第一篇：2015年大數據發展情況調研報告

2015年大數據發展情況調研報告

2015年大數據發展情況調研報告

一、發展現狀

（一）電子政務建設成效明顯。我盟電子政務建設一直居于全國前列，電子政務專網上接自治區政府專網，帶寬為155m，備用線路帶寬為20m；向下已延 伸至各旗縣市區政府，帶寬為100m，主要用于開展公文交換、會務管理、應急管理、政法法制、政務信息和督查以及各部門業務等應用。2003年，xxxx 政務門戶網站上線運營。2005年全國首家蒙文政府網站——xxxx蒙文政務門戶網站正式開通。2007年，我盟對盟、旗縣市（區）、蘇木（鄉鎮）三級黨 委、人大、政府、政協機關，盟、旗縣市（區）兩級黨委、政府直屬部門及盟、旗兩級部分事業進行了集中建站，建立起了全盟三級政府網站群體系架構，政務網站 群實現了全覆蓋。目前全盟納入普查范圍的各類政府網站共計519個。建立了盟、旗縣市（區）、蘇木（鄉鎮）、嘎查村“四級聯動”行政審批服務體系，并全面 開展電子效能監察工作，對進入盟旗兩級政務服務中心的行政審批項目，全部實行了實時監察監控。

（二）社會管理領域取得實質性進展。建立智能在線全員人口信息綜合業務應用平臺，將全盟117.91萬人口信息數據全部錄入全員人口信息數據庫，實現 了全盟全員人口信息數據基本的全覆蓋。建設“平安錫盟”社會治理數字化工程，以建設“三網三平臺一張圖”為基礎，分別將社會公共監控資源、視頻專網監控資 源、公安內網視頻監控資源進行整合，實現了社會治理事前預防控制、事中指揮調度以及事后研判應用。

xx浩特市積極推進網格化管理,將城區內45個社區合理劃分為180個網格單元，以網格為單位進行社會管理和服務。整合“戶籍、住房、計生、就業、社 保、民政、黨建、司法、流動人口”等各類基礎信息，構建全市人口基礎信息系統，初步實現人口信息從靜態管控到動態管控，從單一管理到綜合管理利用。xx浩 特數字城市指揮中心利用地理信息系統、全球定位系統以及遙感技術等手段，建立起統一的城市數字化信息共享、協調處置、監督實施的指揮平臺。通過群眾撥打12319服務熱線、網上舉報等渠道，受理園林綠化、環境保護、環境衛生、市容市貌、給水排水、私搭亂建、公共設施、集中供熱、交通治安、戶外廣告、市場 建設等城市管理的多方面問題，共涉及錫市規劃局、住建局、環保局、公安局、城管局等17個部門26個成員單位。

（三）民生服務領域發展步伐加快。積極推進教育、衛生、環保、農牧業等領域信息化平臺建設工作。持續開展“三通兩平臺”工程，目前156所學校及相關 教育部門共計200多個單位已實現互聯互通；搭建了區域衛生信息協同平臺，累計為全盟95萬城鄉居民建立了健康檔案，為全盟37個蘇木鄉鎮衛生院和10個 社區衛生服務中心建立了醫院信息管理系統，為242個嘎查村衛生室安裝使用了嘎查村衛生室信息系統，實現了基本醫療、基本公共衛生和基本藥物的電子化管 理；建成了污染源在線監控平臺、空氣質量自動監測系統、重污染天氣預報預警系統、機動車尾氣檢測機構在線監控平臺，形成了對全盟重點污染源的在線監控；建 立xxxx羊肉全產業鏈追溯體系綜合服務平臺，將肉羊養殖、屠宰加工、精加工、物流配送、銷售五個環節信息集成，目前已累計為7413戶牧戶的161萬只 羔羊建立可追溯檔案，基本實現了“來源可追溯、去向可查證、責任可追究”。

（四）經濟運行管理領域發展初具規模。為更好地監管市場，食藥工商局為107192戶市場主體建立電子檔案信息。建立企業信用公示平臺，截至10月，全盟已對90591戶企業信用信息進行備案，備案率為84.53%。建設xxxx盟金財一期工程，覆蓋所有財政性資金，輻射各級財政部門和預算單位，進一 步提高財政資金分配和使用的安全性、規范性和有效性。

（五）大數據應用初見端倪。建立中小企業公共服務平臺，并實現與自治區樞紐平臺的互聯互通，目前，各旗縣市（區）共有383戶企業通過審核注冊成功。建設xxxx盟蒙古文綜合服務平臺，蒙古族同胞可以利用手機查詢國家政策、法規、綜合新聞以及市場動態、農牧業補貼、氣象、生活助手等內容。同時，由私人 投資建設的“錫盟信息港”、“xx123信息網”、“上都在線”等公共咨詢服務平臺建成運行，主要發布招聘、出租、家政、出售等咨詢信息。此外，全盟已有 各類電子商務平臺19個，包括大宗商品銷售、農牧民趕集采購、團購、社區電商以及跨境電商等類別，特色鮮明，發展前景廣闊。

二、存在問題

（一）數據共享程度低。全盟大數據建設缺乏統一規劃和有力的領導，各個委辦局信息系統基本都屬于獨立縱向系統，數據平臺并未實現橫向互通；數據資源整合力度不夠，共享程度低，政府部門間重復建設現象嚴重。

（二）建設缺乏統一標準。目前，各平臺數據采集的基本要素、數據的來源、數據采集的方法及要求沒有統一標準，導致產生“信息孤島”。

（三）網絡基礎設施建設有待完善。我盟地域遼闊，牧區人口居住比較分散，現有寬帶網絡無法滿足牧區信息化需求，全盟移動通訊信號以覆蓋面積計算嘎查村覆蓋率不足60%，寬帶不足30%，寬帶網絡基礎設施建設規模仍有待提高。

（四）專業隊伍建設有待加強。現有人員年齡結構斷層，知識結構不合理，嚴重缺乏專業技術人才，因此迫切建立一支穩定的高素質、專業化信息建設隊伍。

三、下一步工作重點

（一）高起點規劃布局，建立我盟大數據中心。按照“頂層設計，分布實施”的原則，委托權威機構編制我盟大數據建設規劃，對我盟大數據建設進行總體規劃，并 研究出臺具體技術實施方案，明確工作內容、時間節點，促進大數據建設工作順利推進。高標準規劃大數據中心，涵蓋數據整合、共享與分析、網絡服務、數據存儲 及可視化運維等多方面內容，并在“兩地三中心”進行容災備份，保護數據的安全和業務連續性。逐步整合撤并各部門現有自建機房和設備，原則上各部門不再建設新的機房，實現資源集約化管理。

（二）推進數據信息資源共享，推動社會管理科學可控。在充分利用現有數據資源的基礎上，進一步完善人口基礎信息庫、法人單位信息資源庫、自然資源和空間地 理信息庫和宏觀經濟數據庫等核心數據庫，完成數據資源整合與共享，實現部門間信息互聯互通。建立大數據交換與共享平臺，實現對數據集約化采集、網絡化匯聚 及統一化管理，推動政府職能轉變，提高政府服務效率。建立數據標準和統計標準體系，有計劃、分層次地推進各領域的應用。

（三）做好商品追溯防偽系統平臺項目。引進大連聲鷺科技有限公司開發的商品追溯防偽系統平臺建設項目，打造以“商品追溯防偽”為主題的互聯網經濟示范平臺，并帶動芯片封裝和手持終端檢測設備生產基地建設，逐步培養輻射全國的商品追蹤防偽系統技術創新研發基地。成立創新研發中心，針對不同品類商品、不同包 裝方式、應用場景，推進相關芯片應用和標準體系建立，并率先對我盟原產地白酒、食用油、食用鹽等品牌產品提供商品追蹤防偽示范服務。

（四）推動智慧社區、智慧旅游、智慧農牧業項目建設。進一步推動社區網格化管理，加強社區周邊服務資源的集中整合，大力建設覆蓋社區管理、社區服務、社 區安全、智慧家居、養老服務的智慧社區生活服務圈。結合我盟旅游產業發展現狀，建立基于互聯網的旅游信息服務體系、構建多部門信息共享、聯動協調的智慧旅 游管理體系、應用多種營銷手段打造特色旅游品牌，全面推動旅游業向智能化轉型提升。推行農牧業養殖過程中的自動化、集成化、網絡化管理，加大特色農產品品牌營銷力度，鼓勵農牧業電子商務發展。

