HAO打卡系统：以组织智能成就智能组织

打卡可能出于私人目的, 没有组织关联, 比如记录个人的旅行日志; 也可能是公事需求, 属于组织考勤的一部分, 有时还会与多个组织关联. 因此, 打卡数据的保存、分享和分析需要精细化管理. HAO打卡是一个移动式轻量级打卡平台, 以个人和组织为两个抓手, 以人类智能(HI)、人工智能(AI)和组织智能(OI)相结合的HAO智能为技术驱动, 构建HAO打卡知识图谱, 通过提出HAO打卡闭环权限管理架构, 并辅以从粗粒度到细粒度的隐私权限管理办法, 在进行精细化考勤管理的同时保护用户的隐私, 从而推动新一代打卡系统的智能化变革. 在组织考勤分析方面, 提出四要素得分法和四要素考勤报表法, 通过打卡数据计算员工考勤得分, 生成精准全面的考勤报表, 为组织提供决策支持, 激发组织和个人的活力, 以组织智能成就智能组织.     

煤矿安全大数据特征及治理方法体系研究

高效分析利用煤矿安全大数据,对于提高煤矿的安全管理水平和生产效率具有重要意义。目前煤矿安全大数据治理存在数据特征不明、治理方法不清等问题,针对该问题,着重分析了煤矿安全大数据特征,得出煤矿安全大数据具有5V特征,即数据体量大（Volume）、数据类型多（Variety）、处理速度快（Velocity）、价值密度低（Value）、真实性（Veracity）,此外还具有结构化程度不一致的特征。介绍了可应用于煤矿安全管理中的主要数据治理方法及模型,并分为单变量方法、多变量统计分析方法、智能模式识别方法、系统动力学模型和综合集成模型五大类。从主体和客体的视角,提出了煤矿安全大数据治理方法体系,认为数据治理方法的选择必须与智慧矿山的主体、客体的数据治理目标相契合。基于主体的治理方法选择：根据数据主体的需求、层次、担负的任务及安全管理目标确定数据治理具体内容;基于客体的治理方法选择：根据客体对象的时效性、吞吐量要求及安全管理目标确定数据治理具体内容。最后得出煤矿安全大数据治理方法的确定需要在统一目标和统一标准下,根据作用域和作用对象的不同,满足共性和个性需求。     

碎片化家谱数据的融合技术

家谱数据是典型的碎片化数据,具有海量、多源、异构、自治的特点.通过数据融合技术将互联网中零散分布的家谱数据融合成一个全面、准确的家谱数据库,有利于针对家谱数据进行知识挖掘和推理,从而为用户提供姓氏起源、姓氏变迁和姓氏间关联等隐含信息.在大数据知识工程BigKE模型的基础上,提出了一个结合HAO智能模型的碎片化数据融合框架FDF-HAO （fragmented data fusion with human intelligence,artificial intelligence and organizational intelligence）,阐述了架构中每层的作用、关键技术和需要解决的问题,并以家谱数据为例,验证了该数据融合框架的有效性.最后,对碎片化数据融合的前景进行展望.     

智能煤矿数据中台架构及关键技术研究

数据中台是智能煤矿建设的数据底座,是煤矿大数据应用的基础。提出了包含数据汇聚、数据开发、数据存储、数据资产管理、数据服务等的智能煤矿数据中台建设思路;设计了智能煤矿数据中台架构,分析了数据中台的数据标准规范、大数据基础支撑、数据汇聚、数据开发、数据资源池、数据资产管理、数据服务、运维保障等功能模块;探讨了建设智能煤矿数据中台过程中高并发低时延数据处理、数据分级分类存储、数据治理、基于大数据的煤矿灾害风险模型构建等关键技术的解决方案。应用表明,智能煤矿数据中台实现了数据汇聚、数据开发,以及各类感知数据、基础数据、管理数据的分级分类存储、数据资产管理、数据建模、模型训练、数据服务等,使得煤矿多源异构数据从数据资源变为数据资产,可提供基于大数据的调度决策、灾害风险分析、设备健康诊断、预防性维护等应用,解决了煤矿信息孤岛严重、数据难集成、智能化分析水平低等问题。     

数据驱动的燃气应急抢修系统设计与实现

利用数字化技术重塑上海燃气,建立多源异构燃气数据的采集、治理、智能分析应用和数据服务,通过数据融合形成能源数字化资源.集中对燃气数据的模型、规范、标准和质量进行管控,规范燃气数据管理流程,智能挖掘燃气数据资源与价值.通过对抢修事故数据的实时动态数据分析,建立智能分析模型,实现调度优化、应急事故分析、站点管理、路径推荐等...     

