董紹華

中國石油大學（北京）管道技術研究中心

第三方破壞是管道面臨的重要風險，據統計，2001年～2015年國內管道事故中由于第三方破壞引起的占事故總量的30%～40%；1984年～1992年歐洲國家的管道事故中由于第三方損傷和破壞引起的占事故總量的52%[1]；2010年～2016年，美國共發生管道泄漏事故702起，其中177起是由于第三方破壞（第三方開挖或外力）引起的，占總數的25.21%[2]。

位置大數據已經成為當前用來感知人類社群活動規律、分析地理國情和構建智慧城市的重要戰略資源，通過對位置大數據的處理分析，可從單純的定位數據引申出人的社會屬性以及與環境的關系，形成了一種智能化、社會化的應用[3]。

本文基于位置大數據的分析方法，建立特定人員手機位置信號與管道沿線信號塔之間的位置關聯關系，同時通過獲取手機移動端GPS位置信息，開展手機移動信號的大數據關聯分析，研究第三方管道破壞行為，并在實踐中取得成功。

1 位置大數據的特點

大數據（big data）是指大型復雜數據集的聚合。大數據中的一個重要組成部分就是位置大數據（location big data，LBD）。含有空間位置和時間標識的地理和人類社會信息數據即為位置數據。這里的空間位置，既可以是準確的地理坐標，也可以是具有約定俗成的一些地名、方位等[4-5]。

●位置大數據具有多元、異構、變化快等特征，也具有典型的體量大和價值密度低等大數據特性。

●位置大數據的共性特征是具有時空標識，可以使用絕對位置、坐標、相對位置、語言文本來描述。

●由于受到數據采集技術等方面的客觀制約，位置大數據可能不能反映對象的整體全貌。

2 研究取得的成果

（1）第三方入侵手機移動信號和GPS信號數據采集技術

在選取的第三方風險較大的特定區域內，24小時不間斷開展手機信號、GPS信號數據采集，建立特定人員手機信號與管道沿線信號塔之間的位置關聯，獲取手機GPS位置、手機塔的相關信息，開展手機移動信號的位置大數據采集，從移動設備采集的數據（包括惟一設備 ID、緯度、經度和時間戳）存儲在數據庫中或加載到 Hadoop 平臺上。

（2）第三方通訊移動數據存儲技術

研究采用Hadoop等計算框架模式，建立流媒體、地圖數據、軌跡數據的高效時空索引和分布式分析技術，基于位置大數據的非關系型數據的特點，采用Hbase、BigSQL、芒果等數據庫存儲技術。

（3）第三方通訊移動數據預處理技術

研究了第三方通訊移動數據過濾、數據完善、數據降維、數據離散化等方法，以及預處理后在用數據挖掘、機器學習等處理方法，對位置數據進行深入處理和挖掘，旨在分析數據間的關聯性。

（4）第三方破壞特征模式提取技術

開展了第三方通訊移動位置大數據的管道破壞防范模式特征提取研究，基于時間特征建立移動手機位置與第三方破壞的特征模型。從收集到的信息信號中提取價值信息，提取位置大數據的混雜性，分析和抽象出三類特征，通過建立移動手機位置大數據與第三方破壞的模型，從而找出第三方破壞的跡象和正在實施的第三方破壞行為。

（5）基于位置大數據的第三方破壞風險可視化方法

利用統計圖來展示數據處理過程中的處理結果或數據發展趨勢，基于位置大數據規模大、多樣化等特點，研究專門用于第三方位置數據的可視化方法，準確地模擬第三方破壞在管道沿線的發展態勢。

（6）基于移動端位置數據的管道第三方破壞預測預警系統

通過上述研究，開發了管道第三方破壞預測預警系統，包括數據采集、數據存儲、數據分析和建模、數據風險可視化、趨勢分析等功能。

3 應用案例

以長三角經濟發達地區某天然氣管線的25.8公里長的支線管段為例，通過移動端信號地接入進行大數據分析，根據第三方數據的時空演變規律，進行第三方破壞防范的建模研究，取得重要成果。

（1）數據采集

移動端通過一組信號塔提供服務，移動端的具體位置可通過對其與最近信號塔的距離進行三角測量來推斷，位置精度大約在20米以內。位置數據包括緯度和經度，存儲所有這些信息，需要56字節的空間。如果處理200萬個用戶，并且以每分鐘一次的頻率存儲24小時的位置信息，那么存儲的數據大約為每天0.1TB。

