⑴ 大数据理论如何指导交通数据分析
随着城市交通的普及和进步，地面公交路线的设计对于城市公共交通发展有着重要意义，线路的合理性显得更加重要。那么核慎，如何能够利用城市交通产生的大数据，来评价交通体系的健康程度，从而优化服务，给用户带来更佳便捷的出行体验，是我们大数据从业者需要努力的方向。
地面公交路线的设计对于城市公共交通发展有着重要意义，线路的合理性显得更加重要。本文针对公交线路的合理性分析及相关问题进行研究，关于公交线路的合理性评价关键在于评价指标的选择和具体相关数据的调查和收集，公交非高峰期、上下班高峰期、周末高峰期乘车人数数据综合分。从而对公交服务进行合理评价。
首先，我们需要利用租氏耐数据，建立交通的综合评价体系，让我们能够有效的评价，并且发掘问题所在，这样才能够有目标的进行改善。那么，城市公交评价体系有哪些维度的数据指标，我们一起来看一下：
公交资源利用率
乘客口碑分析
公交运营成本
人均乘车时间
乘客平均出行时耗
非高峰期车辆满载率
站点覆盖率
有了这些评分指标，我们就可以对一个城市的公交体系进行健康分析，一旦总体得分下降，势必与其中部分指标息息相关，我们的决策者，可以根据情况调整管理方向，及时的改善公交服务。
便捷性评估维度
站点覆盖率：指公交线路全部停靠站点总数N个的覆盖面积与服务区域面积F值比，用于表示公交站点在公交服务区域内平均分布状况和反映居民接近公交站点的程度。显然，区域内站点覆盖率越高，便捷性就越好;
乘客平均出行时耗：指居民在交通行为中人均需要耗费的时间，反映了公交系统对居民生活的实际影响情况。当然乘客平均出行时耗越小，就说明公交线网对于居民而言便捷性越高。
高效性评估维度
车辆满载率：指运营车辆全天载运乘客的平均满载程度，反映了公交资源弊春的利用程度。很显然，车辆的满载率越高，公交系统的高效性体现越充分;
道路饱和度：饱和度越好，公交线路对道路资源的利用率越高。
公交效益评估维度
运营成本主要考虑公交车辆行驶的耗油量以及路线车型的大小，耗油量反映出公交车行驶路线的长短，从而反映公交线路的日常运营成本;
线路的非直线系数是指公交线路的实际长度与空间直线距离之比，非直线系数越小，
如何计算这些指标，我们需要统一一下：
非一线城市，交通建设良好情况下
非高峰期乘客平均出行时耗为t1=20.3分钟;
上下班高峰期乘客平均出行时耗为t2=21.0分钟;
周末高峰期乘客平均出行时耗为t3=30.5分钟。
直线系数为=公交线路的路线长为／起始站的空间几何距离
国家建议的公交标准如下：
乘客平均出行时耗应在20至60分钟之间;
非直线系数应在1.0至1.4之间
站点覆盖率应在0.25至0.5之间
车辆满载率应在0.25至0.5之间
车辆乘车人数规定在60人以内
根据数据结合计算公式，我们对照国家标准，就可以评估一个城市的公交服务到底是优，良，中，差四种评价中的哪一个了。
一旦出现了差评，那么我们管理者也可以根据指标判断是那方面出现了问题，及时的参与管控，提高服务质量。
⑵ 大数据分析是指的什么
大数据分析是指对规模宏弯巨大的数据进行分析。
对大数据bigdata进行采集、清洗、挖掘、分析等，大数据主要有数据采集、数据存储、数据管理和数据分析与挖掘技术等：
数据处理：自然语言处理技术。
统计分析：假设检验、显著性检验、差异分析、相关分析、多元回归分析、逐步回归、回归预测与残差分析等。
数据挖掘：分类(Classification)、估计(Estimation)、预测(Prediction)、相关性分组或悉键关联规则()、聚类(Clustering)、描述和可视化、DescriptionandVisualization)、复杂数据类型挖掘(Text,Web,图形图像，视频，音频等)。
随着大数据的发展，大数据分析广泛应用在各行各业，其中金融与零售行业应用较为广泛。
大数据分析方法：
大数据挖掘：定义目标，并分析问题
开始大数据处理前，应该定好处理数据的目标，然后才能开始数据挖掘。
大数据挖掘：建立模型，采集数据
可以通过网络爬虫，或者历年的数据资料，建立对应的数据挖掘模型，然后采集数据，获取到大量的原始数据。
大数据挖掘：导入并准备数据
在通过工具或者脚本，将原始转换成可以处理的数据，
大数据分析算法：机器学习
通过使用机器学习的方法，处理采集到的数据。根据具体的问题来定。这里的方法就特别多。
大数据分析目标：语义引擎蔽陆闷
处理大数据的时候，经常会使用很多时间和花费，所以每次生成的报告后，应该支持语音引擎功能。
大数据分析目标：产生可视化报告，便于人工分析
通过软件，对大量的数据进行处理，将结果可视化。
大数据分析目标：预测性
通过大数据分析算法，应该对于数据进行一定的推断，这样的数据才更有指导性。
⑶ 大数据分析与处理方法解读
越来越多的应用涉及到大数据，这些大数据的属性，包括数量，速度，多样性等等都是呈现了大数据不断增长的复杂性，所以，大数据的分析方法在大数据领域就显得尤为重要，可以说是决定最终信息是否有价值的决定性因素。基于此，大数据分析的方法理论有哪些呢？
