大数据在bim中的应用

大数据在bim中的应用（共8篇）

篇1：大数据在bim中的应用

1.大数据在实验室管理方面的应用

海量数据已经使我们进入了大数据时代，数据信息的来源、传播速度和传播数量正在影响、改变着人们的思维方式和生活、工作习惯。近年来，基于“大数据”的实验室管理系统的开发以及互联网的实验室管理技术正在兴起。但真正被业内人士承认的教育领域的大数据应用却为数不多，其中被公认的当数东华大学的智能实验室项目。

2009年，东华大学教务处处长吴良提出实验室智能化管理的思路，并将材料学院作为试点单位。实验室智能化管理即用物联网的方式把实验室里所有的仪器设备都管理起来。实验室智能管理过程中记录了学生在实验室内所有的活动情况，包含学生进入实验室的情况，使用的仪器设备情况，使用仪器设备时长等，以及所有仪器的电流、电压都可以监控。如今，东华大学所有学院的实验室都纳入了智能实验室的管理。东华大学通过实验室智能管理系统进行各个方面的数据采集，并对数据进行深度挖掘，形成了各种各样的图表。从图表中可以看出哪些实验室申请的设备根本不必购买，哪些实验室不再需要拨钱。实验室的使用率和第二年的经费完全挂钩，最后实现教育经费使用的集约高效；也可以结合大数据的分析和模拟，建立新型的实验教学课程。

另外，华东大学智能实验室利用云平台（东华云）通过服务器虚拟化和实验教学资源管理系统进行管理，简化了管理流程, 节约了管理成本, 提高了服务器资源申请的灵活性，实现了实验资源管理的信息化和透明化。目前，东华大学智能实验室还实现了24小时开放无人管理、跨学院使用等人工无法实现的管理，数据显示，智能实验室的管理对学生学习自主性的提高有显著影响，学生在实验室的时间甚至超过了在教室的时间。

2.大数据在校园网用户行为分析方面的应用

经过多年的积累，人类的数据量、数据处理技术和能力都得到了质的飞跃，大数据时代给人类社会带来了诸多具有革命性的变化，而校园网的出现则是传统“言传身教”教育的一次革命。中职学生思想尚不成熟，自律力和识别能力不强，对于开放式的网络有些迷茫。校园网学生用户行为分析的研究是通过对校园网络的测量和分析，挖掘和发现网络中呈现出来的各种行为规律，同时识别一些异常网络行为，最后将用户行为分析展示。这样以便学校采取对应的策略及措施引导中职学生健康上网，从而使校园网真正成为学生获取知识的平台，提高学生的整体综合素质。

广东省电子职业技术学校罗萍设计了一个基于大数据的校园网学生用户行为分析系统，该系统从网站浏览信息、网站发帖留言、搜索关键词、网络购物等四个维度来描述基于校园网的学生用户行为。通过对网络内容的分析，可以进一步细化到学生用户在网络中具体网络行为、发表的言论和帖子、对网络资源的兴趣偏好是什么等等，从而有效掌握学生的上网行为动态。

随着计算机技术的迅速发展，大数据时代的网络行为已经成为当前学生校园生活中的一项重要活动内容，正在悄然的改变着学生的学习和生活。因此，深入研究学生网络行为，理性分析学生网络行为特点，动机和需求，以及如何引导学生合理运用网络资源，树立健康的上网理念，构建有益的校园网络环境，已经成为目前学校研究的重要课题。

3.数据挖掘在学习分析及干预中的应用

教育领域已经开发和应用了多款学习分析系统，主要集中在绩效评估、学习过程预测与学习活动干预三个方面。

绩效评估: 如美国 Northern Arizona University 研发的 GPS(Grade Performance Status)系统，可实现全校在校大学生的课堂学习绩效评估。该系统能为教师提供最新的学生出勤情况、学生的反馈意见，为学生提供教师的最新评价以及重大事项的提醒。

学习过程预测: 如澳大利亚 University of Wol-longong 研发的 Snapp(Social Networks Adapting Ped-agogical Practice)系统。该系统可以记载和分析在线学习者的网络活动情况(如学生在线时间、浏览论坛次数、聊天内容等)，使教师能深入了解学习者的行为模式，进而调整教学方式，最大化地为学习者提供适应的教学指导。

学习活动干预: 可分为人工干预和自动干预，现在主要集中在人工干预上，借助绩效评估工具和学习活动预测工具，由教师完成学习干预。自动干预是未来学习分析技术发展的方向，大数据将为这一目标的实现提供强大动力。

在教育管理改革方面，学习分析能为高职院校教育管理系统的方方面面提供指导教学管理活动的相关数据。依靠这些数据，高职院校管理部门可以有针对性地完善不足之处，修订教育管理方案，优化教学资源配置，并最终评估修订方案及资源配置情况。

在教学改革方面，学习分析技术能真正意义上营造信息化的教学环境，保证教师提供的学习服务契合学习者个性化学习、协作学习的需要。传统教学模式中，教师无法保证所提供的学习资源能真正满足学生的学习需求，无法适时调整和分配资源，无法提供个性化地学业指导，无法及时了解学习过程中出现的障碍与疑惑。这些问题都限制了高职院校教育改革的深度，而学习分析技术恰恰可以弥补这些缺陷。通过应用学习分析的相关工具和大数据技术，教师可以及时获取学生的学习行为数据，从而支持一种既能体现教师主导作用，又能兼顾学生主体地位的新型教学方式，以最大化地激发学生的潜能，为新世纪培养创新性人才。

在学习方式改革方面，学习分析技术的作用在于: 自动识别学习情境，能够从大量纷杂的数据中自动分析出学习者的特征信息，根据其需要推送适应的目标资源，并提供学习建议以协助学习者修订自己的学习任务；学习者可以实时调整自己的学习计划，预约辅导以解答学习疑惑；在特定情况下，还可以通过锁定学习者所在地理区域、学习特点等因素划分学习小组，以满足个别学习者的协作学习需求。此外，学习分析能为在校学生提供个性化的学习指导建议，以帮助学生规划在校学习路径，明确其学业成就的期望。

4.大数据在课程建设方面的应用

大数据时代学习者在数字化学习过程中留下很多数字碎片，通过分析这些数字碎片，我们将会发现学习者的各种学习行为模式。梁文鑫指出：大数据对课堂教学带来的主要影响是使教师从依赖以往的教学经验教学转向依赖海量数据教学分析进行教学，使学习者对自我发展的认识从依赖教师有限理性判断转向对个体学习过程的数据分析，从而使传统的集体教育转向对学习者的个性化教育。

目前流行的大规模在线开放课程（Massive Open Online Course，MOOCs）教育，MOOCs 教育被寄予厚望的主要原因是学习分析技术和大数据对它的支持，有了学习分析和大数据技术，优质的教学、课程资源和服务等通过数据真实客观的被呈现出来。比如：对每一门课程资源和支持服务系统的建设和维护都建立在学习者使用过程的数据分析基础上，从而使提供的课程内容更符合学习者的需求、教学指导更具有针对性，进而提高了学习者的学习积极性，促进了学习成功的实现。学习者在 MOOCs平台上学习时，教师和程序可以通过大数据对学习者的学习行为进行理性干预，比如：通过预测认知模型为学习者自动提供适合的学习内容和学习活动方案，通过作业情况、留言板以及讨论区的问题讨论情况可以发现存在学习困难的学习者，以确保可以及时对其学习进行有效干预等。

大数据的应用可以实现大规模在线教育的同时可兼顾学习者的个人需求，大数据对海量数据的高速实时处理技术可以为在线教育平台实时洞察学习者的变化、把握学习者的需求、提高学习效果提供支持，还可以对学习过程中产生的不相关信息进行深度分析，以预测和把握学习者的需求变化。

