1. 什么是多元奇异谱分析MSSA它到底能解决什么实际问题“多元奇异谱分析”——这个词刚听上去确实有点学术味儿重但别急着划走。我第一次在某高校实验室的气象数据处理项目里见到它时也以为是又一个披着数学外衣的理论玩具。结果实操两周后它成了我处理多变量时间序列的“默认首选”。简单说MSSA不是对单个时间序列“修图”而是对一组相互关联的时间序列做一次深度“联合体检”。它把温度、湿度、气压、风速这四个看似独立的曲线当成一个整体来拆解找出它们背后共有的周期节奏、共同的趋势走向甚至识别出哪个变量在某个异常时段里“带头跑偏”。它的核心价值就藏在“多元”和“奇异”这两个词里。“多元”意味着它天然适配现实世界——你几乎找不到只靠一个指标就能说清的问题工厂产线监控要同时看电流、振动、温度金融风控要看交易量、波动率、舆情热度哪怕是健身App记录的步数、心率、睡眠时长也是典型的多元时间序列。“奇异”则指向它的数学内核它不依赖任何预设模型比如ARIMA那种必须假设平稳性的套路而是通过构造一个“轨迹矩阵”再用奇异值分解SVD这个强大工具把原始数据中混杂的信号、噪声、趋势、周期像用高倍显微镜一样一层层剥离出来。我试过用它处理一段含明显季节性突发脉冲干扰的工业传感器数据传统滤波方法要么抹掉真实突变要么留不住平滑趋势而MSSA在保留关键突变特征的同时把背景噪声压到了肉眼难辨的程度。所以如果你正被这些问题困扰——多个传感器数据互相打架、历史规律总在新季度失效、想从一堆曲线里快速抓住主干模式却无从下手——那MSSA不是锦上添花而是雪中送炭。它不挑数据不设前提尤其适合那些“数据有、模型缺、专家少”的一线场景。接下来我们就一层层剥开它的设计逻辑、实操要点和那些只有亲手调过参数才会懂的细节。2. MSSA的整体设计思路为什么非得“多元”一起分析单变量SSA不行吗2.1 单变量SSA的局限就像只听一个人说话永远不知道对话的全貌先说清楚单变量SSASingular Spectrum Analysis——它是MSSA的老祖宗原理是把一个时间序列拉成一个矩阵叫“轨迹矩阵”再用SVD分解。这招对付单条曲线很灵能分离趋势、周期、噪声。但问题来了当多个变量存在物理或机制上的耦合关系时单变量SSA会强行把它们割裂开处理等于主动丢掉了最关键的线索。举个具体例子某风电场的功率输出P、风速V、桨距角β三组数据。物理上P ≈ k·V³·cos(β)三者本是一体的。如果分别对P、V、β做SSA你可能会得到P的分解里有个强30分钟周期其实是V的周期在起作用V的分解里有个弱趋势被β的调节抵消了β的分解里全是噪声其实它在默默补偿V的波动。三个结果加起来反而比原始数据更难理解系统行为。提示单变量SSA的轨迹矩阵只有一列原始序列而MSSA的轨迹矩阵是“宽”的——它把多个序列按列拼在一起形成一个L×K×M的三维结构L为窗口长度K为变量数M为滑动步长。这个“宽矩阵”才是捕捉变量间协同模式的物理基础。2.2 MSSA的破局点构建“跨变量协方差结构”让SVD看见关联MSSA的精妙之处在于它没有简单地把多个SSA结果拼起来而是重构了整个分析框架。它的核心步骤分三步走嵌入Embedding对每个变量序列Xᵢ(t)i1,2,…,K用相同的窗口长度L生成各自的L×M轨迹矩阵Xᵢ。然后把所有Xᵢ横向拼接得到一个L×(K·M)的大矩阵X。注意这里K·M不是简单的乘积而是指将K个矩阵的列向量首尾相接形成一个超宽矩阵。这一步确保了所有变量在相同的时间尺度L和采样密度M下被“对齐”。SVD分解核心对这个超宽矩阵X进行奇异值分解X UΣVᵀ。这里的U左奇异向量不再只代表单个序列的“空间模式”而是代表所有变量在L维时间窗口内共同构成的“联合振型”Σ奇异值的大小直接反映该联合振型在整个多元系统中的能量占比V右奇异向量则编码了这些振型在时间轴上的“权重演化”。分组与重构Grouping Reconstruction这是最体现工程智慧的环节。我们不会把所有奇异值都当宝贝供着。通常前几个大的奇异值对应系统主导的协同趋势如所有变量同步上升的长期增长中间段的奇异值可能对应强耦合的周期如温度与湿度每24小时的反相位震荡而小的奇异值往往就是各变量独有的、微弱的噪声。分组时我们会根据物理意义或统计准则如W-correlation矩阵把U中的列向量即联合振型归类再用对应的V部分重构出新的、去噪/解耦后的多元序列。我做过一个对比实验用单变量SSA和MSSA分别处理同一组5变量的机床振动数据。