联通电信收入之和接近移动:渐形成三足鼎立

避开ego_planner仿真的第一个坑:深度相机、点云与odom话题配置全指南 本文详细解析了ego_planner仿真中深度相机、点云与odom话题配置的关键问题,帮助开发者避开常见陷阱。从数据流架构到具体配置细节,包括深度相机的内外参匹配、点云数据规范要求以及odom话题的验证方法,提供了全面的实战指南和优化建议。 阅读详情
导读:业内人士认为,未来三大运营商还将面临较为严峻的发展环境及激烈的市场竞争

  经过重组后4年的市场竞争,三大运营商终于开始扭转中国移动完全一家独大的局面,上半年中国电信和中国联通的收入之和终于接近中国移动,首次显现出与中国移动抗衡的实力,但由于市场饱和,整个运营商依靠用户增长来实现高速发展的时代已逝去。

  联通电信收入之和接近中国移动

  4年前的2008年,我国电信业进行了重组,但重组后的三家运营商的实力相差较大,中国联通和中国电信两家加起来也不是中国移动一家的对手,难以形成抗衡之势。

  2008年,中国移动、中国电信、中国联通三家的经营收入分别为4123亿元、1868亿元、1489.1亿元。也就是说,中国电信和中国联通收入之和为3357亿元,只有该年中国移动收入的81%。

  而2012年上半年,中国移动的运营收入达到2665亿元,中国电信1380.2亿元,中国联通 1252.9亿元,中国联通和中国电信上半年收入之和为2632.9亿元,是中国移动的98.8%,基本上开谓相当了。

  同时,若以单家运营商来计算,中国联通上半年收入相当于中国移动的47%,中国电信上半年收入相当于中国移动的51.7%。

  这主要是因为上半年中国电信和中国联通收入增长快,而中国移动只有10%的增长。

  各自受终端补贴或TD拖累

  受宏观经济下行、移动互联网冲击、行业竞争加剧三方面的共同作用,三家运营商的发展态势在今年上半年均受到较大程度的影响。

  但具体来说,家家有本难念的经,各有受严重拖累之处。

  中国联通和中国电信都受累于高额3G终端补贴,特别是中国电信对iPhone合约机的引入与营销,极大地增加了经营成本。特别是中国电信2012年上半年手机补贴高达115.4亿元,同比增50%,给企业利润的实现带来庞大压力,导致中国电信净利润同比下降8.3%;

  中国联通净利润增长率高于中国电信与中国移动,但净利润绝对值远低于其他两家运营商,利润率为三家中最低。

  而中国移动虽由于网络与客户的双重规模优势,公司利润仍实现了平稳增长,同时,中国移动企业运营各环节的能源消耗及运营成本控制更为合理,资源配置相对优化,使得企业仍展现出优良的盈利能力,净利润仍显著高于其他两家运营商。

  但中国移动1.5%的增长率低于市场预期,主要是由于TD网络。上半年,中国移动的3G成本投入主要针对TD-SCDMA与TD-LTE的运营与建设。其中,TD-SCDMA已提前完成国家提出的TD-SCDMA三年发展目标,网络承载话务量同比增长1.9倍,承载的手机数据流量同比增长近2.4倍,大中城市的连续覆盖和热点区域的有效覆盖持续增强。TD旗舰终端实现了与其他3G制式手机同质、同时、同价推出。但中国移动TD网络利用率低,用户占比太小,导致中国移动3G缺乏竞争力。

  运营商飞速发展时代过去 业内人士认为,未来三大运营商还将面临较为严峻的发展环境及激烈的市场竞争。微信、米聊、iMessage等移动互联网应用对传统通信业务的替代效应还将进一步扩大,而流量经营带来的收入与利润的增长尚不明显。可以说,国内运营商飞速发展的高峰已阶段性过去,未来将迎来一个竞争结构更为稳定、发展速度相对合理的新阶段。从总体看,中国移动凭借规模优势,与明确积极的战略布局还将保持相对的领先。但告别“大象快跑”的高速发展预期应成定局,稳中求进或将成为中国移动未来一段时期的主流趋势。

  在3G移动数据业务、流量经营等方面,三家运营商均有较高程度的增长,数据业务收入结构进一步优化。

  其中,中国移动3G客户总数超过6700万,数据业务收入760亿元,比上年增长17.3%,其中无线上网业务收入同比增长51.6%;中国电信3G用户达到5096万户,移动数据业务收入为192.67亿元,同比增长46.7%;中国联通3G客户达到5753万户,移动业务收入622.7亿元,同比增长23.4%。从3G业务增长率、3G客户规模等角度来看,三家运营商基本呈现齐头并进的局面,已逐渐形成了三足鼎立的新平衡。

