大数据技术趋势分析报告

大数据技术趋势分析报告TOC\o"1-2"\h\u9429第一章大数据技术概述 2229811.1大数据概念与发展历程 2232601.2大数据技术的核心组成 36741第二章大数据存储技术趋势 3277412.1分布式存储技术发展 3314482.2云存储技术进展 4245452.3存储优化与数据压缩技术 425799第三章大数据处理技术趋势 5188853.1批处理技术发展 5206523.2流处理技术进展 5101143.3内存计算技术 630927第四章大数据分析技术趋势 6312764.1数据挖掘与机器学习技术 6292354.2数据可视化与分析工具 7168874.3深度学习在大数据分析中的应用 726257第五章大数据安全与隐私保护技术趋势 8191335.1数据加密与安全存储技术 8161915.2数据访问控制与身份认证 8311935.3数据脱敏与隐私保护技术 820506第六章大数据应用场景与行业解决方案 940626.1金融行业大数据应用 9191786.1.1风险管理 994526.1.2客户服务 9181506.1.3信用评分 973386.2医疗健康行业大数据应用 9177176.2.1疾病预测与预防 9305246.2.2医疗资源优化配置 988696.2.3药物研发 9201306.3智能交通行业大数据应用 10102236.3.1交通运行监测与预测 1031796.3.2路网优化 10136306.3.3智能出行服务 10415第七章大数据技术在物联网中的应用 10109697.1物联网数据采集与传输 1069857.1.1数据采集技术概述 10217.1.2数据传输技术概述 10127.1.3应用案例分析 10171597.2物联网数据处理与分析 1119577.2.1数据处理技术概述 11201067.2.2数据分析技术概述 11172337.2.3应用案例分析 11126817.3物联网应用场景与实践 11180197.3.1智能家居 11229787.3.2智能医疗 1162907.3.3智能制造 11259317.3.4智能城市 1118383第八章大数据与云计算、人工智能的融合 12229538.1云计算在大数据中的应用 12321548.1.1数据存储与备份 12133708.1.2数据处理与分析 12236018.1.3数据共享与协作 12100398.2人工智能在大数据中的应用 12189628.2.1数据挖掘与分析 12122008.2.2自然语言处理 12180828.2.3图像识别与处理 13214918.3云计算与人工智能的协同发展 13309678.3.1技术融合 1361308.3.2场景拓展 13292138.3.3产业创新 1323222第九章大数据技术在我国的发展现状与政策环境 1398039.1我国大数据政策法规概述 13131529.2我国大数据产业链现状 14319619.3我国大数据技术创新与发展趋势 1419890第十章未来大数据技术发展趋势与展望 15538610.1大数据技术发展新趋势 15314810.2大数据技术面临的挑战与机遇 15354210.3未来大数据技术的发展方向与展望 16第一章大数据技术概述1.1大数据概念与发展历程大数据（BigData）是指在传统数据处理软件和硬件环境下，无法在有效时间内进行捕获、管理和处理的庞大数据集合。大数据具有四个主要特征：数据量巨大（Volume）、数据类型繁多（Variety）、数据增长迅速（Velocity）和数据价值密度较低（Value）。互联网、物联网、人工智能等技术的快速发展，大数据已成为推动社会进步的重要驱动力。大数据的发展历程可以分为以下几个阶段：（1）萌芽阶段（20世纪80年代至90年代）：在这一阶段，计算机科学家和统计学家开始关注大规模数据集的处理和分析问题，提出了数据挖掘、机器学习等概念。（2）成长阶段（2000年至2010年）：互联网的普及，数据量呈现出爆炸式增长，大数据开始引起广泛关注。