⑴ 大數據理論如何指導交通數據分析
隨著城市交通的普及和進步，地面公交路線的設計對於城市公共交通發展有著重要意義，線路的合理性顯得更加重要。那麼核慎，如何能夠利用城市交通產生的大數據，來評價交通體系的健康程度，從而優化服務，給用戶帶來更佳便捷的出行體驗，是我們大數據從業者需要努力的方向。
地面公交路線的設計對於城市公共交通發展有著重要意義，線路的合理性顯得更加重要。本文針對公交線路的合理性分析及相關問題進行研究，關於公交線路的合理性評價關鍵在於評價指標的選擇和具體相關數據的調查和收集，公交非高峰期、上下班高峰期、周末高峰期乘車人數數據綜合分。從而對公交服務進行合理評價。
首先，我們需要利用租氏耐數據，建立交通的綜合評價體系，讓我們能夠有效的評價，並且發掘問題所在，這樣才能夠有目標的進行改善。那麼，城市公交評價體系有哪些維度的數據指標，我們一起來看一下：
公交資源利用率
乘客口碑分析
公交運營成本
人均乘車時間
乘客平均出行時耗
非高峰期車輛滿載率
站點覆蓋率
有了這些評分指標，我們就可以對一個城市的公交體系進行健康分析，一旦總體得分下降，勢必與其中部分指標息息相關，我們的決策者，可以根據情況調整管理方向，及時的改善公交服務。
便捷性評估維度
站點覆蓋率：指公交線路全部停靠站點總數N個的覆蓋面積與服務區域面積F值比，用於表示公交站點在公交服務區域內平均分布狀況和反映居民接近公交站點的程度。顯然，區域內站點覆蓋率越高，便捷性就越好;
乘客平均出行時耗：指居民在交通行為中人均需要耗費的時間，反映了公交系統對居民生活的實際影響情況。當然乘客平均出行時耗越小，就說明公交線網對於居民而言便捷性越高。
高效性評估維度
車輛滿載率：指運營車輛全天載運乘客的平均滿載程度，反映了公交資源弊春的利用程度。很顯然，車輛的滿載率越高，公交系統的高效性體現越充分;
道路飽和度：飽和度越好，公交線路對道路資源的利用率越高。
公交效益評估維度
運營成本主要考慮公交車輛行駛的耗油量以及路線車型的大小，耗油量反映出公交車行駛路線的長短，從而反映公交線路的日常運營成本;
線路的非直線系數是指公交線路的實際長度與空間直線距離之比，非直線系數越小，
如何計算這些指標，我們需要統一一下：
非一線城市，交通建設良好情況下
非高峰期乘客平均出行時耗為t1=20.3分鍾;
上下班高峰期乘客平均出行時耗為t2=21.0分鍾;
周末高峰期乘客平均出行時耗為t3=30.5分鍾。
直線系數為=公交線路的路線長為／起始站的空間幾何距離
國家建議的公交標准如下：
乘客平均出行時耗應在20至60分鍾之間;
非直線系數應在1.0至1.4之間
站點覆蓋率應在0.25至0.5之間
車輛滿載率應在0.25至0.5之間
車輛乘車人數規定在60人以內
根據數據結合計算公式，我們對照國家標准，就可以評估一個城市的公交服務到底是優，良，中，差四種評價中的哪一個了。
一旦出現了差評，那麼我們管理者也可以根據指標判斷是那方面出現了問題，及時的參與管控，提高服務質量。
⑵ 大數據分析是指的什麼
大數據分析是指對規模宏彎巨大的數據進行分析。
對大數據bigdata進行採集、清洗、挖掘、分析等，大數據主要有數據採集、數據存儲、數據管理和數據分析與挖掘技術等：
數據處理：自然語言處理技術。
統計分析：假設檢驗、顯著性檢驗、差異分析、相關分析、多元回歸分析、逐步回歸、回歸預測與殘差分析等。
數據挖掘：分類(Classification)、估計(Estimation)、預測(Prediction)、相關性分組或悉鍵關聯規則()、聚類(Clustering)、描述和可視化、DescriptionandVisualization)、復雜數據類型挖掘(Text,Web,圖形圖像，視頻，音頻等)。
