让数据沉淀的人

做数据挖掘的人，会和医学期刊扯上什么关系？

今年4月，一项关于疫情变化与复工复产的研究登上了医学期刊《柳叶刀》子刊EClinicalMedicine。作者将不同年龄人群划为7类，刻画了他们在家庭、学校、工作场合等情景下的接触模式，并据此分析出新冠病毒如何传播，用数量方法给出了多种疫情期间复工复产的模型。

  领衔这项研究的作者之一，正是中科院虚拟经济与数据科学研究中心（下称中心）主任石勇。

石勇等人最先以武汉的城市模型为例，分析不同社交情景的接触模式后，他们发现早期新冠病毒的传播更多发生在家庭和公共场合，并据此推测2020年2月11日是当地传播风险最高的日子，这一推测与后续报告的病例数高峰（2月4日-14日）相吻合。

“我们在2月7日做出了首个疫情防控复工复产的模型，武汉。文章投稿后3天就被接收了”。石勇告诉《中国科学报》。

“数据模型是有生命力的，数据挖掘的结果是粗糙知识，进一步过滤叫智能知识，智能知识的发现比数据挖掘的结果更重要。”对石勇而言，大数据挖掘的意义在于让各方面的工作更好地推进。在他的团队，跨学科、跨行业的研究比比皆是。

而这些成果，恰恰源于多年的积累与沉淀。

迅速出成果的秘诀

采访中，石勇谈到，传统的传染病模型预测相对固定，将之与大数据结合、演算，就能发现病毒传播的端倪，并据此预测潜在风险。上述研究中，石勇所在的数据挖掘团队与来自上海和香港的传染病研究者合作，并在疫情早期就开始设想复工复产需要具备的条件。

完成武汉的城市模型后，团队又选取了北京，天津，杭州，苏州和深圳5个城市，根据各城经济发展的预期值进行实证分析，模拟出不同城市疫情防控强度与复工复产方案间的利弊关系。

结果显示，利用不同模型，决策者可根据当地防控工作和复工计划预测出相应疾病传播风险，得到城市长期经济发展的基本判断，为疫情防控与科学决策提供了有力支撑。

回看这项研究，石勇等人之所以能在疫情早期迅速发布相关研究模型，有赖于长期与合作伙伴保持的密切联络。

“我们可以把很多学科在短时间内集合到一起”，石勇坦言，这也是中心的使命——中心作为交叉学科单位，招生范围包括计算机、管理、数学、生物医学等专业——“只要把这些学生匹配起来，可以发挥很大的科研能动性。”

沉淀自己，也沉淀数据

石勇团队的研究生张林姿告诉《中国科学报》，由于疫情，在无法与国内合作者面对面交流的情况下，石勇每天会专门留出几小时用于交流工作、推动进展。

为了给疫情防控和复工复产提供科学决策支撑，疫情中的石勇仍然每天坚持工作数十个小时。“据说牛顿就是在瘟疫封闭期间发现了万有引力，所以不要焦虑，这是很好的沉淀自己的时间。”石勇对学生如是说。

那段日子里，石勇也在思考中心的过去和下一个十年。2004年正式成立以来，中心一直在为国家宏观经济发展提供决策依据。2010年，全国个人信用评分系统问世，该项工作由石勇团队与中国人民银行征信局和征信中心联合完成，这项涉及公民个人收入、年龄、职业、家庭人口等信息的系统，对中国人的日常商业银行经济活动产生了重大影响。

这些年来，石勇一直在强调异构数据、非结构化数据的概念。当下，让大量的、有噪声的随机数据沉淀下来，实现数据挖掘最优化，仍然是石勇的工作目标：“当针掉到海里，你要知道针可能掉到哪里去。”

最近，石勇正带领团队与中国金融期货交易所合作，对太字节级别体量的交易数据进行分析，预测金融期货的变化及可能产生的影响。“把期货交易的大数据放到太湖之光这样的超算里，去观察交易者的行为。”

“只有高质量的数据才能产生更好的结果。”石勇再次强调。

人与算法皆纯粹

作为首届成思危优秀科研成果奖得主，石勇表示，成思危先生生前影响了很多人，无论国内还是国外，中国科学院大学教育基金会的发展也要有全球视野，拓展出新的联系：“成先生的影响是全世界的，希望基金会支持更多学科、甚至是其他国家的学生，扩大我们国科大的国际影响。”

石勇自己的团队也在践行这一准则。在中科院中关村园区的办公室里，石勇团队每周都会举行一次讨论班，大家围桌而坐，讨论与数据挖掘有关的国际最前沿研究。

石勇团队成员李彪告诉《中国科学报》，讨论班的目的很简单：让大家一直跟着领域的前沿走。而因为讨论班的学术氛围太好，以至于已经毕业、甚至毕业多年的学生也愿意专门抽出时间赶回来参加。

这样的氛围与石勇本人的行事风格不无关联。在李彪等年轻后辈的眼中，石勇始终是一位简单、纯粹的学者。已过耳顺之年的他仍在不断学习，对新鲜事物保持关注，但他永远衣着朴素——深蓝色的夹克和登山鞋穿了多年，公文包磨破了却想不起来换。

“做科研不为搞多大名堂、创造多大利益。”李彪表示，这样的言传身教影响了每一位加入团队的后辈。石勇尊重每个人的想法，“但你必须踏踏实实地去做”，李彪说。

为了让学生更早地接触数据科学，石勇面向中国科学院大学的研究生开设了《多元统计分析与机器学习》这门课程，他会在课堂上介绍数据科学研究中用到的各种方法。

曾任课程助教的李彪还记得，这堂从不点名的课有40多人选修，但每次都有60多号人坐在教室，直到课程结束。“这学期上完，每个人都相当于完成了一个小规模的机器学习项目。”李彪说。