5.大数据在助学贷款方面的应用

国家助学贷款始于2000年，此后,全国各地普通高等院校陆续开办国家助学贷款业务。但由于政策设计的缺陷、学生个人的诚信缺失、银行的积极性等多方面的问题,贷款业务开展出现较大差异东部好于西部,南部优于北部,部属院校高于地方院校。年国家修正贷款政策,加大贷款工作力度和政策扶持力度,国家助学贷款工作才得以继续进行。但国家对家庭经济困难学生没有给出界定,更缺乏界定标准,因此各高校在确定助学贷款资助对象时,只能依靠学生个人陈述、老师自己的判断、同学之间的投票等方法对困难学生加以界定,以致帮困助学工作困难越来越多。同时,由于信息沟通缺乏有效的渠道,管理缺少统一的工作平台,很大程度制约了贷款工作的开展,影响了学校、银行工作的积极性。缺少信息的沟通,造成信息的不对称,也影响了工作的开展,出现管理的滞后。

2005年，郑爱华作为课题负责人,组织完成校内课题“济南大学帮困助学问题及对策研究”,主持申报了山东省科学技术发展计划软科学科学项目“山东省国家助学贷款中的问题成因及对策研究”,同年获得立项,项目编号：B2005016。

助学贷款决策支持系统是济南大学研究的山东省省级课题“山东省国家助学贷款中的问题成因及对策研究”的子课题之一。目的在于通过该系统,建立家庭经济困难状况指标评价体系,包括评价指标的设立、指标分值的量化、最后计算机进行决策计算,输出决策支持的结果,帮助学校确定贷款资助对象,建立贷款信息数据仓库，并将贷款信息通过计算机进行处理,实现快捷、方便、及时、准确的数据动态管理,克服银行、学校、学生、主管部门之间的信息不对称问题，实现科学决策、信息化管理的目标，有利于山东省助学贷款工作的健康发展,有利于减轻学校贷款工作的管理难度,降低贷款成本,为帮困助学工作开辟有效的途径。

河北省教育厅学贷中心河北省学生贷款管理中心于2007年开始实施助学贷款信息化建设,将先进的计算机技术应用到国家助学贷款管理工作中,建立“河北省国家助学贷款管理信息系统”,使学生对国家助学贷款的申请、学校对助学贷款的管理、银行对学生申请的审批以及其间的各种信息的交互等都实现网络化。6.基于大数据证据的教育教学决策

在美国，教育大数据为美国政府、教育管理部门、学校与教师做出合理的教育教学决策提供了可靠的证据。整体上，美国建立了严格的教育问责制度，包括利用州教育问责系统(State Accountability Systems)对各州教育发展情况进行全方位评价，借助于学区级评价系统(District-level Evaluation Systems)评价各学区、各学校的整体教育质量，并要求学校与学区要对后进生进行基于数据的支持性学习干预(Data-driven Interventions)。美国联邦政府以及各州政府基于对教育大数据的分析结果评价各州或州内学区的教育进展水平，并以此作为教育投入的依据以及教育政策制定的根据。

美国学校一般利用基于大数据的教育评价支持本校在规划学校整体发展、优化学生管理、制定教学质量改进计划等方面的教育教学决策。据统计，97%的美国中小学利用来自整个年级或整个学校的教育大数据确定学校需要提升的关键领域；分析学生的个体数据以便于分班或安排相关学习支持服务，包括了解哪些学生需要特殊支持或更多支持。47%的美国中小学通过专门的评价人员分析不同教师讲授同一教学内容或同一教师以不同教学策略讲授同一教学内容时产生的数据，评价教师的教学质量并提出教学方式变革计划。而83%的学校在利用教育大数据尤其是本校产生的大数据了解本校教师教学发展的现状与需求，并据此决策如何支持本校教师的教学发展。

学校教师可以利用教育大数据改进与优化自己的教学决策。整体上，教师可以利用大数据分析需要在何种时机对哪些学生以何种方式安排何种教学内容。教师利用本班学生产生的大数据，或同时借助与外部大数据的对比分析，可以深度评价本班学生的学习表现与学习效果，可以有效分析学生的学习偏好与个性化需求，分析学生群体的学习需求，同时也可以利用数据分析哪些学生更适合在一起进行小组学习，分析怎样分组才更合理。对于那些有学习困难的学生，通过对大数据的利用，可以分析出学生在什么环节、什么类型内容学习方面存在问题，分析哪些因素可能在影响学生的学习，这样便于给出适当的学习支持与干预。

那么，大数据从何而来？美国在教育评价的实施过程中主要依托覆盖全美的立体化教育数据网络，同时注重数据质量保障，有效地解决了教育评价“大数据从何而来”的问题。

国家级、州级(State-level)、学区级(District-level)以及校级(School-level)在内的各级各类教育数据系统(Educational Data System)均服务于教育问责体系。这些数据系统之间相互关联，数据互通，形成立体化数据网络，为美国教育评价用大数据的获取提供了基本的依托。

在国家层面，美国有由教育部与各州教育管理部门及一些企业协同创建与发展的教育数据机构EDFacts，建设了“教育数据快线(ED Data Express)”，还有美国国家教育统计中心(National Center for Education Statistics)，主要任务在于与教育部内部各机构、各州教育管理部门、各地教育机构合作提供可靠的、全国范围内的中小学生学习绩效与成果数据，分析各州报告的教育数据以整合成为联邦政府的教育数据与事实报告，为国家层面的教育规划、政策制定以及教育项目管理提供了有力的数据支持。

2005年，美国教育部启动了“州级纵向数据系统项目(The Statewide Longitudinal Data Systems(SLDS)Program)”，旨在帮助全美各州“设计、开发与利用州级纵向数据系统以便有效地、准确地管理、分析、分类处理与利用每一位学生的数据”，至今全美有47个州至少获得过一次本项目资助。

州级与学区级数据系统主要为区域性教育评价提供数据支撑，其中主要包括本州/学区学生的成长数据，教育工作人员在工作方面的安排与准备等相关数据，以及其它关于学与教条件的关键数据，比如教师人数、学生入学率、学生与学生家长及学校教职员工对于学校氛围、条件等方面的评价数据等，认为这些数据直接反映学校与学区在让学生做好毕业准备方面取得的进展情况。各州的教育数据系统基本都具有测量学生的成长(Student Growth Measures)、提供高中学习反馈报告(High School Feedback Reports)、实施学业预警(Warning Systems)的功能。学校常常利用四种类型数据系统来收集、整合教学过程数据或评价数据：一是在校学生的实时信息系统(Student Information System)，其中包括学生出勤率、人口学特征、考试成绩、选课日程等数据；二是数据软件坊(Data Warehouses)，其中保存了学校当前或历史上的学生、教职员工、财政方面的信息；三是教学或课程管理系统(Instructional or Curriculum Management Systems)，支持学校教师接入教学设计工具、课程计划模板、交流与协作工具，支持教师创建基准性评价；四是评价系统(Assessment Systems)支持快速地组织与分析基准性评价数据。7.大数据在招生方面的应用

数据挖掘是一项新兴的技术，是商业智能的重要组成部分。近年来，随着高校数据收集量的不断增加以及教育决策对量化分析结果的愈加依赖，数据挖掘在美国高校管理中的应用呈显著上升趋势。许多研究表明这项技术能帮助大学管理人员更好地分析数据，从而获取潜藏的、有用的信息和知识，最终提高决策效率。

加州大学9所分校在校长办公室的统一协调下通过“综合评审”的原则招收本科生。“综合评审”包括两个步骤：第一步是对申请学生的合格性通过多种方法进行确定；第二步是对合格学生的所有背景、特征及技能进行综合评定，并以此为标准做出录取决定。加州大学虽然保证录取所有合格的学生，但由于有的分校或专业竞争激烈，例如伯克利分校、工程专业等，因此不能保证完全按学生的报考志愿录取。在这种情况下，所有合格、但未被报考分校录取的学生，将被推荐到两所加州大学制定的分校，以确保尽可能录取每位合格的学生。另一方面，这两所分校也通过 录取这些“落榜”的学生来增加其入学人数。由于加州大学的录取审核工作是由各分校负责进行，招生的最后决定到四月初才能见分晓。这时许多学生可能同时接到其他大学的录取通知，并需要在短期内选择自己要上的大学。因此，从吸引合格学生入学的角度来说，这时再向学生推荐这两所大学为时已晚。为了提前做好这一工作，校长办公室招办在一月份申请截止日期之后就对申请学生的录取情况进行预测，并将这些合格但极有可能被拒的学生名单提供给这两所分校，供他们提前向学生宣传学校的情况，鼓励学生来这两所学校就读。校长办公室用来完成这项预测分析研究的工具就是SAS Enterprise Miner数据挖掘技术。

