做好巨量数据分析 城市安防才有保障

PhthoMap研究计划透过华尔街日报网站提供互动地图，让使用者可以用来观看特定车站的微生物研究成果。graphics.wsj.com，华尔街日报网站

随着云端运算及物联网等科技的不断发展，巨量数据(Big Data)在智能城市扮演的角色也越来越重要。但事实上，数据本来就是城市治理非常重要的依据，尤其是与城市安防的相关业务，举凡人口统计、犯罪率、交通流量等数据，政府治理单位本来就会定时蒐集并加以分析，作为施政的参考，如果不能先了解巨量数据与传统数据的差别，掌握巨量数据的分析与工具的特性，就算拥有巨量数据，也可能只是「入宝山空手而回」，无法将数据转换成价值，自然也无法对城市安防产生贡献。

了解巨量数据才能有效运用

相较于传统数据，巨量数据至少具有三个差异极大的特性。首先是数据量(Volume)，如果换算成数码数据单位，基本单位通常已经是TB、PB等级，不但要考量收集及储存成本，如何迅速传递这麽庞大的数据，也是巨量数据应用必须思考的重点；其次是时效性(Velocity)，即使是这麽大的数据量，仍然要在最短的时间内产生分析结果，如传统的年报统计，往往是在今年收集去年的数据，却在隔年才出版，旷日废时的结果，往往会让数据分析结果失真。

最后也是最大的差别，就是数据的多样性(Variety)，传统的数据通常有明确的结构性，选项也比较少，如年龄、性别、等级等，但巨量数据可能会有各种形式，包括文字、影音、图像、网页等，不但没有明显的结构，而且巨量数据还常常出现形式交错的现象，如Youtube上的影片除了有点击数外，同时还有留言讨论。

由此可知，传统的数据收集方式，显然已经不能满足城市安防对于巨量数据的需求，所幸在物联网(Internet of Things；IoT)、云端运算及4G无线宽频等技术的发展下，要取得物与物、物与人、人与人的互联互通数据，技术上已不是问题，但必须得先迅速建构起收集、传递及储存巨量数据的基础建设，才有可能建立全面感知的能力，成为城市安防决策的最佳后盾。

但只是从感知层获取信息是不够的，因为想要做好巨量数据深度分析，就必须要有能力针对复杂且开放式的问题寻找答案，并藉由视觉化分析工具，透过连续性的筛选和抽象化，才能洞悉重要信息。然而巨量数据具有的超大量半结构化？非结构化数据的特性，往往会造成传统关联式数据库管理系统(RDBMS)的运作瓶颈，必须要导入全新的巨量数据分析工具，方能真正灵活运用巨量数据。

此外，巨量数据的价值既然远超过传统数据，巨量数据的真实、安全及稳定性，就必须加以重视。尤其是现在的网络应用无所不在，举凡机场、银行、捷运、车站、水电油气供应机制等，都可能被黑客入侵，加上政府为了能让掌握的数据更有价值，必须要采取公开透明的数据使用机制，当公共事业的数据开放愈多，可能被入侵的机会也愈高，因此想要利用巨量数据来解决城市安防的问题，首先就得先做好巨量数据的保护，因此网安技术的导入及专业人员的配置，绝对不能轻忽。

巨量数据对城市公共卫生及治安的帮助

目前已有许多欧美城市开始藉由蒐集及分析大量数据、预知可能出现的危机，进而作为城市安防的参考。如纽约的康乃尔大学威尔医学院(Weill Cornell Medical College)计算与系统生物医学助理教授Christopher E. Mason的研究团队，花了18个月的时间在纽约400多个地铁站的车厢、楼梯扶手、座椅、灯杆、垃圾桶等地方蒐集样本，总共发现15,152种微生物，其中来自于人类的DNA只占0.2%，将近一半的样本是人类未知的有机生物，27%是活性且具有抗生素抗药性的细菌，所幸其中仅有12%会让人生病。

这项名为PhthoMap的研究计划，还透过华尔街日报网站提供互动地图，让使用者可以用来观看特定车站的研究成果，如收集的样本来源、微生物来源比例、细菌种类与说明等，也可利用查找细菌的种类，了解那些车站有这些细菌的存在，等于也展示了公卫数据开放使用的过程。

有趣的是，在研究过程中也发现在某些地铁站找到的DNA，与其周围的人口状况相符合，这些都是过去从来没有想过的信息，未来若能将以分门别类，并且深入研究，对于城市公共卫生的防护工作，将会有莫大的助益。

洛杉矶警局则是导入预测性警务软件「PredPol」，用来预测可能发生犯罪情况的地点。据PredPol(名称取自「预测监控」Predictive Policing)团队指出，该公司先是蒐集过去10年的公开犯罪统计数据，以及从大量的新闻中蒐集犯罪的发生状况及时间，可预测的犯罪行为除了自杀外，还包括枪杀、闯空门、窃盗、窃车等，再根据前述数据中的犯罪行为模式，开发出独特的运算系统，再将犯罪机率高甚至下一次可能发生犯罪情况的区域，于地图上标示出一块块500平方英尺的区域，供警察参考，就是典型的将传统数据变成巨量数据加以运用的范例。

事实上，许多城市的治安单位早已拥有累积数十年的犯罪记录数据档，甚至早己针对犯罪可能性较高的区域或场所加强巡逻。但PredPol利用巨量数据分析技术，从容易滋养犯罪事件的场所(如曾经发生斗殴事件的酒吧)、多次受害地区(如屡遭窃贼闯空门的社区)及受害地区的邻近地区，计算出10至20个最有可能发生犯罪的地点。PredPol宣称，警察只要在地图标明的区域，只需要花过去巡逻时间的5%至15%，就能够阻止更多犯罪活动。

目前全美共有将近60间警局使用Predpol，其中规模最大的是洛杉矶警局和亚特兰大警局。其中加州Santa Cruz闯空门的窃盗案在系统建置第一年就下降了11%、抢劫案更减少了27%。洛杉矶Foothill区在2011年导入PredPol后，4个月后的犯罪率就降低了13%，反观没有导入PredPol的区域，还微幅增加了0.4%。

在2012年一项针对美国近200所警局的研究指出，有70%的警局计划在未来2至5年开始或增加使用类似PredPol的预测性警务技术，包括IBM、Palantir及Motorola也开始涉足相关领域。

虽然将巨量数据分析技术应用在犯罪治安方面，还不是百分之百的准确，经验丰富的警察可能也不见得需要预测性警务技术，但对于新进的警务人员而言，预测性警务技术可以帮助他们及早进入状况，尤其在城市预算吃紧之际，人力又相对缺乏的情况下，运用巨量数据显然可以提升城市安防的工作效率。

更多数据关联产生更多的价值

城市安防建设至今，影像监控的重要性也日渐提升，但庞大的影像数据要如何分析，却也成为城市治理者的一大难题。所幸巨量数据技术，正可以针对影像这种非结构性数据加以分析，让视讯监控数据得以有效利用。

巨量数据可说是智能城市运作的基础，除了城市安防，其他如智能交通、智能医疗等应用，也都需要以巨量数据为基础，而这些不同类型的数据产生更多的关联，自然也需要更深入的数据分析能力，如智能交通与智能安防相结合，可以指引警消人员在最短的时间内赶到事故现场，更可看出巨量数据在城市安防的应用潜力。