概率，而這里的G.Neighbors（I）的意思是節(jié)點(diǎn)I的相鄰的節(jié)點(diǎn)，而G是生成的圖（Graph），是Class。在這些感染人群中，相鄰節(jié)點(diǎn)的狀態(tài)是 “Susceptible”時(shí)，讓這些節(jié)點(diǎn)（人群）以概率PInfect來進(jìn)行感染；感染人群中，以PRecover的概率進(jìn)行康復(fù)。這就是感染—康復(fù)過程。而后面的兩個(gè)函數(shù)Model_Run和Model_Iter則是將這個(gè)模型運(yùn)行多次，分別用來模擬一個(gè)循環(huán)和多個(gè)循環(huán)。

fig， ax= plt.subplots（figsize=（12， 10））

ax.set_xticks（[]）

ax.set_yticks（[]）

pos = nx.spring_layout（g， k=0.2）

nx.draw_networkx_edges（g， pos， alpha=0.5， width = 1）

nx.draw_networkx_nodes（g， pos， node_size=80）

plt.show（）

首先設(shè)置圖片的大小，并去掉坐標(biāo)軸，然后設(shè)置網(wǎng)絡(luò)圖的位置，Nx.Spring_layout設(shè)置網(wǎng)絡(luò)圖的位置的方法，其中參數(shù)K是節(jié)點(diǎn)間的最佳距離，這個(gè)可以隨意設(shè)置，值越大節(jié)點(diǎn)越分散，接下來繪制節(jié)點(diǎn)和連線，Nx.draw_Networkx_Nodes（G， POS，Node_Size=80）用來繪制節(jié)點(diǎn)，POS就是剛才設(shè)置的位置參數(shù)，再設(shè)置一下節(jié)點(diǎn)的大小，而Nx.Draw_Networkx_Edges（G， POS，Alpha=0.5，Width = 1）用來繪制連線，同樣要傳入位置參數(shù)，再設(shè)置透明度和線寬。

Networkx使用的繪圖算法是隨機(jī)的，同時(shí)使用的參數(shù)也是隨機(jī)的，所以這個(gè)圖每次生成的結(jié)果都不同，可以看到這里面已經(jīng)有部分節(jié)點(diǎn)相連，疾病也就是通過他們開始傳播，最后就是計(jì)算感染率。

n = 100onset（g）

infect_prop（g， 0.05）

model = build_model（0.2， 0.8）

model_iter（g， model， 10）

infected = [ v for （v， attr） in g.nodes（data = True）

if attr['state'] == recovered ]

infection_rate = len（infected）/n

print（infection_rate）

這當(dāng)中Onset（g）中的G就是前面用G = Nx.erdos_renyi_graph（n， 0.01）生成的圖，這是一個(gè)類的實(shí)例，Infect_prop（g， 0.05）中的0.05就是設(shè)置人群初始感染率為0.05，Model = Build_model（0.2， 0.8）中的感染概率和康復(fù)概率分別設(shè)置為0.2和0.8，而Model_iter（g， model， 10）中讓這個(gè)模擬過程重復(fù)10次，最后計(jì)算出感染人數(shù)，并得出最終穩(wěn)定的感染率Infection_rate。

新冠肺炎公共安全事件是對(duì)國家治理體系和治理能力的一次大考，既考察著國家政治、經(jīng)濟(jì)等各方面工作的應(yīng)急能力和處置水平，也檢驗(yàn)著國家大數(shù)據(jù)、人工智能、云計(jì)算等新技術(shù)的應(yīng)用程度和社會(huì)成效。

四、結(jié)束語

公共安全事件防控既需要大數(shù)據(jù)技術(shù)支持，也需要新時(shí)代公民的大局意識(shí)和擔(dān)當(dāng)意識(shí)。自覺服從黨和國家實(shí)施的管理規(guī)定與制度，服從大局、團(tuán)結(jié)一心，戰(zhàn)勝公共安全事件。

作者單位：王騰飛 四川化工職業(yè)技術(shù)學(xué)院數(shù)字經(jīng)濟(jì)學(xué)院

李宏 可視化計(jì)算與虛擬現(xiàn)實(shí)四川省重點(diǎn)實(shí)驗(yàn)室

參? 考? 文? 獻(xiàn)

[1]王曉飛.新冠疫情下消費(fèi)券政策效應(yīng)測(cè)度研究——基于Python軟件獲取新浪微博發(fā)博量與關(guān)注度數(shù)據(jù)的分析[J].價(jià)格理論與實(shí)踐，2020（11）：61-63.

[2]王思遠(yuǎn)，譚瀚霖，李東杰.基于改進(jìn)傳染病動(dòng)力學(xué)易感-暴露-感染-恢復(fù)（SEIR）模型預(yù)測(cè)新型冠狀病毒肺炎疫情[J].第二軍醫(yī)大學(xué)學(xué)報(bào)，2020，41（06）：637-641.

[3]耿輝，徐安定，王曉艷等.基于SEIR模型分析相關(guān)干預(yù)措施在新型冠狀病毒肺炎疫情中的作用[J].暨南大學(xué)學(xué)報(bào)（自然科學(xué)與醫(yī)學(xué)版），2020，41（02）：175-180.

[4]趙明靜. 基于公共安全視角的城市物流風(fēng)險(xiǎn)分析及預(yù)測(cè)研究[D].北京交通大學(xué)，2021.

[5]邱凌峰，胡嘯峰， 周睿，等. 基于機(jī)器學(xué)習(xí)的典型社會(huì)安全事件發(fā)生規(guī)律研究及對(duì)雄安新區(qū)的啟示[J].中國安全生產(chǎn)科學(xué)技術(shù)，2018，14（10）：11-17.

[6]丁晴.基于Python的人臉識(shí)別技術(shù)應(yīng)用研究[J].數(shù)字技術(shù)與應(yīng)用， 2021，39（5）：75-78.

[7]范維澄，劉奕，翁文國.公共安全科技的幾點(diǎn)思考[C]// 中國突發(fā)公共事件防范與快速處置2008優(yōu)秀成果選編.2008：54.

[8]夏冰冰.基于Python的安全檢測(cè)的研究與實(shí)現(xiàn)[J].現(xiàn)代信息科技，2019，3（10）：155-157.

[9]孫宗緣，馬秀峰，李奇.突發(fā)公共安全事件網(wǎng)絡(luò)輿情演化分析——基于文本挖掘與情感分析兩個(gè)視角[J].河北科技圖苑，2021，34（05）：65-75.

[10]于路遙，宋瑾鈺.基于Python的天氣信息可視化分析系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].軟件工程與應(yīng)用，2022，11（6）：1394-1403.