基于大数据的网络安全舆情研究

当今时代是一个智能时代,智能移动终端普及性极高,每个人都是一个数据中转站,根据人类产生的数据可以模拟和分析人类的行为.当前4G和即将普及的5G网给信息的传播装上了翅膀,然而信息化的飞速发展有利有弊,网络舆论的传播也搭载了科技进步的优势,当前我国提出姚建设网络安全强国,坚强的网络离不开对大数据的研究,文中就基于大数据的环境下网络安全舆情治理措施做了相关阐述,并给出网络舆情治理措施.     

前言

2019年,我国自然资源部发布《智慧城市时空大数据平台建设技术大纲》,强调依托空间数据智能处理,加速我国智慧城市建设进程.智慧城市建设旨在通过对城市大数据进行有效的采集、管理、分析以及挖掘,以强大的算法模型和计算能力为国家、城市、区域治理中的各个应用场景提供智慧赋能,从而提高城市智能管理水平.空间数据智能作为城市计算的...     

数据定价与交易研究综述

在大数据时代，随着信息技术的发展，各行各业都在收集海量数据.数据是数字经济的基础，蕴含有巨大价值.但是由于缺乏高效可行的共享机制，数据拥有方彼此之间缺乏沟通，形成了一个个数据孤岛.这不利于大数据产业的健康发展.因此，给数据分配一个合适的价格，设计高效的数据交易市场平台成为消除数据孤岛、使数据充分流动的重要途径.系统梳理进行数据定价与交易时涉及的技术性问题.具体来说，介绍数据定价与交易的难点和相关准则；将大数据在市场中的生命周期分为数据收集与集成、数据管理与分析、数据定价和数据交易4个环节；在大数据管理研究的基础上介绍适用于前两个环节的相关方法；然后对数据定价思路和方法进行分类，分析各类方法的适用场景以及优势和短板；介绍数据市场的分类，以博弈论和拍卖为例研究了数据交易中市场类型和参与人行为对交易过程及价格的影响.最后，对数据定价与交易的未来研究方向进行展望.     

飞行试验工程大数据治理思考

飞行试验工程大数据是典型的工业大数据,是试飞工程规划、设计、执行、评估以及开展航空科学研究的最重要的基础。文章分析了试飞工程大数据的质量特性及其影响因素,学习借鉴国际标准化《数据治理白皮书》提出的数据治理思想体系与模型,针对试飞工程大数据管理与应用特点,结合多年来在试飞工程中的大数据管理应用的实践经验,提出了以飞行试验大数据标准化体系为基础,以涵盖试飞工程全过程和全业务流程的试飞数据质量监控系统和一体化的试飞大数据管理与应用系统为并行相互支持的大数据治理技术平台,将试飞业务流程、业务策略、业务标准、业务逻辑以及组织管理有机有效地融入到数据管理与治理体系中,形成能够不断自我完善、自我更新、自我规范、开放共享的试飞工程大数据治理体系,对飞行试验工程以及航空科学研究步入“大数据科研范式”奠定数据基础。     

面向智能电网的数据资产管理系统设计与应用

随着智能电网的发展,电网在发电、输电、变电、配电、用电、调度等各环节积累海量数据。电网各专业领域开始越来越多的大数据应用。通过电网内部和外部的数据融合来促进智能电网大数据的应用和价值发现,在其过程中积累越来越多的电网内部和外部数据,实现这些多元异构数据管理、共享、服务等是当前大数据管理需要解决的重要问题。对智能电网数据特征和数据资产进行分析,深入研究数据管理理论。基于理论建立数据资产管理规范,制定管理策略,设计开发数据资产管理系统软件来进行数据资产全生命周期管理。该系统已在中国电科院上线应用,应用情况良好,为数据资产的管理和共享发挥重要作用。     