四、相關建議

（一）加強組織領導、強化政策扶持。行署盡快成立由主要領導任組長，行署常務副盟長、分管副盟長任副組長，有關部門、單位為成員單位的大數據發展推進 領導小組，領導小組下設辦公室，并建議設在行業主管部門，保證工作有序推進。建立大數據建設發展專項資金，實行專款專用。

（二）依托智慧應用，加快產業發展。推動云計算、物聯網、互聯網與大數據等新一代信息技術產業集約集聚發展，加快新一代信息技術在政務、經濟運行、社 會管理和民生服務領域的深化應用、共享應用和融合應用，培育一批具有自主產權、自主品牌的智能項目和智慧服務，切實提高居民幸福指數。

（三）夯實基礎設施、強化信息安全。光纖網絡實現百兆入戶、千兆到樓、t級出口。進一步實施“寬帶錫盟”戰略，加快推進光纖入戶到企、進村入園，推動4g網絡對城區的深度覆蓋，并進一步提高農村牧區網絡覆蓋面。完善網路安全保障體系，進一步加強信息安全測評認證體系、網絡信任體系、信息安全監控體系及 容災備份體系建設，建立網絡和信息安全監控預警、應急響應聯動機，增強信息采集、處理、傳播和利用安全能力。

（四）加強人才引進、注重宣傳推廣。加快引進大數據領軍人才、創業人才和掌握前沿技術的專業人才，落實好人才保障措施，推進大數據人才隊伍建設。推進企業 與高校、科研院所的合作，實現科技人才交流、科研成果共享。依托我盟高校、園區和企業，聯合建立各類智慧人才教育培訓基地，提供教育、培訓和考試等服務。建立xxxx智慧城市創新體驗中心，積極推廣大數據發展成果，提升城市活力的同時成為我盟招商引資、引智窗口。

第二篇：大數據學術會議報告

Big and Open Date ：Challenges for Smart City

Victoria Lopez

Victoria Lopez任教于西班牙馬德里Complutense大學，其在計算機軟件,計算機應用技術,計算機網絡,人工智能,管理科學與工程等領域頗有建樹，此次學術會議是她在2014年信息學與計算進展國際會議上的關于大數據的一次學術會議報告，她的演講題目是Challenges for Smart City，以智能城市為研究對象，闡述大數據在智能城市領域內面臨的挑戰，鞭辟入里，發人深省，引人深思。

據她介紹，在1800年，全球僅有2%的人口居住在城市，到了1950年，這個數字迅速攀升到了29%。到2025年，城市人口預計將增加到20億。當前全世界范圍內的城市化進程大大加劇了氣候變化、資源短缺和交通擁堵等問題，為人類城市生活帶來一定的挑戰。但同時智能城市建設面臨諸多挑戰：一是概念不清、外延不明。沒有考慮到物聯網、云計算、三網融合、無線寬帶等新一代信息技術應用，仍然采用以前的技術思路和模式。二是進一步加劇了業務系統的信息孤島局面，條塊分割問題是全球信息化建設的頑疾。三是信息網絡安全問題繼續受到冷落。大量應用到物聯網、云計算等技術，其信息網絡安全問題將會更多。

既是挑戰又是機遇，雖然面臨問題較多，但是在大數據這個領域中，理論性的預見已經在相關行業成功實現，例如車聯網，車聯網促城市交通轉型，隨著車聯網等新興產業的興起，智能交通已為世界各國在高新技術發展中爭奪的一個重要領域。它加快了城市交通向低碳綠色交通的轉型，是智慧城市建設不可或缺的一部分。大數據助力交通智能化，據介紹，在目前的城市交通體系中，公交、地鐵、出租車以及公共自行車為主要出行方式，通過GPS定位、視頻監控以及超聲波傳感等技術，在單一某個領域，智能交通已經進行了初步開發。比如，在某些公交站，乘客已經能提前預知下一趟公交到來的時間，乘客在打車時，通過部分手機軟件已經能夠查詢到周邊的空出租車，這些均基于一定的數據采集和分析。

她的中心思想在于，云計算要建平臺，要有龐大的數據中心做支撐，其上是重要的關鍵業務的運營和服務，而大數據就是構建在云平臺上的一種‘殺手锏’的應用，云計算是一個全新的時代，和PC時代完全不同。如何將我們的文化，我們的技術和業務模式更快的轉移到云計算，構建起生態系統將是最大的挑戰。雖然很高興已經有了一些發展，但是還需要相當長的過程才能實現。

從此次學術會議報告中我學到了如何聽取報告的相關主旨和核心思想，在這次報告中也體會到了西方學者和本國學者思考問題的異同點，當然更需要的是加強英語學習能力和本專業的學習能力。

第三篇：大數據讀書報告

大數據讀書報告

網絡13-1戴崇卓

大數據的概念

大數據（big data），指無法在一定時間范圍內用常規軟件工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產。

在維克托·邁爾-舍恩伯格及肯尼斯·庫克耶編寫的《大數據時代》中大數據指不用隨機分析法（抽樣調查）這樣捷徑，而采用所有數據進行分析處理。

大數據的5V特點（IBM提出）

Volume（大量）、Velocity（高速）、Variety（多樣）、Value（價值）、Veracity（真實性）。

大數據的意義

現在的社會是一個高速發展的社會，科技發達，信息流通，人們之間的交流越來越密切，生活也越來越方便，大數據就是這個高科技時代的產物。阿里巴巴創辦人馬云來臺演講中就提到，未來的時代將不是IT時代，而是DT的時代，DT就是Data Technology數據科技，顯示大數據對于阿里巴巴集團來說舉足輕重。

有人把數據比喻為蘊藏能量的煤礦。煤炭按照性質有焦煤、無煙煤、肥煤、貧煤等分類，而露天煤礦、深山煤礦的挖掘成本又不一樣。與此類似，大數據并不在“大”，而在于“有用”。價值含量、挖掘成本比數量更為重要。對于很多行業而言，如何利用這些大規模數據是贏得競爭的關鍵。

大數據的結構

大數據就是互聯網發展到現今階段的一種表象或特征而已，沒有必要神話它或對它

保持敬畏之心，在以云計算為代表的技術創新大幕的襯托下，這些原本看起來很難收集和使用的數據開始容易被利用起來了，通過各行各業的不斷創新，大數據會逐步為人類創造更多的價值。

其次，想要系統的認知大數據，必須要全面而細致的分解它，我著手從三個層面來展開：

第一層面是理論，理論是認知的必經途徑，也是被廣泛認同和傳播的基線。在這里從大數據的特征定義理解行業對大數據的整體描繪和定性；從對大數據價值的探討來深入解析大數據的珍貴所在；洞悉大數據的發展趨勢；從大數據隱私這個特別而重要的視角審視人和數據之間的長久博弈。

第二層面是技術，技術是大數據價值體現的手段和前進的基石。在這里分別從云計算、分布式處理技術、存儲技術和感知技術的發展來說明大數據從采集、處理、存儲到形成結果的整個過程。

第三層面是實踐，實踐是大數據的最終價值體現。在這里分別從互聯網的大數據，政府的大數據，企業的大數據和個人的大數據四個方面來描繪大數據已經展現的美好景象及即將實現的藍圖。

大數據的應用

洛杉磯警察局和加利福尼亞大學合作利用大數據預測犯罪的發生。Google流感趨勢(Google Flu Trends)利用搜索關鍵詞預測禽流感的散布。統計學家內特.西爾弗(Nate Silver)利用大數據預測2012美國選舉結果。麻省理工學院利用手機定位數據和交通數據建立城市規劃。

梅西百貨的實時定價機制。根據需求和庫存的情況，該公司基于SAS的系統對多達7300萬種貨品進行實時調價。醫療行業早就遇到了海量數據和非結構化數據的挑戰，而近年來很多國家都在積極推進醫療信息化發展，這使得很多醫療機構有資金來做大數據分析。

大數據的趨勢

趨勢一：數據的資源化

何為資源化，是指大數據成為企業和社會關注的重要戰略資源，并已成為大家爭相搶奪的新焦點。因而，企業必須要提前制定大數據營銷戰略計劃，搶占市場先機。

趨勢二：與云計算的深度結合

大數據離不開云處理，云處理為大數據提供了彈性可拓展的基礎設備，是產生大數據的平臺之一。自2013年開始，大數據技術已開始和云計算技術緊密結合，預計未來兩者關系將更為密切。除此之外，物聯網、移動互聯網等新興計算形態，也將一齊助力大數據革命，讓大數據營銷發揮出更大的影響力。

趨勢三：科學理論的突破

隨著大數據的快速發展，就像計算機和互聯網一樣，大數據很有可能是新一輪的技術革命。隨之興起的數據挖掘、機器學習和人工智能等相關技術，可能會改變數據世界里的很多算法和基礎理論，實現科學技術上的突破。

