京公网安备 11010802034615号
经营许可证编号:京B2-20210330
大数据让智慧城市如虎添翼
随着中国城市化进程的推进,城市病越来越为大家所诟病和抱怨。拥堵的交通,厚重的雾霾,以及城市摊大饼现象使得资源难以承载,这些都让城市居民苦不堪言。移动互联网时代到来之后,大数据进入医疗、环保、交通等诸多领域,成为智慧城市发展的助推器。在移动互联网与大数据紧密结合的时代,城市病能否破解?
大数据应用于智慧城市发展
“智慧医疗是大数据服务于城市智慧发展的重要一点。北京大学人民医院利用大数据分析,协助医生对所有病历进行分析,可以实现更好更快捷有效的服务。”IBM大中华区智慧城市北方区总经理谷冰谈到,“大数据在环保领域也可以有很好的应用。如果把一些周围污染源的数据、风向的数据都集中在系统中可以搭建出一个模型,预测2—3天后的PM2.5值,可以应用到智慧城市的环保环节,帮助政府、个人进行更好的环保气象管理及出行管理。”
“大数据在首尔这座城市有很多具体应用。比如,我们利用智能手机,分析了30亿条通话收发信息和短信信息设计了9条公交夜班车线路。另外,首尔市民对出租车空车行驶导致能源消耗、交通拥堵十分不满,于是我们利用大数据分析出了20个坐出租车人群最多的地区,统计出来以后自动给出租车司机发送一个信息,前面左转可能等待出租车的顾客更多。我们给手机用户也发送短信,你往哪个方向遇到空出租车的可能性更大。如果减少空车率10%,就可以节省很多费用,也可以很大程度上减少交通压力。所以大数据是城市重要的行政管理手段。”韩国首尔政府信息企业团团长金景瑞介绍。
北京市在数据收集和融合方面也做了很多基础性工作。“截至2012年,北京市主要业务信息化覆盖率达到96.34%,全市各个部门建设数据库311个,主题共享库60个,已经开始通过首都之窗政府网站向社会提供数据服务。北京做了人口、法人、空间地理、宏观经济四大基础数据库的建设,也在尝试四库的融合。”北京信息化专家委员会秘书长彭凯说。
大数据应用仍面临重重阻碍
“技术已经准备好,不仅仅是大数据分析,还有前端的感应线圈,包括现有的流式数据。”谷冰指出,然而大数据在智慧城市发展中的应用仍面临重重阻碍。
首先是大数据时代的隐私权问题。“比如电信运营商所掌握的手机用户基站登记信号,曾遭到网民一片骂声,认为是个人隐私泄漏了。实际上政府不是要掌握个人详细的数据,而是掌握整个城市人群的上下班和日常生活、休息娱乐,整个交通出行规律,把个人隐私信息滤出以后,对其他的信息进行分析,不同交通工具的出行规律,从而描绘出一张整座城市的动态量图。根据出行规律深入分析找出不同时间段拥堵的原因,提出疏导措施。”彭凯说。
其次是庞大的数据量缺乏以应用需求为导向的收集、分析。“各个政府部门在执行自己的行政职能过程中积累了大量数据。数据分析如果没有明确的需求,无论多么大的数据、多么好的技术都是白费的。”LGCNS中国数字市场事业部部长张勇虎说。
“现在为了解决一项业务应用,比如解决交通的问题,就需要把和交通相关的数据收集起来,围绕应用方案做工作。”彭凯说。
再者,大数据理念能不能为决策者所接受也是一个问题。“在大数据应用方面,北京市在技术上已经做好了应用的准备。但实际上现在关键的问题是各级政府领导、政府部门领导能不能运用大数据的理念分析解决本部门、本行业当中存在的重大社会管理和服务问题。有再好的金刚钻,不去揽自己的瓷器活,仍然解决不了社会非常关注的紧迫问题。”彭凯说。
多部门多方位消除阻碍
大数据真正助力智慧城市发展需要消除重重阻碍。首先,在移动互联网或者新电商时代隐私应该被重新定义。“隐私使用的法制问题应该被重新定义,包括互联网犯罪、互联网诈骗等等,从技术角度来讲,在新型的社会很难有隐私而言。另一方面,作为一个普通公民可能更关心隐私是否会导致损失和伤害。如何重新定义隐私?如何重新界定互联网上的犯罪行为?这是一个新的课题。想通过封闭的方法,利用各种各样的安全技术保护所谓的隐私信息,现在看来不太靠谱。”SAP城市创新首席科学家王斌说。
促进各行业、多元化数据交互融合也是重要的方面。“过去考虑问题往往站在局部,不能站在整体、全局考虑。大数据时代有待于跨领域多元数据的融合,需要成体系、立体、矩阵式的思维来谋划。智慧城市发展的大数据应用分析也一定是各个领域多元数据交互融合的结果。”彭凯说。
在数据技术完备的情况下,体制机制的调整和多部门的联动十分重要。例如北京的交通工作由交通委、北京市公安交通管理局、北京公交总公司、轨道交通公司共同管理,并不是由一个部门全部制定和规划的。要想通过大数据技术解决“九龙治水”的北京交通问题,彭凯认为“北京交通委要统筹,站在更高层面规划,行业治理并不能像韩国首尔市政府那样直接操作,需要制定政策,规范行业的管理。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在主成分分析(PCA)、因子分析等降维方法中,“成分得分系数矩阵” 与 “载荷矩阵” 是两个高频出现但极易混淆的核心矩阵 —— ...