  

联通电信收入之和接近移动:渐形成三足鼎立

(责任编辑:优亿开发者门户)

GE Proficy Historian8.0历史数据库部署与配置全攻略 本文提供了GE Proficy Historian 8.0历史数据库的详细部署与配置指南。内容涵盖安装前的系统环境、权限与依赖检查,服务器安装的关键步骤与类型选择,采集器的安装配置与数据接入,以及客户端工具的使用与数据分析实战。旨在帮助用户规避常见陷阱,实现一次部署成功,构建稳定高效的工业数据归档平台。 阅读详情

相关推荐

四足机器人机械结构设计:从腿型到驱动的全面解析

本文全面解析了四足机器人机械结构设计的核心要点。资深工程师老张深入探讨了并联腿与串联腿的选型策略、不同腿型布局对稳定性的影响,并详细对比了皮带轮与连杆驱动方式的优劣。文章结合实战经验,强调了足端设计、材料选择及整体结构轻量化等关键细节,为机器人开发者提供了从理论到实践的宝贵指导。

assembly8low的博客 635

电信业重组进入倒计时 中国电信人士证实5-17重组 人事问题变数最大

记者从接近中国电信高层人士获悉,电信重组方案或将于5月17日,也就是第二个独立的世界电信和信息社会日公布。  “已经基本确定了在月中下旬左右公布,具体时间可能在5月17日,但仍然存在变数,人事的安排是关键。”上述人士告诉记者。“目前正在等中移动主要领导班子的确立,现中国联通董事长常小兵的安排成为电信重组的焦点之一。”  方案大致为传闻的“三合一”  上述人士表示,此次可能只是公布有关方

phphot 2178

新手学习Vivado XDMA (1) - 配置详细分析

PCIe 在 Vivado XDMA 中的配置分析。

qq_18553915的博客 9712

电信、联通合建 5G,将会碰出怎样的火花?

中国联通和中国电信携手共建 5G,其中的原因是什么?对建设 5G 又会带来怎样的好处? 作者 | 黄浩然 责编 | 屠敏 出品 | 优快云(ID:优快云news) 近日,中国联通发布公告称,已与中国电信签署《5G 网络共建共享框架合作协议书》,双方将在全国范围内合作共建 5G 接入网络。两大运营商将会碰出怎样的火花? 为什么共建 5G ...

优快云资讯 1460

嵌入式主板系统配置实战:OTG切换、双网共存与开机自启详解

在嵌入式Linux系统开发中,系统配置是连接硬件平台与应用功能的关键桥梁。其核心原理在于通过内核参数、文件系统接口和系统服务等机制,实现对硬件资源和系统行为的精细控制。掌握这些配置技术,对于提升开发效率、保障系统稳定性和实现产品差异化至关重要。无论是工业物联网网关、智能终端还是边缘计算设备,都需要对网络、USB、启动项等基础功能进行可靠配置。本文聚焦于嵌入式主板开发中的高频需求,例如OTG功能模式切换、双网共存路由策略以及基于systemd的开机自启动实现,通过具体的命令和脚本示例,为开发者提供一套可直接复

weixin_30827827的博客 322

NRF24L01模块的5个常见问题及解决方案:从信号干扰到功耗优化

本文深入探讨NRF24L01无线模块在STM32开发中的5大常见问题及解决方案,包括通信距离优化、数据丢失排查、电源噪声抑制、SPI通信故障处理以及低功耗设计。通过代码示例和电路图分析,提供实用的优化策略,帮助开发者提升无线通信的稳定性和效率。

weixin_28256233的博客 226

中国移动和中国电信两强相争,互攻对方优势业务

三大运营商都公布了8月份的数据,从数据可以看出中国电信在移动用户数净增方面居于第一位,中国移动则在宽带用户净增数方面居于第一位,中国联通垫底,市场逐渐形成中国移动和中国电...