通过这项数据挖掘技术，加州大学可以更有效的招收合格的学生。8.大数据在学习成果评估方面的应用

随着大学教学模式由传统的“行为主义”方式向“构建主义”教学过渡，如何更有效地对学生成绩进行评估也成为广大教师和评估工作人员面临的挑战之 一。除了利用传统的考试方法对学生所学知识进行考核外，越来越多的授课教师侧重对学生的学习行为进行评价，譬如合作意识、创新精神、实践能力，等等。这些评价结果更有利于帮助学生提高学习效率，特别是应用知识的能力。但靠传统的评价方法很难有效地完成类似的评估工作，或者说评估结果的可靠性难以得到保证。近几年来，许多学者尝试利用数据挖掘技术提高评估效度。

哈佛大学的研究人员娇蒂·克拉克（Jody Clark）和克里斯·戴迪（Chris Dede）在这方面的尝试非常值得借鉴和参考。他们通过复杂的教育媒体收集丰富的与学生学习行为有关的数据，然后利用数据挖掘技术对其进行分析和研究。

评估结果的价值体现在：1）完成对学生的形成性评估，为教师及时提供信息反馈；2）完成对学生的总结性评估，以真实的实践表现为基础了解学生最终掌握知识的情况；3）根据学生的个性特征，深层了解学生的学习行为以及学习成效；4）合理评判学生合作学习和解决问题的能力；5）通过对学生的学习行为规律和学习成效之间的“路径”关系进行“挖掘”，洞察学生的学习动态。

9.衢州市柯城区依托大数据为学生“私人定制”成绩单

近年来，随着大数据成为互联网信息技术行业的流行词汇，教育逐渐被认为是大数据可以大有作为的一个重要应用领域，有人大胆地预测大数据将给教育带来革命性的变化。大数据技术允许中小学和大学分析从学生的学习行为、考试分数到职业规划等所有重要的信息。衢州市柯城区以大数据为依托，为学生“私人订制”成绩单。

2015年开始，衢州市柯城区启动教学质量诊断系统项目，采用CC教学测评系统对每个学生进行数据分析，为学生出具“学业诊断分析报告单”。“学业诊断分析报告单”基于对学生一个学期以来成绩的大数据分析，通过“单科成绩对比图”、知识点掌握情况分析表、知识点的个人掌握率和班级平均做对比表，将学生考试各科目考察的每一个知识点的掌握程度作出相应的分析，从数据中分析学生对知识点的掌握程度，对个人能力如识记能力、运用能力做出综合评价，为学生的学业作出一份细致全面的“体检诊断报告”。“学业诊断分析报告单”为学生提供了知识、能力掌握上的优势和不足信息，学生可通过分析原因，提高学习的针对性和有效性，减少重复的试题训练，进而有效减轻学习负担。教师可通过分析了解学生在知识、能力掌握方面存在的优势和缺陷信息，实施补教性教学，从而提高教学质量，促进学校教学、学生学习方式的改革和发展。10.大数据在学生扶贫方面的应用案列

西安交通大学学生处立足大学生资助工作实际，按照教育部“教育扶贫，十三五期间实现‘精准资助’”的要求，结合陕西省教育厅关于教育精准扶贫的工作思路，扎实开展了一系列“绿色通道”迎新工作：利用大数据完成学生贫困程度的精准识别，通过实地家访将绿色通道延伸到新生家中，开展“知心工程”让资助教育沁入学生心中，建立七位一体的资助系统让学生没有任何后顾之忧。西安交通大学提供给每个贫困生的，不仅是金钱的资助，更是被尊重及自信积极的人生态度。

资助大数据实现精确认定。在新生来校报到之前，通过“西安交通大学家庭经济困难学生综合认定系统”挖掘学生家庭经济困难指数，认定家庭经济困难学生情况，并以此为依据，主动引导特困新生在家中即可通过网上申请“绿色通道”并顺利入学，消除特困生家庭的后顾之忧，在此基础上与各书院共同主动开展有针对性的帮扶工作。

资助全覆盖实现精准帮扶。学校为每一位通过“绿色通道”入学的学生发放全套床上用品“爱心大礼包”，体现学校的关爱。新生入学后学校将陆续通过“奖、助、贷、补、勤、免、偿”七位一体的资助体系给予学生持续资助，确保每一位学生不会因为经济困难而影响学业。学工系统还通过“知心工程”工作体系，全面跟踪家庭经济困难学生情况，建立建全贫困生信息库。今年学校还将特别为建档立卡户新生每人发放一学期的生活费。11.希维塔斯学习”（Civitas Learning）利用大数据帮助学生提高成绩

在教育特别是在学校教育中，数据成为教学改进最为显著的指标。通常，这些数据主要是指考试成绩。当然，也可以包括入学率、出勤率、辍学率、升学率等。对于具体的课堂教学来说，数据应该是能说明教学效果的，比如学生识字的准确率、作业的正确率、多方面发展的表现率——积极参与课堂科学的举手次数，回答问题的次数、时长与正确率，师生互动的频率与时长。进一步具体来说，例如每个学生回答一个问题所用的时间是多长，不同学生在同一问题上所用时长的区别有多大，整体回答的正确率是多少，这些具体的数据经过专门的收集、分类、整理、统计、分析就成为大数据。

现在，大数据分析已经被应用到美国的公共教育中，成为教学改革的重要力量。为了顺应并推动这一趋势，美国联邦政府教育部2012年参与了一项耗资2亿美元的公共教育中的大数据计划。这一计划旨在通过运用大数据分析来改善教育。联邦教育部从财政预算中支出2500万美元，用于理解学生在个性化层面是怎样学习的。其中，“希维塔斯学习”建立了高等教育领域最大的跨学校数据库。

“希维塔斯学习”是一家专门聚焦于运用预测性分析、机器学习从而提高学生成绩的年轻公司。Civitas Learning提供了一套应用程序，学生和老师可以在其中规划自己的课程和安排。“希维塔斯学习”各种基于云的智能手机第三方应用程序（APP）都是用户友好型的，能够根据高校的需要个性化。这意味着高校能聚焦于各自不同的对象，相互不同地用这家公司的分析工具开展大数据工作。

该公司在高等教育领域建立起最大的跨校学习数据库。通过这些海量数据，能够看到学生的分数、出勤率、辍学率和保留率的主要趋势。通过使用100多万名学生的相关记录和700万个课程记录，这家公司的软件能够让用户探测性地知道导致辍学和学习成绩表现不良的警告性信号。此外，还允许用户发现那些导致无谓消耗的特定课程，并且看出哪些资源和干预是最成功的。

12.电子科大利用大数据寻找校园中最孤独的人

从硅谷到成都，大数据，这个新鲜的话题正在全球同步热传。一场关乎每个人生活、工作和思维的大变革正在悄然发生，大数据时代迎面袭来。

到底什么是大数据？大数据”是“数据化”趋势下的必然产物。数据化的核心理念是：一切都被记录，一切都被数字化。电子科大的周涛解释到，“大数据要求数据能充分发挥其外部性并通过与某些相关数据交叉融合产生远大于简单加和的巨大价值。”比如，国家电网智能电表的数据可以用于估计房屋空置率，淘宝销售数据可以用来判断经济走势，移动通讯基站定位数据可以用于优化城市交通设计，微博上的关注关系和内容信息可以利用于购物推荐和广告推送„„