单变量SSA重构后5条曲线的相关系数平均只有0.3而MSSA重构后相关系数跃升至0.7以上且前两个分量就能解释85%的总方差——这说明MSSA真正挖出了变量间的“隐藏剧本”。2.3 为什么选SVD而不是PCA一个常被忽略的关键差异很多人第一反应是“这不就是多变量PCA吗” 答案是否定的。PCA是对变量协方差矩阵做特征分解它要求输入是“变量×样本”的矩阵且每个样本是同一时刻的K维快照。而MSSA的输入是“时间×变量×延迟”的张量它天然包含了时间维度的自相关结构。PCA会把t100和t101的两个快照当作完全独立的样本而MSSA通过L维窗口明确建模了t到tL-1这一整段连续时间的动态关联。在处理具有强时间惯性的系统如流体、机械、生物节律时这个差异直接决定了能否捕获真实的物理过程。我曾用PCA降维后做预测误差比MSSA高40%根源就在于PCA丢失了时间序列的“记忆性”。3. MSSA的核心细节解析窗口长度L、分组策略与W-correlation实战指南3.1 窗口长度L不是越大越好也不是越小越灵黄金区间怎么找L是MSSA里最敏感、也最容易踩坑的参数。它决定了轨迹矩阵的“视野宽度”。L太小比如L5矩阵太“瘦”无法捕捉稍长的周期如周周期7天L太大比如L500矩阵太“胖”计算量爆炸且会把不同物理机制的模式强行揉进同一个奇异向量里导致分量混叠。我的经验是L应落在目标周期的1.5~3倍之间并且必须是数据总长度N的约数或接近约数。例如处理日度销售数据N365若怀疑有年周期365天和月周期30天L可选903×30或120≈365/3但绝不能选100既不是30的倍数也不接近365的因数。注意L的选择直接影响SVD的数值稳定性。当L N/2时矩阵X的秩会急剧下降导致大量零奇异值有效信息严重损失。我见过有人设L200处理N300的数据结果前10个奇异值占了99%方差后面190个全是噪声根本没法分组。实操中我用一个“双验证法”确定L频谱验证对原始多元数据做FFT看主峰位置。若主峰在f0.033对应周期30天则L应≥451.5/0.033。重构误差验证固定其他参数遍历L20,40,60,…,120对每个L做MSSA重构计算重构序列与原序列的RMSE。通常会看到一个U型曲线谷底对应的L就是最优解。我在处理某交通流量数据时L60时RMSE最低且前3个分量的W-correlation矩阵呈现清晰的块状结构证明分组合理。3.2 分组策略靠直觉靠算法W-correlation矩阵才是你的导航仪分组是MSSA的灵魂也是最考验经验的环节。新手常犯两个错误一是把所有大奇异值一股脑全归为“趋势”二是盲目相信自动聚类算法。真相是W-correlation矩阵加权协方差矩阵是唯一可靠的分组指南针。它的定义很简单Wᵢⱼ Uᵢ, Uⱼ / (√Uᵢ,Uᵢ · √Uⱼ,Uⱼ)其中Uᵢ,Uⱼ是第i和第j个左奇异向量的内积。这个值衡量的是两个联合振型在“时间模式”上的相似度。一张好的W-correlation矩阵应该像一块棋盘主对角线附近|i-j|小的区块值高0.7说明这些振型描述的是同一类物理过程如都是年周期远离对角线的区块值低0.2说明它们互不干扰如趋势和高频噪声出现明显的“块状”block structure就是最佳分组信号。我处理某化工过程数据时W矩阵显示U₁-U₃形成一个高相关块对应全局趋势U₄-U₇形成另一个块对应反应釜温度与压力的耦合振荡U₈之后全是散点噪声。于是我把分量1-3、4-7、8分别分组重构效果远超随意分组。而用k-means对U做聚类结果把U₁趋势和U₆振荡分到一组重构后曲线完全失真。实操心得画W-correlation热力图时务必用对数色标log scale。因为相关值跨度极大0.001到0.99线性色标会让所有非主对角线区域看起来一片黑根本看不出结构。3.3 重构技巧如何避免“去噪”变“删真”保留关键瞬态的3个操作MSSA重构不是简单求和而是有技巧的。常见陷阱是为了追求光滑把所有小奇异值全扔了结果把设备故障前的微弱征兆如轴承早期磨损引起的0.5Hz调制边带也一并抹掉。我的做法是分层保留对每个变量单独计算其在各分量中的贡献占比用Uᵢ中对应变量的元素平方和除以总和。若某分量对“振动”贡献80%但对“温度”只贡献5%那它大概率是振动特有的瞬态必须保留。时频联合检查对每个候选分量同时做时域图和短时傅里叶变换STFT。若STFT显示某分量在t1200秒处有清晰的200Hz能量爆发而原始数据在此刻也有报警记录那这个分量就是故障特征哪怕它的奇异值排第15位。