趨勢四：數據科學和數據聯盟的成立

未來，數據科學將成為一門專門的學科，被越來越多的人所認知。各大高校將設立專門的數據科學類專業，也會催生一批與之相關的新的就業崗位。與此同時，基于數據這個基礎平臺，也將建立起跨領域的數據共享平臺，之后，數據共享將擴展到企業層面，并且成為未來產業的核心一環。

趨勢五：數據泄露泛濫

未來幾年數據泄露事件的增長率也許會達到100%，除非數據在其源頭就能夠得到安全保障。可以說，在未來，每個財富500強企業都會面臨數據攻擊，無論他們是否已經做好安全防范。而所有企業，無論規模大小，都需要重新審視今天的安全定義。在財富500強企業中，超過50%將會設置首席信息安全官這一職位。企業需要從新的角度來確保自身以及客戶數據，所有數據在創建之初便需要獲得安全保障，而并非在數據保存的最后一個環節，僅僅加強后者的安全措施已被證明于事無補。

趨勢六：數據管理成為核心競爭力 數據管理成為核心競爭力，直接影響財務表現。當“數據資產是企業核心資產”的概念深入人心之后，企業對于數據管理便有了更清晰的界定，將數據管理作為企業核心競爭力，持續發展，戰略性規劃與運用數據資產，成為企業數據管理的核心。數據資產管理效率與主營業務收入增長率、銷售收入增長率顯著正相關;此外，對于具有互聯網思維的企業而言，數據資產競爭力所占比重為36.8%，數據資產的管理效果將直接影響企業的財務表現。

趨勢七：數據質量是BI(商業智能)成功的關鍵

采用自助式商業智能工具進行大數據處理的企業將會脫穎而出。其中要面臨的一個挑戰是，很多數據源會帶來大量低質量數據。想要成功，企業需要理解原始數據與數據分析之間的差距，從而消除低質量數據并通過BI獲得更佳決策。

趨勢八：數據生態系統復合化程度加強

大數據的世界不只是一個單一的、巨大的計算機網絡，而是一個由大量活動構件與多元參與者元素所構成的生態系統，終端設備提供商、基礎設施提供商、網絡服務提供商、網絡接入服務提供商、數據服務使能者、數據服務提供商、觸點服務、數據服務零售商等等一系列的參與者共同構建的生態系統。而今，這樣一套數據生態系統的基本雛形已然形成，接下來的發展將趨向于系統內部角色的細分，也就是市場的細分;系統機制的調整，也就是商業模式的創新;系統結構的調整，也就是競爭環境的調整等等，從而使得數據生態系統復合化程度逐漸增強。

大數據的IT分析工具

大數據概念應用到IT操作工具產生的數據中，大數據可以使IT管理軟件供應商解決大廣泛的業務決策。IT系統、應用和技術基礎設施每天每秒都在產生數據。大數據非結構化或者結構數據都代表了?所有用戶的行為、服務級別、安全、風險、欺詐行為等更多操作?的絕對記錄。

大數據分析的產生旨在于IT管理，企業可以將實時數據流分析和歷史相關數據相結合，然后大數據分析并發現它們所需的模型。反過來，幫助預測和預防未來運行中斷和性能問題。進一步來講，他們可以利用大數據了解使用模型以及地理趨勢，進而加深大數據對重要用戶的洞察力。他們也可以追蹤和記錄網絡行為，大數據輕松地識別業務影響；隨著對服務利用的深刻理解加快利潤增長；同時跨多系統收集數據發展IT服務目錄。

大數據分析的想法，尤其在IT操作方面，大數據對于我們發明并沒有什么作用，但是我們一直在其中。Gartner已經關注這個話題很多年了，基本上他們已經強調，如果IT正在引進新鮮靈感，他們將會扔掉大數據老式方法開發一個新的IT操作分析。

第四篇：大數據課程報告

摘要

流形學習方法作為一類新興的非線性維數約簡方法，主要目標是獲取高維觀測數據的低維緊致表示，探索事物的內在規律和本征結構，已經成為數據挖掘、模式識別和機器學習等領域的研究熱點。流形學習方法的非線性本質、幾何直觀性和計算可行性，使得它在許多標準的 toy 數據集和實際數據集上都取得了令人滿意的結果，然而它們本身還存在著一些普遍性的問題，比如泛化學習問題、監督學習問題和大規模流形學習問題等。因此，本文從流形學習方法存在的問題出發，在算法設計和應用（圖像數據與蛋白質相互作用數據）等方面展開了一系列研究工作。首先對流形學習的典型方法做了詳細對比分析，然后針對流形的泛化學習和監督學習、表征流形的局部幾何結構、構造全局的正則化線性回歸模型、大規模數據的流形學習等幾個方面進行了重點研究，提出了三種有效的流形學習算法，并和相關研究成果進行了理論與實驗上的比較，從而驗證了我們所提算法的有效性。

關鍵詞：流形學習，維數約簡，正交局部樣條判別投影，局部多尺度回歸嵌入

I

目錄

目錄.................................................................................................................................................II 第1章 研究背景.......................................................................................................................1

1.1 流形學習的研究背景...................................................................................................1 1.2 流形學習的研究現狀...................................................................................................2 1.3 流形學習的應用...........................................................................................................4 第2章 流形學習方法綜述.......................................................................................................5

2.1 流形學習方法介紹.......................................................................................................6 第3章 流形學習方法存在的問題...........................................................................................9

3.1 本征維數估計...............................................................................................................9 3.2近鄰數選擇.................................................................................................................10 3.3 噪聲流形學習.............................................................................................................10 3.4 監督流形學習.............................................................................................................11 第4章 總結.............................................................................................................................11

II

第1章 研究背景

1.1 流形學習的研究背景

隨著信息時代的到來，使得數據集更新更快、數據維度更高以及非結構化性等問題更突出。在科研研究的過程中不可避免地遇到大量的高維數據，這就需要一種技術能夠使在保持數據信息足夠完整的意義下從海量數據集中提取出有效而又合理的約簡數據，滿足人的存儲需求和感知需要。流形學習這一非監督學習方法應運而生，引起越來越多機器學習和認知科學工作者的重視。而在海量的高維數據中，往往只有少量的有用信息，如果想快速高效的搜集到人們想要的、有用的那些少量信息且快速的處理信息，這就需要一些關鍵技術的支持，即是必須采用相應的降維技術。而流形學習正是在數據降維方面有著重要的貢獻。然而，降維的過程與《矩陣分析》中的內容有著密切的關系。

基于流形的降維方法能充分利用數據中所隱藏的低維有價值信息，進一步提高檢索性能。Seung從神經心理學的角度提出“感知以流形的形式存在，視覺記憶也可能是以穩態的流形存儲”，為流形提供了與人類認識相關的理由。流形學習的方法主要有主成分分析（PCA）、多維尺度化（MDS）、基于局部切空間排列法（LTSA）和基于等度規映射（ISOMAP）、局部線性嵌入算法（LLE）、拉普拉斯特征映射（LE）等。另外，流形學習方法在人臉識別、圖像處理、模式識別、計算機視覺、認知科學、人工智能、人機交互等眾多學科中有著廣泛的應用。

線性維數約簡方法是通過在高維輸入空間與低維子空間之間建立線性映射關系，把高維數據樣本集投影到低維線性子空間。線性維數約簡技術通常假設數據集采樣于一個全局線性的高維觀測空間。如果所要處理的數據集分布確實呈現出全局線性的結構，或者在一定程度上可以近似為全局線性結構，則這些方法能夠有效地挖掘出數據集內在的線性結構，獲得數據緊致的低維表示。在線性維數約簡方法中，使用最廣泛的算法有主分量分析（Principal Component Analysis, PCA）(Jolliffe, 2002;Turk and Pentland, 1991)和線性判別分析（Linear Discriminant Analysis, LDA）(Duda et al., 2001)。

主分量分析（PCA）主要是根據高維數據在低維空間重構誤差最小的原則，來尋找一組最優的單位正交向量基（即主分量），并通過保留數據分布方差較大的若干主分量來達到降維的目的。然而，眾所周知，由于 PCA 算法沒有利用數據樣本的類別信息，所以它是一種非監督的線性維數約簡方法。與 PCA 算法不同，LDA 算法考慮到樣本的類別信息，它是一種有監督的方法。基于各類樣本服從高斯分布且不同類的協方差矩陣相同的假設，LDA 算法在 Fisher 準則下選擇最優的投影向量，以使得數據樣本的類間散度最大而類內散度最小。由于 LDA 算法利用了樣本的類別信息，而樣本的類別信息通常有助于改善識別率，因此 LDA 算法更適用于分類問題。