他们做过一个有意义的课题——寻找校园中最孤独的人。他们从3万名在校生中，采集到了2亿多条行为数据，数据来自学生选课记录、进出图书馆、寝室，以及食堂用餐、超市购物等数据。通过对不同的校园一卡通“一前一后刷卡”的记录进行分析，可以发现一个学生在学校有多少亲密朋友，比如恋人、闺蜜。

最后，通过这个课题找到了800多个校园中最孤独的人，他们平均在校两年半时间，一个知心朋友都没有。这些人中的17%可能产生心理疾病，剩下的则可能用意志力暂时战胜了症状，但需要学校和家长重点予以关爱。

篇2：大数据在bim中的应用

近年来出现的人力短缺、工资上涨、产品交付期短和市场需求变动大等问题，使得制造业正面临新一波转型挑战。如何在控制生产成本的同时，还能提高生产力与效率，则是转型的主要目的。在这样的背景下，德国、美国等制造业发达国家无不积极推动“工业4.0”。“工业4.0”本质上是通过信息物理系统实现工厂的设备传感和控制层的数据与企业信息系统融合，使得生产大数据传到云计算数据中心进行存储、分析，形成决策并反过来指导生产[1]。大数据的作用不仅局限于此，它可以渗透到制造业的各个环节发挥作用，如产品设计、原料采购、产品制造、仓储运输、订单处理、批发经营和终端零售。大数据使得订单处理方式有了质的变化

大数据的核心作用在于预测。大数据可以快速精准地预测市场趋势和客户需求，并对客户进行细分，为其提供量身定制的合适服务。企业通过大数据的预测结果，便可以得到潜在订单的数量，然后直接进入产品的设计和制造以及后续环节[2]。即企业可以通过大数据技术，在客户下单之前进行订单处理。而传统企业通过市场调研与分析，得到粗略的客户需求量，然后开始生产加工产品，等到客户下单后，才开始订单处理。这大大延长了产品的生产周期。如海尔集团于2013年1月构建了SCRM（社交化客户关系管理）会员大数据平台。销售人员可进行大数据分析，精准预测出个体消费者的需求，实现了在客户下单之前进行订单处理。大数据使得仓储运输和批发经营不复存在

由于大数据能够精准预测出个体消费者的需求以及消费者对于产品价格的期望值，企业在产品设计制造之后，可直接派送到消费者手中。虽然此时消费者还没有下单，但是消费者最终接受产品是一个大概率事件。这使得企业不存在库存过剩的问题，也就没有必要进行仓储运输和批发经营。大数据使原料采购更加科学

大数据技术可以从数据分析中获得知识并推测趋势，可以对企业的原料采购的供求信息进行更大范围的归并、匹配，效率更高。大数据通过高度整合的方式，将相对独立的企业各部门信息汇集起来，打破了原有的信息壁垒，实现了集约化管理，可以根据轻重缓急，更加科学合理地安排企业的财政支出。其次，利用大数据的海量存储与快速数据处理功能，可以对采购的原料的附带属性（节能、节水、环保等）进行更加精细化的描述与标准认证，通过分类标签与关联分析，可以更好地评估企业采购资金的支出效果。此外，大数据能预测原材料的价格以及原材料品质的好坏。这使制造业企业更加科学地采购原材料成为可能，企业可以采购到质优价低的原材料。大数据使得产品设计制造更加优化

借助大数据技术，人们可以对原物料的品质进行监控，发现潜在问题立即做出预警，以便能及早解决问题从而维持产品品质[3]。大数据技术还能监控并预测加工设备未来的故障几率，以便让工程师即时执行最适决策。大数据技术还能应用于精准预测零件的生命周期，在需要更换的最佳时机提出建议，帮助制造业者达到品质成本双赢[3]。例如，日本汽车公司Honda将大数据分析技术应用于电动车电池上。由于电动车不像汽车或油电混合车一样，可以使用汽油作为动力来源，其唯一的动力就是电池，所以Honda希望进一步了解电池在什么情况下，绩效表现最好、使用寿命最长。Honda公司通过大数据技术，可以搜集并分析车辆在行驶中的一些资讯，如：道路状况、车主的开车行为、开车时的环境状态等，这些资讯一方面可以帮助汽车制造公司预测电池目前的寿命还剩下多长，以便即时提醒车主做更换，一方面也可以提供给研发部门，做为未来设计电池的参考。

再如BMW公司应用大数据分析，在短短的12周时间内降低80%的零件报废率。一台汽车需要的零件有很多种，其中一个是与引擎结合的引擎上盖。以前，BMW要等到最终引擎组装阶段，将引擎上盖组装完成后才知道到这个零件能否使用，如果不能使用就只好将整个引擎报废。而通过大数据技术，BMW公司在引擎生产线上可以做即时的检测与分析，倘若品管没有问题则直接进到最后的组装程序，但若零件品质不好且无法修补则直接报废，或者零件品质不好但能经过其他方式修补，则在修补后再度进行品管测试，借此提高生产效率并降低报废率。大数据使得终端零售畅通无阻

通过大数据技术，企业可以了解整个供应链中需求和供应的变化，从而促进了产品的终端零售。如沃尔玛的零售链平台提供的大数据工具，将每家店的卖货和库存情况大数据成果向各公司相关部门和每个供应商定期分享。供应商可以实现提前自动补货，这不仅减少门店断货的现象，而且大规模减少了沃尔玛整体供应链的总库存水平，提高了整个供应链条和零售生态系统的投入回报率，创造了非常好的商业价值。

篇3：大数据在bim中的应用

建筑信息模型(BIM-building information modeling)对于数据中心而言,应用该技术可实现如下目标:

1)项目设计、建造、运营过程中的沟通、讨论、决策都在三维可视化的状态下进行;

2)可建立建筑、结构、机电模型,进行协调作业,清晰地表示各专业的模型以及局部相对关系,可以较直观地同步调整设备管线位置、高度,对较隐蔽的碰撞则可进行管线综合分析以及碰撞报告分析;

3)对方案、特殊工艺设计、施工工艺优化;

4)施工进度保障;

5)与定额预算软件的对接;

6)项目整体造价控制。

运用BIM协同设计平台体系可实现数据中心项目的全生命周期阶段贯彻协同设计、绿色设计和可持续设计理念。

所以,大型数据中心建设迫切需要运用BIM技术来实现数据中心全寿命周期的绿色节能。

2 BIM在某数据中心的全生命周期应用

2.1业主基于BIM的管理模式(见图1)

2.2 BIM技术在项目准备和启动阶段的咨询流程(见图2、图3)

2.3 BIM技术在项目设计阶段的应用

在施工图设计阶段运用BIM技术的流程(见图4)。

运用BIM技术可实现优化管线排布、机房层高、走道净高等功能。

此项目机房发热量较大,对空调需求量很高,空调主管道直径较大,制冷机房管线复杂,通过BIM设计,对制冷机房进行三维模型的搭建,管线的优化,将原本方案机房净高9500mm,调整至净高8700mm,释放了800mm的层高,优化了建筑方案(见图5)。

未处理时管线碰撞图(见图6):

处理过管线碰撞后的图(见图7):

运用BIM协同设计平台体系加强了设计信息、专业交互,保证信息传递与交换的正确性、完整性、及时性,减少错漏碰缺和设计重复,提高了设计质量和效率,实现在项目的全生命周期阶段贯彻协同设计、绿色设计和可持续设计理念。未处理时管线碰撞图(见图6),处理过管线碰撞后的图(见图7)。

BIM化的设计摆脱了二维CAD图纸表达的局限性,将各个专业整合到统一的3D可视模型中,提供设计者与甲方更加直观的体验,为设计人员提供多专业信息共享的三维可视化平台。

3 BIM技术与RFID、物联网、云计算的结合在数据中心的应用

3.1 BIM与RFID技术结合

如今,急需一种标准的数据模型来作为计算机辅助设计、规划、建设以及维护的基础。建筑信息模型(BIM)是用来创建、共享、交换和管理整个生命周期的信息以及解决互操作性和信息集成相关问题的一种新兴方法,也是设施的物理和功能特性的数字化表示。由Building SMART联盟(BSA)开发的IFC(industry foundation classes)标准日趋成熟且作为BIM的数据模型标准,使得BIM成为支持和完善建筑生命周期各阶段互操作性的标准模型。IFC虽然是一个面向对象的数据结构模型,但是,模拟与建筑行业相关的所有情况是不可能的,也是非常复杂的。