隨著大數據的發展，大數據分析廣泛應用在各行各業，其中金融與零售行業應用較為廣泛。
大數據分析方法：
大數據挖掘：定義目標，並分析問題
開始大數據處理前，應該定好處理數據的目標，然後才能開始數據挖掘。
大數據挖掘：建立模型，採集數據
可以通過網路爬蟲，或者歷年的數據資料，建立對應的數據挖掘模型，然後採集數據，獲取到大量的原始數據。
大數據挖掘：導入並准備數據
在通過工具或者腳本，將原始轉換成可以處理的數據，
大數據分析演算法：機器學習
通過使用機器學習的方法，處理採集到的數據。根據具體的問題來定。這里的方法就特別多。
大數據分析目標：語義引擎蔽陸悶
處理大數據的時候，經常會使用很多時間和花費，所以每次生成的報告後，應該支持語音引擎功能。
大數據分析目標：產生可視化報告，便於人工分析
通過軟體，對大量的數據進行處理，將結果可視化。
大數據分析目標：預測性
通過大數據分析演算法，應該對於數據進行一定的推斷，這樣的數據才更有指導性。
⑶ 大數據分析與處理方法解讀
越來越多的應用涉及到大數據，這些大數據的屬性，包括數量，速度，多樣性等等都是呈現了大數據不斷增長的復雜性，所以，大數據的分析方法在大數據領域就顯得尤為重要，可以說是決定最終信息是否有價值的決定性因素。基於此，大數據分析的方法理論有哪些呢？
大數據分析的五個基本方面
（預測性分析能力）
數據挖掘可以讓分析員更好的理解數據，而預測性分析可以讓分析員根據可視化分析和數據挖掘的結果做出一些預測性的判斷。
（數據質量和數據管理）
數據質量和數據管理是一些管理方面的最佳實踐。通過標准化的流程和工具對數據進行處理可以保證一個預先定義好的高質量的分析結果。
AnalyticVisualizations（可視化分析）
不管是對數據分析專家還是普通用戶，數據可視化是數據分析工具最基本的要求。可視化可以直觀的展示數據，讓數據自己說話，讓觀眾聽到結果。
SemanticEngines（語義引擎）
我們知道由於非結構化數據的多樣性帶來了數據分析的新的挑戰，我們需要一系列的工具去解析，提取，分析數據。語義引擎需要被設計成能夠從「文檔」中智能提取信息。
DataMiningAlgorithms（數據挖掘演算法）
可視化是給人看的，數據挖掘就是給機器看的。集群、分割、孤立點分析還有其他的演算法讓我們深入數據內部，挖掘價值。這些演算法不僅要處理大數據的量，也要處理大數據的速度。
假如大數據真的是下一個重要的技術革新的話，我們最好把精力關注在大數據能給我們帶來的好處，而不僅僅是挑戰。
大數據處理
大數據處理數據時代理念的三大轉變：要全體不要抽樣，要效率不要絕對精確，要相關不要因果。具體的大數據處理方法其實有很多，但是根據長時間的實踐，筆者總結了一個基本的大數據處理流程，並且這個流程應該能夠對大家理順大數據的處理有所幫助。整個處理流程可以概括為四步，分別是採集、導入和預處理、統計和分析，以及挖掘。
採集
大數據的採集是指利用多個資料庫來接收發自客戶端的數據，並且用戶可以通過這些資料庫來進行簡單的查詢和處理工作。比如，電商會使用傳統的關系型資料庫MySQL和Oracle等來存儲每一筆事務數據，除此之外，Redis和MongoDB這樣的NoSQL資料庫也常用於數據的採集。
在大數據的採集過程中，其主要特點和挑戰是並發數高，因為同時有可能會有成千上萬的用戶來進行訪問和操作，比如火車票售票網站和淘寶，它們並發的訪問量在峰值時達到上百萬，所以需要在採集端部署大量資料庫才能支撐。並且如何在這些資料庫之間進行負載均衡和分片的確是需要深入的思考和設計。
統計/分析