1.2 流形學習的研究現狀

流形學習假定輸入數據是嵌入在高維觀測空間的低維流形上，流形學習方法的目的是找出高維數據中所隱藏的低維流形結構。經過十多年的研究與探索，人們提出了大量的流形學習理論與算法。經典的流形學習方法有等距特征映射算法（ISOMAP）(Tenenbaum et al., 2000)、局部線性嵌入算法（LLE）(Roweis and Saul, 2000;Saul and Roweis, 2003)、Laplacian 特征映射算法（Laplacian Eigenmaps，LE）(Belkin and Niyogi, 2002;Belkin and Niyogi, 2003)、Hessian特征映射算法（Hessian-based Locally Linear Embedding，HLLE）(Donoho and Grimes, 2003)、最大差異展開算法（Maximum Variance Unfolding，MVU）(Weinberger et al., 2005;Weinberger and Saul, 2004;Weinberger and Saul, 2006;Weinberger et al., 2004)、局部切空間排列算法（Local Tangent Space Alignment, LTSA）(Zhang and Zha, 2004)、黎曼流形學習算法（Riemannian Manifold Learning, RML）(Lin and Zha, 2007;Lin et al., 2006)和局部樣條嵌入算法（Local Spline Embedding，LSE）(Xiang et al., 2006;Xiang et al., 2008)等。

Tenenbaum 提出的 ISOMAP 算法是多維尺度分析（Multidimensional Scaling, MDS）(Cox and Cox, 1994)在流形框架下的非線性推廣，其核心思想是用測地距離代替歐氏距離來表征流形上數據點的內在幾何關系。對于樣本 點和它的近鄰點之間的測地距離用它們之間的歐氏距離來代替；對于樣本點和近鄰點之外的點之間的測地距離用它們之間的最短路徑來代替。Bernstein 等人證明了只要樣本是隨機抽取的，在樣本集足夠大且選擇適當近鄰參數k 時，近鄰圖上兩點的最短路徑可以逼近它們的測地距離(Bernstein et al., 2000)。當應用于內蘊平坦的凸流形時，ISOMAP 算法能夠忠實地捕獲數據內在的低維流形結構(De Silva and Tenenbaum, 2003)。

ISOMAP 算法的主要缺點在于：① 對樣本點的噪聲比較敏感；② 對于具有較大曲率或稀疏采樣的數據集，不能發現其內在的本征結構；③ 需要計算全體數據集的測地距離矩陣，因此算法的時間復雜度較高。圍繞 ISOMAP算法，已經出現了許多相關的理論分析與研究工作。

Balasubramanian 等人對ISOMAP 算法的拓撲穩定性進行了深入探討(Balasubramanian and Schwartz, 2002)。對于數據分布所在的低維流形具有較大的內在曲率情況，de Silva 和Tenenbaum 提出了保角等距特征映射算法（conformal ISOMAP）(De Silva and Tenenbaum, 2003)。為了減小 ISOMAP 算法的計算復雜度，de Silva 和 Tenenbaum提出了帶標記的等距特征映射算法（Landmark ISOMAP）(De Silva and Tenenbaum, 2003)。

針對 ISOMAP 算法對于數據集噪聲敏感的問題，Choi 等人通過觀察圖中的網絡流提出了一種消除臨界孤立點的方法以加強 ISOMAP 算法的拓撲穩定性(Choi and Choi, 2007)。在構建近鄰圖方面，Yang 提出通過構造k 連通圖方式來確保近鄰圖的連通性，以提高測地距離的估計精度(Yang, 2005)。

2009 年，Xiang 等人提出了局部樣條嵌入算法（LSE）(Xiang et al., 2006;Xiang et al., 2008)。Xiang 認為，對于嵌入在高維輸入空間的低維流形，非線性維數約簡的任務實際上是尋找一組非線性的復合映射，即由局部坐標映射（Local Coordinatization Mapping）與全局排列映射（Global Alignment Mapping）復合而成的兼容映射（Compatible Mapping）。在兼容映射的概念框架下，LSE 算法首先通過主分量分析計算每個樣本點局部鄰域在切空間上的投影獲得該鄰域所有樣本的局部坐標，從而保持流形的局部幾何結構信息；然后采用Sobolev 空間的一組樣條函數把每個樣本點的局部坐標映射成 全局唯一的低維坐標。它們均是利用每個樣本的局部切空間來捕獲流形的局部幾何，樣本點在切空間的投影來表示樣本點的局部坐標。然而它們的主要區別在于全局排列，LTSA 算法是利用仿射變換來進行全局排列，而 LSE 算法是利用樣條函數來獲得全局唯一的坐標。因此相對于 LTSA 而言，LSE 算法能夠實現更小的重構誤差。LSE 算法的主要缺點在于：一是無法保持全局尺度信息；二是不能學習具有較大曲率的低維流形結構。除此，如何選擇滿足要求的樣條函數也是一個值得考慮的問題。

不同流形學習算法的區別在于所嘗試保持流形的局部鄰域結構信息以及利用這些信息構造全局嵌入的方法不同，與以往的維數約簡方法相比，流形學習能夠有效地探索非線性流形分布數據的內在規律與性質。但是在實際應用中流形學習方法仍然存在一些缺點，比如本征維數估計問題、樣本外點學習問題、監督流形學習問題和噪聲流形學習問題等。為了解決這些問題，相關的算法也不斷涌現出來。Freedman 等提出了一種基于簡化單純復形的流形重構方法來自動估計流形的本征維數(Freedman, 2002)。

為了解決樣本外點學習問題，研究人員分別在流形學習的線性化、核化和張量化等方面作了有益的探索(Yan et al., 2007)。Geng 等將樣本的類別信息融入到 ISOMAP 算法，提出了一種用于可視化和分類的有監督的等距特征映射算法（S-ISOMAP）(Geng et al., 2005)。Zhang 等提出了一種基于局部線性平滑的流形學習消噪模型(Zhang and Zha, 2003)。這些方法的提出在一定程度上緩解了目前流形學習方法中存在的一些問題，但是還需要進一步充實和完善。

1.3 流形學習的應用

目前，流形學習方法的應用可歸納為以下幾個方面：

1)數據的可視化。流形學習方法在高維數據的可視化方面有了廣泛的應用。人不能直接感知高維數據的內部結構，但對三維以下數據的內在結構卻有很強的感知能力。由于流形學習方法可以發現高維觀測數據中蘊含的內在規律和本征結構，而且這種規律在本質上不依賴于我們實際觀測到的數據維數。因此我們可以通過流形學習方法 對高維輸入數據進行維數約簡，使高維數據的內部關系和結構在低于三維的空間中展示出來，從而使人們能夠直觀地認識和了解高維的非線性數據的內在規律，達到可視化的目的。

2)信息檢索。隨著多媒體和網絡技術的迅猛發展，圖像和文本信息的應用日益廣泛，對規模逐漸龐大的圖像和文本數據庫如何進行有效的管理已成為亟待解決的問題。靈活、高效、準確的信息檢索策略是解決這一問題的關鍵技術之一。這些圖像和文本信息呈現出高維、大規模、非線性結構，利用流形學習方法來處理這些信息，在大大降低時間和空間計算復雜度的同時，能夠有效地保留這些信息在原始高維空間的相似性。

3)圖像處理。流形學習給圖像處理領域提供了一個強有力的工具。眾所周知，圖像處理與圖像中物體的輪廓以及骨架等密切相關。如果我們把圖像中物體的輪廓以及骨架等看成是嵌入在二維平面中的一維流形或者由一組一維流形構成，那么顯然流形學習方法憑借其強大的流形逼近能力可以應用于圖像處理領域。

第2章 流形學習方法綜述

流形學習方法作為一種新興的非線性維數約簡方法，主要目標是獲取高維觀測數據的低維緊致表示，探索事物的內在規律和本征結構，已經成為數據挖掘、模式識別和機器學習等領域的研究熱點。本章首先探討了流形學習的基礎性問題，即高維數據分析的流形建模問題；然后依據保持流形幾何特性的不同，把現有的流形學習方法劃分為全局特性保持方法和局部特性保持方法，并介紹了每一類方法中有代表性的流形學習算法的基本原理，對各種流形學習算法進行性能比較和可視化分析，最后就流形學習方法普遍存在的本征維數估計、近鄰數選擇、噪聲流形學習、樣本外點學習和監督流形學習問題等進行了分析和討論。2.1 流形學習方法介紹

