新基建方面的基金有哪些？

一共七个：5G基站、特高压、城际高速铁路和城市轨道交通、新能源汽车充电桩、大数据中心、人工智能、工业互联网。
基建分传统基建和新基建。
传统基建基金主要有信诚中证基建工程指数LOF（165525）、广发中证基建工程指数A（005223）、广发中证基建工程指数C（005224）。信诚中证是LOF基金，既可以在场内买，也可以在场外买。
再来看新基建，一共七个：5G基站、特高压、城际高速铁路和城市轨道交通、新能源汽车充电桩、大数据中心、人工智能、工业互联网。对于基金投资，考虑到有些板块还没有主题基金，目前我们可以重点关注的就是5G和新能源。
5G基金有：华夏中证5G通信主题ETF(515050)、华夏中证5G通信主题ETF联接A(008086)、华夏中证5G通信主题ETF联接C(008087)、银华中证5G通信主题ETF(159994)。
新能源基金有：富国中证新能源汽车指数分级(161028)、申万菱信新能源汽车混合(001156)、汇添富中证新能源汽车A(501057)、嘉实新能源新材料股票A(003984)、华夏中证新能源汽车ETF(515030)、平安中证新能源汽车产业ETF(515700)。

新基础建设主要包括3个方面内容：

一是信息基础设施。主要是指基于新一代信息技术演化生成的基础设施，比如，以5G、物联网、工业互联网、卫星互联网为代表的通信网络基础设施，以人工智能、云计算、区块链等为代表的新技术基础设施，以数据中心、智能计算中心为代表的算力基础设施等。

二是融合基础设施。主要是指深度应用互联网、大数据、人工智能等技术，支撑传统基础设施转型升级，进而形成的融合基础设施，比如，智能交通基础设施、智慧能源基础设施等。

三是创新基础设施。主要是指支撑科学研究、技术开发、产品研制的具有公益属性的基础设施，比如，重大科技基础设施、科教基础设施、产业技术创新基础设施等。

作者：郑琼洁 刘 勇

近年来江苏省物联网产业规模保持25%以上的增长率，物联网产业整体规模位居全国前列。截至2019年，全省物联网相关产业规模近7000亿元，形成了以支撑层、感知层、传输层、平台层和应用层为代表的物联网产业结构。其中，应用层的占比不断增加，涌现出一批有技术、有市场、上规模的物联网企业，全省物联网企业已超3000家，年销售收入10亿元以上的企业达到40余家，从业人员达到30余万人。江苏物联网产业发展先发优势不断凸显、规模效应与集聚效应不断凸显、产业布局持续优化、产业链条不断延展、骨干企业的龙头效应不断显现，自主创新能力不断增强，尤其是在国际物联网产业标准制定中占据了重要的地位，已成为江苏产业发展的高地和区域名片。

与此同时，有三大因素制约江苏物联网产业的发展。

（一）技术与市场对接不畅，骨干企业创新带动力不强

近年来，江苏物联网企业数量迅速攀升，物联网技术研发能力也大幅提升，但从企业的盈利情况看，有近五成的中小企业处于亏损或不盈利状态，这些企业的可持续发展能力较弱，主要原因是这些企业的技术与市场无法实现有效对接，存在技术市场化和应用推广难的问题。从江苏物联网产业的总体来看，其产业总体规模和企业的规模较小，缺少产业发展带动力强的上游骨干企业，尤其缺少“专尖特精”的物联网企业。骨干企业带动作用不强。在传感器环节，缺乏具有自主知识产权的创新型骨干企业，在系统集成环节，缺乏具有软硬件、网络、平台、应用流程耦合的一体化高端综合集成服务能力的龙头企业和大型服务商。同时龙头和骨干企业与产业链相关企业合作不够紧密，技术与市场对接不畅，许多物联网产品和技术处于产业链的低端，核心技术链和产业链尚未形成，整体核心竞争力不强。

