信息汇聚、资源共享、 协同运行和优化管理等 综合应用功能的智能化 集成系统或数字化综合 管理平台。 《建筑节能与可再生能源利用通用规范》第 3.3.6 条，建筑面积不小于 2 万平方米且采用集中 空 调的公共建筑，应设置建筑设备监控系统 (BAS),BMS 的主要组成就是 BAS 。 BMS 更多 的 是底层数据采集实时处理， IBMS 是加持 AI 、大数 据、算法、模糊控制、信息化等技术 信息汇聚、资源共享、 协同运行和优化管理等 综合应用功能的智能化 集成系统或数字化综合 管理平台。 《建筑节能与可再生能源利用通用规范》第 3.3.6 条，建筑面积不小于 2 万平方米且采用集中 空 调的公共建筑，应设置建筑设备监控系统 (BAS),BMS 的主要组成就是 BAS 。 BMS 更多 的 是底层数据采集实时处理， IBMS 是加持 AI 、 大 数 据、算法、模糊控制、信息化等技术的综

冷、可再生能源技术是绿色低碳发展主要的方向；算力调度与网络协同极大提升资源利用 率；大模型持续进化，推动智算向更高阶发展。 智算产业正重塑全球科技竞争格局，成为数字经济时代的核心基础设施，未来将深度 赋能千行百业，引领新一轮产业革命。 1.2 智算中心高效应用面临挑战 当前智算中心的建设如火如荼。但很多智算中心陷入“重建设、轻服务”、“有算力、 无运营”的困境，导致资源利用率低下，投资回报率不达预期。具体有如下几方面的挑 600kW，系统总冷负荷为 15400kW 。其中一楼设置 2 个机房，AHU 空调按 6+1 冗余 配置；2，3 楼每层设置 4 个机房，AHU 空调按 5+1 冗余配置；4 楼设置 4 个机房，AHU 空 调按 4+1 冗余配置，AHU 空调合计 82 台。 间接蒸发冷机组（AHU）是新型制冷方式设备，其采用间接换热技术，最大程度利用自 然冷，降低数据中心 PUE 。工作原理如下： 间接蒸 L/kWh，每年可以节水 13.6 万吨。 在项目落地期间形成的创新成果对数据中心节能降碳具有重要的指导意义，并可在其它 同类型数据中心进行复制推广。形成自愈、自治、自优化的基础设施节能降碳方案，树立行 业标杆，引领数据中心低碳标准。 3.1.5 联合开发智算运维调度系统保证集群训练长稳高效 2023 年 10 月，科大讯飞发布了支持万亿浮点参数的基于全国产算力的星火大模型，真 正意义上

个独立数据库中，跨部门数据同步延迟达 4- 6 小时 - 交互体验局限：现有智能客服仅支持预设话术，当客户问题涉及 多业务线时，转人工率高达 73% - 决策支持薄弱：销售预测准确率普遍低于 60%，缺乏基于客户行 为的动态调整机制 典型 CRM 系统数据处理流程暴露的瓶颈（以零售行业为 例）： 环节 传统 CRM 处理方式 效率损失点 客户需求识别 人工标注+规则过滤 平均耗时 8.2 分钟/案例 37% - 风险预警系统：对异常订单的识别速度较 传统规则引擎快 8 倍 在流程自动化领域，模型展现出独特的复杂任务分解能力。测 试数据显示，其可同时处理包含 5 个嵌套条件的工单路由逻辑，执 行准确率达到 99.2%。通过与 CRM 现有 API 的深度集成，能够自 动完成从客户咨询识别→需求分类→服务匹配→结果反馈的全闭环 处理。特别在售后场景中，模型驱动的智能工单系统使平均处理时 长从 订单历史 关联规则挖掘 交叉销售推荐优先级（A/ B/C） 网页浏览行为 序列模式识别 购买意向分（0-100） 自动化营销内容生成 基于客户分群结果，大模型可批量生成个性化内容： - 邮件主题行优化：针对不同行业生成 A/B 测试版本（如 B2B 客户 “ ” 采用 解决方案白皮书下载 ，C “ ” 端客户使用 限时折扣提醒 ） - 社交媒体文案：根据产品特性自动适配平台风格（小红书种草文

… 研究 ( 构思建议 ) 反馈 工作区中的实现 3. 能力开发：实现创意的能力 4. 反馈与实施：收集反馈，工作空 间实施 5. 应用场景：金融医疗等领域应 用 1. 创意与研究：从创意到研究提 案 2. 假设与实验：形成假设进行实 验 https://mp.weixin.qq.com/s/9_zXOJTXIFD9j44phglK0A