在此阶段，Hadoop、Spark等大数据处理框架逐渐成熟，推动了大数据技术的快速发展。（3）应用阶段（2010年至今）：大数据技术逐渐应用于各个行业，如金融、医疗、教育、物流等，为各行各业提供了数据驱动决策的支持。1.2大数据技术的核心组成大数据技术体系主要包括以下几个核心组成部分：（1）数据采集与存储：数据采集涉及多种数据源，如传感器、社交媒体、Web日志等。数据存储则需要应对海量数据的存储、备份和恢复等问题，常用的存储技术包括分布式文件系统、NoSQL数据库等。（2）数据处理与计算：大数据处理需要对海量数据进行清洗、转换、计算等操作，常用的技术有MapReduce、Spark等分布式计算框架。（3）数据分析与挖掘：大数据分析主要包括统计分析、机器学习、数据挖掘等方法，用于挖掘数据中的有价值信息，为决策提供支持。（4）数据可视化与展示：数据可视化技术将抽象的数据转化为图形、图表等直观形式，便于用户理解和分析数据。（5）数据安全与隐私保护：在大数据时代，数据安全和隐私保护成为重要议题。大数据技术需要采用加密、访问控制等手段，保证数据的安全性和隐私性。（6）大数据应用：大数据技术在各个行业的应用，如金融风控、医疗健康、智能交通等，为社会各界提供了丰富的应用场景。第二章大数据存储技术趋势2.1分布式存储技术发展大数据时代的到来，数据量呈现出爆炸式增长，分布式存储技术应运而生，成为大数据存储领域的重要发展趋势。以下是分布式存储技术发展的几个方面：（1）分布式文件系统分布式文件系统是分布式存储技术的基础，如HDFS（HadoopDistributedFileSystem）、Ceph等。分布式文件系统在功能、可靠性和易用性方面取得了显著进展。例如，HDFS2.0在功能方面进行了优化，提高了读写速度；Ceph则通过去中心化设计，实现了高可用性和数据冗余。（2）分布式数据库分布式数据库是处理大规模数据的关键技术，如MongoDB、Cassandra等。分布式数据库在数据一致性、事务处理、分布式索引等方面不断优化，以满足大数据场景下的存储需求。新型分布式数据库如TiDB、OceanBase等，也逐步在功能和功能上取得突破。（3）分布式缓存分布式缓存技术，如Redis、Memcached等，可提高数据访问速度，降低延迟。分布式缓存技术逐渐向持久化、分布式事务处理等方向发展，以满足复杂业务场景的需求。2.2云存储技术进展云存储技术是大数据存储的另一重要趋势，以下为云存储技术进展的几个方面：（1）对象存储对象存储是一种基于HTTP协议的存储方式，如AmazonS3、GoogleCloudStorage等。对象存储在数据安全性、可扩展性和易用性方面具有优势，已成为大数据场景下的主流存储方式。我国厂商如、云等，也推出了具有竞争力的对象存储产品。（2）块存储块存储是一种基于网络存储的技术，如iSCSI、FC等。块存储在功能和可靠性方面具有优势，适用于高功能计算、数据库等场景。云计算的发展，块存储技术逐渐向分布式、云化方向演进，如Ceph块存储、NFS等。（3）混合云存储混合云存储是将公有云和私有云存储资源整合的一种方式，旨在实现数据的高可用性、灵活性和成本效益。混合云存储技术不断发展，如AmazonOutposts、AzureStack等，为用户提供了一站式的存储解决方案。2.3存储优化与数据压缩技术在大数据存储过程中，存储优化与数据压缩技术具有重要意义。以下为存储优化与数据压缩技术发展的几个方面：（1）存储优化存储优化技术旨在提高存储系统的功能、降低成本。常见的存储优化技术包括数据去重、数据压缩、数据索引等。例如，HDFS通过数据去重和压缩技术，可减少存储空间需求；分布式数据库通过索引优化，提高查询功能。（2）数据压缩数据压缩技术是通过算法对数据进行压缩，以减少存储空间和传输带宽的需求。常见的数据压缩技术包括无损压缩和有损压缩。无损压缩如gzip、snappy等，可保证数据完整性；有损压缩如JPEG、MP3等，则会损失部分数据质量。（3）存储介质优化存储介质的发展，如SSD（固态硬盘）、NVMe（非易失性内存）等，存储系统的功能得到显著提升。