基于大数据的分布式社会治理智能系统

近年来,推动社会治理的协同化、智能化,完善共建共治共享的社会治理制度,是国家的重要发展方向.数据作为一种生产要素,在社会治理中起着愈发关键的作用.如何实现多方海量数据的安全查询、协同管理、智能分析,是提升社会治理效果的关键问题.在新冠疫情防控等重大公共事件中,分布式社会治理面临着安全计算效率低、多方可信协同差、复杂任务决策难的三大挑战.针对以上挑战,基于安全多方计算、区块链技术与精准智能理论,提出了一种基于大数据的分布式社会治理智能系统.所提出的系统能够支撑社会治理的各类应用,为新时代社会治理水平的提升提供决策支撑.     

基于CPS的气动试验研究体系全链路数据融合研究

三大手段融合气动试验是新一代航空航天飞行器研制的必然需求,当前由于链路不通、设备数字化程度低等多种因素,制约了三大手段的有效融合应用。文章分析了气动试验研究体系中的信息物理系统内涵和建设必要性,阐述了信息物理系统与气动试验研究融合的目标愿景,通过构建气动试验研究体系信息物理系统,提出打通数据、流程、试验手段三个链路的方法,形成气动设备、试验研究对象（型号、标模）和人三个维度的数字化,通过气动试验研究大数据为三大手段融合注入新的驱动力,促进气动试验研究能力从数据组织、信息价值、管理能力三个维度螺旋提升,有力推动气动试验研究体系的建立。     

探析大数据在电力企业人力资源管理中应用

大数据时代下信息技术已经渗透到企业管理的各个方面,人力资源管理与大数据的融合,有助于电力企业从人力资源管理特征出发,充分发挥人力资源管理综合效益。本文基于大数据特点和应用价值,从原始数据、能力数据、效率数据和潜力数据等四个方面分析人力资源管理数据观,重点探讨大数据在进行人力资源规划、加强人才选聘与培养、促进薪酬绩效管理及优化组织机构和用工管理等方面的应用,并剖析大数据与企业人力资源管理深度融合应用所需基础条件,包括建立人力资源工作者大数据意识、搭建人力资源大数据信息平台及提升人力资源工作者数据分析和应用能力等。通过大数据平台搜集、挖掘人力资源相关数据,促进人力资源管理各个模块有机融合,将会为企业长远发展提供更加强劲的人力资源保障和人才支撑。     

Big Data Analytics Services for Enhancing Business Intelligence

This article examines how to use big data analytics services to enhance business intelligence (BI). More specifically, this article proposes an ontology of big data analytics and presents a big data analytics service-oriented architecture (BASOA), and then applies BASOA to BI, where our surveyed data analysis shows that the proposed BASOA is viable for enhancing BI and enterprise information systems. This article also explores temporality, expectability, and relativity as the characteristics of intelligence in BI. These characteristics are what customers and decision makers expect from BI in terms of systems, products, and services of organizations. The proposed approach in this article might facilitate the research and development of business analytics, big data analytics, and BI as well as big data science and big data computing.     

金融科技中数据安全的挑战与对策

金融科技为金融业带来机遇的同时带来了新的挑战,金融业务数字化、网络化、智能化引发的数据爆发式增长,对数据安全治理提出了更高的要求。因此,在对金融科技发展现状及其金融数据安全分析的基础上,针对金融数据特点,提出了金融数据安全“果壳”模型：其内部是确保数据保密性、完整性、可用性的安全目标;外部是可能存在的数据被泄露、篡改、破坏等各种威胁;中间是各种应对策略,包括访问策略、防控策略、检测或感知策略等。以此模型为基础,对金融科技中的数据安全治理提出了相关建议和对策。     