如果在资产上永久附加RFID标签,那么标签内存将记录来自标准BIM数据库中的组件生命周期积累的信息。此信息强调了整个生命周期中不同的阶段,借此可以向技术人员提供资产维护指导。此外,拥有RFID标签的资产也可以为用户提供该设备的位置信息,BIM到RFID标签的数据关系见图8。

3.2 BIM与DCIM技术结合

近年来,互联网企业高速扩张,企业计算平台更多转向云架构,云计算技术得到广泛认可,信息处理的工业化规模效应十分明显。数据中心基础设施作为承载信息系统运行的物理环境,其规模也越来越大,已经由过去一个建筑内部的特定功能区域升华成一种独立的、专业的新型工业建筑。如何建设并运营一个高效的数据中心,并使基础设施的性能与生产要求相适应是目前数据中心正常运行的重大挑战。

数据中心基础设施管理DCIM(data center infrastructure management)是近年来在数据中心运营管理领域兴起的热点,是通过一整套包含硬件设施、传感器和特定软件组成的管理平台与工具,实现数据中心所有关联系统协调统一管理,包括IT基础设施(服务器、存储、网络、虚拟机)和场地基础设施(配电、制冷、布线、机柜),对数据中心的容量规划、集中监控、智能管理、事故处置、模型预测、成本控制等目标进行管理,是信息技术和设施管理的综合集成。数据中心基础设施DCIM平台总体架构(见图9)。

将BIM技术和DCIM基础设施管理平台有机结合,以3D可视手段帮助梳理数据中心日益密集的电气管道与网络线路,让管理与技术人员从平面的图纸及网络跳线表中解脱出来,更加直观地了解数据中心的管线分布及走线情况,更加快速排查及修复管线类故障,提高管线管理水平和故障解决效率;更加直观地指导数据中心全生命周期管理,提高运维人员的管理效率,实现绿色节能。

3.3 BIM与物联网、云计算技术结合应用

通过BIM技术与物联网、大数据、云计算技术的结合应用,可实现数据中心实施过程的完全可视化,并可与施工进度表无缝对接,所有管线可按颜色进行区分,实现施工进度的完全管控,真正实现数据中心的智慧管理。进度控制(见图10),结构分解图示例整体效果图示例(见图11)。

运用BIM技术和物联网等技术结合,可实现虚拟3D和实景视频相结合的可视化管理;自动预警,准确定位,远程监控,运营决策支持。综合性远程信息监控管理系统(见图12)。

另外,还可以实现数据中心内所有设备,如冷水机组、水泵等设备的额定参数与实测参数的直观对比,使得运维人员完全掌控设备的运营情况。

4 BIM技术在数据中心的应用发展展望

国家“十三五”规划全文15次提到“网络”、19次提到“信息”,首次把“网络强国战略”、“大数据战略”上升为国家战略,“信息化”地位进一步提升,这将对未来数据中心宏观发展产生深远影响。

数据中心作为互联网行业的基础设施,承载着互联网的所有数据,其地位相当于互联网行业的“心脏”,互联网行业的发展离不开数据中心作为基础设施的支撑。

未来绿色数据中心管理将是基于云平台架构的顶层设计架构管理模式,实现应用软件定义数据中心,采用大数据、云计算技术通过统一的硬件和软件平台对IT关键设备和基础设施进行综合管理,将数据中心IT关键设备和基础设施所有关联系统的信息与管理进行整合,最终实现监控云、管理云、服务云的资源全面整合,根本上解决目前数据中心管理系统信息孤岛、资源浪费、使用率低等问题,实现未来平滑地增加管理模块的建设目标,确保客户价值最大化。

BIM技术和CFD气流模拟、DCIM基础设施统一管理平台将大大提升数据中心的全生命周期管理水平,提高数据中心运维人员的管理效率,实现真正意义上的绿色数据中心。

参考文献

[1]谢秉正主编,陆伟良总编,中国智慧城市建设纵论[M].南京:江苏科学技术出版社,2013.

[2]罗志刚,罗小平.BIM技术在超大型数据中心项目设计中的应用[J].现代建筑电气,2015,6(9):30-34.

[3]苗雪,张杰等.BIM技术在数据中心全生命周期中的应用[J].智能建筑与城市信息,2015.

篇4：大数据在农业中的应用

想与老朋友联系？有应用程序。想记录健身目标？有应用程序。想让农场更具有可持续性？当然，也有应用程序！在技术驱动的世界中，农民、科学家和农业经济学家正在利用大数据的研究来保持领先地位。

几前年，美国农场局（American Farm Bureau）的几名成员说，数据根本就不会出现在他们的议事日程上。但是在今天，数据却频频出现在PowerPoint幻灯片、各种谈话，以及问答大会中。2014年11月30日，Quentin Hardy在《纽约时报》上发表的文章《在土地和数据中工作（Working the Land and the Data）》中指出，今天如果想要在农业中取得成功，就不要只想着把时间花在田间地头，相反，应该花在电脑屏幕上。

预计到2050年，世界人口将达到90亿。为此，全球粮食产量必须增加70%，才能够养活这个世界。同时，随着新兴经济体生活水平的提高，对肉类的需求也会增加，这就需要更大量的土地来提供动物饲料。然而，全球的耕作用地总量是有限的，因此要怎样养活这些人口对农民而言无疑是巨大的负担。2014年3月，在联合国政府间气候变化专门委员会（IPCC）发布的一系列报告中，粮食安全成为一个倍受关注的领域。

许多农场技术专家认为，大数据这项新技术来得正当时。通过大数据分析与研究，农民能够预测最佳播种时间、用什么类型的种子以及在哪里种植，以提高产量、降低运营成本，并尽量减少对环境的影响。未来的粮食安全依赖于强健且适应性强的植物与动物性作物的生产及发展，因此让大数据这个沉睡的巨人充分发挥在农业中的潜力就变得至关重要，也刻不容缓。

大数据在农业中的作用概览

农民熟知自己的每英亩土地，从作物每一寸的生长，到可能破坏作物的虫害，再到风、雨、雪、霜、热和灰尘。可以说，农民对所有这一切对土地的影响了如指掌。但毕竟，他的能力是有限的。很多时候，农民没有足够的人力或资本来利用他所收集的数据来做事情。在近几十年的高科技热潮中，农业世界已经悄然引入了数据聚合技术。比如在农用机械中整合内置的数据系统，在谷仓或联合收割机中启用无线网络，而一些大型农场开始使用软件来管理业务。

生产是农业产业中最最重要的词。据统计，在过去的将近70年间，美国的农业产量增加了一倍多，平均每年大约增长1.5%。但是，这还远远不够，因为在每个农民的脑海中，或者是每个农业产业人的脑海中，都会时刻想着如何养活在2050年将会高达90亿的人口。可耕地的减少和管理法规要求的增加，都迫使农民要“少花钱多办事”，使用更少的化学品，并采用非常精确的施肥方式，从而取得更高的产量。这也正是为什么杂交种子会有吸引力，为什么大农业公司会取得胜利，为什么在新的水平上追踪数据具有革命性意义的原因。随着全球人口的增加，天气波动性的增长，以及依赖石油的农业对化石燃料的价格越来越敏感，必然会激励更多地利用新技术来提高作物产量，并管理风险。围绕着基因组学、生物信息学以计算生物学的研究活动都已经取得了重大进展，使得科学家和组织能够更好地养活全世界，并提高食品和动物作物的质量。这些研究都涉及宠大的数据集和计算分析。那么，在这样一个生态系统中，大数据的作用是什么？