针对不同存储介质的特点，优化存储系统架构和算法，进一步提高存储功能和降低成本。大数据存储技术发展趋势呈现出分布式存储、云存储和存储优化等多个方向。在未来，技术的不断进步，大数据存储技术将更好地满足各类应用场景的需求。第三章大数据处理技术趋势3.1批处理技术发展大数据时代的到来，批处理技术在数据处理领域发挥着的作用。批处理技术主要针对大量静态数据集合进行处理，具有高吞吐量、高可靠性的特点。以下是批处理技术的发展趋势：（1）并行计算优化：为了提高批处理技术的处理效率，研究人员不断优化并行计算方法，如MapReduce、Spark等框架。通过分布式计算，将大数据集划分成多个子任务，并行执行，从而提高处理速度。（2）存储优化：大数据处理过程中，存储是关键环节。当前，研究人员正致力于优化存储系统，如使用分布式文件系统、列式存储等，以减少数据读写时间，提高存储效率。（3）算法优化：批处理技术中的算法优化也是发展趋势之一。研究人员通过对算法进行改进，如使用更高效的排序算法、压缩算法等，以降低计算复杂度，提高处理速度。3.2流处理技术进展流处理技术是针对实时数据流进行处理的技术，具有低延迟、高吞吐量的特点。以下是流处理技术的主要进展：（1）实时计算框架：流处理技术的不断发展，实时计算框架如ApacheKafka、ApacheFlink等逐渐成熟。这些框架能够支持大规模实时数据流的处理，为流处理技术提供了强大的支持。（2）增量计算优化：流处理技术中的增量计算优化是关键。通过对实时数据流的增量计算，可以有效降低计算延迟，提高处理速度。研究人员正致力于优化增量计算算法，如窗口计算、滑动窗口等。（3）容错机制：流处理技术在实际应用中，需要具备较高的容错能力。当前，研究人员正致力于研究流处理系统中的容错机制，如数据备份、状态恢复等，以提高系统的可靠性。3.3内存计算技术内存计算技术是大数据处理领域的一种新型计算模式，其主要特点是利用高速内存进行数据计算，从而提高处理速度。以下是内存计算技术的发展趋势：（1）内存优化：为了提高内存计算的功能，研究人员正致力于优化内存管理系统，如采用高效的数据结构、压缩技术等，以减少内存占用，提高内存访问速度。（2）异构计算：内存计算技术中的异构计算是一种发展趋势。通过将CPU、GPU等不同类型的计算资源整合，实现高效的数据处理。研究人员正致力于研究异构计算的功能优化方法。（3）分布式内存计算：分布式内存计算是将内存计算技术应用于分布式系统中，以提高大数据处理的速度。当前，研究人员正致力于优化分布式内存计算框架，如ApacheHadoop、ApacheSpark等，以提高系统的功能和可扩展性。第四章大数据分析技术趋势4.1数据挖掘与机器学习技术在当前的大数据时代，数据挖掘与机器学习技术发挥着的作用。数据量的不断增长，如何从海量数据中提取有价值的信息成为亟待解决的问题。数据挖掘技术通过对数据进行有效筛选、清洗、转换和挖掘，为企业提供了丰富的商业价值。机器学习技术在数据挖掘领域的应用越来越广泛。其中，深度学习、随机森林、支持向量机等算法取得了显著的成果。深度学习作为一种模拟人脑神经网络结构的算法，能够在不需要人类干预的情况下自动学习特征，从而实现对复杂数据的智能分析。随机森林算法在处理高维数据方面具有优势，而支持向量机算法则在分类和回归分析中表现出色。4.2数据可视化与分析工具数据可视化与分析工具是大数据分析过程中不可或缺的环节。通过将数据以图形、表格等形式直观地展示出来，数据可视化技术帮助用户更好地理解数据，发觉数据背后的规律和趋势。当前，数据可视化与分析工具呈现出以下发展趋势：（1）多样化：为了满足不同用户的需求，数据可视化工具逐渐呈现出多样化的发展趋势。例如，柱状图、折线图、饼图等传统图表，以及地理信息系统、关系图、力导向图等新兴图表。（2）智能化：数据可视化工具开始融合人工智能技术，如自然语言处理、机器学习等，实现自动化、智能化的数据分析。（3）实时性：大数据技术的发展，实时数据可视化成为可能。