柏颖漫谈 1260

Dify DSL文件分享 Dify讨论群 大模型token资源等(持续收集更新)

基于LLMOps平台-Dify的一站式学习平台。包含不限于:Dify案例、DSL文件分享、模型接入、Dify交流讨论等各类资源分享。

同名公众号:dify实验室 3718

电信重组:移动圈地联通抢山头 电信干等

 时间对于几大运营商而言都十分宝贵,不同的是,有的运营商趁重组时间差扩大地盘,有的运营商只能干着急,难有实质性的动作。从6月用户数据来看,中国移动期内新增用户755万户,而CDMA用户数只增加了1.6万户,发展停滞的局面恶化。中国移动利用重组时间差占用户资源;中国联通和中国网通加大捆绑营销力度;而中国电信则陷入无奈的等待中。中国电信受重组影响最大,不仅固话用户持续流失,而且CDMA网用户也面临

风往哪吹~ 1263

YOLO11实战 第001期-基于yolo11的CrowdHuman密集行人目标检测实战文档(yolo格式数据免费获取)

1.数据阶段在拥挤/遮挡场景下,使用crowdhuman数据集重训练后的yolo11,效果表现较好。crowdhuman数据集标签如下,有Head BBox、Visible BBox、Full BBox。如下图显示:数据集介绍CrowdHuman数据集是旷世发布的用于行人检测的数据集,图片数据大多来自于google搜索。CrowdHuman数据集数据量比较大,15000张,5000张,验证集4370张。训练集和验证集中共有470K个实例,约每张图片包含23个人,同时存在各种各样的遮挡。

深度学习算法工程师,专注于前沿算法研究与实战应用。在这里,我将分享深度学习领域的实战经验、优质数据集资源以及最新论文解读与精度分析,旨在与广大技术爱好者共同探索人工智能的奥秘,助力技术成长与创新。 2168

基于Simulink的伺服电机位置闭环控制仿真

本文带你从零构建了伺服电机位置闭环控制系统​ 的完整Simulink仿真模型,实现了:✅ 搭建PMSM伺服电机、逆变器、机械臂负载的主电路与编码器反馈模型;✅ 用MATLAB Function实现三环控制(位置环PID、坐标变换、电流环PI);✅ 验证阶跃定位(稳态误差0.002°、响应0.08s)与正弦跟踪(误差0.008°)的高性能;✅ 对比开环控制,明确位置闭环在精度、响应、抗扰上的优势;✅ 理解“三环嵌套+反馈校正”的核心思想(精密定位的工程实现)。核心收获。

amy_mhd的博客 174

官宣!联通、电信共建一张5G网络

9月9日,中国电信股份有限公司与中国联合网络通信有限公司签署了《5G网络共建共享框架合作协议书》。根据合作协议,中国电信将与中国联通在全国范围内合作共建一张5G接入网络。...

uxuepai5g的博客 1854

[Python图像处理] 一.图像处理基础知识及OpenCV入门函数

该系列文章是讲解Python OpenCV图像处理知识,前期主要讲解图像入门、OpenCV基础用法,中期讲解图像处理的各种算法,包括图像锐化算子、图像增强技术、图像分割等,后期结合深度学习研究图像识别、图像分类应用。希望文章对您有所帮助,如果有不足之处,还请海涵~ 同时推荐作者的C++图像系列知识: [数字图像处理] 一.MFC详解显示BMP格式图片 [数字图像处理] 二.MFC单文档分割窗...

杨秀璋的专栏 7万+

联通和电信加速5G网络建设,中国移动在5G时代将会落后?

日前中国联通和中国电信均发布公告指要在今年9月底前共同完成25万5G基站建设,较此前的计划提前一个季度,而中国移动则强调今年内完成30万5G基站建设,这...

柏颖漫谈 720

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

efm32 入门.pdf

本PDF共计22页,介绍的是操作驱动API,下载与否自己斟酌。

电信重组能给我们老百姓带来什么好处?

电信重组能给我们老百姓带来什么好处?这是重组的关键。 重组的目的是打破一家独大,营造更充分的竞争环境。初期的竞争结果就是资费的不断降低;后期就是服务内容和水平的不断提升。 我们现在享受的是很初级的竞争:几家的实力悬殊,没有充分竞争。这样我们的资费依然是很高的。 举个例子:韩国打个国际长途,才4毛钱左右/分钟。我们网国外打,一般几块钱/分钟。这种差距应该在

Linux智能手机--cuijpus的专栏 4369

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

广东联通如何发展壮大

joqk12345的专栏 1751

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

中国移动再现用户净流失,再次败给中国电信!

中国移动公布了7月份的数据,数据显示7月份流失了36.4万用户,上半年已累计流失390万用户,显示出它在与另外两大运营商的竞争中处于不利的地位。中国移动在2G时代达到巅峰,当时月净增用户...

