
大数据VS大拥堵:大数据治理交通
如今交通拥堵随处可见,在公路、空中、铁路交通等发生的一系列拥堵不仅会造成时间的浪费和空气的污染,还会在社会发展的过程中付出高昂的代价。在伦敦、布鲁塞尔,上班族每年至少要浪费50个小时在交通拥堵上,这几乎等同于一周的工作时间。在欧洲,交通拥堵所带来的代价几乎能耗费掉近百分之一的GDP。在美国,仅航班延误这一项就能耗费近60亿美元的经济成本。
尽管出现了以色列实时识别模式系统、巴西优化航空路线利用率、欧洲铁路公司等一些令人鼓舞的将交通基础设施和大数据信息整合的例子,但总体看来,这一方向的进展还是缓慢。在机场行业相关的聚会上,经常会有很多人热情讨论亟待使用大数据对跟踪乘客的移动设备而收集的信息来做出相应决策,例如在乘客登机时,通过对排队乘客的步行速度进行分析,在缩减安检队列的基础上以文本消息的提醒方式对乘客定制一些购物建议。尽管如此,能够将想法付诸行动的机场依然寥寥无几。
在与行业从业者的对话过程中,我们确定了利用大数据来提升对基础设施的利用效率的三点障碍。
1数据缺乏透明度
交通基础设施的参与者网络非常复杂。例如,一个机场的参与者,涵盖了多个航空公司、地面处理公司、零售商、空中交通管制、海关以及机场运营公司本身。每个企业参与者都能够收集各自领域的数据,但是却不愿意共享。从企业角度来看,这个有时确实是有道理的,就好比没有零售商想放弃商店。但是对乘客数据的分析可能会受益于这里面的每一个企业参与者。例如,分析客流量的变化趋势有助于机场各类资源的优化分配。这不仅可以为机场带来更大的客流量,而且还能提高商店的零售收入。然而,前提是数据能够共享。
2信息共享的成本和收益的矛盾
例如,航空公司为了缩短旅程航行时间,自然希望乘客进站时间越短越好,而零售商可能更喜欢乘客逗留,以增加商店的收入。机场更倾向于提高资产利用效率,但也有可能为了在突发事件发生后能够快速恢复的灵活性能的提高而降低资产利用效率。因此,需要共同寻找一个合理的解决方案使得每一个企业参与者都能够获得收益,这个并不容易,需要大家一定程度上的实实在在的相互信任。
3监管约束不足
基础设施在很多情况下都是属于垄断行业,因此政府这一角色至关重要,不仅要确保政策公平且划算,还要创造一个允许收集和使用数据并且保证数据的机密性和隐私的监管环境。前提是,竞争方和保护数据方以及政府必须相信数字化是有益于后续的事业发展,这一点至关重要。另外,我们还面临一个相当大的挑战,即确保在阐述如何收集数据、如何使用数据、如何通过对数据的分析来使消费者受益的前提下,解决用户的隐私问题。
上述三点障碍相互依存,必须同时解决。没有透明度,就没有办法建立信任,实现公平共享。没有公平共享和明确的公共利益,监管机构不会参与。没有负责的监管机构参与,企业就不愿共享他们的数据。
让所有参与者在基础设施网络中合作并不容易,首先需要有一个合格的领导者。一般来说,政府在基础设施中的参与利益很明显,因此一个办法是由国家或者多国政府出面。另外特权持有者也具有一定的优势,例如机场运营商或者铁路公司。也可以是二者的组合,由政府出面设定目标,建立一个数据使用共享的平台,特权持有者设定机构,来进行数据工作的分析。
利用大数据提升基础设施的利用效率这一工作开始的时间并不长,还在逐步推进中。要想形成这种趋势,一个比较可行的策略是推行一个试点计划,例如在机场或者火车站对采用大数据分析策略的结果进行测试,并且记录下最终收益。但也许最重要的是要能够认识到这些信息是提升基础设施的利用效率的潜在助力。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22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