❶ 大數據量的交集，並集，差集求解演算法
首先這點數據並不大呀。。
交集最好做 [hash]/[單排序+二分]/[雙排序+歸並過程找]
並集同理，只不過把交集中不要的數據也記錄下來就行了
差集，只要交集過程中不要的
❷ 大數據推送一周前與感染者有時空交集隔離時間怎樣算
「時空交集」與「時空伴隨」概念相同，是指14天內，與確診患者在同一個時間和空間網格內（通常以800米×800米為檢測范圍），共同停留過10分鍾的人。
通俗地說，比如感染者14天內到過某地，而你這14天的軌跡與他有過交集，無論是身體上擦肩而過，還是通信信號上的漂移，都可能被認定為時空伴隨。專家表示，篩查「時空伴隨者」可以最大程度發現潛在風險人群，將更多存在「時空重合」而有可能感染的人群納入到重點排查中，真正做到早期發現和防控關口前移。
❸ 大數據、BI、AI,三者之間的關系是什麼_大數據和bi的區別
BI目前實現的是收集數據，提供反饋，輔助決策的能力，以數據為基礎的，面向數據管理和分析，段橡乎屬被動角色。而AI則輔以大數據，演算法等得到更有價值的信息，實現收集預測的能力，更多的是主動角色。
雖然AI的應用范圍非常廣，但結合BI現仍是處理結構化的數據。而此處二者的交集在於機器學習和數據挖掘，但又略有不同。AI的機器學習強調演算法，BI的數據挖掘還包括對數據的管理，演算法選擇上也較為簡單，沒有神經網路和深度學習等復雜AI演算法。
未來,AI與BI的區別在於BI負責梳理生產關系，AI是先進生產力。那麼AIBI模式通過將AI嵌入BI，構建基於AI的BI平台，利用AI的智能讓BI系如納統能夠解決更復雜的業務場景，產出更精準的分析結果，從而使決策更為科學和准確。
對於結構化的數據，BI系統握悉可應用機器學習演算法，得到更精確的分析結果。例如上文提到的總結用戶畫像，分析人群行為數據，得到千人千面，實現精準營銷的結果。還有金融領域的風險監測，AIBI的模式可以分析出金融風險和其他指標、行為之間的內在聯系，預測更為准確。
對於非結構化的數據，BI可以應用圖像處理、語音工程和文本分析等AI技術，智能化地處理復雜業務場景。如語音轉文字，錄入數據及產出想要的報表等。
業務場景除了在IT信息化基礎比較扎實的行業，也會在深度場景化的細分領域，且這些領域不具備通用性。也可理解為解決方案不具備復用性。這個時候通過AI完成一些演算法匹配，根據匹配的結果來驅動業務執行。