統計與分析主要利用分布式資料庫，或者分布式計算集群來對存儲於其內的海量數據進行普通的分析和分類匯總等，以滿足大多數常見的分析需求，在這方面，一些實時性需求會用到EMC的GreenPlum、Oracle的Exadata，以及基於MySQL的列式存儲Infobright等，而一些批處理，或者基於半結構化數據的需求可以使用Hadoop。統計與分析這部分的主要特點和挑戰是分析涉及的數據量大，其對系統資源，特別是I/O會有極大的佔用。
導入/預處理
雖然採集端本身會有很多資料庫，但是如果要對這些海量數據進行有效的分析，還是應該將這些來自前端的數據導入到一個集中的大型分布式資料庫，或者分布式存儲集群，並且可以在導入基礎上做一些簡單的清洗和預處理工作。也有一些用戶會在導入時使用來自Twitter的Storm來對數據進行流式計算，來滿足部分業務的實時計算需求。導入與預處理過程的特點和挑戰主要是導入的數據量大，每秒鍾的導入量經常會達到百兆，甚至千兆級別。
挖掘
與前面統計和分析過程不同的是，數據挖掘一般沒有什麼預先設定好的主題，主要是在現有數據上面進行基於各種演算法的計算，從而起到預測的效果，從而實現一些高級別數據分析的需求。比較典型演算法有用於聚類的K-Means、用於統計學習的SVM和用於分類的Naive Bayes，主要使用的工具有Hadoop的Mahout等。該過程的特點和挑戰主要是用於挖掘的演算法很復雜，並且計算涉及的數據量和計算量都很大，還有，常用數據挖掘演算法都以單線程為主。
⑷ 大數據分析普遍存在的方法及理論有哪些
大數據挖掘分析最重要的能力是什麼，同學們給出了五花八門的答案。針對《淺析大數據分析技術》、《大數據分析流程是什麼》、《大數據分析十八般工具》、《大數據分析12大就業方向》的分析同學們很感興趣，但是對大數據分析的方法不甚了解，今天小編重點分析大數據分析方法。在大數據挖掘分析領域中，數據挖掘分析領域最重要的能力是：能夠將數據轉化為非專業人士也能夠清楚理解的有意義的見解，最常用的四種數據分析方法：描述型分析、診斷型分析、預測型分析和指令型分析。
使用一些工具來幫助大家更好的理解數據分析在挖掘數據價值方面的重要性，是十分有必要的。其中的一個工具，叫做四維分析法。簡單地來說，分析可被劃分為4種關鍵方法。
一、描述型分析：發生了什麼?
這是最常見的分析方法。在業務中，這種方法向大數據分析師提供了重要指標和業務的衡量方法。例如，每月的營收和損失賬單。數據分析師可以通過這些賬單，獲取大量的客戶數據。了解客戶的地理信息，就是「描述型分析」方法之一。利用可視化工具，能夠有效的增強描述型分析所提供的信息。大數據分析方法
二、診斷型分析：為什麼會發生?
描述性數據分析的下一步就是診斷型數據分析。通過評估描述型數據，診斷分析工具能夠讓數據分析師深入地分析數據，鑽取到數據的核心。良好設計的BI dashboard能夠整合：按照時間序列進行數據讀入、特徵過濾和鑽取數據等功能，以便更好的分析數據。
三、預測型分析：可能發生什麼?
預測型分析主要用於進行預測。事件未來發生的可能性、預測一個可量化的值，或者是預估事情發生的時間點，這些都可以通過預測模型來完成。預測模型通常會使用各種可變數據來實現預測。數據成員的多樣化與預測結果密切相關。在充滿不確定性的環境下，預測能夠幫助做出更好的決定。預測模型也是很多領域正在使用的重要方法。
四、指令型分析：需要做什麼?
數據價值和復雜度分析的下一步就是指令型分析。指令模型基於對「發生了什麼」、「為什麼會發生」和「可能發生什麼」的分析，來幫助用戶決定應該採取什麼措施。通常情況下，指令型分析不是單獨使用的方法，而是前面的所有方法都完成之後，最後需要完成的分析方法。例如，交通規劃分析考量了每條路線的距離、每條線路的行駛速度、以及目前的交通管制等方面因素，來幫助選擇最好的回家路線。