3. 模型预测
根据给定输入参数，即风速、ACU 等值，对数据中心未来空间内温度进行预测。橙色部分标注 STP 预测的未来时间的温度相关信息。
 $STP-y、$STPVAR-y、STPUCI-y 和$STPLCI-y 分别代表代表预测温度、方差、预测上下区间。实际 STP 可以预测未来连续时刻的任意空间位置温度。下面用散点热图表示该例中温度的分布情况。
图 9. 采集样本位置的最后时间点的温度分布 图 10. 预测下一时间点在不同高度层上的立体温度分布效果图 图 11. 预测下一时间点在不同高度层上的平面温度分布效果图   图 12. 预测下一时间点在整个空间内立体温度分布效果图 STP 具备 score anywhere 的特性。即通过有限位置的样本点，便可以预测整个空间的温度分布。从以上温度效果图可知，随着高度增加，热气流往上上升，因此在高度 5.5 米时，造成热量大量聚集，温度过高，可以在该高度及以上范围进行足够的通风散热与降温。除此之外，在高度 4.5 米位置对应图形的右上方局部温度过高，因此考虑在此范围内加强设备运行以使温度下降。通过 STP 对整个空间温度的预测，用户可尽早获悉数据中心的整体温度分布情况，从而避免局部温度过高而造成设备的损坏与不可逆损失。
STP 还具备 what-if-analysis 的特性。用户可以调整影响模型的可控参数来达到预期目标。调整风量与 ACU 后，STP 可以预计多久即可将温度下降到合理范围内。如下面一组图所示同一高度层上调整参数后温度的变化情况。
图 13. 预测同一高度层上未来时间段温度变化效果图 STP 解决方案在数据机房中的应用不仅限于温度预测，同时也可对湿度变化及与空间相关的任一因素进行分析预测。从而，数据中心的自动化管理将更为先进与优越，且更加有效、可靠的节省电能并减少人为干预。即使当前机房老旧、设备硬件来不及提升的情形下，也可为数据中心打造环保、智能的管理系统。
银行选址决策支持方案 某银行高管欲在某市建设新的银行分支机构，通过一些普查与调研数据他能够获取到每个区域的家庭收入、以及区域内所有银行现有的分支机构信息。通过这些信息，他考虑使用 SPSS 的 STP 模型来帮助其预测拥有潜在市场价值的地点。
他通过 STP 模型创建了两个模型，一个模型用于预测每个区域的收入信息、另一个模型用于预测这些区域未来的银行分支机构的数量。然后通过这两种预测结果，得出该市所有区域的潜在市场的分布情况，从而迅速高效地帮助其完成市场分析，以支持决策方案的可行性。
图 14. 预测未来银行数量供给情况 图 15. 预测未来居民收入情况 图 16. 预测未来潜在市场分布情况
结束语 (the end)如果你是一个上班族，你是否时常想如何减少交通拥堵？如何高效地利用公共自行车资源？如何快速地在高峰期打到合适价格的车？
如果你是一个经营者，你是否经常为市场选择而踌躇不决？怎样才能选择一个商机无限的地点而不至于错误的扩张带来不可估量的损失？怎样才能应用大数据分析帮助企业提升智能信息化的竞争力并降低成本？
STP 算法的应用将为你提供时空问题的最佳解决方案和预测支持。SPSS 同时提供各类广泛应用于商业数据中的算法，最全面的帮助人们做好大数据的分析与商业决策。 |