（二）核心技术亟待突破，标准化建设有待加强

江苏虽然是我国物联网产业发展的先行区和物联网产业发展的重要示范区，但与国外发达国家相比仍存在一定的差距，主要表现在：规模化产能较小、核心技术不强、处于产业链的低端，感知与智能处理产业与国外差距较大。核心芯片、基础性系统、基础性架构等关键领域与国外相比存在较大差距，中高端传感器依赖进口，智能处理和云计算的基础架构由发达国家主导，缺乏能实现硬件、物联网、网络、平台、应用和业务流程端到端大系统综合集成企业，智能和微型传感器、超高频和微波射频识别（RFID）、地理位置感知等感知技术，以及近距离无线通信、低功耗传感网节点、人机/机器智能交互（M2M）终端、异构网络融合、网络管理等传输技术、基于MEMS 工艺、薄膜工艺技术形成的敏感芯片等相关技术研发水平和标准制定工作落后。物联网的整体研发能力不强，大多数领域的核心技术尚处在研发阶段，从物联网核心架构到各层的技术体制与产品接口大多未实现标准化，物联网标准化工作尚处于起步阶段，标准化建设有待于进一步加强。

（三）研发投入力度不够，创新人才不足

物联网产业技术研发需要投资大量的资金和人才。在研发资金投入方面，与广东（深圳市、广州市）相比，江苏每年对物联网产业发展资金投入力度不大，对物联网企业研发支撑不足，同时与广东企业（腾讯、华为、中兴等企业）相比，江苏物联网企业研发经费投入占比整体较小。在创新人才支持方面，与广东相比，江苏物联网产业发展人才引培力度较小，同时也存在着人才引培政策制度不完善和不够落地、对稀缺高端人才的招引和需求量最大的中端人才的引流不足、一流的人才梯队缺失等问题。

为此，建议从以下三方面入手推动江苏省物联网产业高质量发展。

（一）增强龙头效应，打造产业核心技术创新高地

一是打造一流物联网创新企业。大力支持引进国内外龙头企业，鼓励支持企业进行产业前瞻性与共性关键技术创新和应用试点创新，鼓励企业树立品牌意识，打造一批物联网行业的龙头和骨干企业，突出龙头骨干引领作用，建设一流创新企业。通过“以评促建”和“以评促改”，完善企业的评价考核体系，加大核心技术自主可控程度、研发成果质量、创新辐射带动作用等指标的权重，引导龙头骨干企业加大研发投入，优化研发支出结构，联合高校院所加强“卡脖子”技术相关的基础研究和应用基础研究，加快提升攻关引领能力。二是建设物联网产业重大创新平台。强化企业主体创新地位，鼓励重点领域龙头企业联合产业链企业开展协同创新，重点在物联网领域突破一批“卡脖子”技术和“杀手锏”技术。加快建设江苏物联网创新促进中心、国家高性能计算应用技术创新中心、江苏省先进封装与系统集成制造业创新中心、国家传感网工程技术研究中心等一批国家级、省部级重大创新平台。加强与高校院所合作对接，协同开展基础研究和技术攻关。三是提升物联网产业链协同能力。壮大产业集群，带动民营企业创新能力建设。推动产业集群式发展，强化企业专业化协作和配套能力。围绕“卡脖子”技术攻关，支持民企广泛参与龙头、骨干企业和高校院所等牵头的项目，组建创新联合体，加快形成强协同、弱耦合的创新生态。根据任务体量和条件要求，鼓励民企牵头申报。同时，通过完善 科技 创新政策，加强创新服务供给，激发创新创业活力，引导民企加大研发投入，完善技术创新体系，推动“小而美、小而精”的 科技 型中小企业蓬勃发展，与“国家队”之间形成优势互补的局面。

（二）强化技术与市场协同，搭建 科技 创新协同攻关体系

攻破物联网关键技术，提升物联网产业核心能力需要政府、企业、高校、科研机构、 社会 中介服务机构和个人等的创新行为主体，以及创新资源和创新环境协同实现。一是提升技术体系化能力，实施锻“长板”、补“短板”相结合的系统性战略布局。面对日益严峻的外部环境挑战，在推进物联网技术跨界创新时，应从战略高度、以战略思维系统谋划 科技 创新布局，优化 科技 计划，形成锻“长板”、补“短板”相结合的系统性战略部署路径规划，形成多维度、多循环的关键技术供给体系和对内对外开放合作格局。二是提高组织体系化能力，打通知识突破与商业实现的价值链接。对于物联网产业关键核心技术的攻关，要 探索 大纵深、跨学科的研发模式，打通产学研创新链、产业链、价值链，拓展包括产业大基金在内的各类创新投资渠道，实现集科学发现、技术跃升和产业化方向于一体的突破，实现知识突破与未来面向商用生态的有效衔接。聚焦全球竞争的源头技术供给，不仅是追逐“国际发表热点”，更需要形成核心技术突破后的持续改良机制，及时跨越技术商用的成熟度阈值。实现知识突破与商业实现的价值衔接，需要改革当前重大 科技 创新工程的组织实施方式。三是鼓励重大攻关计划的创新单元之间的知识共享。鼓励物联网创新能力强的创新型领军企业，与其他创新主体形成协同互动。在核心技术攻关上，借鉴重大公共创新平台的成功经验，制定权责分明的知识产权共享和保护机制，鼓励各类战略 科技 力量形成优势资源平台的吸引力和合作凝聚力，引领对领域的核心科学问题和共性技术的持续攻关。