数据采集与预处理：利用现有的智能视频监控设备，实时收集 各类场景的视频数据，并进行格式转换、降噪、分割等预处 理，确保数据的质量和可用性。 2. 模型训练与优化：基于收集到的数据，构建深度学习模型，进 行有效的训练与优化。重点针对异常事件的识别，如暴力冲 突、事故发生等，训练模型时需考虑不同场景和光线条件的变 化。 3. 实时监控与预警：通过智能监控平台，实时分析各类视频数 据，并自动识别潜在的安全隐患。一旦监测到异常事件，系统 的信息，提高公共安全管理的效率和准确性。对比传统的数据分析 技术，AI 大模型能够在复杂环境中更准确地识别和预测潜在的安全 威胁。 首先，AI 大模型能够通过视频智能挖掘技术，对实时视频流进 行深度分析。这意味着公共安全部门可以实时监控城市的重点区 域，实现对人群密度、异常行为等情况的监测。在城市管理、交通 监控以及突发事件应对中，AI 大模型能够主动识别潜在的安全隐 患，从而为决策者提供及时而精准的信息支持。 通过以上措施的实施，公共安全能够更好地利用 AI 大模型的 潜力，形成一种快速、灵活且智能的安全管理模式，为社会公众提 供更安全的生活环境。 1.3 文章目的 本文旨在探索在公共安全领域中引入 AI 大模型的必要性和可 行性，尤其通过视频智能挖掘技术来增强安全事件的监测、分析和 响应能力。在当前社会，随着城市化进程的加速和科技的迅猛发 展，公共安全面临的挑战日益增多。在这种背景下，传统的监控与 安全管理手段显得力

防护机制，包括但不限于身份认证、访问控制、数据加密和日志审 计。具体而言，用户密码需采用 SHA-256 加密存储，敏感数据在 传输过程中需使用 TLS 1.2 及以上协议加密。此外，系统应定期进 行安全漏洞扫描和渗透测试，确保符合 ISO 27001 等国际安全标 准。 可扩展性和可维护性也是非功能性需求的重要组成部分。系统 应采用模块化设计，便于功能扩展和升级。在硬件层面，应支持横 向 通过以上设计，数据预处理模块能够高效地处理各类数据，为 后续模型训练提供高质量的输入，从而提升整个系统的考评效果。 3.2.3 模型训练模块 模型训练模块是整个系统的核心，负责基于预处理后的数据进 行模型的训练与优化。该模块的主要功能包括模型配置、训练执 行、参数调整、训练监控以及模型保存。首先，系统提供模型配置 接口，允许用户选择合适的算法框架（如 TensorFlow、PyTorch 或 Scikit-learn）并 Min-Max 归一化或 Z-score 标准化处 理，以消除不同量纲对模型训练的影响；对于类别型数据，通过独 热编码（One-Hot Encoding）或标签编码（Label Encoding）进 行转换。此外，针对特定业务场景，进行特征构造与选择。例如， 基于时间序列数据提取趋势特征、周期性特征；基于文本数据提取 词频、TF-IDF 或词嵌入特征。特征选择则通过相关性分析、L1 正 则化或

结果评估与反馈机制：建立完善的效果评估方法，确保 AI 大 模型的应用能够持续改进和优化。 通过以上结构的安排，本文旨在为城市轨道交通行业的管理者 和技术团队提供全面而具体的 AI 大模型应用实施指南，以推动行 业的数字化转型。在实施过程中，将重点考虑安全性、可行性与经 济性，确保各项技术能够落地实现，最终为城市轨道交通提供更高 效、安全和友好的服务。 2. AI 大模型在城市轨道交通的应用场景 运营 中，各种突发事件经常发生，如设备故障、自然灾害、突发的重大 活动等，这些都可能影响到列车的正常运行。通过对各类数据的实 时分析，AI 模型可及时生成调度调整方案，自动重新规划最优的运 行线路和发车间隔。这种动态调度能力能够有效降低由于突发事件 带来的破坏性影响，提高系统整体的鲁棒性。 此外，AI 大模型还可以通过模拟与预演，实现调度方案的验证 与优化。在方案实施前，通过对不同调度策略的模拟，AI 大模型可通过分析历史故障数据、设备运行状态和外 部环境因素，构建故障预测模型。这些模型能够识别出潜在的故障 模式，提前发出警报。历史数据包括但不限于传感器数据、设备维 修记录和运行日志等，通过长期监测，模型能够学习设备的正常运 行特性，从而在发现异常时及时报告。 其次，在实际应用中，可以将设备分为不同的类，例如机车、 信号设备、供电系统以及轨道等。每类设备基于其不同的工作环境 和故障特征，采用相应的数据特征和算法进行建模和分析。以下为

