
不要简单地说大数据可以预测未来
在简练表达“何为城市理想”之后,茅明睿马上向听众直言了城市规划师所直面的“理想与现实”之间的残酷距离。他说,作为一个在规划圈待了十余年的人,这当中体会最深的两对矛盾就是,“理想与谋生需求的冲突,个体认知与上位要求的冲突”。
虽然规划师们始终在尝试运用先进的技术工具和手段,助力规划信息化水平,对接城市居民的切实需求,但是也会经常被人吐槽。尤其是一些技术手段,往往沦为华而不实的一个PPT作为锦上添花的配图工具。
除此以外,茅明睿坦言,虽然城市规划师看似就像握着画笔的画家,基于科学论证挥洒着他们的想象力。但现实中,即便他们也是上要照顾领导,下要养家糊口。一名城市规划师的真实处境,其实是在民众与公权力的夹缝中求生存。
寻求城市理想要接地气,更要转型创新
茅明睿认为,人口红利的逐渐消失,让城市规划逐渐变成一个解决存量问题的工作。另一方面,互联网技术的发展,也在推动规划行业转型创新。比如城市规划领域,有了自己的组织群体,例如BCL、青年规划师联盟、NGO,以及各种在微信上建立的规划群等等。不仅如此,规划行业也在深处变革,比如从以往的垄断数据到现在的开放数据、从以往的IT到现在的DT、从权力到权利的转变……这些都格外引入注目。
而关键的问题也来了:城市规划,到底如何接地气地跟上如今社会转型的需求?茅明睿给出的答案是,规划业务要转型、规划院管理要转型,规划师更要积极自我转型。
他提到,规划院要积极建立云平台,集合数据和规划师组织,做好大数据的获取挖掘与城市研究、汇集集体智慧,同时,在自下而上的社区治理和规划实践中,广泛收集社会意见和建议,形成城市规划的决策动力。
谈及规划师的自我转型,茅明睿表示既要下得去社区,更要玩得转数据。如果现在的规划师还无法运用大数据来辅助甚至引领城市规划,接下来面临的处境很可能是淘汰出局。
城市规划 只聚焦交通大数据你就错了
城市交通与城市规划的关系是密不可分的。不过在茅明睿看来,提到城市规划的时候,公众甚至很多规划师也会首先想到城市交通。但,一个好的城市规划师不只是关注交通,或者是眼下提得更多的交通大数据。
茅明睿表示,在交通大数据上单一地发力,很难在实质上推动城市规划形成好的解决方案。更多时候,交通大数据能提供的基本是一个道路拥堵与否的参考。他认为,真正的城市规划解决方案还需要依托多个城市生活维度的综合考量,深层次定夺方案。
数据的来源应该更多,更广泛。关注的维度应该更多,更立体。
提到大数据,茅明睿认为“感知即参与”,他以北规院举办的“长辛店老镇复兴计划”、积水地图为例,解释了云平台如何利用线上线下的服务实现数据众筹。真正让城市规划云平台充当好完善城市规划与便捷百姓生活的优质角色。
“不要简单地说大数据可以预测未来!”
“未来的城市规划,一定少不了大数据。”这一观点贯穿在茅明睿的整场演讲中。然而,大数据到底如何看待,到底怎么用?茅明睿表示,“不要简单地说,大数据可以预测未来!”
茅明睿表示,北规院在大数据方面也做了很多的研究。在现场,他结合了“利用公共交通刷卡数据分析北京通勤出行情况”、地铁里的灰色人群等丰富案例来解释大数据的相关实际应用。
除此之外,他以顺义、通州为例,展示了“人迹地图”这一城市数据平台功能在人流分析、人群分析、单元画像、城市光谱等方面的案例。
总结时,茅明睿在一再强调,一定不能简单认为大数据拿来了就能预测,要基于原有统计做深植,要通过数据观察现象、提取信息、发现具体规律,这样才能看出城市规划中,具体的公共决策会对这个城市的人群造成什么样的影响。路很漫长,要做的事情还有很多,希望在未来,以数据感知分析为桥梁,“下社区”去实现真正的城市理想。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
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分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29在标签体系的落地链路中,“设计标签逻辑” 只是第一步,真正让标签从 “纸上定义” 变为 “业务可用资产” 的关键,在于标签加 ...
2025-09-29在使用 Excel 数据透视表进行多维度数据汇总时,折叠功能是梳理数据层级的核心工具 —— 通过点击 “+/-” 符号可展开明细数据或 ...
2025-09-28在使用 Pandas 处理 CSV、TSV 等文本文件时,“引号” 是最容易引发格式混乱的 “隐形杀手”—— 比如字段中包含逗号(如 “北京 ...
2025-09-28