前言
疫情如白色的霧霾一樣籠罩著,壓得人喘不過氣。在這凜凜寒冬中,黑夜的光似乎還很漫長。這時,上帝也不說:“要有光”了。
國內互聯網
國內互聯網經過十幾年長足發展,逐漸壯大,各大巨頭部署的雲計算,幾乎全面得佔據了超多場景下的服務器應用。
基礎設施也很關鍵,4G、5G 通信技術的成熟落地,超大機房,以及智能手機的普及,讓互聯網有了極為豐富的生態。
數據,數據,數據
<strong>醫護人員是前線衝鋒的士兵,技術人員是後方補給的彈藥。
數據太重要了。
對於電商平臺,跟蹤用戶的消費習慣,準確地將商品推送到對的消費者 ,將大大的提升產品轉化率,和用戶滿意度。想要實現這樣的功能,離不開數據的採集,以及大量數據的分析處理。
而對於疫情,首先是根據醫學專業的研究,制定詳細的預防和切斷步驟。其次,就要有的放矢,精準布控,實時掌握。數據分析,引導布控策略,這大概是大數據最經典的應用場景了。
出行大數據
智能手機的普及,提供了數據採集的硬件;APP的普及,提供了數據採集的軟件。例如根據位置數據,進行人口遷移熱力圖統計。
由於有了大量可供使用的歷史數據,真實有效。決策者在進行判斷之前,參照數據給出的提示,可以將人力、物力和資源,有針對性地部署,減少不必要的浪費。
實名制
實名制為我們追溯人員的活動軌跡,提供了重要的數據採集支持。特別是我們國家大力推進火車網上售票,12306正式升級為國家平臺,國民軟件。
此次疫情在武漢封城前後,人員都來自哪裡?人們都從武漢去到哪裡?如果是以前的紙質車票,一個一個的查對清單,時效性上簡直不敢想象。
通過12306網站售票,APP售票,鐵路部門可以獲取較為實時,且可追溯的人員乘車情況。
統計維度就比較的多了,比如:
- 某個人,某段時間,去了哪兒
- 某一城市,來源地排行統計
- 某一時間段內,人員分佈,列出頻次
- 某一車次空閒、繁忙情況
- 某一時間,某一車次,某一乘客的位置,以及同行者列表
只要想挖掘,總有你想要知道的內容,數據不會說謊。
事實證明,此次疫情,國家在防控戰略中,依靠12306提供的技術數據,決策部署有的放矢,效率空前的好。這也是技術所應做的擔當。
技術人員的使命
我們說了,國家的互聯網硬件和軟件環境,發展的較為完善。世界範圍內編程語言種類繁多,提供了數量龐大的工具集。
做一個特定用途的功能,變得輕鬆而容易。比如最早媒體,零零散散地報道了一些確認人員的出行路線,號召同行人員做好自我防護。全國的城市有很多,車次有很多,趕上春運,車次也很多。信息繁瑣龐雜,這不是我們想要的結果。
程序的使用,就是去除繁雜,變得簡單高效。
一家成都的公司,快速開發了一個網頁,使用簡單的數據庫記錄這些媒體的報道數據,然後開放給全國使用。本質是篩選表單,加上表格展示。
github上的聲援
一方有難八方支援。
有錢的出錢,有糧食的出糧食,有技術的出技術。國內的程序員迅速在 github 上搭建了不少倉庫,用戶為疫情提供數據和技術支持。
軟件服務於生活,技術讓生活更美好,可不是說說玩兒的。
倉庫一:【可視化】https://github.com/lispczz/pneumonia
根據權威發佈的數據,繪製疫情地圖。對於國民用戶,一目瞭然。
倉庫二:【可視化】https://github.com/shfshanyue/2019-ncov
此倉庫根據丁香園肺炎疫情實時動態,繪製疫情地圖。
倉庫三:【歸檔】https://github.com/2019ncovmemory/nCovMemory
為了忘卻的紀念。這場暴風雨一樣壓抑的疫情,我們應該銘記。代碼部署在了 github page https://2019ncovmemory.github.io/nCovMemory/。
倉庫四:【模型預測】 https://github.com/YiranJing/Coronavirus-Epidemic-2019-nCov
該倉庫使用實際數據,建立模型並預測疫情。
估計和預測 2019-nCoV 新型冠狀病毒在武漢的爆發情況模型
1: 估計武漢封城時的感染人數模型
2: 模擬預測武漢封城後肺炎感染人數以及峰值
根據丁香園最新數據預測全國未來幾天的確診人數趨勢
在數學上,是統計;在計算機上,是機器學習。
AI助力,如虎添翼。
寫在最後
17年前,互聯網剛經歷過一場泡沫恢復平靜。人們開始腳踏實地地做產品,開發軟件,一個領域一個領域地信息化,到今天,我們無法離開互聯網。
科技強盛,帶來文明的進步。文明的進步,給我們戰勝災難的方法。
我是 ,持續分享編程與程序員成長相關的內容,歡迎關注~~
閱讀更多 程序員小助手 的文章