（KPIs），包括但不限于客户满意度、处理速度、错误率和成本效 益等。通过这些指标，我们可以对模型的效果进行量化评估，并根 据反馈进行必要的调整和优化。 总之，通过部署 Deepseek 大模型，我们期望能够显著提升银 行系统的智能化水平，为客户提供更加个性化、高效和安全的服 务，同时增强银行的风险管理和运营能力。 1.1 项目背景 随着金融科技的迅速发展，银行业务的复杂性和数据量呈现指 数级增长，传统的 IT 模型在银行系统中的部署仍面临诸多挑战，包括数据安全、模型性 能优化、系统集成和合规性等问题。 为应对这些挑战，本项目旨在设计一种切实可行的 Deepseek 大模型部署方案，确保其能够在银行环境中高效、稳定、安全地运 行。该方案将结合银行的实际业务需求和技术架构，从以下几个方 面展开：首先，明确大模型在银行系统中的核心应用场景，包括但 不限于客户服务、风险管理和运营优化；其次，设计高可用、高性 能的模型部署架构 行 Deepseek 大模型的定制化调优，确保模型在金融领域的准确性和 高效性；其次，设计并实施模型的部署方案，包括硬件资源配置、 软件环境搭建以及模型参数优化，确保模型能够稳定、高效地运 行；第三，完成与银行现有系统的无缝集成，确保数据流的顺畅和 安全性，同时开发相应的 API 接口，便于其他系统调用；第四，建 立完善的监控和维护机制，及时发现并解决模型运行中的问题，确 保系统的长期稳定运行。

DeepSeek 作为新一代大语言模型（LLM）技术平台，其核心 优势在于多模态数据处理、复杂逻辑推理和行业知识融合能力。该 技术采用混合专家模型（MoE）架构，通过万亿级 token 的审计行 业语料预训练，在会计准则、税务法规、风险识别等垂直领域展现 出超过 85%的准确率。其知识截止 2023 年的特点，确保了在审计 政策时效性方面的可靠性，例如能够准确识别 2022 年财政部新修 可追溯性原则，例如凭证类数据需保留原始哈希值以供校验，时序 数据需标注采集时间戳。 审计数据的预处理流程分为四阶段：清洗、转换、增强、归 集。清洗阶段通过规则引擎处理缺失值与异常值，例如对金额字段 的空值填充采用同行科目均值法，对离群值采用箱线图结合审计经 验阈值过滤。转换阶段的关键任务包括： 1. 非结构化数据解析： 使用 OCR 技术提取扫描件中的表格文本，通过 NLP 模型识别关键 o 文件类：部署 FTP/SFTP 监听服务，支持自动解析常见格 式（示例解析配置见下表） 文件类 型 解析引擎 字段映射规则 错误处理机制 CSV Apache Commons 首行自动检测列名 异常记录跳转至人工复核 队列 PDF PDFBox OCR 区域预定义模板匹配 置信度<90%触发告警 扫描件 Tesseract 5.0 关键字定位+表格识别算法 自动重试 3 次失败转人工

可以进行智能摘要、信息提取和情感分析。 2. 图像模态：图像信息在生态环境监测中起着关键作用，尤其是 在地理信息系统（GIS）和遥感技术的应用中。图像模态能够 捕捉到水体、植被及城市扩展等特征，从而对生态环境变化进 行监测。通过计算机视觉技术，图像模态可以实现物体识别、 变化检测以及区域评估等功能。 3. 音频模态：音频信号在环境监测中也有重要应用，例如通过分 析鸟鸣声、气象声音等，可以获取生物多样性和环境健康的信 在生态环保领域，具体应用时可实现以下优势：  提高监测精度：结合传感器数据（如温度、湿度）和遥感图 像，提升生态环境监测的精度与频率。  增强决策支持：通过对多源数据的同观察和分析，为政府、行 业及公众提供及时有效的环保决策建议。  促进数据共享：多模态 AI 可以将来自不同机构和部门的数据 进行标准化和融合，推动跨领域的合作与信息共享。  实现实时响应：集成来自多个渠道的实时数据，支持快速识别 在数据处理的初始阶段，将不 同模态的数据进行融合。这种方法常见于特征级的融合，通常 在输入到模型之前将不同特征向量拼接到一起。例如，将传感 器收集的气体浓度数据与光谱数据结合，在同一特征空间上进 行处理。 2. 晚期融合（Late Fusion） ： 不同模态的数据分别输入并通过 独立模型进行处理，在最后阶段进行融合。晚期融合可以通过 平均、加权平均、投票机制等简单方法结合多个模型的输出，