残差诊断重构后计算原始数据与重构数据的残差序列。对残差做MSSA。如果残差里还存在明显的周期或趋势说明原分组遗漏了重要模式需要回溯调整。我曾用这套方法在某电机监测项目中提前72小时捕获了转子偏心故障。关键就在第12个分量——它的奇异值很小仅占总方差0.3%但W-correlation显示它与主振荡分量弱相关且STFT锁定在故障特征频率上。放弃它就等于放弃预警。4. MSSA的完整实操流程从原始数据到可解释分量的7步落地4.1 步骤1数据预处理——标准化不是万能的中心化才是底线很多教程一上来就教“Z-score标准化”这在MSSA里是危险的。因为MSSA的核心是挖掘变量间的相对变化关系而非绝对数值。如果对每个变量单独标准化会人为放大噪声小的变量、压制噪声大的变量破坏物理量纲的真实比例。我的标准流程是强制中心化对每个变量序列Xᵢ(t)减去其均值μᵢ。这是必须的否则轨迹矩阵的SVD会被直流分量主导。谨慎标准化仅当变量量纲差异巨大如温度℃ vs 电流mA且你明确想削弱量纲影响时才用Min-Max缩放到[0,1]。但必须记录缩放因子重构后立刻还原。缺失值处理严禁用均值填充MSSA对缺失值极度敏感。我用“时间邻域插值”对Xᵢ(t₀)的缺失取Xᵢ(t₀-1)和Xᵢ(t₀1)的加权平均权重1/|t-t₀|保证时间连续性。注意预处理后的数据必须做“平稳性粗检”——画滚动均值和标准差图。若滚动均值有明显斜坡说明存在强趋势L的选择要偏向大值以捕获趋势若滚动标准差剧烈波动说明存在异方差需在分组时对高波动时段的分量给予更高权重。4.2 步骤2构建轨迹矩阵——代码级实现与内存优化以Python为例核心代码如下使用numpyimport numpy as np def build_multivariate_trajectory(X, L): X: (N, K) numpy array, Ntime steps, Kvariables L: window length Returns: trajectory matrix X_traj of shape (L, K*(N-L1)) N, K X.shape M N - L 1 # number of windows # Pre-allocate for speed X_traj np.zeros((L, K * M)) for k in range(K): # Extract k-th variables trajectory matrix: (L, M) X_k np.array([X[i:iL, k] for i in range(M)]).T # Stack horizontally X_traj[:, k*M:(k1)*M] X_k return X_traj # Example usage: # X_raw np.load(sensor_data.npy) # shape (1000, 5) # X_centered X_raw - np.mean(X_raw, axis0) # X_traj build_multivariate_trajectory(X_centered, L60)内存优化关键点避免动态拼接上面代码用np.zeros预分配比用np.hstack循环拼接快10倍以上。分块SVD当K·M 10⁵时全矩阵SVD会爆内存。改用scipy.sparse.linalg.svds指定k50只算前50个奇异值足够覆盖95%能量。数据类型用np.float32而非np.float64内存减半精度损失可忽略MSSA本就是稳健算法。4.3 步骤3SVD分解与能量谱分析——如何一眼看出“哪些分量值得留”SVD后得到UL×r、Σr×r对角阵、Vᵀr×(K·M)rmin(L, K·M)。关键分析是奇异值谱Σ的对角线元素画对数坐标图横轴分量序号i纵轴log(σᵢ)。理想曲线应有明显“肘部”elbow——肘部前的分量陡降之后平缓。肘部位置就是主分量数。计算累计方差贡献率cumsum(σᵢ²)/sum(σᵢ²)。我设阈值为85%即找到最小的p使∑ᵢ₌₁ᵖ σᵢ² ≥ 0.85·∑σᵢ²。p就是推荐的主分量数。物理验证对前p个Uᵢ计算其在每个变量上的能量占比。若U₁中90%能量来自“电流”U₂中85%来自“温度”说明它们是变量特异的需分开处理若U₁中各变量能量均匀20%±5%说明它是真正的多元协同模式。我在处理某电网负荷数据时σ谱显示前4个分量占82%方差但U₁的能量80%集中在“工业负荷”U₂的75%在“居民负荷”U₃、U₄才是全网协同模式。