大数据分析的五个基本方面
（预测性分析能力）
数据挖掘可以让分析员更好的理解数据，而预测性分析可以让分析员根据可视化分析和数据挖掘的结果做出一些预测性的判断。
（数据质量和数据管理）
数据质量和数据管理是一些管理方面的最佳实践。通过标准化的流程和工具对数据进行处理可以保证一个预先定义好的高质量的分析结果。
AnalyticVisualizations（可视化分析）
不管是对数据分析专家还是普通用户，数据可视化是数据分析工具最基本的要求。可视化可以直观的展示数据，让数据自己说话，让观众听到结果。
SemanticEngines（语义引擎）
我们知道由于非结构化数据的多样性带来了数据分析的新的挑战，我们需要一系列的工具去解析，提取，分析数据。语义引擎需要被设计成能够从“文档”中智能提取信息。
DataMiningAlgorithms（数据挖掘算法）
可视化是给人看的，数据挖掘就是给机器看的。集群、分割、孤立点分析还有其他的算法让我们深入数据内部，挖掘价值。这些算法不仅要处理大数据的量，也要处理大数据的速度。
假如大数据真的是下一个重要的技术革新的话，我们最好把精力关注在大数据能给我们带来的好处，而不仅仅是挑战。
大数据处理
大数据处理数据时代理念的三大转变：要全体不要抽样，要效率不要绝对精确，要相关不要因果。具体的大数据处理方法其实有很多，但是根据长时间的实践，笔者总结了一个基本的大数据处理流程，并且这个流程应该能够对大家理顺大数据的处理有所帮助。整个处理流程可以概括为四步，分别是采集、导入和预处理、统计和分析，以及挖掘。
采集
大数据的采集是指利用多个数据库来接收发自客户端的数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间进行负载均衡和分片的确是需要深入的思考和设计。
统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数据上面进行基于各种算法的计算，从而起到预测的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的K-Means、用于统计学习的SVM和用于分类的Naive Bayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并且计算涉及的数据量和计算量都很大，还有，常用数据挖掘算法都以单线程为主。
⑷ 大数据分析普遍存在的方法及理论有哪些
大数据挖掘分析最重要的能力是什么，同学们给出了五花八门的答案。针对《浅析大数据分析技术》、《大数据分析流程是什么》、《大数据分析十八般工具》、《大数据分析12大就业方向》的分析同学们很感兴趣，但是对大数据分析的方法不甚了解，今天小编重点分析大数据分析方法。在大数据挖掘分析领域中，数据挖掘分析领域最重要的能力是：能够将数据转化为非专业人士也能够清楚理解的有意义的见解，最常用的四种数据分析方法：描述型分析、诊断型分析、预测型分析和指令型分析。
使用一些工具来帮助大家更好的理解数据分析在挖掘数据价值方面的重要性，是十分有必要的。其中的一个工具，叫做四维分析法。简单地来说，分析可被划分为4种关键方法。
一、描述型分析：发生了什么?
这是最常见的分析方法。在业务中，这种方法向大数据分析师提供了重要指标和业务的衡量方法。例如，每月的营收和损失账单。数据分析师可以通过这些账单，获取大量的客户数据。了解客户的地理信息，就是“描述型分析”方法之一。利用可视化工具，能够有效的增强描述型分析所提供的信息。大数据分析方法
二、诊断型分析：为什么会发生?
描述性数据分析的下一步就是诊断型数据分析。通过评估描述型数据，诊断分析工具能够让数据分析师深入地分析数据，钻取到数据的核心。良好设计的BI dashboard能够整合：按照时间序列进行数据读入、特征过滤和钻取数据等功能，以便更好的分析数据。
三、预测型分析：可能发生什么?
预测型分析主要用于进行预测。事件未来发生的可能性、预测一个可量化的值，或者是预估事情发生的时间点，这些都可以通过预测模型来完成。预测模型通常会使用各种可变数据来实现预测。数据成员的多样化与预测结果密切相关。在充满不确定性的环境下，预测能够帮助做出更好的决定。预测模型也是很多领域正在使用的重要方法。
四、指令型分析：需要做什么?
数据价值和复杂度分析的下一步就是指令型分析。指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析，来帮助用户决定应该采取什么措施。通常情况下，指令型分析不是单独使用的方法，而是前面的所有方法都完成之后，最后需要完成的分析方法。例如，交通规划分析考量了每条路线的距离、每条线路的行驶速度、以及目前的交通管制等方面因素，来帮助选择最好的回家路线。