（2）大數據存儲與處理

建立Hadoop 分析流程，基于位置大數據非關系型數據的特點，采用Hbase、BigSQL、芒果等數據庫存儲技術，如圖1所示。

（3）大數據的降維分析

其核心就是減少網絡中的節點（即區域）或邊（即區域間的關聯），通過關鍵分量的分析獲得全局特征，其主要方法包括依超介數的降維和依主分量的降維。而在時間尺度上的降維則主要指對時間的離散化，降低各時間段間的相似性。按照時間降維處理，時間段縮短為20：00～22：00、12：00～14：00、2：00～4：00三個時間段�？臻g降維，則將位置數據按照管線30米范圍為活動范圍，劃定界限，分析移動端數據。

（4）位置大數據的特征提取建模

針對位置大數據的混雜性，提取移動端用戶的靜態數據，以一定區域范圍為觀察對象，提取區域內與地圖地貌相關的一些指標，包括路網特征和興趣點變化率等靜態特征信息。本案例利用已有事故統計分析，得出第三方危害臨界區域模型為——事故統計發現：2人以上，出現超過2次，每次靜態時間為0.5小時，同時出現在同一個區域內，發現85%的第三方事故均具有此特征。

（5）數據分析

對管道所在區域內的移動端數據測試采集15天，共獲得2154630條位置數據，篩查了所有數據，按照2人以上（不限同一個人），在同一地點出現超過2次（含2次）以上，每次靜態時間超過0.5小時，進行數據統計分析，最終統計的數據量涉及管道路由周邊178處位置，如圖2所示。

從圖2的統計分析來看，在22：00～24：00、2：00～4：00兩個時段，發生2處高風險異常人員情況。1處是在管道附近違章修建溫室大棚，并確認未向管道保護部門報告，另1處是山丘管道路由10米內非法取土，未通知管道管理部門。其他時段管道周邊田地勞動人數達到145人，經分析和驗證，屬于田地耕種管理的正常生產活動，沖溝位置大數據驗證為正在進行退耕還林栽種作業。

本時段共統計發現符合管道周邊活動的異常屬性特征的數據有21處，其中，田地勞動耕作11處，沖溝退耕還林作業1處，鐵路、公路、水利、河流、林地處作業總計5處，均為正常作業，但管道周邊山丘、荒地有4處作業為缺乏正常施工監護（含2處高風險異常施工狀況）。可見，通過位置大數據的移動軌跡分析，可及時掌握管道沿線第三方活動情況，做到早發現、早監控。

4 結論和建議

（1）首次將位置大數據技術應用于管道第三方破壞防范，研究開發了位置數據的管道第三方破壞預測預警系統。

（2）該技術可以及時發現管道周邊第三方非法施工情況，及早發現風險，系統進行自動分級，有利于管道第三方風險的分級管控。

（3）該技術克服了其他方法如光纖振動、遙感圖像分析的不確定性和誤報率，補充完善了管道第三方技防措施。

（4）建議納入管道安全管理技術措施，并進一步研究、改進、推廣應用。

參考文獻：

［1］董紹華 管道完整性管理技術與實踐 中國石化出版社 2015.9 北京

［2］美國管道事故統計報告 （Pipeline IncidentFlagged Files） 美國危險化學品管理局報告（PHMAS）2016.7.29

［3］劉經南，方媛，郭遲，高柯夫. 位置大數據的分析處理研究進展 武漢大學學報（信息科學版） 第39卷第4期 2014.4

［4］ Guochi， FangYuan， Liu Jingnan, etal Suudyon social awareness computation methods for location-basedservice[J] Journal of Computer Research and Development,2013,50(12); 2531-2542

［5］王曉艷. 位置服務大數據的分析處理方法與隱私保護 雞西大學學報 第15卷　第7期， 2015年7 月

作者：董紹華，教授，中國石油大學（北京）管道技術研究中心主任，管道完整性與管理專家，第五屆國家安全生產專家成員，國家質檢總局特種設備安全委員會壓力管道分委會委員，北京石油學會石油應用與儲運專業委員會主任，研究方向為管道安全、完整性及信息大數據領域。

《管道保護》2016年第5期（總第30期）