用户可以实时查看数据变化，及时调整分析策略。4.3深度学习在大数据分析中的应用深度学习作为一种新兴的人工智能技术，在大数据分析领域具有广泛的应用前景。以下为深度学习在大数据分析中的几个典型应用：（1）图像识别：深度学习算法在图像识别领域取得了显著的成果，如人脸识别、物体识别等。通过将深度学习应用于图像数据，可以实现对图像内容的智能分析，为安防、医疗、交通等领域提供支持。（2）语音识别：深度学习技术在语音识别领域也有广泛应用，如智能语音、自动语音识别等。通过对语音数据进行深度分析，可以实现高精度的语音识别。（3）文本分析：深度学习技术在文本分析领域具有优势，如情感分析、主题模型等。通过对文本数据进行深度分析，可以挖掘出用户需求和偏好，为企业提供有针对性的服务。（4）推荐系统：深度学习技术在推荐系统中的应用越来越广泛。通过分析用户行为数据，深度学习算法可以实现精准的个性化推荐，提高用户体验。大数据技术的不断进步，深度学习在大数据分析中的应用将越来越广泛，为各行各业带来更多创新机遇。第五章大数据安全与隐私保护技术趋势5.1数据加密与安全存储技术在大数据时代，数据加密与安全存储技术显得尤为重要。加密技术是保护数据安全的关键手段，通过对数据进行加密处理，可以有效防止数据泄露和非法访问。当前，加密技术正向着以下几个方面发展：（1）加密算法优化：加密算法是保证数据安全的核心，研究者们不断优化加密算法，提高加密速度和安全性。（2）密钥管理：密钥是加密过程中的重要元素，密钥管理技术的发展趋势包括密钥协商、密钥交换和密钥更新等。（3）安全存储：安全存储技术涉及数据在存储、传输和处理过程中的安全性，包括数据加密、数据完整性保护、数据访问控制等。5.2数据访问控制与身份认证数据访问控制与身份认证是保障大数据安全的重要手段。在大数据环境下，数据访问控制与身份认证技术呈现出以下发展趋势：（1）精细化访问控制：通过对用户、数据、资源和访问权限的精细化划分，实现对数据的精细化管理。（2）多因素认证：结合多种认证手段，如密码、生物识别、动态令牌等，提高身份认证的准确性。（3）基于角色的访问控制（RBAC）：通过为用户分配角色，实现基于角色的访问控制，简化权限管理。5.3数据脱敏与隐私保护技术在大数据时代，数据脱敏与隐私保护技术。以下为数据脱敏与隐私保护技术的发展趋势：（1）数据脱敏算法：研究者们不断摸索新的数据脱敏算法，以提高脱敏效果，同时降低对数据可用性的影响。（2）差分隐私：差分隐私是一种保护数据隐私的方法，通过添加一定程度的噪声，实现对数据隐私的保护。（3）隐私计算：隐私计算技术允许数据在加密状态下进行处理，从而实现数据的可用性与隐私保护之间的平衡。（4）联邦学习：联邦学习是一种分布式学习方法，通过在本地训练模型并共享加密的模型参数，实现模型的隐私保护。第六章大数据应用场景与行业解决方案6.1金融行业大数据应用金融业务的不断复杂化，以及金融科技（FinTech）的快速发展，大数据在金融行业的应用日益广泛。以下是金融行业大数据应用的几个关键领域：6.1.1风险管理金融行业利用大数据分析技术，可以实时监测市场动态，预测市场风险，对潜在的风险进行预警。同时通过对历史数据的挖掘，可以更加准确地评估贷款、信用、市场等风险，为金融机构提供决策支持。6.1.2客户服务大数据技术可以帮助金融机构深入了解客户需求，优化产品设计和服务策略。通过对客户行为数据的分析，金融机构可以提供个性化服务，提高客户满意度和忠诚度。6.1.3信用评分大数据技术可以整合多种数据源，如社交媒体、消费记录等，为金融机构提供更全面的信用评分依据。这有助于降低信贷风险，提高信贷业务的效率。6.2医疗健康行业大数据应用医疗健康行业拥有大量的数据资源，大数据技术的应用有助于提高医疗服务质量，降低医疗成本。6.2.1疾病预测与预防通过对大规模医疗数据的分析，可以预测疾病发展趋势，为医疗机构提供针对性的预防策略。大数据还可以用于疾病早期诊断，提高治疗效果。6.2.2医疗资源优化配置大数据技术可以帮助医疗机构合理配置医疗资源，提高医疗服务效率。