流形學習的定義：流形是局部具有歐氏空間性質的空間。假設數據是均勻采樣于一個高維歐氏空間中的低維流形，流形學習就是從高維采樣數據中恢復低維流形結構，即找到高維空間中的低維流形，并求出相應的嵌入映射，以實現維數約簡或者數據可視化。它是從觀測到的現象中去尋找事物的本質，找到產生數據的內在規律。

流形學習用數學語言描述是：令Y??yi?且?: Y??是一個光滑的嵌套，其中D >> d。那么流形學習的目標是基于?上的一個給定被觀測數據集合?xi?去恢復Y與?，也就是在Y 中隨機產生隱藏的數據?yi?，然后通過? 映射到觀測空間，使得?xi?f?yi??。

從流形學習的定義中可以看出，這是一個把數據從高維映射到低維的過程，用到了線性變換，當然少不了矩陣的分解及其基本運算。2.1.1 多維尺度分析（Multidimensional Scaling, MDS）

多維尺度分析（Multidimensional Scaling, MDS）是一種經典的線性降維方法，其主要思想是：根據數據點間的歐氏距離，構造關系矩陣，為了盡可能地保持每對觀測數據點間的歐氏距離，只需對此關系矩陣進行特征分解，從而獲得每個數據在低維空間中的低維坐標。

DDDx??x設給定的高維觀測數據點集為Y??U，i，觀測數據點對i，Tyj間的歐氏距離為?ij?xi?yj，傳統MDS 的算法步驟如下：

a)首先根據求出的兩點之間的歐氏距離

?ij構造n階平方歐式距離矩陣A???ij2? n?n。b)將矩陣A進行雙中心化計算，即計算

B??1HAH2（其中H 為中心化eeTH?I?n，將矩陣H左乘和右乘時稱為雙中心化）矩陣。

c)計算低維坐標Y。即將B奇異值分解，設B的最大的d個特征值??diag??1,?2,...,?d?Y??UT。

?u1,u2,...,ud??則d維低維坐標為，對應特征向量，U??雖然作為線性方法，MDS在流形學習中不能有效發現內在低維結構。但是從這一基本的算法中我們可以清楚的看出矩陣分析在流形學習研究中的應用。在這個MDS算法中，運用到了矩陣中的線性空間變換、矩陣特征值和特征向量的計算、矩陣的中心化計算、矩陣的奇異值的分解等相關知識點。想象一下，如果沒有這些知識點做基礎，這些算法如何進行。2.1.2 等距特征映射（ISOMAP）

（1）基本思想:Tenenbaum等人提出的等距特征映射算法（ISOMAP）是建立在多維尺度分析（MDS）基礎上的一種非線性維數約簡方法。ISOMAP算法利用所有樣本點對之間的測地距離矩陣來代替MDS算法中的歐氏距離矩陣，以保持嵌入在高維觀測空間中內在低維流形的全局幾何特性。算法的關鍵是計算每個樣本點與所有其它樣本點之間的測地距離。對于近鄰點，利用輸入空間的歐氏距離直接得到其測地距離；對于非近鄰點，利用近鄰圖上兩點之間的最短路徑近似測地距離。然后對于構造的全局測地距離矩陣，利用MDS算法在高維輸入空間與低維嵌入空間之間建立等距映射，從而發現嵌入在高維空間的內在低維表示(Tenenbaum et al., 2000)。

（2）算法流程 <1>構造近鄰圖G

<2>計算最短路徑

<3>計算 d 維嵌入(3)算法分析 ISOMAP算法是一種保持全局幾何特性的方法，它的低維嵌入結果能夠反映出高維觀測樣本所在流形上的測地距離。如果高維觀測樣本所在的低維流形與歐氏空間的一個子集是整體等距的，且與樣本所在流形等距的歐氏空間的子集是一個凸集，那么ISOMAP算法能夠取得比較理想的嵌入結果。但是當流形曲率較大或者流形上有“孔洞”，即與流形等距的歐氏空間的子集非凸時，流形上的測地距離估計會產生較大的誤差，導致嵌入結果產生變形。

從算法的時間復雜度來看，ISOMAP算法有兩個計算瓶頸(De Silva and Tenenbaum, 2003)。第一個是計算n×n 的最短路徑距離矩陣DG。當使用Floyd算法時，計算復雜度為O(n3)；若采用Dijkstra算法，可將計算復雜度降低到O(kn2log n)（k 為近鄰數大小）(Cormen, 2001)。第二個計算瓶頸源于應用MDS時的特征分解。由于距離矩陣是稠密的，所以特征分解的計算復雜度為O(n3)。從中我們可以看出，隨著樣本個數n 的增大，ISOMAP算法計算效率低下的問題會變得十分突出。2.1.3局部線性嵌入（LLE）

1、基本思想

與ISOMAP和MVU算法不同，局部線性嵌入算法（LLE）是一種局部特性保持方法。LLE算法的核心是保持降維前后近鄰之間的局部線性結構不變。算法的主要思想是假定每個數據點與它的近鄰點位于流形的一個線性或近似線性的局部鄰域，在該鄰域中的數據點可以由其近鄰點來線性表示，重建低維流形時，相應的內在低維空間中的數據點保持相同的局部近鄰關系，即低維流形空間的每個數據點用其近鄰點線性表示的權重與它們在高維觀測空間中的線性表示權重相同，而各個局部鄰域之間的相互重疊部分則描述了由局部線性到全局非線性的排列信息(Roweis and Saul, 2000)。這樣就可以把高維輸入數據映射到全局唯一的低維坐標系統。

2、算法流程

LLE算法的基本步驟分為三步：（1）選擇鄰域（2）計算重構權值矩陣W（3）求低維嵌入Y

3、算法分析

通過前面算法描述我們不難發現，LLE算法可以學習任意維具有局部線性結構的低維流形。它以重構權值矩陣作為高維觀測空間與低維嵌入空間之間聯系的橋梁，使得數據點與其近鄰點在平移、旋轉和縮放等變化下保持近鄰關系不變。而且LLE算法具有解析的全局最優解，無需迭代。在算法的計算復雜度上，選擇鄰域的計算復雜度為O(Dn2)，計算重構權值矩陣的計算復雜度為O((D+k)k2n)，求解低維嵌入Y 的計算復雜度為O(dn2)。因此與ISOMAP和MVU算法相比，LLE算法的計算復雜度要小得多。

但LLE算法也存在一些缺點：① 由于LLE算法只是保持局部近鄰的重構權值關系，并不是保持距離關系，因此，LLE算法通常不能很好的恢復出具有等距性質的流形。② LLE算法希望樣本集均勻稠密采樣于低維流形，因此，對于受噪聲污染、樣本密度稀疏或相互關聯較弱的數據集，在從高維觀測空間到低維嵌入空間的映射過程中，可能會將相互關聯較弱的遠點映射到局部近鄰點的位置，從而破壞了低維嵌入結果。

第3章 流形學習方法存在的問題

流形學習相對于傳統的線性維數約簡方法來說，它能夠更好地發現高維復雜非線性數據內在的幾何結構與規律。但其各種算法本身還存在著一些普遍性的問題，比如本征維數估計問題、近鄰數選擇問題、噪聲流形學習問題、泛化學習問題和監督學習問題等。本小節將對這些問題進行簡要的分析和討論。

3.1 本征維數估計

本征維數估計是流形學習的一個基本問題(趙連偉 et al., 2005)。本征維數一般被定義為描述數據集中所有數據所需要的自由參數（或獨立坐標）的最小數目。它反映了隱藏在高維觀測數據中潛在低維流形的拓撲屬性。在非 線性維數約簡過程中，本征維數估計的準確與否對低維空間的嵌入結果有著重要的影響。如果本征維數估計過大，將會保留數據的冗余信息，使嵌入結果中含有噪聲；相反如果本征維數估計過小，將會丟失數據的有用信息，導致高維空間中不同的點在低維空間可能會交疊。因此，設計穩定可靠的本征維數估計方法將有助于流形學習算法的應用和性能的改善。

目前現有的本征維數估計方法大致分為兩大類：特征映射法和幾何學習法(Camastra, 2003)。特征映射法包括全局 PCA 方法(Bennett, 1969)、局部 PCA 方法(Bruske and Sommer, 1998;Fukunaga and Olsen, 1971)和多維尺度分析方法(Cox and Cox, 2000)，它主要利用了數據分布的本征特征是數據的局部特征的基本思想，對局部數據進行特征分解，選取對應特征值最大的特征向量作為本征特征。顯然，這類方法所估計的本征維數大小在很大程度上取決于數據的局部鄰域劃分和閾值的選擇，因此特征映射方法不能提供本征維數的可靠估計。幾何學習法主要基于最近鄰距離（Nearest Neighbor Distances）或分形維（Fractal Dimension）(Camastra, 2003)來探索數據集所蘊含的幾何信息，這類方法通常需要充足的樣本數，因此，對于樣本數少、觀測空間維數較高的情況，經常會出現本征維數欠估計的情況。