（三）加大要素投入，优化物联网产业发展政策环境

一是加大资金投入，创新财政资金支持政策。统筹利用现有资金资源，加大对物联网产业发展的支持。采用政府引导、市场化运作方式， 探索 建立国家物联网产业专项投资基金。鼓励运用政府和 社会 资本合作模式，引导 社会 资本参与重大项目建设。深化产融合作，在风险可控的前提下，推动商业银行创新信贷产品和金融服务，推动政策性银行在国家规定的业务范围内，根据自身职能定位为符合条件的企业提供信贷支持。健全融资担保体系，完善风险补偿机制，鼓励金融机构开展股权抵押、知识产权质押业务，试点信用保险、 科技 保险，研究合同质押、资质抵押的法律地位和可行性。二是完善人才引育体系，打造人才技术梯队。鼓励高校面向产业发展需求，优化专业设置和人才培养方案，培育物联网和信息技术人才力量和后备干部。支持高校院所高层次人才到企业任职或兼职，选聘优秀 科技 企业家到高校担任“产业教授”，实现人才双向流动。鼓励产业园区、企业、实训（实习）机构，以及江苏高校、职业（技工）院校，联合或独立开展江苏物联网集群产才融合示范基地评估，打造一批特色化示范性物联网学院、物联网实训（实习）基地。三是加大对外宣传，提升政策效度。通过举办展会、大赛等多种形式搭建企业技术交流平台为本地企业营造良好的发展氛围。力争更多国家级、省级改革试点、创新平台落户江苏，进一步强化产业发展和企业需求导向，进一步加大宣传力度，对外推广重点项目、产品，帮助企业快速发展，进一步彰显全链扶持和分类施策原则，不断提升新政策的覆盖面、含金量、精准度。

作者单位：南京市 社会 科学院、江苏省扬子江创新型城市研究院/江南大学中国物联网发展战略研究基地

本文刊于《中国发展观察》杂志2021年第3-4期合刊

《中国发展观察》由国务院发展研究中心主管、中国发展出版社主办、中国发展观察杂志社编辑出版，是以发展为主线、以经济为重点的综合性半月刊，开设有战略、宏观、区域、世界、法治、 社会 、文化、前沿、产业、智库论坛等栏目，具有较强的前瞻性、权威性、可读性。《中国发展观察》在学术理论界、各级党政机关以及企业家阶层拥有广泛而稳固的读者群，并被中国 社会 科学院、国家发展改革委等重要机构和中国知网、维普资讯等权威数据库列为核心期刊或来源期刊。