例如，通过分析患者就诊数据，可以优化科室设置、床位分配等。6.2.3药物研发大数据技术在药物研发领域的应用日益广泛，通过分析药物临床试验数据，可以加快新药研发速度，降低研发成本。6.3智能交通行业大数据应用智能交通行业作为我国战略性新兴产业，大数据技术的应用具有重要作用。6.3.1交通运行监测与预测利用大数据技术，可以对交通运行数据进行实时监测，预测交通流量、拥堵状况等，为交通管理部门提供决策支持。6.3.2路网优化通过对交通数据的分析，可以优化路网布局，提高道路通行能力。大数据技术还可以用于道路维护、交通处理等。6.3.3智能出行服务大数据技术可以为出行者提供实时、准确的出行信息，如公交、地铁、出租车等出行方式的选择，以及出行路线的规划。这将有助于提高出行效率，减少交通拥堵。第七章大数据技术在物联网中的应用7.1物联网数据采集与传输7.1.1数据采集技术概述物联网的快速发展，数据采集技术在物联网应用中发挥着的作用。数据采集技术主要包括传感器技术、RFID技术、图像识别技术等。这些技术能够实时监测和收集物联网设备产生的各类数据，为后续的数据处理和分析提供基础。7.1.2数据传输技术概述数据传输技术在物联网中同样具有重要意义。它负责将采集到的数据安全、高效地传输至数据处理中心。当前，常用的数据传输技术有WiFi、蓝牙、LoRa、NBIoT等。这些技术在传输距离、速率、功耗等方面具有不同的优势，可根据实际应用场景进行选择。7.1.3应用案例分析以智能家居为例，物联网数据采集技术可以实时监测家庭环境中的温度、湿度、光照等数据，通过WiFi或蓝牙技术传输至云端，为用户提供智能化的环境调节方案。7.2物联网数据处理与分析7.2.1数据处理技术概述物联网数据处理技术主要包括数据清洗、数据存储、数据挖掘等。数据清洗是为了去除采集过程中产生的无效、错误数据，保证数据质量。数据存储技术负责将清洗后的数据存储在数据库中，以便后续分析。数据挖掘技术则是对存储的数据进行深度分析，挖掘出有价值的信息。7.2.2数据分析技术概述物联网数据分析技术包括统计分析、机器学习、深度学习等。统计分析主要用于对数据进行初步分析，了解数据的基本情况。机器学习和深度学习技术则可以挖掘数据中的隐藏规律，为用户提供更精准的服务。7.2.3应用案例分析以智能交通为例，物联网数据处理技术可以分析交通监控摄像头采集的图像数据，识别车辆违法行为，从而提高道路安全性。同时通过对交通流量的实时分析，可以为交通管理部门提供合理的交通调控策略。7.3物联网应用场景与实践7.3.1智能家居智能家居是物联网技术在家庭环境中的应用，通过物联网设备实现家庭环境的智能化管理。例如，智能门锁、智能照明、智能空调等设备可以实时采集家庭环境数据，并通过数据处理和分析提供个性化服务。7.3.2智能医疗物联网技术在医疗领域的应用日益广泛，智能医疗系统可以实时监测患者的生理指标，如心率、血压等，并将数据传输至云端进行分析。医生可以根据分析结果为患者提供及时、准确的诊疗建议。7.3.3智能制造智能制造是物联网技术在工业领域的应用，通过物联网设备实现生产过程的自动化、智能化。例如，智能工厂中的可以实时采集生产数据，并通过数据分析优化生产流程，提高生产效率。7.3.4智能城市智能城市是物联网技术在城市治理中的应用，通过物联网设备采集城市运行数据，如交通、环境、能源等，并进行实时分析，为城市管理者提供决策依据。智能城市可以提高城市运行效率，改善居民生活质量。第八章大数据与云计算、人工智能的融合8.1云计算在大数据中的应用大数据时代的到来，数据量的爆炸式增长使得数据存储、处理和分析的需求日益迫切。云计算作为一种高效、可扩展的计算模式，在大数据领域发挥着举足轻重的作用。8.1.1数据存储与备份云计算提供了海量的存储空间和高效的数据备份机制，使得大数据的存储和备份变得更加便捷。用户可以将大量数据存储在云端的分布式存储系统中，实现数据的快速读写和高可用性。8.1.2数据处理与分析云计算平台具备强大的计算能力，能够为大数据处理提供高效的支持。通过分布式计算和并行处理技术，云计算可以快速完成大规模数据的清洗、转换、分析和挖掘任务，为用户提供有价值的信息。