因此我最终分组为{U₁}、{U₂}、{U₃,U₄}、{U₅}而非机械地取前4个。4.4 步骤4W-correlation矩阵计算与可视化——手把手教你读图W矩阵计算代码接上def compute_w_correlation(U): U: (L, r) left singular vectors Returns: W (r, r) correlation matrix r U.shape[1] W np.zeros((r, r)) for i in range(r): for j in range(r): # Weighted inner product: sum over time dimension L num np.sum(U[:, i] * U[:, j]) den np.sqrt(np.sum(U[:, i]**2) * np.sum(U[:, j]**2)) W[i, j] num / den if den ! 0 else 0 return W # Plot with log scale import matplotlib.pyplot as plt W compute_w_correlation(U) plt.figure(figsize(8, 6)) plt.imshow(np.log10(np.abs(W) 1e-10), cmapviridis, aspectauto) plt.colorbar(labellog10(|W_ij|)) plt.title(W-correlation Matrix (log scale)) plt.xlabel(Component j) plt.ylabel(Component i) plt.show()读图三原则看对角线主对角线值应接近1完美自相关若0.9说明SVD质量差需检查L或数据质量。看块结构高相关块亮色沿对角线分布块内值0.7块间值0.2。块的数量就是建议分组数。看离群点若某行/列全暗0.1说明该分量是纯噪声可直接剔除。4.5 步骤5分量重构——从数学向量回到可读时间序列重构公式为X̂⁽ᵍ⁾ Σᵢ∈g Uᵢ Σᵢ Vᵢᵀ其中g是分组索引集。代码实现def reconstruct_components(U, S, Vt, groups): groups: list of lists, e.g., [[0,1], [2,3,4], [5,6,7,8]] Returns: list of reconstructed (N, K) arrays N, K X_raw.shape L, r U.shape M N - L 1 reconstructions [] for group in groups: # Initialize reconstruction matrix for this group X_rec_group np.zeros((N, K)) for idx in group: # Get the idx-th component u_i U[:, idx].reshape(-1, 1) # (L, 1) s_i S[idx, idx] if idx len(S) else 0 v_i Vt[idx, :].reshape(1, -1) # (1, K*M) # Reshape v_i to (K, M) and distribute v_reshaped v_i.reshape(K, M) # For each variable k, reconstruct its contribution for k in range(K): # The k-th row of v_reshaped is the time weights for variable k # Use diagonal averaging to get back (N,) series x_k_rec np.zeros(N) for i in range(M): # Window starting at i contributes to positions i to iL-1 x_k_rec[i:iL] u_i.flatten() * s_i * v_reshaped[k, i] # Diagonal averaging: average overlapping elements for t in range(N): count