首先，也是最重要的，农民需要测量和了解数量巨大、种类多样的数据所能带来的影响，因为这些数据驱动着他们的耕地的整体质量与产量。这些数据包括当地的天气数据、GPS数据、土壤细节、种子、化肥和作物保护剂规格等等。充分利用这些数据运行长期和短期模拟，以应对气候变化、市场需求或其他参数造成的“事件”，对要实现利润最大化农民而言不可或缺。同时，从监管的角度来看，在整个供应链跟踪并追溯产品，或是实行原产国标签，无疑是额外的大数据挑战。

其次，种子、植物保护剂和肥料的供应商需要接收所有的这些数据，将其放入统一的模型中，并使用专用算法，以便向农民提供尽可能最好的解决方案和服务。

再次，农业机械制造商是整个价值链的另一个重要组成部分。他们不仅需要确保其资产能在最低成本保持最长的正常运行时间，还要支持移动数据采集（如土壤样本、水分监视器和传感器、田间作物的颜色、生长速率、天气破坏、营养水平、农作物品种等），并能让这些信息在价值链内被实时获取，以进行进一步的处理。

除了农民、农业企业、供应商和农业机械制造商以外，气象站和实验室、贸易商和行业合作伙伴、技术和解决方案提供商等也是这个日益复杂的生态系统的一部分，他们对来自无数信息源的大数据也有巨大的需求。这就需要向农业供应网络中的所有利益相关者提供一个独立的、以大数据为手段的、值得信赖并且安全的平台，让他们在支持精准农业的概念时，能够互惠互利地放置、分享和交换数据。同时，这一平台应该简化并协调农民和与其有共同最终目标的各个利益相关者之间的合作，不断推动产量提高，并可持续地养活世界上不断增长的人口。

使用现代化的机器，就意味着很难摆脱大数据。可以说，数据科学是农业新的推动力。在农业支出中，大约有2/3是侧重于做出选种、繁殖和土地使用权的决策。而有大量的数据会影响这些决策。现在新的数据采集技术，比如航空影像等，具有很高的价值。对农民来说，考虑使用他们收集的对自己有利的信息非常重要。

大数据应用——精准农业

大数据在农业中应用最普遍的领域之一就是精准农业。通过对气候、土壤和空气质量、作物成熟度，甚至是设备和劳动力的成本及可用性方面的实时数据收集，预测分析可以用来做出更明智的决策，而这就是所谓的精准农业。在精准农业中，控制中心实时收集并处理数据，来帮助农民在播种、施肥和收割作物等方面做出最明智的决策。遍布田间的传感器用于测量土壤和周围空气的温度与湿度。此外，卫星图像和无人机会被用来拍摄田地的照片。随着时间的推移，图像会显示作物成熟，加上对未来48小时的精准天气预测模型，就可以建立模型并进行模拟，从而预测未来的情况，并帮助农民做出前瞻性的决策。

nlc202309051254

农民无法创建土地，甚至他们在不断地失去耕地，因此他们必须最大限度地发挥耕地的潜力，而精准农业能让农民更高效。最近一份对种植大豆的农民的调查数据显示，精准农业可以得到快速回报——种子、肥料和化学品的使用节省高达15%。另一份出自美国国务院高级科学顾问Raj Khosla教授的研究表明，仅使用一种类型的精密技术，农民就可以将产量增加16%，而同时将用水量减少50%。如果足够重视精密技术，并加以合适地利用，精准农业将让农民有机会加倍其产出，从而养活90亿人，并改变社会对农业这一产业的认知。

大数据遍布于农业生产的整个价值链，也就意味着，几乎在这一价值链的每一个环节，都有精准农业的概念。仅仅天气一项，就足以为例。

为了能够以最佳方式种植农作物，农民需要通过数据了解在某一特定的区域如何培养这些作物，为此需要考虑种子对天气和当地疾病的耐性，同时还要考虑种植的种子对环境产生的影响。例如，在河附近的田地种植，最好就选用需要较少肥料的种子，从而减少污染。

一旦种子已经种下，围绕着施肥和维持作物的各种决策都对时间非常敏感，并且很大程度上受天气的影响。如果农民知道第二天会有大雨，他们可能会决定今天不施肥，因为肥料将会被冲走。知道是否即将下雨也可能会影响何时灌溉。由于全世界有70%的淡水资源被用于农业，能够更好地管理农业用水将会对全球淡水供应产生巨大的影响。

天气不仅影响作物如何生长，而且会影响围绕作物收割和运输的物流。例如当收割甘蔗的时候，就需要土壤足够干燥，从而可以支持收割设备的重量。如果土壤潮湿，设备就可能会破坏农作物。通过数据了解未来几天的天气情况，以及哪些区域会受到影响，就可能提前做出更好的关于工人部署的决策。

作物收获之后，将其运输到配送中心的物流至关重要。大量的食物浪费发生在分配环节，因此尽快在合适的温度下运输食物很重要。而天气也可能会对此造成影响。比如如果很多道路是泥土路的话，大雨就会导致卡车陷入泥中。通过了解哪里会下雨，有哪条路可能会受到影响，公司就可以更好地选择出运输食物的最佳路线。

随着全球食品供应链需求的日益增加，以可持续发展的方式实现农业资源最大化至关重要。因此，大数据带动的精准农业也势必继续持续发展。同时，由于属于高科技的工作，因此相比于传统农业，精准农业更能够吸引年轻人的到来，这无疑增加了农业在整个社会价值链中的活力。

面对大数据，大型农业公司的反应

现在，当有人提到农业时经常会想到的是什么？是孟山都公司（Monsanto）。虽然该公司已经被妖魔化为企业贪婪和罪恶的代表，但也正是它使得农业产业发生了革命性的改变。成立于1901年的孟山都公司最初是销售DDT、牛激素、多氯联苯（PCB）和阿斯巴甜的化学公司。从20世纪80年代起，孟山都公司开始购买种子企业并投资于生物技术研究，战略性地过渡成为一家农业公司。孟山都公司早在公众认识到之前就看到了农业的长期机会，并投注于此。该公司认为，农业大数据是个价值数十亿美元的投资，而其在2012年5月到2014年2月间收购的几家农场数据分析公司也验证了这一点。

2012年初，孟山都公司收购了精密播种（Precision Planting）公司，该公司生产的硬件和软件能够在田间播种空间、深度以及根系方面向农民提供帮助。2013年10月，孟山都公司以9.3亿美金收购了农业数据科学的最大的公司之一，即位于旧金山的气象数据分析公司——气候集团（Climate Corporation），标志着要转向数据与生物技术解决方案的整合。而金融时报（Financial Times）报道说，孟山都公司的这一收购行动标志着首宗重大的“大数据”收购顺利完成。随后，在2014年2月，气候集团买下了总部设在旧金山的土壤测试服务公司Solum。而孟山都公司的主要软件产品FieldScripts适用于所有的这些系统，以确定土壤的生产力和产量。

孟山都公司的总裁兼首席运营官Brett Begemann说，随着数据存储越来越便宜，并且能够更容易地从一个平台转移到另一个平台，他们预计精准农业将继续快速增长，而目前该公司还仅仅是开始探索使用这些工具能够为农民所创造的价值。孟山都公司估计称，在种植方面的建议有可能每年让全球作物产量增加值达200亿美元。

几乎所有的大型农业公司都纷纷向农业大数据投钱。杜邦先锋（Dupont Pioneer）使用精准农业技术已经有相当长的时间了，并且最近加大了其服务。在孟山都公司收购气候集团之后，杜邦公司（Du Pont）和迪尔公司（Deere）都与其他公司合作，推动自己进军农业数据科学。目前，Deere的FarmSight、孟山都公司（Monsanto）的FieldScripts和先锋公司（Pioneer）的Field360都是被广泛使用的农业大数据系统，所有这些系统都与气候云（Climate cloud）相结合，它们可以让农民收集来自机械化农场设备的种植和产量数据并将这些信息输入数据库，当与多个来源的匿名数据整合后，能够得出详细的对策。或许，这将有机会彻底改变农业，它使农民与公司之前的事务更加透明，并有助于农业的成功。

