住建部:全面提高建筑业信息化水平 增强大数据等五项技术

本文涉及的产品
云原生大数据计算服务 MaxCompute,5000CU*H 100GB 3个月
云原生大数据计算服务MaxCompute,500CU*H 100GB 3个月
简介:

住建部网站消息,为贯彻落实《中共中央 国务院关于进一步加强城市规划建设管理工作的若干意见》及《国家信息化发展战略纲要》,进一步提升建筑业信息化水平,住建部部组织编制了《2016-2020年建筑业信息化发展纲要》,旨在增强建筑业信息化发展能力,优化建筑业信息化发展环境,加快推动信息技术与建筑业发展深度融合。

纲要提出,“十三五”时期,全面提高建筑业信息化水平,着力增强BIM、大数据、智能化、移动通讯、云计算、物联网等信息技术集成应用能力,建筑业数字化、网络化、智能化取得突破性进展,初步建成一体化行业监管和服务平台,数据资源利用水平和信息服务能力明显提升,形成一批具有较强信息技术创新能力和信息化应用达到国际先进水平的建筑企业及具有关键自主知识产权的建筑业信息技术企业。

纲要提出四大主要任务,包括企业信息化、行业监管与服务信息化、专项信息技术应用、信息化标准。

其中企业信息化方面,纲要要求,建筑企业应积极探索“互联网+”形势下管理、生产的新模式,深入研究BIM、物联网等技术的创新应用,创新商业模式,增强核心竞争力,实现跨越式发展。

行业监管与服务信息化方面,纲要提出要积极探索“互联网+”形势下建筑行业格局和资源整合的新模式,促进建筑业行业新业态,支持“互联网+”形势下企业创新发展。

在专项信息技术应用方面,纲要提出大数据、云计算、物联网、3D打印、智能化等五项技术。物联网技术提出,结合建筑业发展需求,加强低成本、低功耗、智能化传感器及相关设备的研发,实现物联网核心芯片、仪器仪表、配套软件等在建筑业的集成应用。开展传感器、高速移动通讯、无线射频、近场通讯及二维码识别等物联网技术与工程项目管理信息系统的集成应用研究,开展示范应用。3D打印技术提出,积极开展建筑业3D打印设备及材料的研究。结合BIM技术应用,探索3D打印技术运用于建筑部品、构件生产,开展示范应用。

信息化标准方面,纲要强调要强化建筑行业信息化标准顶层设计,继续完善建筑业行业与企业信息化标准体系,结合BIM等新技术应用,重点完善建筑工程勘察设计、施工、运维全生命期的信息化标准体系,为信息资源共享和深度挖掘奠定基础。

本文转自d1net(转载)

相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析,通过分析能得到用户群体年龄分布,性别分布,地理位置分布,以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
1月前
|
存储 机器学习/深度学习 分布式计算
大数据技术——解锁数据的力量,引领未来趋势
【10月更文挑战第5天】大数据技术——解锁数据的力量,引领未来趋势
|
20天前
|
存储 分布式计算 数据可视化
大数据常用技术与工具
【10月更文挑战第16天】
71 4
|
2天前
|
存储 分布式计算 NoSQL
【赵渝强老师】大数据技术的理论基础
本文介绍了大数据平台的核心思想,包括Google的三篇重要论文:Google文件系统(GFS)、MapReduce分布式计算模型和BigTable大表。这些论文奠定了大数据生态圈的技术基础,进而发展出了Hadoop、Spark和Flink等生态系统。文章详细解释了GFS的架构、MapReduce的计算过程以及BigTable的思想和HBase的实现。
|
1月前
|
存储 数据采集 监控
大数据技术:开启智能决策与创新服务的新纪元
【10月更文挑战第5天】大数据技术:开启智能决策与创新服务的新纪元
|
1天前
|
存储 机器学习/深度学习 SQL
大数据处理与分析技术
大数据处理与分析技术
6 2
|
3天前
|
SQL 存储 算法
比 SQL 快出数量级的大数据计算技术
SQL 是大数据计算中最常用的工具,但在实际应用中,SQL 经常跑得很慢,浪费大量硬件资源。例如,某银行的反洗钱计算在 11 节点的 Vertica 集群上跑了 1.5 小时,而用 SPL 重写后,单机只需 26 秒。类似地,电商漏斗运算和时空碰撞任务在使用 SPL 后,性能也大幅提升。这是因为 SQL 无法写出低复杂度的算法,而 SPL 提供了更强大的数据类型和基础运算,能够实现高效计算。
|
6天前
|
存储 大数据 定位技术
大数据 数据索引技术
【10月更文挑战第26天】
16 3
|
6天前
|
存储 大数据 OLAP
大数据数据分区技术
【10月更文挑战第26天】
23 2
|
9天前
|
消息中间件 分布式计算 大数据
数据为王:大数据处理与分析技术在企业决策中的力量
【10月更文挑战第29天】在信息爆炸的时代,大数据处理与分析技术为企业提供了前所未有的洞察力和决策支持。本文探讨了大数据技术在企业决策中的重要性和实际应用,包括数据的力量、实时分析、数据驱动的决策以及数据安全与隐私保护。通过这些技术,企业能够从海量数据中提取有价值的信息,预测市场趋势,优化业务流程,从而在竞争中占据优势。
36 2
|
11天前
|
存储 分布式计算 Hadoop
数据湖技术:Hadoop与Spark在大数据处理中的协同作用
【10月更文挑战第27天】在大数据时代,数据湖技术凭借其灵活性和成本效益成为企业存储和分析大规模异构数据的首选。Hadoop和Spark作为数据湖技术的核心组件,通过HDFS存储数据和Spark进行高效计算,实现了数据处理的优化。本文探讨了Hadoop与Spark的最佳实践,包括数据存储、处理、安全和可视化等方面,展示了它们在实际应用中的协同效应。
48 2