所以说我们就通过这种目标态势，由于以前是什么特定呢，以前的痛点是这样的。由于以前这种航迹的数据量大，维度高，挖掘的点呢特别密集，传统的计算能力是有限的，无法找出这种有效的规律及关联的关系。所以我们现在运用了大数据的理论来解决这个事情。
军事目标态势分析，我们今天是拿航迹检索作为一个例子，我们通过大数据的这种行为可以找出他的时间规律、关联规律、路线规律。其实这个对于未来分析航迹是非常有意义的。就是说哪两个飞行的轨迹是关联的，因为这种关联性是我们未来很有价值的信息。包括路线的分析，我们会经常研判出为什么美国的飞机还有日本的飞机会同一个领域出现，而且他的时间间隔是有一定规律的。所以说我们就能判断出这个飞机的这种飞行，他跟以前的某一个事件是有一定关联的。
这也是我们真实做的一个案例，也是关于航迹分析的。其实这张图更多的是展示UI能力，这是在民用领域我们关于这种航迹的分析，关于危险品运输的。比如说我们在设置这种电子围栏，或者是实施轨迹的查询，然后超越电子围栏网络会不会进行报警，其实跟军用领域是有一曲同工之处的。
这个就是我们在做这种军事目标，包括航迹轨迹的一个关键点。比如出发点、结束点、关键点，然后对这种特征做这种提取。然后建立一个所谓的这种特征索引，把这种离线的特征索引加入到实时的数据模型里面，我们就会进行这种轨迹的分析，其实最关键我们是得到相似轨迹分析的结果。
当然我们可以对历史的数据进行分析研判，找出历史记点的一些标签也是很有价值的。刚才讲的事件分析和态势分析之后，我们最终的落地架构大家可以看一下，这也是我们在客户现场落地的一个架构。基础平台、数据管理包括大数据存储，包括分析组建。其实我们最核心的分析组建，比如说刚才讲到事件分析，事件分析用到的分析组建就是关于这种文本数据的挖掘，包括规则的管理，包括模型的建立。其实这个是在里面做出了比较有挑战性的工作在里面的，其实最关键的是这一块分析组建。
最终的业务是关于这种目标事件还有这种目标态势的分析，这就是我们整个落地的架构。刚才讲了第二点关于目标事件和目标态势的分析，接下来讲第三点，是关于这种军事装备预测性维护和质量管理。
关于他的基本理论我刚才也大致讲了一下，说白了就是一句话，让数据觉醒，让数据说话。我们所有的维护都要建立在预测性维护的基础上。不是说我们定期的去维护，其实这个意义是不大的。我们要从众多的海量数据当中发现规律找出规律。其实我们现在可以看一下这张图，为什么我们会做这种事情呢，就是因为如果军事装备在裂化的过程当中是四个阶段的，比如说早期有一些征兆了，然后征兆完之后会有一些设备的缺陷，缺陷完之后如果再没有及时去修复就会发生装备的故障，装备的故障如果我们还没有去避免，那就真正的发生了生产故障了。
如果我们在进行军事为时发现我们的军事装备是有问题的，这个生产故障是很严重的。所以说我们把裂化的拐点尽早的发现，这种现象是比较隐蔽的，判断周期也比较长，但是我们一旦判断出来之后，这个是比较容易处理的，如果这个阶段没有发现，如果到了最后所谓的裂化极限控制阶段，到了那个阶段迹象就比较明显了，也比较容易发现。但是一旦发现之后就很难控制情况了。所以说这种生产故障也就再所难免了。这是我们的一个大概总体思路，我们为什么可以做到这种预测性的维护。其实我们可以收集大量的这种设备数据上来，比如说压力、温度、液位、震动、泄露的这种情况，我们跟历史数据对比会发现一些异常点，然后找出这些离散的规律。
这就是一个离散计算加实时分析的预测性维护的基本思路，也是从历史数据当中去找出一些故障模型，然后我们把他应用到实时数据当中，我们就会实时的发现我们现有的这些装备是否有发生异常的可能。
其实最终的结果是我们想帮助这种人去高效的智能化的进行这种预测性的维护。还有一点刚才是讲维护，其实还有一点是所谓的质量管理，其实我们在很多装备的生产过程当中，在生产零件的过程中是有很多环节的。举个例子，在比较早的环节能发现一些异常，我们是能控制很多这种故障零件产生的。