中国发展观察杂志社：

北京经济技术开发区荣华中路22号院亦城财富中心A座7层（邮编：100176）

网址:>常见的大数据术语表(中英对照简版)：
A
聚合(Aggregation) – 搜索、合并、显示数据的过程
算法(Algorithms) – 可以完成某种数据分析的数学公式
分析法(Analytics) – 用于发现数据的内在涵义
异常检测(Anomaly detection) –
在数据集中搜索与预期模式或行为不匹配的数据项。除了“Anomalies”,用来表示异常的词有以下几种：outliers, exceptions,
surprises, contaminants他们通常可提供关键的可执行信息
匿名化(Anonymization) – 使数据匿名，即移除所有与个人隐私相关的数据
应用(Application) – 实现某种特定功能的计算机软件
人工智能(Artificial Intelligence) –
研发智能机器和智能软件，这些智能设备能够感知周遭的环境，并根据要求作出相应的反应，甚至能自我学习
B
行为分析法(Behavioural Analytics) –
这种分析法是根据用户的行为如“怎么做”，“为什么这么做”，以及“做了什么”来得出结论，而不是仅仅针对人物和时间的一门分析学科，它着眼于数据中的人性化模式
大数据科学家(Big Data Scientist) – 能够设计大数据算法使得大数据变得有用的人
大数据创业公司(Big data startup) – 指研发最新大数据技术的新兴公司
生物测定术(Biometrics) – 根据个人的特征进行身份识别
B字节 (BB: Brontobytes) – 约等于1000 YB(Yottabytes)，相当于未来数字化宇宙的大小。1
B字节包含了27个0!
商业智能(Business Intelligence) – 是一系列理论、方法学和过程，使得数据更容易被理解
C
分类分析(Classification analysis) – 从数据中获得重要的相关性信息的系统化过程; 这类数据也被称为元数据(meta
data),是描述数据的数据
云计算(Cloud computing) – 构建在网络上的分布式计算系统，数据是存储于机房外的(即云端)
聚类分析(Clustering analysis) –
它是将相似的对象聚合在一起，每类相似的对象组合成一个聚类(也叫作簇)的过程。这种分析方法的目的在于分析数据间的差异和相似性
冷数据存储(Cold data storage) – 在低功耗服务器上存储那些几乎不被使用的旧数据。但这些数据检索起来将会很耗时
对比分析(Comparative analysis) – 在非常大的数据集中进行模式匹配时，进行一步步的对比和计算过程得到分析结果
复杂结构的数据(Complex structured data) –
由两个或多个复杂而相互关联部分组成的数据，这类数据不能简单地由结构化查询语言或工具(SQL)解析
计算机产生的数据(Computer generated data) – 如日志文件这类由计算机生成的数据
并发(Concurrency) – 同时执行多个任务或运行多个进程
相关性分析(Correlation analysis) – 是一种数据分析方法，用于分析变量之间是否存在正相关，或者负相关
客户关系管理(CRM: Customer Relationship Management) –
用于管理销售、业务过程的一种技术，大数据将影响公司的客户关系管理的策略
D
仪表板(Dashboard) – 使用算法分析数据，并将结果用图表方式显示于仪表板中
数据聚合工具(Data aggregation tools) – 将分散于众多数据源的数据转化成一个全新数据源的过程
数据分析师(Data analyst) – 从事数据分析、建模、清理、处理的专业人员
数据库(Database) – 一个以某种特定的技术来存储数据集合的仓库
数据库即服务(Database-as-a-Service) – 部署在云端的数据库，即用即付，例如亚马逊云服务(AWS: Amazon Web
Services)
数据库管理系统(DBMS: Database Management System) – 收集、存储数据，并提供数据的访问
数据中心(Data centre) – 一个实体地点，放置了用来存储数据的服务器
数据清洗(Data cleansing) – 对数据进行重新审查和校验的过程，目的在于删除重复信息、纠正存在的错误，并提供数据一致性
数据管理员(Data custodian) – 负责维护数据存储所需技术环境的专业技术人员
数据道德准则(Data ethical guidelines) – 这些准则有助于组织机构使其数据透明化，保证数据的简洁、安全及隐私
数据订阅(Data feed) – 一种数据流，例如Twitter订阅和RSS
数据集市(Data marketplace) – 进行数据集买卖的在线交易场所
数据挖掘(Data mining) – 从数据集中发掘特定模式或信息的过程
数据建模(Data modelling) – 使用数据建模技术来分析数据对象，以此洞悉数据的内在涵义