min(t1, L, N-t, M) # number of windows covering time t if count 0: x_k_rec[t] / count X_rec_group[:, k] x_k_rec reconstructions.append(X_rec_group) return reconstructions # Usage: groups [[0,1], [2,3,4], [5,6,7,8]] recons reconstruct_components(U, S, Vt, groups) # recons[0] is trend component (N, K), recons[1] is oscillation, etc.注意对角平均diagonal averaging是MSSA重构的精髓。它把L×M的矩阵“折叠”回N×K的时间序列确保每个时间点的值是所有覆盖它的窗口的加权平均消除边界效应。4.6 步骤6结果解读与可视化——让老板也能看懂的3张图光有数字不够必须转化为业务语言。我必做的三张图分量叠加图将重构的各分量趋势、周期、噪声与原始数据同图绘制。用不同线型原始数据粗实线趋势虚线周期点划线噪声细点线。标注关键事件如“设备启停”、“维护窗口”直观展示各分量如何解释现象。变量贡献热力图对每个分量画一个K×1的条形图显示该分量能量在各变量上的占比。例如“分量2”条形图显示振动85%、温度10%、电流5%——立刻可知这是以振动为主的机械振荡。时频联合图对关键分量如疑似故障分量做STFT画出频率-时间-能量三维图。若出现“频率随时间漂移”的斜线往往是早期故障的铁证。4.7 步骤7验证与迭代——没有一次成功的MSSA只有不断逼近的优化最后一步不是结束而是开始。我用三个指标闭环验证重构保真度计算recons[0]recons[1]...recons[-1]与X_raw的NMSE归一化均方误差。NMSE 0.05为优0.1为可接受。分量解耦度计算各分量间的Pearson相关系数矩阵。理想情况是近似对角阵非对角线0.1。业务可解释性邀请领域专家盲评给专家看分量图不告诉来源问“这个分量最可能对应什么物理过程” 若80%专家答案一致说明分组成功。若任一指标不达标回到步骤1调整L或分组策略。我平均每个项目要迭代3-5轮直到三指标全部合格。5. MSSA应用中的典型问题与排查技巧实录那些文档里不会写的坑5.1 问题1重构后曲线“发飘”边缘严重失真现象重构序列在开头t1~L-1和结尾tN-L2~N出现剧烈振荡中间部分正常。根因对角平均时边界点tL或tN-L1被覆盖的窗口数极少甚至只有1个导致权重失衡。这是MSSA固有缺陷与数据无关。排查与解决确认画出各窗口对t点的覆盖次数图。若t1处count1tL处countL则确认是边界问题。方案A推荐重构后直接裁剪掉前L-1和后L-1个点。对于长序列N1000这点损失可接受。方案B高阶用“镜像延拓”预处理原始数据在X_raw前后各补L-1个点用首尾L-1个点的镜像SVD重构后再裁剪。我试过能提升边界保真度30%但计算量增加20%。5.2 问题2W-correlation矩阵一片模糊找不到块结构现象W矩阵没有明显亮块全图灰蒙蒙相关值在0.3~0.6间均匀分布。根因通常有两个一是L选择严重失当最常见二是变量间本无强耦合强行用MSSA反而引入伪关联。排查与解决Step1检查L。重新做L的双验证频谱RMSE确保L在黄金区间。我曾发现L100时W模糊L60时块结构立现。Step2检查变量相关性。计算原始X_raw的变量间Pearson矩阵。若所有|ρ|0.2说明变量独立应改用单变量SSA或PCA。Step3检查数据质量。用np.isnan(X_raw).sum()查缺失值。若缺失率5%W矩阵必然失真必须先做高质量插值。5.3 问题3分量能量占比“头重脚轻”前3个分量占99%后面全是噪声现象Σ对角线前3个值巨大如1e5, 1e4, 1e3第4个起骤降到1e-2W矩阵只有左上角3×3亮。根因数据存在极强的全局趋势或直流偏移淹没了其他模式。常见于未充分中心化的数据或存在仪器零点漂移。排查与解决确认画原始数据滚动均值图。若均值有明显斜坡如每100点上升1单位就是趋势主导。方案对X_raw先做一次稳健趋势拟合用Theil-Sen估计器减去趋势后再跑MSSA。我处理某水质监测数据时这样做后分量数从3个扩展到12个成功分离出pH的日周期和溶解氧的潮汐周期。