3.2近鄰數選擇

流形學習探測低維流形結構成功與否在很大程度上取決于近鄰數的選擇(Zeng, 2008)，然而在構造近鄰圖時如何選擇一個合適的近鄰數是一個公開的問題。如果近鄰數選擇過大，將會產生“短路邊”現象（“short-circuit” edges），從而嚴重破壞原始流形數據的拓撲連通性。

3.3 噪聲流形學習

當觀測數據均勻稠密采樣于一個理想的低維光滑流形時，流形學習方法可以成功地挖掘出其內在的低維結構和本質規律。但是在實際應用中，我們經常發現高維采樣數據由于受各種因素的影響，一般總是存在著噪聲和污染，這將勢必影響流形學習算法的低維嵌入結果。3.4 監督流形學習

現有的流形學習方法多數用于無監督學習情況，如解決降維與數據可視化等問題。當已知數據的類別信息，如何利用這些信息有效地改進原始流形學習算法的分類識別能力是監督流形學習所要解決的問題。從數據分類的角度來看，人們希望高維觀測數據經過維數約簡后在低維空間中類內差異小而類間差異大，從而有利于樣本的分類識別。原始的流形學習算法都是無監督學習過程，一些引進監督信息的改進算法紛紛被提出來(Li et al., 2009;Zhao et al., 2006)。這些方法的基本思想是利用樣本的類別信息指導構建有監督的近鄰圖，然后利用流形學習方法進行低維嵌入。盡管這些方法能夠獲得較好的分類結果，但是這種通過類別屬性構建的近鄰圖往往會被分割成多個互不相連的子圖，而不是一個完整的近鄰圖，這就給原始流形學習算法的最終應用帶來了很大的不便。

第4章 總結

流形學習是一個具有基礎性、前瞻性的研究方向，其研究成果和技術已經立即應用于模式識別、計算機視覺、圖像處理等相關領域。如高維數據的可視化、可聽化；基于內容檢索的模型；視頻中三維對象的跟蹤和檢測；從靜態二維圖像中進行三維對象的姿態估計和識別；二維和三維對象的形狀重構；從運動中構建結構、從陰影中成形等。此外流形學習還應用于自然語言處理、基因表達分析等生物信息處理領域，特別是在基因表達分析中，用于檢測和區分不同的疾病和疾病類型。

盡管流形學習的算法和應用在過去的幾年中已經取得了豐碩的成果，但是由于其數學理論基礎較為深厚復雜，以及多個學科之間交叉融合，所以仍有許多亟需研究和解決的問題，尤其在下述幾個方面：

1.目前已有很多流形學習算法，但很多算法只是建立在實驗的基礎之上，并沒有充分理論基礎支持，所以我們一方面要進一步探索能夠有效學習到流形局部幾何和拓撲結構的算法，提高流形投影算法的性能，另外更重要的是要不斷完善理論基礎。

2.各支幾何都是研究空間在變換群下的不變性，微分幾何亦是如此。而很多情況下我們正需要這種不變性，所以研究局部樣本密度、噪聲水平、流形的正則性、局部曲率、撓率結構的交互作用對流形學習的研究有積極促進作用。

3.統計學習理論得到充分發展并逐漸成熟，流形學習理論在其基礎上發展自然可以把統計學中有用的技術應用于流形學習中，如流形上的取樣和Monte Carlo估計、假設檢驗，以及流形上關于不變測度的概率分布密度問題，都值得進一步研究。

4.目前大部分學習算法都是基于局部的，而基于局部算法一個很大缺陷就在于受噪聲影響較大，所以要研究減小局部方法對于噪聲和離群值的影響，提高學習算法魯棒性及泛化能力。

5.譜方法對噪聲十分敏感。希望大家自己做做實驗體會一下，流形學習中譜方法的脆弱。

6.采樣問題對結果的影響。

7.一個最尷尬的事情莫過于，如果用來做識別，流形學習線性化的方法比原來非線性的方法效果要好得多，如果用原始方法做識別，那個效果叫一個差。也正因為此，使很多人對流形學習產生了懷疑。

8.把偏微分幾何方法引入到流形學習中來是一個很有希望的方向。這樣的工作在最近一年已經有出現的跡象。

參考文獻

[1] R.Basri and D.W.Jacobs.Lambertian reflectance and linear subspaces.IEEE Transactions on Pattern Analysis and Machine Intelligence, 25(2):218–233, 2003.[2] R.Vidal.Subspace clustering.IEEE Signal Processing Magazine, 28(2):52–68, 2011.[3] J.Shi and J.Malik, “Normalized cuts and image segmentation,” IEEE Transactions Pattern Analysis Machine Intelligence, 22(8):888–905, 2000.[4] G.Liu, Z.Lin, S.Yan, J.Sun, Y.Yu, and Y.Ma.Robust recovery of subspace structures by low-rank representation.IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(1):171–184, 2013.[5] E.Elhamifar and R.Vidal.Sparse subspace clustering: Algorithm, theory, and applications.IEEE Transactions on Pattern Analysis and Machine Intelligence, 35(11):2765–2781, 2013.[6] Y.Wang, Y.Jiang, Y.Wu, and Z.Zhou.Spectral clustering on multiple manifolds.IEEE Transactions on Neural Networks, 22(7):1149–1161, 2011.[7] B.Cheng, G.Liu, J.Wang, Z.Huang, and S.Yan, Multi-task low rank affinity pursuit for image segmentation, ICCV, 2011.[8] C.Lang, G.Liu, J.Yu, and S.Yan, Saliency detection by multitask sparsity pursuit, IEEE Transactions on Image Processing, 21(3): 1327–1338, 2012.