大数据在农业中应用的具体案例

MySmartFarm 农民都不可避免地要使用数据，有机农业运营更需要采集大量的耕作数据。MySmartFarm的创始人兼首席执行官Wolfgang van Loeper正在利用大数据来改造农业。MySmartFarm致力于为农民创造一种环境，让他们的耕种更适应自然，即更多地利用大自然的技巧，用更低的成本收获庄稼，并让作物含有更多的重要的天然植物营养素，这些营养素在经过大量化学处理的农产品中含量很少。

MySmartFarm是个SaaS系统，它将收集到的数据与预测数据相结合，帮助农民对预测或趋势做出反应。通过MySmartFarm系统，农民能够拥有他所有的数据，包括收获、施肥、实验室、天气、疾病，以及来自当地土壤或叶片水分和卫星传感器的传感器数据，同时还能有重要的映射和地理信息系统数据。MySmartFarm将所有这些数据与气候数据相结合，并产生新的情报。将其加入农民自身完整的安全存储的数据中，农民可以得出一个非常方便的管理仪表板，指明面对众多的参数时，要做出快速而高效的决策，最重要的是什么，从而更及时地采取行动。

篇5：大数据技术在精准营销中的应用

大数据时代，数据已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。对于海量数据数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来。回顾近两年对大数据的探索历程，某基础运营商一方面顺应大势，牢牢把握大数据技术快速发展的机遇，另一方面应势而动，充分释放前期IT集中化、一体化的红利，鉴定推进数据集中。先后经历了数据集中采集的积淀、初试大数据平台、传统数据库与sefve(四方传媒)获客云混搭架构的大数据平台创建，以及目前朝开放式大数据服务平台迈进四个阶段。

sefve获客云拥有着精准化营销与维系系统，依托大数据精准定位支撑端到端多维度系体系，构建在大数据平台之上，面向客户、面向服务、面向管理，深化数据分析、数据挖掘能力、洞察客户、透视企业，是将大数据转化为实际生产力的重要云化应用之一。

大数据技术架构

MPP数据库

MPP（Massively Parallel Processing，大规模并行处理系统）由多个SMP（SymmetricMultiProcessing，对称多处理系统）服务器通过一定的节点互联网络进行连接，协同工作，完成相同的任务，从用户的角度看它是一个服务器系统。其基本特征是由多个SMP服务器（每个SMP服务器称为一个节点）通过节点互联网络连接而成，每个节点只访问自己的本地资源（内存、存储等），节点之间的信息交互是通过节点互联网络实现的。目前的技术可实现512个节点互联。MMP数据库有以下特点。

①一般存储为结构化数据，有明显的星型或雪花型结构，适用于大数据分析的应用；

②每个服务器都有自己独立的存储、内存和CPU，允许动态地增加或删除节点； ③数据分区划分到不同的物理节点上，通过分布式查询优化来提高系统整体性能；

④主要用在数据仓库和大规模的分析处理应用中。ETL技术

ETL是指将数据从源端经过抽取（Extract）、转换（Transform）、加载（Load）至目的端的过程，该部分在数据挖掘和分析过程中为最基础的一部分。一个良好的ETL系统应该有以下几个功能。①消除数据错误并纠正缺失数据；

②对于数据可信度的评估提供文档化衡量； ③获取相互作用的数据流程来保护数据； ④整合多个源数据；

篇6：大数据在选题策划中的应用策划书

出版企业可利用的大数据的具体形式

对于“大数据”（Big Data），研究机构Gartner给出了这样的定义：“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。举个例子，1分钟的时间内，新浪发送2万条微博，苹果下载4.7万次应用，淘宝卖出6万件商品，人人网发生30万次访问，百度产生90万次搜索查询。由此可见，数据规模的急剧膨胀，各行业累积的数据量越来越巨大，数据类型也越来越多、越来越复杂，已经超越了传统数据管理系统、处理模式的能力范围，于是“大数据”这样一个“无穷大”的概念才会应运而生。大数据的特点可以被归纳为：数量巨大、类型多样、实时快速、价值高但密度低。正式基于这样的特点，出版企业可以结合产业的优势对大数据进行充分的挖掘和利用。

（1）Web文本挖掘。大数据的核心是挖掘庞大数据库的独有价值。面对因为网络的飞速发展而带来的信息膨胀，尤其是以半结构化或非结构化为主的文本信息，人们迫切需要研究出方便有效的工具去从中提取符合需要的“简洁的”“精炼的”“可理解的”知识，Web文本挖掘技术由此产生。而利用Web文本挖掘发现大数据的价值也成为可能。

文本挖掘是近几年来数据挖掘领域的一个新兴分支。文本挖掘也称为文本数据库中的知识发现，是从大量文本的集合或语料库中抽取事先未知的“可理解的”有潜在实用价值的模式和知识。而随着网络技术的飞速发展，特别是Web应用的不断普及，网络信息急剧增加，信息类型也越来越复杂。如何从这些大量自由、非结构化或半结构化的信息中获得所需求的知识，传统的数据挖掘技术已不适用，解决问题的一个途径就是将传统的文本挖掘技术和Web综合起来，进行Web文本挖掘。Web文本挖掘就是以万维网上的数据为分析对象，以抽取有用知识为目标，把传统文本挖掘技术和万维网相结合的研究技术。

（2）出版企业可利用的Web文本数据。网络上图书评论的数量极为庞大，有些畅销书可能包含成千上万的评论，借助Web文本挖掘技术能自动地对图书评论进行分析和处理，挖掘出有用的信息。通过对图书在线评论的挖掘管理，出版企业可以用较低的成本收集、整理读者对于各类图书的关注兴趣和欣赏特点，同时也可以获得畅销图书迎合市场需求的关键因素。在此过程中，企业获得了知识资源，同时培育了持续的竞争优势。因此，可以将各大图书销售网站的读者评论作为出版企业可利用的大数据分析的首要来源。

篇7：大数据在bim中的应用

一、环境监测在环境保护中起到的重要作用

（一）环境监测为环境保护工作指明方向

环境保护的任务非常繁重，因为它涉及的范围很广，如水污染、大气污染、土壤污染、噪声污染等。环保部门需要面对辖区内全面性的环境保护工作，点多面广，通常对环境污染的控制工作也只是提供一个临时性、应急性的解决方案，大多会经历“污染-治理-改善-再污染-再治理”的反复性阶段，才逐步改进辖区环境质量。所以，总是在严重污染的情况下开展的环境保护突击治理是非常不明智的、不合理的，也不是环境保护的治本之策，环保部门必须采用更科学的治理措施。在这个大背景下，环境监测将能够发挥重大作用，它可以提供辖区环境质量的现状数据，使环保部门做更少的工作，找到一个更科学、合理的环境污染控制的方向。环境监测系统将收集在全国各地，如大气、水、土壤和其他自然环境污染，收集后的数据进行统一分析。这个环境的污染，环保部门可以通过环境监测系统检查全国各地，有利于环境保护部门更直接地发现彼此之间是否存在相关性的环境污染，并为下一步环保工作指明了方向。

（二）环境监测为环保标准的制定提供依据

环保部门的工作也需要有相应的参照标准，确定是否在大气、土壤、水环境保护工作中有参考性和对比性，能了解当前的环境质量现状是否符合环境质量标准要求。如果发现污染的情况，还需要使用标准来衡量环境污染程度。因此，核定环境标准非常重要，环境监测系统的使用可以提供明确当前环境质量的环现状标。当环保部门开展环境监测工作，需要在自然环境中不同点位、不同时期采集各种数据，对这些数据进行比较分析，以了解不同的地方在同一时期、不同时期当地自然环境的污染或污染的情况。这些数据可以对中国的环境污染状况反应良好，环境标准的制定提供数据支持。

二、环境监测在环境保护中的应用

（一）对环境监测的技术进行创新

随着环境污染问题日益突出，中国的环境保护工作形势也越来越复杂，工作要求越来越高。为确保环境监测系统能在环境保护工作中发挥更大更积极的作用，必须尽快对传统的环境监测技术实施改革。例如，根据污染源的监测情况，环境监测技术部门应研究如何更有效地解决水污染问题，能更深入的分析固体废物污染、颗粒物污染、噪声污染、电磁污染等不同污染源，帮助环境保护部门从污染源方面解决污染问题。