5.4 问题4计算耗时过长单次SVD要半小时现象L200, K10, N5000时np.linalg.svd卡死。根因轨迹矩阵尺寸L×(K·M)200×(10×4801)200×48010SVD复杂度O(L²·K·M)超限。排查与解决降维预处理对K个变量先用PCA降到K3~5维保留95%方差再用MSSA。计算量降为原来的1/3。用稀疏SVDfrom scipy.sparse.linalg import svds设k30只算前30个奇异值。硬件加速pip install scikit-cuda用GPU版SVD需NVIDIA显卡。我实测L200,K10,N5000时CPU耗时1800sGPU仅42s。5.5 问题5重构分量与物理常识冲突如“温度分量”在夏天呈负趋势现象某分量显示温度持续下降但气象记录明确是夏季。根因分组错误。该分量混入了其他变量的强趋势如空调负荷上升导致的负相关或W-correlation误判。排查与解决变量能量溯源计算该分量在各变量上的能量占比。若“空调负荷”占70%“温度”占-20%负相关说明这是负荷驱动的冷却效应应重命名“制冷负荷响应分量”而非“温度分量”。物理约束分组在分组时强制将已知物理相关的变量如“压缩机功率”和“排气温度”放在同一组利用先验知识引导。实操心得我建立了一个“MSSA问题速查表”贴在工位上现象最可能根因首选检查项快速验证法边界失真对角平均缺陷覆盖次数图plt.plot([np.sum(itiL for i in range(M)) for t in range(N)])W矩阵模糊L选择错误L-RMSE曲线重跑L30,60,90,120的RMSE头重脚轻强趋势未去除滚动均值图pd.Series(X_raw[:,0]).rolling(100).mean().plot()计算超时矩阵过大L×K×M乘积print(fMatrix size: {L}x{K*M})物理矛盾分组错误变量能量占比np.sum(U[:,i][:,k]**2) for k in range(K)6. MSSA的特性全景解析它强在哪弱在哪何时该果断换方案6.1 不可替代的优势四大“硬核”特性无模型依赖Model-Free这是MSSA的立身之本。它不假设数据服从ARIMA、GARCH或任何分布纯粹从数据几何结构出发。在面对新型传感器如量子陀螺仪、未知故障模式如新材料疲劳时这种“白盒”特性让它成为唯一可行的探索工具。我参与的某航天器姿态数据分析因缺乏先验模型MSSA是唯一给出可解释分量的方法。天然多变量协同建模它不像VAR向量自回归那样需要估计K²个参数也不像CCA典型相关分析那样只找两组变量的最大相关方向。MSSA直接在时间-变量联合空间中工作能同时揭示“哪些变量同步涨落”、“哪些变量此消彼长”、“哪个变量是驱动者”。在某汽车ECU数据中它精准定位了“喷油脉宽”是“尾气温度”和“NOx排放”的共同驱动源。卓越的噪声鲁棒性得益于SVD的数学性质MSSA对高斯噪声、脉冲噪声如传感器跳变都有很强的抑制能力。我对比过对信噪比SNR5dB的振动数据MSSA的去噪PSNR比小波阈值法高8dB且不产生小波特有的“振铃效应”。可解释性强每个分量都有明确的物理含义趋势、周期、噪声且可通过W-correlation和能量占比追溯到具体变量。这在医疗、金融等高合规要求领域是刚需。某三甲医院用它分析ICU多参数监护数据分量报告直接被写入临床决策支持系统。6.2 必须正视的短板三大“阿喀琉斯之踵”计算复杂度高时间复杂度O(L²·K·M)空间复杂度O(L·K·M)。当L500或K20时普通工作站难以承受。这不是算法缺陷而是SVD的固有代价。对策永远先做降维PCA或Autoencoder再MSSA或改用随机SVDrandomized SVD近似。对长周期分辨率有限MSSA能分辨的最短周期是2L最长周期受限于N。若N1000L100则最长可分辨周期≈1000但精度很差。对策对超长周期先用粗粒度重采样如日数据→周数据再用MSSA或结合EMD经验模态分解做预处理。非线性耦合建模能力弱MSSA本质上是线性方法。它能处理“温度湿度→体感温度”这类线性组合但对“温度×湿度→霉菌生长速率”这类强非线性交互会将其降维为噪声。对策当怀疑强非线性时先用多项式特征工程如添加Xᵢ·Xⱼ交叉项扩展变量维度再MSSA或转向Kernel MSSA需专业实现。6.3 决策树什么时候该用MSSA什么时候该转身离开我画了一张极简决策树贴在项目启动会上第一步数据是多元的吗→