从武汉蔓延至全国的肺炎疫情正牵动着每个中国人的心，相信在春节假期大家一定刷到了下面这段话：

假设有三种人A、B、C。A是有湖北接触史的，分散在全国各地，容易找出来，现在已经找出来很多了。A在旅途中遇到过从未平生绝不认识的B，A不知道B的存在，B也不知道A的存在。A到达目的地后接触了C，无论接触了多少个C，这些C都能够找到，并已经隔离了。现在最大的隐患是B，根本找不到，没有人知道谁是B，自己根本不知道自己是B。

如果一例“新冠”患者有乘坐公共交通工具，一同搭乘的乘客将有被感染的风险，下车后这些可能受感染的B们就分散在各个地方，就有可能成为下一波的传染源。飞机、火车等实名交通工具尚可根据姓名追溯，无须实名乘坐的地铁、常规公交则无法进一步的排查。

因此，快速查找出潜在的被感染者B显得尤为重要，为减少病毒扩散，连日来，各大媒体、朋友圈都在大量发布和转载寻找乘客的通知。

除了利用网络媒体、朋友圈疯狂找人外，或许交通出行大数据能提供更加精准快捷的办法。追踪移动轨迹、建立关系图谱，在大数据技术日渐成熟的今天已不是新闻。在位置数据方面，随着手机的普及手机信令大数据信息是获取位置的重要数据之一，由于手机在运动过程中会自动进行跨基站切换，以基站为单元可以计算手机大概的位置数据。因此，手机信令数据在用户出行轨迹的提取上具有很强大的优势。

手机基站“蜂窝”与居民出行轨迹

由于居民出行都普遍携带手机，在车辆运动的过程上，手机跟随车辆同步切换沿线的基站，车辆上所有手机切换基站的时间、空间、顺序等指标基本是一致的，我们就可以利用这一特征对“新冠”接触者进行大规模筛查。

乘客实时位置数据记录（动态图）

因此，在算法处理上，可以通过手机信令大数据，以病例A运动轨迹为参照，在数据库中匹配与其在时间、空间上高度相似的用户轨迹，并将其提取出来，即可以实现对目标群体的迅速查找。具体算法有基于欧氏距离相似度匹配、机器学习等，在学术上已有较为成熟的应用。通过分析目标人群的活动规律和分布特征，疾病防控的相关部门就可以在大型交通枢纽、商场等人员密集的敏感地区进行提前防控，保障居民安全。

利用手机信令等交通出行大数据，能从源头上对病源地出入、途径人员、确诊患者行为轨迹进行分析，研究病源地和重大交通枢纽的人员流向和分布，对确诊患者及密切接触、近距离接触、间接接触人员进行早定位早隔离，可以做到精准施治，指导各地卫生部门提前部署，防患于未然。

乘客轨迹匹配示意图

通过交通出行大数据不仅可以迅速搜寻疫情的密切接触人群，还可以系统研究疫情爆发后城市对外和内部的人员活动规律，分析重大疫情期间主要通道、枢纽交通管制措施的合理性和影响范围，甚至还可以指导保障物资的货运调度。对于一个城市，建立真正有用的城市级综合交通大数据系统平台意义重大，也是交通强国的重要要求，是以科技的手段提升城市治理水平的重要基础。众志成城、共抗疫情的同时，我们要用科技的手段武装起来，加油！