第五篇：2017-2022年貴州省大數據產業深度調研報告

2017-2021年貴州省大數據產業發

展預測及投資咨詢報告

▄ 核心內容提要

【出版日期】2017年4月 【報告編號】

【交付方式】Email電子版/特快專遞

【價

格】紙介版：7000元

電子版：7200元

紙介+電子：7500元

▄ 報告目錄

第一章 貴州省大數據產業發展基礎

第一節、自然生態優勢

一、氣候環境優良

二、地理結構穩定

三、能源資源充足

四、能源結構適宜

第二節、宏觀政策保障

一、加快大數據產業發展政策

二、大數據產業行動計劃

三、大數據人才培養政策

第三節、宏觀經濟支持

一、經濟總量持續增加

二、工業發展基礎良好

三、固定資產投資提升

四、產業結構調整優化

第四節、信息化基礎建設支撐

一、寬帶貴州

二、物聯網產值

三、云計算發展

第五節、電子信息產業推動

一、區域產業規模

二、區域產業特征

三、區域產業集群

四、區域產業問題

五、產業發展方向

第二章 2014-2016年貴州省大數據產業發展現狀

第一節、大數據產業鏈結構

一、大數據源

二、大數據管理技術

三、大數據應用

四、大數據載體

第二節、大數據產業業態分析

一、大數據核心業態

二、大數據關聯業態

三、大數據衍生業態

第三節、2014-2016年貴州省大數據產業SWOT分析

一、優勢（Strengths）

二、劣勢（Weaknesses）

三、機會（Opportunities）

四、威脅（Threats）

第四節、2014-2016年貴州省大數據產業發展態勢

一、產業發展歷程

二、產業運行特征

三、資源集聚效應

四、國際合作狀況

五、商業模式創新

第五節、2014-2016年貴州省大數據產業運行規模

一、產業發展規模

二、業態業務收入

三、企業發展規模

四、項目招商規模

第六節、貴州省大數據產業發展效益分析

一、產業集聚效應

二、社會經濟效益

三、品牌效應顯著

第七節、貴州省大數據產業商業模式探索分析

一、數據銀行模式探索

二、數據存款模式探索

三、數據貸款模式探索

第八節、貴州省大數據產業發展存在的問題及策略分析

一、產業發展存在的問題

二、產業發展瓶頸分析

三、產業發展策略分析

第九節、貴州省大數據產業未來發展方向

一、行業發展趨勢

二、未來政策導向

三、企業布局方向

四、應用市場趨勢

第三章 2014-2016年貴州省綠色數據中心建設成果

第一節、綠色數據中心發展進程優勢

一、基礎設施完備

二、產業應用領先

三、綠色效益明顯

第二節、綠色數據中心產業生態優勢

一、政策環境配套

二、產業鏈條齊備

三、網絡支撐有力

四、人才基礎堅實

第三節、綠色數據中心發展典型案例

一、貴安信投-富士康綠色隧道數據中心

二、中國典型云計算貴州信息園

三、中國移動（貴州）數據中心

四、中國聯通（貴安）云計算基地

第四節、綠色數據中心發展總結及預測

一、綠色數據中心發展總結

二、綠色數據中心發展預測

第五節、大數據呼叫中心發展進程

一、產業發展狀況

二、產業發展規模

三、產業發展目標

四、人才培養政策

第四章 2014-2016年貴州省大數據交易平臺建設成果

第一節、貴陽大數據交易所介紹

一、交易所概況介紹

二、交易所業務定位

三、交易所交易時間

四、交易的數據類型

五、交易的產品定價

六、產品交易規模

七、數據星河戰略

八、交易所發展戰略

第二節、貴陽眾籌金融交易所

一、交易所概況介紹

二、交易所眾籌模式

三、交易所發展現狀

四、交易所發展目標

第三節、貴陽現代農業大數據交易中心

一、交易所概況介紹

二、交易所經營范圍

第四節、大數據交易所的意義

一、對大數據交易行業具有引導意義

二、對加入交易所及聯盟會員的意義

第五章 2014-2016年貴州省云上貴州大數據建設成果

第一節、云上貴州平臺

一、平臺介紹

二、發展現狀

三、發展規模

四、發展目標

第二節、電子商務大數據應用

一、產業發展狀況

二、產業發展規模

三、產業發展目標

四、產業發展路徑

五、產業發展方向

六、農業電商平臺

第三節、智慧旅游大數據應用

一、基礎技術支撐

二、產業發展現狀

三、培育企業規模

四、區域發展規模

五、智慧旅游云應用

六、產業發展策略

七、產業發展前景

八、產業發展空間

第四節、智慧城市大數據應用

一、產業發展現狀

二、產業發展規模

三、產業合作狀況

四、各區域建設狀況

第五節、電子政務大數據應用

一、產業發展地位

二、產業發展成效

三、產業發展重點

四、產業發展策略

第六節、智能交通大數據應用

一、產業發展階段

二、產業發展現狀

三、產業發展路徑

四、產業發展目標

第七節、工業大數據應用

一、傳統工業現狀

二、貴州工業云平臺

三、貴州工業云智能

四、貴州工業云定位

五、大數據助推效果

六、工業云發展現狀

第八節、食品安全大數據應用

一、食品安全云發展意義

二、食品安全云頂層設計

三、食品安全大數據發展成果

四、食品安全大數據發展展望

第九節、智慧環保大數據應用

一、“環保云”項目背景

二、貴州環境信息化現狀

三、環保大數據建設現狀

四、環保大數據發展展望

第十節、智慧物流大數據應用

一、智慧物流現狀

二、智慧物流云

三、產業發展目標

第十一節、智慧金融大數據應用

一、產業發展目標

二、產業發展現狀

三、產業發展策略

第十二節、智慧醫療大數據應用

一、產業合作狀況

二、大數據云健康平臺

三、產業發展規劃

5.13 創新創業大數據應用

5.第一節、創新創業政策

5.第二節、眾創空間規模

5.第三節、大數據創業孵化園

5.第四節、創新創業孵化現狀

5.第五節、大數據商業模式大賽

5.第六節、創新創業發展機遇

第六章 2014-2016年貴州省大數據產業園發展分析

第一節、貴州大數據綜合試驗區

一、試驗區主要任務

二、試驗區發展優勢

三、試驗區發展目標

四、試驗田發展意義

第二節、貴安新區電子信息（大數據）孵化園

一、產業園發展概況

二、產業園發展規模

三、典型企業項目分析

第三節、中關村貴陽科技園

一、園區發展概況

二、園區發展定位

三、園區發展目標

四、園區規劃布局

五、空間布局結構

第四節、貴安新區高端裝備制造產業園

一、產業園發展概況

二、產業園總產值

三、產業園發展規劃

第五節、貴州省電子商務產業園區

一、貴州淘寶生態城

二、白云電商產業園

三、京東貴州館

第六節、其他大數據相關產業園分析

一、大數據產業技術創新試驗區

二、貴陽國際大數據創新中心

三、貴州臺商電子產業園

四、數據小鎮

第七章 2014-2016年貴州省重點城市大數據產業發展分析

第一節、貴陽市

一、大數據產業發展概況

二、大數據企業發展規模

三、相關產業的發展規模

四、云巖區大數據產業布局

五、高新區大數據產業現狀

六、花溪區大數據產業規劃

第二節、貴安新區

一、大數據產業發展歷程

二、大數據產業發展概況

三、大數據產業發展規模

四、大數據產業應用狀況

五、大數據創新創業態勢

六、大數據發展路徑分析

七、大數據產業招商規模

第三節、遵義市

一、大數據產業發展規模

二、大數據項目合作現狀

三、區域大數據產業發展

四、人才產業基地落地生根

五、助推大眾創業萬眾創新

六、遵義軟件園建設規模

七、大數據產業發展措施

第四節、銅仁市

一、大數據產業發展成果

二、大數據產業應用現狀

三、農村電商大數據平臺

四、電子商務產業的升級

五、大數據招商項目規模

六、大數據呼叫中心建設

七、大數據產業發展策略

第五節、六盤水

一、大數據產業發展規模

二、大數據產業園的建設

三、大數據產業招商規模

四、大數據產業應用狀況

第六節、黔南州

一、大數據產業發展優勢

二、大數據產業發展成果

三、大數據產業培育項目

第八章 2014-2016年貴州省重點大數據企業經營分析

第一節、貴州海譽科技股份有限公司

一、企業發展概況

二、大數據業務進展

三、企業競爭優勢

四、2014年海譽科技經營狀況分析

五、2015年海譽科技經營狀況分析

六、未來發展展望

第二節、貴陽朗瑪信息技術股份有限公司

一、企業發展概況

二、醫療大數據業務

三、經營效益分析

四、業務經營分析

五、財務狀況分析

六、未來前景展望

第三節、貴州高新翼云科技有限公司

一、企業發展概況

二、產品及服務

三、產品解決方案

四、企業發展現狀

第四節、貴州泛亞信通網絡科技有限公司

一、企業發展概況

二、主營業務分析

三、企業發展現狀

第五節、貴陽中電高新數據科技有限公司

一、企業發展概況

二、大數據業務分析

三、大數據業務現狀

第六節、其他大數據相關企業

一、貴州軒通大數據科技有限責任公司

二、貴州華暢智慧城市科技產業有限公司

三、貴州華耀科創科技有限公司

四、貴州翔明科技有限責任公司

五、貴州緯度科技發展有限公司

六、貴陽訊鳥公司

第九章 2016-2020年貴州省大數據產業投資分析

第一節、貴州省大數據產業投資機遇分析

一、國家戰略機遇

二、結構調整機遇

三、技術創新機遇

四、產業創新機遇

第二節、貴州省大數據產業需求分析

一、大數據分析需求

二、數據處理外包服務

三、大數據市場需求前景

第三節、貴州省大數據產業投資機會分析

一、數據交易市場投資機會

二、大數據產業鏈投資機會

三、應用領域市場投資機會

第四節、貴州省大數據產業投資風險分析

一、市場技術競爭風險

二、數據安全風險

三、人才短缺風險

四、投資風險急劇增加

第五節、貴州省大數據產業投資策略建議

一、分階段打造“三大中心”

二、構建可持續發展能力

三、堅持做好品牌宣傳

第六節、2016-2020年貴州省大數據產業預測分析

一、2016-2020年貴州省大數據電子信息產業規模預測

二、2016-2020年貴州省大數據產業規模預測 附錄

附錄一：《貴州省大數據發展應用促進條例》 附錄二：《貴陽市大數據產業行動計劃》

附錄三：貴州省大數據產業發展應用規劃綱要（2014-2020年）附錄四：《關于加快大數據產業發展應用若干政策的意見》

▄ 公司簡介

中宏經略是一家專業的產業經濟研究與產業戰略咨詢機構。成立多年來，我們一直聚焦在“產業研究”領域，是一家既有深厚的產業研究背景，又只專注于產業咨詢的專業公司。我們針對企業單位、政府組織和金融機構，提供產業研究、產業規劃、投資分析、項目可行性評估、商業計劃書、市場調研、IPO咨詢、商業數據等咨詢類產品與服務，累計服務過近10000家國內外知名企業；并成為數十家世界500強企業長期的信息咨詢產品供應商。