数据集(Data set) – 大量数据的集合
数据虚拟化(Data virtualization) –
数据整合的过程，以此获得更多的数据信息，这个过程通常会引入其他技术，例如数据库，应用程序，文件系统，网页技术，大数据技术等等
去身份识别(De-identification) – 也称为匿名化(anonymization)，确保个人不会通过数据被识别
判别分析(Discriminant analysis) –
将数据分类;按不同的分类方式，可将数据分配到不同的群组，类别或者目录。是一种统计分析法，可以对数据中某些群组或集群的已知信息进行分析，并从中获取分类规则。
分布式文件系统(Distributed File System) – 提供简化的，高可用的方式来存储、分析、处理数据的系统
文件存贮数据库(Document Store Databases) – 又称为文档数据库(document-oriented database),
为存储、管理、恢复文档数据而专门设计的数据库，这类文档数据也称为半结构化数据
E
探索性分析(Exploratory analysis) –
在没有标准的流程或方法的情况下从数据中发掘模式。是一种发掘数据和数据集主要特性的一种方法
E字节(EB: Exabytes) – 约等于1000 PB(petabytes), 约等于1百万 GB。如今全球每天所制造的新信息量大约为1
EB
提取-转换-加载(ETL: Extract, Transform and Load) –
是一种用于数据库或者数据仓库的处理过程。即从各种不同的数据源提取(E)数据，并转换(T)成能满足业务需要的数据，最后将其加载(L)到数据库
F
故障切换(Failover) – 当系统中某个服务器发生故障时，能自动地将运行任务切换到另一个可用服务器或节点上
容错设计(Fault-tolerant design) – 一个支持容错设计的系统应该能够做到当某一部分出现故障也能继续运行
G
游戏化(Gamification) –
在其他非游戏领域中运用游戏的思维和机制，这种方法可以以一种十分友好的方式进行数据的创建和侦测，非常有效。
图形数据库(Graph Databases) –
运用图形结构(例如，一组有限的有序对，或者某种实体)来存储数据，这种图形存储结构包括边缘、属性和节点。它提供了相邻节点间的自由索引功能，也就是说，数据库中每个元素间都与其他相邻元素直接关联。
网格计算(Grid computing) – 将许多分布在不同地点的计算机连接在一起，用以处理某个特定问题，通常是通过云将计算机相连在一起。
H
Hadoop – 一个开源的分布式系统基础框架，可用于开发分布式程序，进行大数据的运算与存储。
Hadoop数据库(HBase) – 一个开源的、非关系型、分布式数据库，与Hadoop框架共同使用
HDFS – Hadoop分布式文件系统(Hadoop Distributed File
System);是一个被设计成适合运行在通用硬件(commodity hardware)上的分布式文件系统
高性能计算(HPC: High-Performance-Computing) – 使用超级计算机来解决极其复杂的计算问题
I
内存数据库(IMDB: In-memory) –
一种数据库管理系统，与普通数据库管理系统不同之处在于，它用主存来存储数据，而非硬盘。其特点在于能高速地进行数据的处理和存取。
物联网(Internet of Things) – 在普通的设备中装上传感器，使这些设备能够在任何时间任何地点与网络相连。
J
法律上的数据一致性(Juridical data compliance) –
当你使用的云计算解决方案，将你的数据存储于不同的国家或不同的大陆时，就会与这个概念扯上关系了。你需要留意这些存储在不同国家的数据是否符合当地的法律。
K
键值数据库(KeyValue Databases) –
数据的存储方式是使用一个特定的键，指向一个特定的数据记录，这种方式使得数据的查找更加方便快捷。键值数据库中所存的数据通常为编程语言中基本数据类型的数据。
L
延迟(Latency) – 表示系统时间的延迟
遗留系统(Legacy system) – 是一种旧的应用程序，或是旧的技术，或是旧的计算系统，现在已经不再支持了。
负载均衡(Load balancing) – 将工作量分配到多台电脑或服务器上，以获得最优结果和最大的系统利用率。
位置信息(Location data) – GPS信息，即地理位置信息。
日志文件(Log file) – 由计算机系统自动生成的文件，记录系统的运行过程。
M
M2M数据(Machine2Machine data) – 两台或多台机器间交流与传输的内容
机器数据(Machine data) – 由传感器或算法在机器上产生的数据
机器学习(Machine learning) –
人工智能的一部分，指的是机器能够从它们所完成的任务中进行自我学习，通过长期的累积实现自我改进。
MapReduce – 是处理大规模数据的一种软件框架(Map: 映射，Reduce: 归纳)。