8.1.3数据共享与协作云计算平台可以实现数据的共享与协作，打破数据孤岛的局限。用户可以在云端创建数据共享空间，实现跨地域、跨部门的数据交流和合作，提高数据利用效率。8.2人工智能在大数据中的应用人工智能作为一种新兴技术，在大数据领域具有广泛的应用前景。以下是人工智能在大数据中的几个关键应用：8.2.1数据挖掘与分析人工智能技术可以自动从大量数据中挖掘出有价值的信息，实现数据的智能分析。通过机器学习、深度学习等方法，人工智能可以从复杂数据中提取规律，为用户提供决策支持。8.2.2自然语言处理自然语言处理技术使得计算机能够理解和处理人类语言，为大数据分析提供了新的途径。通过自然语言处理，计算机可以自动从文本数据中提取关键信息，实现文本的智能分析。8.2.3图像识别与处理人工智能在图像识别和处理方面取得了显著成果，为大数据分析提供了丰富的视觉信息。通过深度学习等算法，人工智能可以自动识别图像中的物体、场景和人物，实现图像的智能分析。8.3云计算与人工智能的协同发展云计算与人工智能的协同发展，为大数据领域带来了新的机遇和挑战。8.3.1技术融合云计算与人工智能的技术融合，使得大数据处理和分析更加高效。云计算提供了强大的计算和存储能力，为人工智能算法的实现提供了基础；而人工智能技术则为云计算带来了智能化的数据处理和分析方法。8.3.2场景拓展云计算与人工智能的融合，使得大数据应用场景得到拓展。在金融、医疗、教育等领域，云计算与人工智能的结合为行业提供了智能化解决方案，提升了行业效率。8.3.3产业创新云计算与人工智能的协同发展，推动了大数据产业的创新。以云计算和人工智能为核心的新兴产业不断涌现，为经济发展注入了新的动力。通过以上分析，我们可以看到云计算、人工智能与大数据之间的紧密联系，以及它们在各自领域的应用和发展趋势。在未来，云计算与人工智能的融合将为大数据领域带来更多创新和机遇。第九章大数据技术在我国的发展现状与政策环境9.1我国大数据政策法规概述我国高度重视大数据产业发展，出台了一系列政策法规，以推动大数据技术的研究与应用。政策法规主要包括以下几个方面：（1）顶层设计：我国将大数据发展纳入国家战略，明确了大数据在国家经济社会发展中的重要地位。例如，《国家大数据战略实施方案》明确了大数据发展的总体目标、基本原则和重点任务。（2）政策引导：通过制定一系列政策措施，引导和促进大数据产业发展。如《大数据产业发展规划（20162020年）》等政策，旨在推动大数据产业创新、应用和产业发展。（3）法规保障：为保障大数据安全、促进数据资源共享，我国出台了一系列法规，如《网络安全法》、《数据安全法》等，明确了数据安全、数据资源共享等方面的法律责任。9.2我国大数据产业链现状我国大数据产业链日趋完善，涵盖了数据采集、数据存储、数据处理、数据分析、数据应用等多个环节。以下是大数据产业链的主要现状：（1）数据采集：我国拥有丰富的数据资源，包括数据、企业数据、互联网数据等。各类数据采集手段和技术逐渐成熟，为大数据产业发展提供了有力支撑。（2）数据存储：我国大数据存储技术逐渐成熟，形成了以云计算、分布式存储、对象存储等为代表的技术体系。同时我国在数据存储基础设施建设方面也取得了显著成果。（3）数据处理：我国大数据处理技术不断发展，包括数据清洗、数据挖掘、数据融合等。这些技术为大数据应用提供了高效、准确的数据基础。（4）数据分析：我国大数据分析技术取得了显著进步，涉及机器学习、深度学习、自然语言处理等领域。这些技术为大数据应用提供了强大的智能分析能力。（5）数据应用：我国大数据应用场景日益丰富，涵盖了金融、医疗、教育、交通等多个领域。大数据应用为我国经济社会发展带来了显著效益。9.3我国大数据技术创新与发展趋势（1）技术创新：我国大数据技术不断创新，主要体现在以下几个方面：（1）数据存储与计算技术：如分布式存储、云计算、边缘计算等。（2）数据分析与挖掘技术：如机器学习、深度学习、自然语言处理等。（3）数据安全与隐私保护技术：如加密算法、安全多方计