公司致力于為各行業提供最全最新的深度研究報告，提供客觀、理性、簡便的決策參考，提供降低投資風險，提高投資收益的有效工具，也是一個幫助咨詢行業人員交流成果、交流報告、交流觀點、交流經驗的平臺。依托于各行業協會、政府機構獨特的資源優勢，致力于發展中國機械電子、電力家電、能源礦產、鋼

鐵冶金、嵌入式軟件紡織、食品煙酒、醫藥保健、石油化工、建筑房產、建材家具、輕工紙業、出版傳媒、交通物流、IT通訊、零售服務等行業信息咨詢、市場研究的專業服務機構。經過中宏經略咨詢團隊不懈的努力，已形成了完整的數據采集、研究、加工、編輯、咨詢服務體系。能夠為客戶提供工業領域各行業信息咨詢及市場研究、用戶調查、數據采集等多項服務。同時可以根據企業用戶提出的要求進行專項定制課題服務。服務對象涵蓋機械、汽車、紡織、化工、輕工、冶金、建筑、建材、電力、醫藥等幾十個行業。

我們的優勢

強大的數據資源：中宏經略依托國家發展改革委和國家信息中心系統豐富的數據資源，建成了獨具特色和覆蓋全面的產業監測體系。經十年構建完成完整的產業經濟數據庫系統（含30類大行業，1000多類子行業，5000多細分產品），我們的優勢來自于持續多年對細分產業市場的監測與跟蹤以及全面的實地調研能力。

行業覆蓋范圍廣：入選行業普遍具有市場前景好、行業競爭激烈和企業重組頻繁等特征。我們在對行業進行綜合分析的同時，還對其中重要的細分行業或產品進行單獨分析。其信息量大，實用性強是任何同類產品難以企及的。

內容全面、數據直觀：報告以本最新數據的實證描述為基礎，全面、深入、細致地分析各行業的市場供求、進出口形勢、投資狀況、發展趨勢和政策取向以及主要企業的運營狀況，提出富有見地的判斷和投資建議；在形式上，報告以豐富的數據和圖表為主，突出文章的可讀性和可視性。報告附加了與行業相關的數據、政策法規目錄、主要企業信息及行業的大事記等，為業界人士提供了一幅生動的行業全景圖。

深入的洞察力和預見力：我們不僅研究國內市場，對國際市場也一直在進行職業的觀察和分析，因此我們更能洞察這些行業今后的發展方向、行業競爭格局的演變趨勢以及技術標準、市場規模、潛在問題與行業發展的癥結所在。我們有多位專家的智慧寶庫為您提供決策的洞察這些行業今后的發展方向、行業競爭格局的演變趨勢以及技術標準、市場規模、潛在問題與行業發展的癥結所在。

有創造力和建設意義的對策建議：我們不僅研究國內市場，對國際市場也一直在進行職業的觀察和分析，因此我們更能洞察這些行業今后的發展方向、行業

競爭格局的演變趨勢以及技術標準、市場規模、潛在問題與行業發展的癥結所在。我們行業專家的智慧寶庫為您提供決策的洞察這些行業今后的發展方向、行業競爭格局的演變趨勢以及技術標準、市場規模、潛在問題與行業發展的癥結所在。

▄ 最新目錄推薦

1、智慧能源系列

《2017-2021年中國智慧能源前景預測及投資咨詢報告》 《2017-2021年中國智能電網產業前景預測及投資咨詢報告》 《2017-2020年中國微電網前景預測及投資咨詢報告》 《2017-2020年中國小水電行業前景預測及投資咨詢報告》 《2017-2020年中國新能源產業發展預測及投資咨詢報告》 《2017-2020年中國太陽能電池行業發展預測及投資咨詢報告》 《2017-2020年中國氫能行業發展預測及投資咨詢報告》 《2017-2020年中國波浪發電行業發展預測及投資咨詢報告 《2017-2020年中國潮汐發電行業發展預測及投資咨詢報告》 《2017-2020年中國太陽能光伏發電產業發展預測及投資咨詢報告》 《2017-2020年中國燃料乙醇行業發展預測及投資咨詢報告》 《2017-2020年中國太陽能利用產業發展預測及投資咨詢報告》 《2017-2020年中國天然氣發電行業發展預測及投資咨詢報告》 《2017-2020年中國風力發電行業發展預測及投資咨詢報告》

2、“互聯網+”系列研究報告

《2017-2021年中國互聯網+廣告行業運營咨詢及投資建議報告》 《2017-2021年中國互聯網+物流行業運營咨詢及投資建議報告》 《2017-2021年中國互聯網+醫療行業運營咨詢及投資建議報告》 《2017-2021年中國互聯網+教育行業運營咨詢及投資建議報告》

3、智能制造系列研究報告

《2017-2021年中國工業4.0前景預測及投資咨詢報告》 《2017-2021年中國工業互聯網行業前景預測及投資咨詢報告》

《2017-2021年中國智能裝備制造行業前景預測及投資咨詢報告》 《2017-2021年中國高端裝備制造業發展前景預測及投資咨詢報告》

《2017-2021年中國工業機器人行業前景預測及投資咨詢報告》 《2017-2021年中國服務機器人行業前景預測及投資咨詢報告》

4、文化創意產業研究報告

《2017-2020年中國動漫產業發展預測及投資咨詢報告》 《2017-2020年中國電視購物市場發展預測及投資咨詢報告》 《2017-2020年中國電視劇產業發展預測及投資咨詢報告》 《2017-2020年中國電視媒體行業發展預測及投資咨詢報告》 《2017-2020年中國電影院線行業前景預測及投資咨詢報告》 《2017-2020年中國電子競技產業前景預測及投資咨詢報告》 《2017-2020年中國電子商務市場發展預測及投資咨詢報告》 《2017-2020年中國動畫產業發展預測及投資咨詢報告》

5、智能汽車系列研究報告

《2017-2021年中國智慧汽車行業市場前景預測及投資咨詢報告》 《2017-2021年中國無人駕駛汽車行業市場前景預測及投資咨詢報告》 《2017-2021年中國智慧停車市場前景預測及投資咨詢報告》 《2017-2021年中國新能源汽車市場推廣前景及發展戰略研究報告》 《2017-2021年中國車聯網產業運行動態及投融資戰略咨詢報告》

6、大健康產業系列報告

《2017-2020年中國大健康產業發展預測及投資咨詢報告》

《2017-2020年中國第三方醫學診斷行業發展預測及投資咨詢報告》 《2017-2020年中國基因工程藥物產業發展預測及投資咨詢報告》 《2017-2020年中國基因檢測行業發展預測及投資咨詢報告》 《2017-2020年中國健康服務產業發展預測及投資咨詢報告》 《2017-2020年中國健康體檢行業發展預測及投資咨詢報告》 《2017-2020年中國精準醫療行業發展預測及投資咨詢報告》 《2017-2020年中國康復醫療產業深度調研及投資戰略研究報告》

7、房地產轉型系列研究報告

《2017-2021年房地產+眾創空間跨界投資模式及市場前景研究報告》 《2017-2021年中國養老地產市場前景預測及投資咨詢報告》 《2017-2021年中國醫療地產市場前景預測及投資咨詢報告》 《2017-2021年中國物流地產市場前景預測及投資咨詢報告》 《2017-2021年中國養老地產前景預測及投資咨詢報告告》

8、城市規劃系列研究報告

《2017-2021年中國城市規劃行業前景調查及戰略研究報告》 《2017-2021年中國智慧城市市場前景預測及投資咨詢報告》

《2017-2021年中國城市綜合體開發模式深度調研及開發戰略分析報告》 《2017-2021年中國城市園林綠化行業發展前景預測及投資咨詢報告》

9、現代服務業系列報告

《2017-2021年中國民營醫院運營前景預測及投資分析報告》 《2017-2020年中國婚慶產業發展預測及投資咨詢報告》

《2017-2021年中國文化創意產業市場調查及投融資戰略研究報告》 《2017-2021年中國旅游行業發展前景調查及投融資戰略研究報告》 《2017-2021年中國體育服務行業深度調查與前景預測研究報告》 《2017-2021年中國會展行業前景預測及投資咨詢報告》 《2017-2021年中國冷鏈物流市場前景預測及投資咨詢報告》 《2017-2021年中國在線教育行業前景預測及投資咨詢報告》 《2017-2021年中國整形美容市場發展預測及投資咨詢報告》 《2017-2021年中國職業教育市場前景預測及投資咨詢報告》 《2017-2021年中國職業中介服務市場前景預測及投資咨詢報告》