柏颖漫谈 375

umts是移动还是联通_wcdma是联通还是移动

满意答案ktukh8272013.07.05采纳率:44%等级:12已帮助:22711人中国联通:WCDMA中国移动:TD-SCDMA中国电信:CDMA20001X中国联通目前已在7城市在建WCDMA试验网,分别是上海、深圳、佛山、柳州、郑州、保定和无锡,每个城市计划建设约100个WCDMA基站。不出意外,明年年中前中国联通将完成大城市3G网络部署,年底前实现中型以上城市的3G网络运营。其...

weixin_39999532的博客 550

流量卡之家:联通和电信共建共享5G网络消息发布后 股价应声大涨

有这么一个段子,如果联网打游戏,南方战队是电信,北方战队是网通,服务器区域不一致,总有队友会延迟。如今,5G时代,这样的用户体验可能会成为历史。 9月9日晚间,中国联通和中国电信同时宣布,已经签署《5G网络共建共享框架合作协议书》,双方将在全国范围内合作共建一张5G接入网络。 两大巨头重磅官宣,引来市场热议。原本三大运营商各自为战到其中两方的牵手合作,国内5G建设的时间周期将有望缩短,而此前“三足...

流量卡之家 372

移动互联网业务的产业链

移动互联网业务的产业链

skdhfdfc的博客 3164

固网运营商逼宫 联通失语电信重组传言

中国电信再次明确表示出对中国未来电信格局重组的态度。4月3日,中国电信集团总工程师韦乐平在2007年全球NGN(下一代电信网络)高峰论坛上表示,中国电信业的重组方向是形成3至4家实力基本相当的全业务运营商,并给出了“3+1”的竞争格局建议,即三家电信运营商加一家广电运营商,暗指对联通的必然拆分。  韦乐平的言论似乎与日前业内盛传的一份国资委研究性文件形成呼应。据称,该文件的内容是建议分拆联通,

loadingbupt的专栏 1373

运营商市场逐渐变成中国移动与中国电信之争

三家运营商均公布了6月份的数据,移动用户数、4G用户数、宽带用户数增长方面中国联通均垫底,而中国电信的移动用户数高速增长并位居第一名,中国移动的宽带用户数则高速增长正快速...

柏颖漫谈 445

电信重组

1月7日,对于通信行业来说是一个特殊的日子,电信运营商们苦等多年的3G移动牌照终于正式下发,一石激起千层浪,中国移动获得TD-SCDMA牌照,中国电信获得CDMA2000牌照,而中国联通则获得WCDMA牌照。由此,2009年成为我国的3G元年,我区也正式向第三代移动通信时代迈进。牛年伊始,刚刚重组完的运营商呈三雄逐鹿场面,在竞争发展的市场格局中赢来新的战略发展期。重组历史(简史) 

he-honghua的专栏 4197

联通研究院处长王志军:Hadoop在电信业大数据的应用

联通研究院处长王志军:Hadoop在电信业大数据的应用 摘要:联通研究院处长王志军发表《Hadoop在电信业大数据的应用》主题演讲,据他介绍,联通第一次采用了开源技术,在这之前在电信行业当中比较少见,使用Hadoop、HBase等技术。 6月29日,第七届“开源中国 开源世界”高峰论坛在北京唯实国际文化交流中心召开。本届论坛主题为“开源融合创新移动互联未来”,聚焦开源与移动

4714

中国移动提前商用5G,掀开国内5G大战

此前普遍预计中国将在2020年商用5G,日前中国移动计划在明年提供5G服务,这比原计划提前了一年左右,预计这将引发三大运营商的5G大战,毕竟当下处于竞争劣势的中国电信和中国联通不希望继续落后于中国移动。中国移动为何急于商用5G当前的4G服务,中国移动已经处于绝对的竞争优势。在4G网络方面,其拥有的4G基站数量超过180万,遥遥领先于中国联通和中国电信,其4G网络延续了2G网络覆盖优良的口碑,这成为

柏颖漫谈 911

中国电信高层人士证实"5.17"电信日宣布重组

5月7日,记者从接近中国电信高层人士获悉,电信重组方案或将于5月17日,也就是第二个独立的世界电信和信息社会日公布。   “已经基本确定了在用科学月中下旬左右公布,具体时间可能在5月17日,但仍然存在变数,人事的安排是关键。”上述人士告诉记者。“目前正在等中移动主要领导班子的确立,现中国联通董事长常小兵的安排成为电信重组的焦点之一。”   方案大致为传闻的“三合一”  

风往哪吹~ 1077
上一篇: 苹果三星好“基友”:专利诉讼不影响元件供应
下一篇: 中国互联网10年江湖录:最年轻的传奇
yycoder
博客等级 码龄14年 1粉丝 3原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值