隨著移動互聯網、智能設備、傳感器、無線通信等技術的飛速發展，各行各業產生的數據量呈指數級增長，數據類型也各式各樣，對於數據的傳輸、存儲和分析提出了更高的挑戰。為了應對大數據的挑戰以及充分利用大量數據所帶來的價值，NoSQL數據庫、雲平臺、數據挖掘、人工智能等技術應運而生，並廣泛應用於公安、金融、政府等各個領域中。
大數據不僅僅體現在數據的海量上，還在於其數據類型的複雜性、多樣性。不僅包括結構化數據，還包括圖片、文檔、視頻等非結構化數據。與傳統的數據相比，大數據具有數量大、增長速度快、種類多、質量高、價值密度低等特性。
大數據的爆發意味著機遇，同時也帶來了挑戰。傳統的數據處理手段已經無法滿足大數據的海量實時處理需求，需要採用新一代的信息技術來應對。大數據技術主要分為五類。
通過整合傳感器、雲平臺、BI工具等軟硬件工具，搭建一套完整的工業企業經濟運行情況統計與預測系統。
大數據技術
1） 基於計算機視覺的視頻分析
由於視頻監控的目的是為了掌握項目施工進度，為項目的各個節點驗收提供數據支持。而很多時候項目現場沒有變化，視頻信息量又很大，耗費的流量費較多。為了降低視頻監控流量費用，可以在項目現場發生變化的時候才保存視頻信息。為了自動地進行視頻數據的智能存儲，採用計算機視覺技術，通過對視頻信息的實時解讀，實時保存現場發生變化的視頻信息，減少流量費用並減輕大量的視頻數據信息對服務器存儲的壓力。
2）基於BP神經網絡的經濟預測
人工神經網絡對信息的處理具有自組織、自學習的特點，便於聯想、綜合和推廣。神經網絡的神經元之間的連接強度用權值大小來表示，這種權值可以通過對訓練樣本的學習而不斷變化，而且隨著訓練樣本量的增加和反覆學習，這些神經元之間的連接強度會不斷增加，從而提高神經元對這些樣本特徵的反映靈敏度。其中BP網絡是最著名的多層網絡學習算法，同時利用Matlab建模。
在不限制隱層節點數的情況下，兩層的BP網絡可以實現任意非線性映射，所以BP神經網絡包含輸入層、一個隱層和輸出層。BP神經網絡採用的激活函數為Sigmoid函數。通過輸入數據對神經網絡進行訓練，得到神經元之間的連接權重以及每個功能神經元的閾值。
效果
1） 工業經濟運行情況統計
基於該系統，政府部門能全面掌握全省工業運行的現狀以及變化趨勢，能從行業、地域、工業園區、產品、企業等不同的角度展現全省工業經濟運行情況。工業經濟運行監測包含重點企業運行監測、園區運行監測、行業運行監測、重點產品運行監測等，是精細化的工業經濟運行監測和精準化經濟運行綜合協調的核心支撐能力之一。企業按行業劃分主要包括：煤炭、電力、化工、冶金、有色、輕紡、機械、建材、醫藥等行業。
2） 工業經濟預警與預測
通過開發面向工業經濟運行的預警規則和知識模型，對各項管理指標能夠設置預警，並實現主要指標數據預測功能。在運行監測業務門戶中，展示工業運行中超出預警線的業務指標，使領導可以看到超出預警線的指標，及時針對出現的問題提出解決方案。
同時對工業經濟的預測主要考察兩個指標：工業增加值和工業增加值增速。利用建立的模型對整個省級及各地級市的工業增加值和工業增加值增速進行預測，得到相關預測曲線。
同時隨著數據量的不斷增加，模型需要進行及時訓練，從而使預測結果具有更大的可信度。
結論
通過整合傳感器、無線通信、分佈式數據庫等大數據技術，實現了多數據源的高效採集、傳輸、存儲和分析，搭建了一套用於重大投資項目管理、企業節能降耗監測、經濟運行監控與預測的工業大數據管理系統。利用該系統不僅服務於現有政府項目管理、經濟統計工作，還能夠對經濟形勢進行預測，為企業轉型、政府產業機構調整提供技術支撐。同時系統保留二期的擴展能力，加強與統計、電力、稅務、銀行等部門的企業數據共享、關聯比對和分析，充分挖掘企業動態數據價值，改進提升經濟運行監測、預測和風險預警，從而帶動工業大數據相關產業發展。
