本发明公开了一种保留已有路网数据并利用OSM数据进行路网扩展的方法，该方法能够让用户自定义需要扩展的路网区域，并快速地将用户需要扩展的路网范围连接到原有网络中，同时保留了原路网的数据信息，最终得到利用OSM数据进行扩展后的路网数据文件。在实际工作中，用户会遇到需要在已有路网基础上扩大研究范围的情况，本发明由用户自定义选择需要扩展的路网范围，自动从OSM数据中提取扩展路网信息后与已有路网数据进行合并，保留了原有用户已经维护好的路网信息，节省了人工逐条添加路段和对扩展后路网进行重复校核的人力和时间成本，同时提高了扩展路网的准确性。

一种可扩展的重复数据检测方法，属于计算机存储技术领域， 解决现有重复数据检测方法中存储容量无法高效扩展的问题，以适应 存储需求扩大，重删系统面临升级换代的现状。本发明包括分块处理、 指纹提取、布隆过滤器检索、指纹子集表检索、未满布隆过滤器判断、 新指纹标记、布隆过滤器数量判断以及布隆过滤器阵列扩展步骤。本 发明采用布隆过滤器阵列来检索指纹数据，可快速定位检索范围，提 高检索效率，实现重复数据的检测，具有高扩展性、高查

本发明公开了一种快速提取OSM数据中用户自定义多边形区域内路网的方法，该方法能够快速地将用户自定义的需要研究的范围外的节点和路段删除，最终得到用户自定义多边形区域内的OSM路网数据。目前从OSM数据导出的路网区域只能是矩形，本发明可以让用户自定义多边形研究区域，并快速地自动删除自定义多边形区域外的节点和路网，节省了用户先解析矩形范围的OSM数据再手工删除区域外的节点和路段产生的额外的时间和工作量，同时也避免该过程中人工操作可能产生的错误。

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。

研究背景：  大数据应用的多样化  需要的计算模型、数据模型多样化；  目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系统导致大数据分析平台非常复杂、效率低下。 研究目标： 研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个  方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键  值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计  算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这  套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们  对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于  大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计  算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三  个方面，分别详细介绍FAST系统的三个主要亮点。 融合架构 FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包  括多数据模型融合和多计算模型融合两方面。 多数据模型融合： 设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、  文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据  分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。 经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。 多计算模型融合： 在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集  的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和  流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。 高时效 FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗，  提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。 对于多模态存储，面向应用负载和异构硬件特征进行自适应优化； 对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等； 在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效； 而且我们也考虑到大数据分析过程中用户人工操作的时效性问题，  通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的  时间。 可扩展 FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、  存储层和计算层进行了全面的扩展性优化。 在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块，  能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。 在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。 在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持  到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提  升。 亮点成果： 融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。  从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。 同时在双十一期间，基于智能交互向导技术，也面向电子商务应用  的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品  销量变化的原因，以及促销的有效手段等。

本发明公开了一种可扩展的面向关联的流式图数据划分方法， 包括以下步骤：(1)对图数据进行预处理，将节点转化为节点 ID；(2) 将预处理后以 ID 形式存在的各边加入 FIFO，等待进入滑动窗口处理； (3)补全滑动窗口，根据混合近似PageRank方法计算各节点的 PageRank 值；(4)追踪当前由滑动窗口内各边构成的子图中每个节点对应的起始 节点的集合，获取各节点的关联值；(5)对窗口内所有节点采用近邻传 播