（二）完善环境监测预警系统一个在造成中国环境污染的重要原因，是越来越多的不能检测的指标和治理环境问题的出现，与环境监测预警系统建设能力不足，难以及时发现环境污染问题。因此，我国亟待提高环境监测和预警系统，从人员和技术2个方面完善预警系统。一是要明确各岗位岗位人员的具体职责，运用严格的岗位考核机制，使全体员工能够严肃严谨地开展工作。二是要采取有效的环境监测手段，找出环境问题，制定科学的治理方案。三是要提高环境监测预警系统响应速度，做到来之能战、战之能胜。

（三）建立国家级的监测网络

环境污染治理是我国的一项重要任务，建立国家环境监测网可以使我国的环境监测工作更加全面。第一，国家监测网络可分析自然环境的各种元素，建立全方位无缝隙的监测网络，如空气，噪音，地下水，地表水，土壤等。第二，环境监测网络需要分为不同的层次，可参照网格化环境监管工作的模式，设立省、市、县、乡镇等。第三，监控数据要实现在线传输、排序、分析等功能。这对我国了解当前环境污染问题有很大帮助，也能更好地解决当地污染控制措施的现状。

（四）创建符合我国国情的环境监测技术管理体系

针对以上问题，中国的环境监测管理体系必须立足现实，从实际情况出发，在科学发展规律的基础上，保证技术的使用和配置的标准化。因此，除了加强环境监测技术管理工作，也必须对设备性能监测技术及时校对，确保每个设备是最好的工作状态，进而提高监测数据的准确性，避免数据错误，提高监测效果。同时，有必要对监测工作的技术实力进行分析，根据实际情况制定相应的方案，提高技术分析的准确性。此外，严格按照国家有关标准制定管理制度，同时注重监测结果也要充分考虑到国家的整体发展，这是确保科学成果的条件之一。

（五）加强对环境监测技术设备的高效管理

环境监测设备的重要性无需强调，只有更先进的设备，才能确保监测数据的准确性。工作人员必须有清醒的认识，坚持观点，明确设备管理的方向，提高人性化和科学的监测设备管理。同时，根据具体情况合理配置技术资源，实现优化配置，减少闲置，避免资源浪费。此外，最关键的是要加强设备采购管理，严格落实审计要求，配备专业的检测和维修人员，提高设备使用效果的使用性能，延长使用寿命的发展，以促进环境监测技术的工作。

（六）制定合理的人才培养计划

篇8：大数据在bim中的应用

本工程为中国移动甘肃公司云计算数据中心工程, 工程位于兰州秦王川新区纬一路, 东临经十三支路。项目总用地面积约79 173.33 m2, 其中南北向长度约312 m, 东西向长度约252 m, 建设场地高差较大, 最高点与最低点相差9 m。该项目依据地势布置室外综合管廊及室外通信管沟;室外给水管、室外消火栓加压管、自动喷洒加压管、水喷雾加压管、锅炉供水管、锅炉回水管、采暖供水管、采暖回水管和桥架布设在综合管廊中;雨水管、污水管部分采用直埋;综合管廊中布设的管线依据管廊走势布置, 管线落差较大, 管线交叉点较多。该项目配套工程包括电源、水冷式空调、气体灭火消防、电气配电照明、消防报警、智能化、机房工艺、通风等多项配套工程, 各种管线、风管、支架相对较多, 项目在通信机房过道区域采用综合吊支架系统。

2 BIM技术在综合管廊中的应用

本项目中室外综合管廊土建部分由6条管廊组成, 分布在园区内。管网包括雨水管、污水管、室外给水管、室外消火栓加压管、自动喷洒加压管、水喷雾加压管、锅炉供水管、锅炉回水管、采暖供水管、采暖回水管。管道公称直径:50, 65, 80, 100, 150, 200, 300;标高-1 200~覆土层下700。室外综合管廊总体平面图如图1所示, 室外综合管廊内部剖面图如图2所示。

为充分利用室外综合管廊空间, 解决施工图纸问题较多、管网互相打架等问题, 项目团队通过BIM技术对各主要节点, 尤其是管线交汇处、存在高差的节点等进行BIM排版优化, 使得管线布设更加合理、美观, 排版图纸及实际施工效果详见图3~图8, 其中图6, 图7为优化了管线垂直方向布设后的排版图, 图8为排版图纸及实际施工过程图对比。

通过BIM技术的应用, 及时解决了设计中存在的各项问题, 提高了项目施工的质量, 保障了工期, 避免了返工, 节约了建设成本。同时通过BIM技术的实施, 实现了可视化的技术交底, 并且通过BIM模型的建立、及时更新, 完成了室外综合管廊电子竣工图纸, 且该竣工图能保证与现场实际一致, 避免目前存在的竣工图纸与实际现状不一致的尴尬局面, 为后期项目建成后的运维管理提供了可靠的数据模型。

3 BIM技术在综合吊支架系统中的应用

本项目综合吊支架系统布设在轴、?轴、 (3) 轴、 (7) 轴、 (12) 轴、 (16) 轴走廊中, 综合吊支架中需布设包括强电桥架、弱电桥架、智能化桥架、消防电气桥架、消火栓管、冷冻水管、喷淋管、排水管、加湿管、通风管等。管线多, 管廊空间小, 管线占用空间大是本项目的主要特点, 利用BIM技术解决管线合理布设是本项目的重点。

1) 如图9所示为数据中心机房综合吊支架系统总平面图, 从图中可以看出, 本项目中有10个节点是建模和施工的难点, 轴和?轴分别分布了5个节点, 这些节点处管线容易相互碰撞。

4 BIM技术在云计算数据中心中的其他应用

本文描述的BIM技术在综合管廊及在综合吊支架系统中的应用, 重点侧重于机电专业碰撞检测、优化排版等最基本内容, 这些只是BIM技术在复杂项目中的局部应用。目前该项目正在建设实施过程中, 我们将结合项目实际, 重点从以下几个方面继续开展后续BIM使用:

1) 根据项目进展情况, 将数据中心机房内部IDC机房内的机架及相应的托管单位信息纳入BIM模型信息, 实施动态管理。

2) 结合项目施工情况, 完善整个项目的BIM模型, 完成符合实际的准确电子竣工图纸, 为后续运维管理作准备。

3) 根据项目进展情况, 将通信工程综合管理平台与BIM模型有机结合, 实现项目投产后的综合运维管理。

5 结论和展望

本文以中国移动甘肃公司云计算数据中心工程为例, 介绍了BIM技术在云计算数据中心室外综合管廊、过道综合吊支架系统等重点部位的应用, 同时展望了后续BIM使用相关内容, 对使用效果进行了分析, 通过结果分析可以得到以下结论和启示:

1) BIM技术对综合管线较多的云计算数据中心综合管廊建设、综合吊支架系统等工程具有较好的实用价值。

2) BIM技术的实施, 实现了可视化的技术交底, 提高了劳动生产率, 降低了损失浪费, 提高了投资效益, 完成了符合现场实际的准确电子竣工图纸, 为后期项目建成后的运维管理提供了可靠的数据模型。

3) 根据项目进展情况, 修订完善BIM模型信息, 结合BIM技术目前发展状况, 积极推进工程项目全生命周期的BIM应用, 将BIM技术与云计算、GIS、物联网等相关技术结合, 实现BIM与企业管理系统的一体化集成应用, 为运营商动态资源管理系统、IDC运营等作贡献。

摘要：以中国移动甘肃公司某云计算数据中心工程为背景, 从室外综合管廊、过道综合吊支架系统等方面, 介绍了BIM技术在云计算数据中心中的应用, 工程应用效果表明, BIM技术实现了可视化技术交底、提高了劳动效率, 为项目后期的运营管理提供了可靠的数据模型。