2025-11-12大数据早已不是单纯的技术概念,而是渗透各行业的核心生产力。但同样是拥抱大数据,零售企业的推荐系统、制造企业的设备维护、金 ...
2025-11-12在数据驱动的时代,“数据分析” 已成为企业决策的核心支撑,但很多人对其认知仍停留在 “用 Excel 做报表”“写 SQL 查数据” ...
2025-11-12金融统计不是单纯的 “数据计算”,而是贯穿金融业务全流程的 “风险量化工具”—— 从信贷审批中的客户风险评估,到投资组合的 ...
2025-11-11这个问题很有实战价值,mtcars 数据集是多元线性回归的经典案例,通过它能清晰展现 “多变量影响分析” 的核心逻辑。核心结论是 ...
2025-11-11在数据驱动成为企业核心竞争力的今天,“不知道要什么数据”“分析结果用不上” 是企业的普遍困境 —— 业务部门说 “要提升销量 ...
2025-11-11在大模型(如 Transformer、CNN、多层感知机)的结构设计中,“每层神经元个数” 是决定模型性能与效率的关键参数 —— 个数过少 ...
2025-11-10形成购买决策的四个核心推动力的是:内在需求驱动、产品价值感知、社会环境影响、场景便捷性—— 它们从 “为什么买”“值得买吗 ...
2025-11-10在数字经济时代,“数字化转型” 已从企业的 “可选动作” 变为 “生存必需”。然而,多数企业的转型仍停留在 “上线系统、收集 ...
2025-11-10在数据分析与建模中,“显性特征”(如用户年龄、订单金额、商品类别)是直接可获取的基础数据,但真正驱动业务突破的往往是 “ ...
2025-11-07在大模型(LLM)商业化落地过程中,“结果稳定性” 是比 “单次输出质量” 更关键的指标 —— 对客服对话而言,相同问题需给出一 ...
2025-11-07在数据驱动与合规监管双重压力下,企业数据安全已从 “技术防护” 升级为 “战略刚需”—— 既要应对《个人信息保护法》《数据安 ...
2025-11-07在机器学习领域,“分类模型” 是解决 “类别预测” 问题的核心工具 —— 从 “垃圾邮件识别(是 / 否)” 到 “疾病诊断(良性 ...
2025-11-06在数据分析中,面对 “性别与购物偏好”“年龄段与消费频次”“职业与 APP 使用习惯” 这类成对的分类变量,我们常常需要回答: ...
2025-11-06在 CDA(Certified Data Analyst)数据分析师的工作中,“可解释性建模” 与 “业务规则提取” 是核心需求 —— 例如 “预测用户 ...
2025-11-06在分类变量关联分析中(如 “吸烟与肺癌的关系”“性别与疾病发病率的关联”),卡方检验 P 值与 OR 值(比值比,Odds Ratio)是 ...
2025-11-05CDA 数据分析师的核心价值,不在于复杂的模型公式,而在于将数据转化为可落地的商业行动。脱离业务场景的分析只是 “纸上谈兵” ...
2025-11-05教材入口:https://edu.cda.cn/goods/show/3151 “纲举目张,执本末从。” 若想在数据分析领域有所收获,一套合适的学习教材至 ...
2025-11-05教材入口:https://edu.cda.cn/goods/show/3151 “纲举目张,执本末从。” 若想在数据分析领域有所收获,一套合适的学习教材至 ...
2025-11-04【2025最新版】CDA考试教材:CDA教材一级:商业数据分析(2025)__商业数据分析_cda教材_考试教材 (cdaglobal.com) ...
2025-11-04