　　2015年，深圳台电(TAIDEN)首次将国际先进的数字红外技术引入到多媒体教学环境中，全球首创具有抗干扰能力强、便于管理、音质清晰等特点的数字红外无线教学扩声系统，为教学环境传声系统提供了理想的解决方案。 　　深圳台电继续创新, 将数字红外音频传输及控制技术、数字信号处理(DSP)技术与阵列麦克风技术集成, 首创TES-5680互动录播教室音频系统。该系统采用数字红外技术拾取老师授课声音,声音拾取达到广播级音质。采用阵列麦克风拾取学生声音,经过高性能数字信号处理器(DSP)对拾取的音频进行降噪处理(ANC)、回声消除处理(AEC)和声音反馈抑制处理(AFC), 再经过混音之后输入到录播系统(兼容第三方录播设备),将阵列麦克风检测到的声源定位信息传送到云台摄像机可实现发言学生的自动视频跟踪, 同时将老师的声音单独输出至扩声系统进行现场扩声,形成理想的教学录播及扩声系统解决方案。 系统特色 应优质常态化教学录播而生 老师专用数字红外无线音频采集通道 内置阵列麦克风在5-8米半径范围内360°精准拾取学生声音 高性能DSP处理器对拾取音频进行噪声消除(ANC)、回声消除(AEC)和声音反馈抑制(AFC) 师生声音混音比例可调, 输出到录播系统, 完美实现互动教室音频录制 采用先进人工智能技术, 自动识别声音位置, 配合云台摄像机自动追踪发言学生 高品质还原课堂教学声音 老师专用音频采集通道可达广播级音质水平 信噪比高达85 dBA以上 学生麦克风可进行闪避设置, 确保双方麦克风均有声音输入时突显老师授课声音 杜绝射频辐射, 绿色又健康 数字红外音频传输与控制技术(dirATC), 超强抗干扰 扩声系统无射频辐射, 为师生健康护航 双色麦克风指示灯圈 双色麦克风指示灯圈用于显示阵列麦克风处于待机或使用状态 可分12段显示声音方向 系统高度集成, 外形小巧美观 阵列麦克风与数字红外无线扩声系统融为一体 外形小巧, 连线简单, 确保安装环境整洁美观 兼容第三方录播系统   定单信息  TES-5685MA 互动录播教室音频系统 TES-5685MA……………………互动录播教室音频系统（含数字红外接收器，可配2个无线麦克风，内置阵列麦克风，内置高性能数字信号处理器，可实现ANC、AEC和AGC，模拟音频输入/输出，录音输出，内置音频功放，集成扬声器）   TES-5685BX 功能扩展盒 TES-5685BX……………………………………功能扩展盒（用于TES-5685M系列, 模拟音频输入/输出，可接TES-5604CS系列充电底座，1路线路输入及1路线路输出）

本发明公开了一种面向关系数据库扩展的自适应影像金字塔切片方法，本发明针对空间数据管理系 统发展现状，综合考虑局域网网络带宽和服务器端数据库存储块大小，并结合局域网客户端硬件情况， 提出了自适应影像切片模型，根据自适应影像切片模型自适应的选择影像切片尺寸。本发明可在多种不 同的数据库、网络和客户端条件下实现影像数据智能化高效存储与访问，为高效的影像数据管理提供了 可行的思路和方法，有助于在 C/S 架构的网络环境下高效存取和管理基于数据库技术的遥感影像数据。 

可根据不同需求，增加湿度、光照、紫外控制系统； 高清触摸屏，程序化多段数设计； 自带数据管理功能； 自带事件管理功能； 变频式制冷系统； 控温范围：-10℃-85℃

本思政案例值巴黎奥运会火热举办之际，以奥运会数据为载体，引导学生运用Python的Pandas库进行数据清洗、筛选与聚合分析，并通过Plotly工具实现数据可视化。案例巧妙融合数据分析技能培养与思政教育，通过剖析我国奥运奖牌数据变化，让学生直观感受国家体育事业的蓬勃发展，深切领悟体育强国战略背后蕴含的国家意志与民族精神。同时，鼓励学生从数据中探寻体育精神内核，内化于心、践之于行，涵养积极人生态度与爱国情怀。此外，案例数据可视化呈现国际竞技格局，助学生理解多元包容、拓宽国际化视野，增强民族自豪感与文化自信，实现知识传授与价值引领的有机统一。