20世纪70年代的大数据竟是踩草踩出来的！

第一时间关注程序猿（媛）身边的故事

在《最佳路径》这篇文章中描述了这样一个场景，即世界著名建筑大师格罗培斯设计的迪斯尼乐园开园在即，但各个景点之间的路径仍没有规划好，虽然已经修改多次，但格罗培斯并不满意。

而当格罗培斯经过当地的一家葡萄园时，受到农场主的启发，便要求施工方立即在乐园中撒上草种，当整个乐园被绿草所覆盖后，开始开园迎客。在开园的半年里，草地被踩出了许多小道，小道又宽又窄，优雅自然。

转年，格罗培斯让人按照已经踩出来的痕迹铺设了人行道。很快，在1971年的伦敦国际园林艺术研讨会中，迪斯尼乐园的路径设计被评为世界最佳设计。

原文中要表达的意思是以人为本、尊重他/她人选择的理念，路径自然天成。但如果用当今的视角看待，格罗培斯其实利用了大数据技术，基于大量行人的路径分析，得到了最佳路径的设计方案。

近年来，随着城市化的快速发展，使得人们的生活发生了很大改变，同时也产生了诸多挑战，如交通问题、空气污染以及能源消耗等等。而依托传感技术和大规模计算基础设施的逐步完善，小到店铺选址，大到城市规划，已逐步开始依赖大量、多维度的数据分析作为支撑，城市计算的理念已经得到广泛应用。

城市计算是一个交叉学科，是计算机科学以城市为背景，跟城市规划、交通、能源、环境、社会学和经济等学科融合的新兴领域。更具体的说，城市计算是一个通过不断获取、整合和分析城市中多种异构大数据来解决城市所面临的挑战（如环境恶化、交通拥堵、能耗增加、规划落后等）的过程。城市计算将无处不在的感知技术、高效的数据管理和分析算法，以及新颖的可视化技术相结合，致力于提高人们的生活品质、保护环境和促进城市运转效率。城市计算帮助我们理解各种城市现象的本质，甚至预测城市的未来。（引自微软——城市计算理念）

城市计算框架图

生活中，基于城市计算的理念应用非常多，以最为常见的店铺选址为例，早已从过去的“看对眼”选址，到借助互联网工具选址，再到如今基于各类大数据选址，均是遵照严谨的选址策略，如商圈的销售潜力、规模、特点、新旧程度、顾客群情况等等。

基于大数据选址案例

麦当劳选址，通常会提前1年左右的时间做调研、不仅要推算商圈成熟时间、人口基数分析、消费需求分析，并且会细化到消费人群的年龄阶段、消费特性以及交通习惯、就餐时间分析等等。

此外，还有一些大品牌选址，第一时间是对商圈客户群进行分型，一般要选取5个甚至更多的目标商圈，建立足够大的存量，优中择优，以找到更适合的门店。

如西贝技术团队在选址时，主要从市场网络规划开始，对每个城市每个商圈进行市场调查，按照优先排序的结果形成开发策略。优先进驻区域内A类成熟商圈，侧重市场综合体、购物中心等、同时，技术团队会调研目标商圈周边三公里内的交通线路、目标群体、收入水平、消费能力、竞争情况等因素。

图片来自jiemian

店铺选址仅仅是城市计算理念应用的一部分，城市建设同样依托如此。但在城市计算框架中的不同层次仍然存在挑战，如：城市传感中存在数据稀缺和稀疏性、有偏分布、有限来源；城市数据管理存在多模态数据，动态、高速、海量的数据以及识别不同领域多个数据源的关联模式；城市数据分析存在空间和时间数据分析、跨域数据融合等等。

当然，如果想从事城市计算相关的工作，有毅力、有决心去解决摆在当前面临的各类挑战。首先需要具备数据方面的知识，如果有开发者想要学习大数据相关的内容，现公布一个利好消息：CSDN学院精心打造了《大数据就业训练营》，由楚门智能数据学院创始人钱老师亲自带队，为想进入大数据行业的程序员们倾情献上，大数据就业特训课程，以助力想学习大数据技能的开发者走向事业的巅峰。

课程简介

该课程首推业界最先进技术标准，引领行业技术更新：Hadoop3.0、Hive2.0、HBase1.0、Storm1.0、Spark2.2等。完整项目贯穿整个教学体系，提供独家大数据云实验室环境，通过实验室感受 TB级数据分析效果。并有持续 ETL流程，定时ETL流程，多业务并行计算，业务协同管理等场景，做到真实演练。让学员更加深刻体会大数据的独特魅力。

你可以学到

Linux实践与Java基础、

Hadoop生态体系(HDFS+MapReduce+Pig(选修)+HBase+Zookeeper+Hive+Sqoop+Flume)、

Spark核心架构：Scala+Spark 核心、Spark SQL 2.X、

流计算引擎：Spark Streaming 2.X＋Storm 1.0＋Kafka、

基于Spark的大数据挖掘分析：Spark Mllib(选修))、

大数据MPP数据库最佳实践：Impala+Presto(选修)、

大数据应用调度工具使用及企业平台实战（Hue+Azakban+Cloudera）、

企业级大数据项目实战。