面向人工智能和大数据的高效能计算

【目的】本文主要分析人工智能和大数据应用随着迅速增大的数据规模,给计算机系统带来的主要挑战,并针对计算机系统的发展趋势给出了一些面向人工智能和大数据亟待解决的高效能计算的若干研究方向。【文献范围】本文广泛查阅国内外在超级计算和高性能计算平台进行大数据和人工智能计算的最新研究成果及解决的挑战性问题。【方法】大数据既为人工智能提供了日益丰富的训练数据集合,但也给计算机系统的算力提出了更高的要求。近年来我国超级计算机处于世界的前列,为大数据和人工智能的大规模应用提供了强有力的计算平台支撑。【结果】而目前以超级计算机为代表的高性能计算平台大多采用CPU+加速器构成的异构并行计算系统,其数量众多的计算核心能够为人工智能和大数据应用提供强大的计算能力。【局限性】由于体系结构复杂,在充分发挥计算能力和提高计算效率方面存在较大挑战。尤其针对有别于科学计算的人工智能和大数据领域,其并行计算效率的提升更为困难。【结论】因此需要从底层的资源管理、任务调度、以及基础算法设计、通信优化,到上层的模型并行化和并行编程等方面展开高效能计算的研究,全面提升人工智能和大数据应用在高性能计算平台上的计算能效。     

大数据分析中的计算智能研究现状与展望

随着产业界和科学界数据量的爆炸式增长,大数据技术和应用吸引了众多的关注.如何分析大数据,充分挖掘大数据的潜在价值,成为需要深入探讨的科学问题.计算智能是科学研究和工程实践中解决复杂问题的有效手段,是人工智能和信息科学的重要研究方向,应用计算智能方法进行大数据分析具有巨大的潜力.对大数据分析中的计算智能方法进行综述,结合大数据的特征,讨论了大数据分析中计算智能研究存在的问题和进一步的研究方向,阐述了数据源共享问题,并建议利用以天文学为代表的数据密集型基础科研领域的数据开展大数据分析研究.     

基于大数据的电力环保数据平台建设

针对火电环保领域海量的环保数据无法高度利用问题,本文采用大数据、人工智能和机器学习等信息技术,构建国家能源集团的基于大数据的火电厂智慧环保平台,结合龙源环保公司脱硫、脱硝系统方面的专业技术和优化运行模型,将海量的脱硫脱硝等环保数据全部纳入管理,对电厂开展了深层挖掘数据使用价值的研究。建设覆盖公司全管理领域和业务领域的智慧环保大数据平台,打造集数据采集、数据处理、监测管理、预测预警、优化运行、深度分析于一体的大数据中心。实现火电厂环保岛系统的智能控制和智慧管控,提升公司脱硫脱硝系统专业化服务能力和智慧化服务水平。本文以北京国电龙源环保工程有限公司为例,进行了环保数据平台建设,实现设备的全生命周期管理,帮助运维负责人员实现对企业环保资产的有效管理。     

Factors influencing effective use of big data: A research framework

Information systems (IS) research has explored “effective use” in a variety of contexts. However, it is yet to specifically consider it in the context of the unique characteristics of big data. Yet, organizations have a high appetite for big data, and there is growing evidence that investments in big data solutions do not always lead to the derivation of intended value. Accordingly, there is a need for rigorous academic guidance on what factors enable effective use of big data. With this paper, we aim to guide IS researchers such that the expansion of the body of knowledge on the effective use of big data can proceed in a structured and systematic manner and can subsequently lead to empirically driven guidance for organizations. Namely, with this paper, we cast a wide net to understand and consolidate from literature the potential factors that can influence the effective use of big data, so they may be further studied. To do so, we first conduct a systematic literature review. Our review identifies 41 factors, which we categorize into 7 themes, namely data quality; data privacy and security and governance; perceived organizational benefit; process management; people aspects; systems, tools, and technologies; and organizational aspects. To explore the existence of these themes in practice, we then analyze 45 published case studies that document insights into how specific companies use big data successfully. Finally, we propose a framework for the study of effective use of big data as a basis for future research. Our contributions aim to guide researchers in establishing the relevance and relationships within the identified themes and factors and are a step toward developing a deeper understanding of effective use of big data.