“12.31”上海外滩拥挤踩踏事件，本来是可以避免的。如果干部们不是专心吃日本料理，如果干部们尽心竭力设计预案，兢兢业业保障安全，多向有关专家请教，目前技术条件下，应当可以避免这样的事件发生，因为有大数据方法可用。

何谓大数据？

   大数据（IT行业术语）(英文big data，mega data)，或称巨量资料，指的是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。

在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中，大数据指不用随机分析法（抽样调查）这样的捷径，而采用所有数据进行分析处理。大数据的4V特点：Volume（大量）、Velocity（高速）、Variety（多样）、Value（价值）（引自：百度百科）。

无线电海量数据让全城街区没有死角

北京建筑物雷达扫描实景图，依据雷达扫描获取海量数据制作的地图。地面上所有建筑物被精确定位、定形，并依据实景进行修正，核心技术是无线电定位，让城市街区和房屋没有死角地展现出来。这种雷达扫描实景图，甚至比遥感技术、全景拍摄以及3D建模，在表现城市整体格局以及城镇扩张等领域有着更为简洁直观的优势。（下图）

掌握手机定位的数据，就能像站在制高点观望人口流动一样。

清华大学自动化系系统工程研究所绘制，2014年10月某一天，上海人口聚集度变化热力分布图。通过不同时段开启手机定位服务的人群反馈，也就是基于地理位置服务（LBS）的数据制作的上海市人口流动数据图。上午人员大量从城市周边向中心涌入，城市中心人数增加，周边人数减少。9-10点达到高峰，下午市中心人口达到高峰，周边地带人口达到低谷。傍晚，人员开始由市中心向周边迁移。（下图反映上海市10月某日18点基于LBS的热力分布图）

百度地图制作的景区热力图，得到实时人流数据

景区热力图可以动态地展示人群的分布，识别热点区。这些实时、动态的地图可以帮助我们优化空间路线、识别潜在的危险等。

百度地图-LBS开放平台，制作的2014年10月10日北京人口聚集度变化热力图。手机开启定位服务的人流密度，零点到7点睡眠时间段，热力点比较稀疏，说明使用LBS的人比较少，7点以后居民陆续出行，9点图上开始出现红色区域，之后至17点人群密集点的主要在国贸CBD、中关村、金融街等区域；19点人群陆续下班回家，回龙观、通州、亦庄等远离金融中心的大型居民区人口密度逐渐上升。（参见下图）

   文件大小超出限制
 

2014年春节期间，百度地图推出一个基站手机定位可视化数据而制作的国内城市间人口流动实时地图。手机定位揭示春运人口流动。（见下图）

国外大数据应用的例子

洛杉矶警察局和加利福尼亚大学合作利用大数据预测犯罪的发生。

google流感趋势(Google Flu Trends)利用搜索关键词预测禽流感的散布。

统计学家内特·西尔弗(Nate Silver)利用大数据预测2012美国选举结果。

麻省理工学院利用手机定位数据和交通数据建立城市规划。

梅西百货的实时定价机制。根据需求和库存的情况，该公司基于系统数据对多达7300万种货品进行实时调价。

最后一句话，大数据方法可以为预防类似上海“12.31”踩踏事件发生，提供技术支持。

（图像数据来源于百度和中国国家地理）