大规模并行处理(MPP: Massively Parallel Processing) –
同时使用多个处理器(或多台计算机)处理同一个计算任务。
元数据(Metadata) – 被称为描述数据的数据，即描述数据数据属性(数据是什么)的信息。
MongoDB – 一种开源的非关系型数据库(NoSQL database)
多维数据库(Multi-Dimensional Databases) – 用于优化数据联机分析处理(OLAP)程序，优化数据仓库的一种数据库。
多值数据库(MultiValue Databases) – 是一种非关系型数据库(NoSQL),
一种特殊的多维数据库：能处理3个维度的数据。主要针对非常长的字符串，能够完美地处理HTML和XML中的字串。
N
自然语言处理(Natural Language Processing) –
是计算机科学的一个分支领域，它研究如何实现计算机与人类语言之间的交互。
网络分析(Network analysis) – 分析网络或图论中节点间的关系，即分析网络中节点间的连接和强度关系。
NewSQL – 一个优雅的、定义良好的数据库系统，比SQL更易学习和使用，比NoSQL更晚提出的新型数据库
NoSQL –
顾名思义，就是“不使用SQL”的数据库。这类数据库泛指传统关系型数据库以外的其他类型的数据库。这类数据库有更强的一致性，能处理超大规模和高并发的数据。
O
对象数据库(Object Databases) –
(也称为面象对象数据库)以对象的形式存储数据，用于面向对象编程。它不同于关系型数据库和图形数据库，大部分对象数据库都提供一种查询语言，允许使用声明式编程(declarative
programming)访问对象
基于对象图像分析(Object-based Image Analysis) –
数字图像分析方法是对每一个像素的数据进行分析，而基于对象的图像分析方法则只分析相关像素的数据，这些相关像素被称为对象或图像对象。
*** 作型数据库(Operational Databases) –
这类数据库可以完成一个组织机构的常规 *** 作，对商业运营非常重要，一般使用在线事务处理，允许用户访问 、收集、检索公司内部的具体信息。
优化分析(Optimization analysis) –
在产品设计周期依靠算法来实现的优化过程，在这一过程中，公司可以设计各种各样的产品并测试这些产品是否满足预设值。
本体论(Ontology) – 表示知识本体，用于定义一个领域中的概念集及概念之间的关系的一种哲学思想。(译者注:
数据被提高到哲学的高度，被赋予了世界本体的意义，成为一个独立的客观数据世界)
异常值检测(Outlier detection) –
异常值是指严重偏离一个数据集或一个数据组合总平均值的对象，该对象与数据集中的其他它相去甚远，因此，异常值的出现意味着系统发生问题，需要对此另加分析。
P
模式识别(Pattern Recognition) – 通过算法来识别数据中的模式，并对同一数据源中的新数据作出预测
P字节(PB: Petabytes) – 约等于1000 TB(terabytes), 约等于1百万 GB
(gigabytes)。欧洲核子研究中心(CERN)大型强子对撞机每秒产生的粒子个数就约为1 PB
平台即服务(PaaS: Platform-as-a-Service) – 为云计算解决方案提供所有必需的基础平台的一种服务
预测分析(Predictive analysis) –
大数据分析方法中最有价值的一种分析方法，这种方法有助于预测个人未来(近期)的行为，例如某人很可能会买某些商品，可能会访问某些网站，做某些事情或者产生某种行为。通过使用各种不同的数据集，例如历史数据，事务数据，社交数据，或者客户的个人信息数据，来识别风险和机遇
隐私(Privacy) – 把具有可识别出个人信息的数据与其他数据分离开，以确保用户隐私。
公共数据(Public data) – 由公共基金创建的公共信息或公共数据集。
Q
数字化自我(Quantified Self) – 使用应用程序跟踪用户一天的一举一动，从而更好地理解其相关的行为
查询(Query) – 查找某个问题答案的相关信息
R
再识别(Re-identification) – 将多个数据集合并在一起，从匿名化的数据中识别出个人信息
回归分析(Regression analysis) –
确定两个变量间的依赖关系。这种方法假设两个变量之间存在单向的因果关系(译者注：自变量，因变量，二者不可互换)
RFID – 射频识别; 这种识别技术使用一种无线非接触式射频电磁场传感器来传输数据
实时数据(Real-time data) – 指在几毫秒内被创建、处理、存储、分析并显示的数据
推荐引擎(Recommendation engine) – 推荐引擎算法根据用户之前的购买行为或其他购买行为向用户推荐某种产品
路径分析(Routing analysis) –
针对某种运输方法通过使用多种不同的变量分析从而找到一条最优路径，以达到降低燃料费用，提高效率的目的
S
半结构化数据(Semi-structured data) –
半结构化数据并不具有结构化数据严格的存储结构，但它可以使用标签或其他形式的标记方式以保证数据的层次结构
