
大数据 检验智慧城市建设
随着智慧城市建设的推进,智慧城市产生的大数据正在迅猛增长,包括电力调度、智能交通、通信资源、供水监控以及视频监控的数据等。专家表示,一个城市面向不同应用的智慧城市项目3个月的数据存储量可能达到EB量级(大约为10亿GB)。在可以预见的未来,大数据将遍布智慧城市的方方面面,从政府决策与服务,到人们的生活方式,再到城市的产业布局和规划,以及城市的运营和管理方式,都将在大数据的支撑下走向“智慧化”,大数据会成为智慧城市的“智慧引擎”。
“在保证国家安全和居民隐私的前提下,开放数据,能给人们带来32000亿元的财富。”中国工程院院士邬贺铨表示。
大数据让生活更智慧
随着大数据时代的到来,人们的生活正在悄然发生改变。互联网搜索引擎是大数据最为典型的应用之一。据邬贺铨介绍,利用大数据可以分析城市消费状况。例如,淘宝网建立的淘宝指数,通过采集、编制淘宝网上成交额比重达到57.4%的390个类目的热门商品价格走势,能够反映出网购市场整体状况以及城市主流人群的消费状况。
如今,人们在百度上搜索汽车的次数每天高达1000万次,百度将网民对汽车的各类搜索请求进行大数据分析,可帮助车企深入了解消费者需求,设计新品及合理进行资源调配。
高德地图则让用户出行更方便。在国内,目前使用高德地图的用户有3亿多,通过这3亿用户的出行数据以及高德收集的万余辆出租车及几百万辆物流车的动态数据,可以得出全国城市拥堵情况排名。用户还可以根据高德的数据统计,使用高德地图躲避拥堵功能实现智能出行,可以节省15%-20%的时间成本。
得益于计算机对海量数据的存储、分析以及处理,人们能够运用大数据实现原来遥不可及的梦想。公共交通系统的动态数据公布后,对其进行深度挖掘,可以通过手机应用为公众出行提供实时建议,还可以为地铁系统在客流高低峰时段、热点站与普通站之间的调配提出更优方案。
智慧城市之所以迷人,在于它能为人们提供更安全的居住环境、更准确的交通状况以及更方便的生活体验。而要做到这些,离不开大数据的支持。不管是智能交通、智能安防还是智能家居,大数据都是支持其运转的核心。如果没有来自交通管理部门及各车联网系统反馈的数据,智能交通就无法正确显示导引信息以及调节红绿灯时长;如果没有来自公安部门的犯罪率及惯犯统计数据,智能安防也只能被动防御,无法成为保卫城市安全体系中的一环。
邬贺铨表示,要从战略上重视大数据的开发利用,将它作为转变经济发展方式的有效抓手。如果没有足够的信息资源,不能得到充分的数据挖掘,也就无法利用好大数据发展的机遇。
大数据激励创新
2013年,大数据技术获得快速发展,许多企业用大数据制定出成功的市场方案,许多国家和城市也在依靠大数据治理污染、疏导交通。从默默无闻到备受追捧,大数据采集和分析基本上成为智慧城市等大型物联网项目普遍采用的技术,但由于种种原因,无论是政府部门还是商业公司,在数据的开放和共享问题上都持保守态度。而智慧城市这种工程要想达到期望效果,还需要更开放的大数据。
邬贺铨表示:“开放数据是数据挖掘的重要来源,城市数据来自于市民和政府,同时服务于市民和政府。只有开放数据,才能使智慧城市的数据收集更全面,才能让数据更好地服务于智慧城市建设。”
美国将全球定位系统(GPS)向公众开放使用就是一个成功的例子。据介绍,1983年美国将原本用于军事领域的卫星定位系统GPS向公众开放使用,并且在21世纪初取消了对美国民用GPS精度的限制,汽车导航、精准农业耕作、物流、通信等行业都大大获益。GPS开放后不仅服务了人们的生产和生活,还创造了大量的就业岗位。据估算,仅美国国内就有约300万的就业岗位与GPS紧密相关。
如今的高德地图采用基于众包的方式,使得3亿多用户给高德实时交通贡献了大量的出行服务数据。高德地图用户既是实时交通信息的使用者和享受者,同时又是实时交通信息的贡献者。高德地图用户越多,贡献出的数据就越多,高德的实时导航就越精细,实时交通服务质量就越好,就会有更多的用户使用,从而形成良性循环。
京东商城的JD Phone 计划则是大数据创新应用的典型代表。JD Phone 计划是以用户需求为中心的创新型计划,通过对京东海量用户数据进行深入分析,挖掘出用户的真实需求趋势,然后再由京东联合品牌厂商,整合产业资源,共同打造满足用户需求、超出用户期望的高性价比产品。
这种从消费者需求出发,驱动制造业进行产品设计与生产的模式正是目前流行的反向电子商务模式(C2B)。据了解,京东大数据平台数据创新事业部从价格分布、关键属性、流量、成交量、消费者评价等维度建立模型,挖掘出功能卖点、主流价格段分布、消费者需求、增值卖点等,来指导厂商的研发、设计、生产。目前JD Phone 计划已经成功推出了努比亚大牛、小牛2、华为荣耀3C、诺基亚X、IUNI U2、努比亚牛魔王等多款产品,每款通信产品的月销量都过万。
此外,众多的智慧城市建设试点城市依托大数据出台了多种智慧应用。厦门市推出的 “i厦门”就是在智慧城市中衍生出的超级APP形态。厦门市政府副秘书长梁峰表示,厦门老百姓进入“i厦门”一站式信息惠民平台之后,所有的服务都在这里“一网打尽”。目的就是让老百姓“多走网路,少走马路”。
杭州市在智慧城市建设中,推出的市民卡让884万市民受益。如果市民需要去医院看病,只需带一张市民卡,无需现金,刷卡就可付费结算。两年时间内,杭州人节约了655万小时的排队时间。杭州市经济和信息化委发布的信息显示,目前有338万人开通市民卡诊间结算功能,累计使用已超过450万人次,使用率为67%。
“合肥掌上公交”系统自2013年12月上线后,市民通过合肥公交网站免费下载APP程序,安装后即可通过手机查看公交车位置、距离和抵达时间,还可自主参与出行方案的制订。市民下载该软件后,即使不在公交站牌附近,该系统也可以自动定位,显示出附近的公交站牌、所经过的公交车线路,以及公交车在各站点的分布情况、到站时间等。市民可根据自己的时间,决定乘坐哪辆公交车。
目前,我国有360个城市提出要建设智慧城市。“据世界银行测算,一个百万以上人口的智慧城市,在达到实际应用程度的85%时,这个城市的GDP在投入不变的情况下,财富将增加2-2.5倍,这意味着智慧城市有可能促进经济增长在新的条件下翻两番。”中国智慧城市论坛智库专家牛文元在第五届中国智慧城市大会上表示。
“多数城市热衷于智慧城市,但关注建设的多,而关注管理的少;在建设方面关注交通设施建设的多,而关注信息基础设施的少;在信息化方面,关注硬件的多,而关注软件的少;在信息产品方面,关注有形产品的多,而关注数据内容的少;在数据方面关注收集的多,而关注分析挖掘的少;在数据挖掘方面,关注政府管理的多,而关注服务民众的少;在数据应用方面,政府内部较多,而面向公众开放的少。”邬贺铨表示,大数据挖掘与利用需要有法可依,但我国的相关法律还很滞后。
“大数据不只是一种信息技术,更是一种商业行为。大数据的应用能否取得成功,将取决于管理层是否能够制定符合自身发展的大数据战略。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13