情感分析(Sentiment Analysis) – 通过算法分析出人们是如何看待某些话题
信号分析(Signal analysis) – 指通过度量随时间或空间变化的物理量来分析产品的性能。特别是使用传感器数据。
相似性搜索(Similarity searches) – 在数据库中查询最相似的对象，这里所说的数据对象可以是任意类型的数据
仿真分析(Simulation analysis) –
仿真是指模拟真实环境中进程或系统的 *** 作。仿真分析可以在仿真时考虑多种不同的变量，确保产品性能达到最优
智能网格(Smart grid) – 是指在能源网中使用传感器实时监控其运行状态，有助于提高效率
软件即服务(SaaS: Software-as-a-Service) – 基于Web的通过浏览器使用的一种应用软件
空间分析(Spatial analysis) – 空间分析法分析地理信息或拓扑信息这类空间数据，从中得出分布在地理空间中的数据的模式和规律
SQL – 在关系型数据库中，用于检索数据的一种编程语言
结构化数据(Structured data)
-可以组织成行列结构，可识别的数据。这类数据通常是一条记录，或者一个文件，或者是被正确标记过的数据中的某一个字段，并且可以被精确地定位到。
T
T字节(TB: Terabytes) – 约等于1000 GB(gigabytes)。1 TB容量可以存储约300小时的高清视频。
时序分析(Time series analysis) –
分析在重复测量时间里获得的定义良好的数据。分析的数据必须是良好定义的，并且要取自相同时间间隔的连续时间点。
拓扑数据分析(Topological Data Analysis) –
拓扑数据分析主要关注三点：复合数据模型、集群的识别、以及数据的统计学意义。
交易数据(Transactional data) – 随时间变化的动态数据
透明性(Transparency) – 消费者想要知道他们的数据有什么作用、被作何处理，而组织机构则把这些信息都透明化了。
U
非结构化数据(Un-structured data) – 非结构化数据一般被认为是大量纯文本数据，其中还可能包含日期，数字和实例。
V
价值(Value) – (译者注：大数据4V特点之一)
所有可用的数据，能为组织机构、社会、消费者创造出巨大的价值。这意味着各大企业及整个产业都将从大数据中获益。
可变性(Variability) – 也就是说，数据的含义总是在(快速)变化的。例如，一个词在相同的推文中可以有完全不同的意思。
多样(Variety) – (译者注：大数据4V特点之一)
数据总是以各种不同的形式呈现，如结构化数据，半结构化数据，非结构化数据，甚至还有复杂结构化数据
高速(Velocity) – (译者注：大数据4V特点之一) 在大数据时代，数据的创建、存储、分析、虚拟化都要求被高速处理。
真实性(Veracity) – 组织机构需要确保数据的真实性，才能保证数据分析的正确性。因此，真实性(Veracity)是指数据的正确性。
可视化(Visualization) –
只有正确的可视化，原始数据才可被投入使用。这里的“可视化”并非普通的图型或饼图，可视化指是的复杂的图表，图表中包含大量的数据信息，但可以被很容易地理解和阅读。
大量(Volume) – (译者注：大数据4V特点之一) 指数据量，范围从Megabytes至Brontobytes
W
天气数据(Weather data) – 是一种重要的开放公共数据来源，如果与其他数据来源合成在一起，可以为相关组织机构提供深入分析的依据
X
XML数据库(XML Databases) –
XML数据库是一种以XML格式存储数据的数据库。XML数据库通常与面向文档型数据库相关联，开发人员可以对XML数据库的数据进行查询，导出以及按指定的格式序列化
Y
Y字节 (Yottabytes) – 约等于1000 ZB (Zettabytes),
约等于250万亿张DVD的数据容量。现今，整个数字化宇宙的数据量为1 YB, 并且将每18年翻一番。
Z
Z字节 (ZB: Zettabytes) – 约等于1000 EB (Exabytes), 约等于1百万
TB。据预测，到2016年全球范围内每天网络上通过的信息大约能达到1 ZB。
附：存储容量单位换算表：
1 Bit(比特) = Binary Digit
8 Bits = 1 Byte(字节)
1,000 Bytes = 1 Kilobyte
1,000 Kilobytes = 1 Megabyte
1,000 Megabytes = 1 Gigabyte
1,000 Gigabytes = 1 Terabyte
1,000 Terabytes = 1 Petabyte
1,000 Petabytes = 1 Exabyte
1,000 Exabytes = 1 Zettabyte
1,000 Zettabytes = 1 Yottabyte
1,000 Yottabytes = 1 Brontobyte
1,000 Brontobytes = 1 Geopbyte

---