通过可视化手段，将坐标落在县 域内，用于快速定位偏移数据。 3 审核阶段质控—— 可视化校验 可视化校验 通过数据规律，利用可视化的方法，对数据进行横向校验。 直方图 可用于发现单位填写错误的异常 聚类分析 从数据离散性上发现异常 散点图 从数据的规律上发现异常 3 专题 退回数量 退回数量占比 畜禽 67601 条 98.89% 地膜 13728 条 36.39% 的手段，将数据制图，从图中发现潜 藏 的数据问题 通过新的规则和阈值范围，对各专业数据进行 补充校验 通过异常值检测算法，从统计学角度去发现异 常数据 竞争型神经网络与 GIS 相结合， 通过空间分 布 规律寻找异常数据 竞争型神经网络 +GIS 制图分析 补充校验 算法检测 4 系统异常值算法介绍 -3σ 原则 3σ 准则又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得 则可能为异常数据。 将聚类点落在地图上， 并获取每个点位周围点 位的情况。 学习，聚类 缓冲区分 析 竞争性神经网 络 计算异常数据 竞争型神经网络与 GIS 相结 合 结合空间分布规律寻找异常。 4 投入字段 播种面积、单产、机械收获面积、人工收获面积 聚类 将字段在神经元内进行学习，聚类 缓冲区范围选定 1 千米 异常判定条件选定 缓冲区内，同类别点比例小于 40%

实现对物理 流域的实时监控、 发现问题、 优化 调度的新型基础设施。 一 定义定位—定义 预报 基本内涵是以流域为单元， 遵循客观规律， 在总结 分析典型历史事件和及时掌握现状的基础上， 根据业务 需求， 采用基于机理揭示和规律把握、 数理统计和数据 挖掘技术等数学模型方法， 对水安全要素发展趋势做出 不同预见期 ( 短期、 中期、 长期等 ) 重点在防洪、 供水、 工程安全、 泥沙分析等专业模型， 及动态可视化模型等方面进行突破。 一是研究流域自然规律， 对降雨 - 产流 - 汇流 - 演进全过程洪水形成演变规律， 河道泥沙演变趋 势及 江湖关系变化机理， 水库群及引调水工程泥沙冲淤规律， 以及大坝渗流及变形的发展规律等进行研究， 研发机理分析模型。努力打造通用的水利专业工程软件包， 用于流域防洪、供水调度、工程安全、泥 聚焦水利工程体系科学精细调度， 集成应用各类 知识， 推进预报调度一体化智能化、 实体工程与数字孪生工程同步交互调度。 二是探索构建知识平台， 利用知识图谱和机器学习等技术实现对水利对象 关联关系和水利规律等知识的抽取、 管理和组合应用， 为数字孪生水利提供智 能内核， 支撑正向智能推理和反向溯因分析， 主要包括水利知识和水利知识引 擎， 水利知识经知识引擎组织、 推理后形成支撑研判、

对 行业和产业的影响。同时，也强调了AI技术对保险行业的影响深远，将改变保险公司的运营 模式和服务效率和质量，为服务规模化提供重要的支持。未来，随着技术的不断发展，AI技 术将推动科技产业价值规律的变化，更加注重应用的创新与服务的提升。 • 保险公司在应用AI技术方面的优势和能力：保险公司可以通过分析自身优势并利用AI技术提 高运营效率，包括在产品设计、市场营销、核保及理赔等环节。AI应用研发框架的流式会话 ，因此，针对每一个问题的解释 回答，不仅要聚焦一个重要的因素，同时在一些必要阶段需要进行升维/抽象化，使得最终的问 题具有通用性。在这个例子中，最终可能会将问题抽象聚焦为：“看不清楚未来的趋势和规律” “缺乏明确的定位”“无法有效识别机会”等。 挖：洞见问题本质 在当前不确定的环境中，保险 企业在经营上面临的挑战之一 是消费者行为的不断变化，这 些变化都包括什么？ • 数字化互动增加：消费者 在大周期中，影响科技应用的社会因素也是不容忽视的，这里以“创新扩散理论”，说明技术创新 改变社会的规律。 除了将科技周期和文化适应度纳入考量，帮助企业更好地洞察保险行业的未来走向。三轮规模化 变革，则为企业提供了更为清晰的行业技术发展规模路径： 卡洛塔·佩雷斯（Carlota Perez）的研究总结了科技革命与金融系统的规律。 ►一系列技术革命组成的科技大周期呈现S型的扩散曲线，整体可以分为两个阶段：【导入期】

的总体目标，强调要适应科技信息化发展大势，以信 息化推进应急管理现代化，提高监测预警、监管执 法、指挥决策、救援实战、社会动员等应急管理能力。 大语言模型是具有大规模参数的深度学习模 型，通过对海量文本的训练习得语言的统计规律， 从而具有理解和生成自然语言的能力，实现人机之 间的有效通信。自2018年双向编码表示模型（bidirec⁃ tional encoder representations from transformer，BERT） 现[9-10]。优势在于从数据中学习的能力，善于处理复 杂的、模糊的问题。 1.1.2 主动学习 与传统结构化的知识获取方式相比，大模型采 用自监督学习方法，主动捕捉训练文本中更深层次 的特征和规律，而非在预设知识结构下的信息抽 取[11]，从而具有突破已有认知局限实现创新的潜能。 1.1.3 数值计算过程 模型通过优化其预测下一个单词（如 GPT）或填 充缺失单词（如 BERT）的能力，来调整多层神经网络 BERT）的能力，来调整多层神经网络 模型的内部大量神经元连接权重参数，实现对知识 的获取。这一参数调优过程在连续平滑数值空间进 行，与符号化表示的知识获取中的离散符号操作相 比，可以捕捉更为复杂和细致的规律，实现对过往 经验的超越。 1.1.4 知识分布式隐式表示 与符号化知识表示不同，模型获取的知识内嵌 于神经网络模型的海量参数中，无需对其进行显式 表示，这种分布式隐式表示能够处理符号化知识表 示无法处理的情况，例如，无法言明的复杂知识。

云端管理，削减企业自身能源工程人力成本  及时发觉问题故障，设备自动化管理  结合峰谷平电价及用能需求优化调度设备策略 大数据  建立能耗设备模型，设备预警、效率分析  数据挖掘，能耗小号规律及能效提升空间  通过能耗数据、经营数据等分析企业经营状态，为第三方金融提供服务 能源大数据云平台解决方案 智慧能源管理平台—解决之道 01 面向政府 以地方政府能源大数据的汇集、解读、 多维度全面监控能耗运行状况，详细分析能耗动态及 时把控、优化设备管理状态。  为管理者避免中间环节，直观了解企业在经营、生产 中实时产生的能耗数据。  发掘设备运营规律，为优化设备调度做准备 功能  发掘隐性的设备故障风险  洞悉能源消耗规律，结合生产生活规律进行能耗匹配及计量 精确支路能耗分析 功能  帮助用户实时掌握各个区域的建筑总能耗情况和变化趋势  利用峰平谷用电挖掘节能潜力  了解分项用能情况，为控制能耗指明方向 17 度，每天可节省 150 元； 能耗配置优化空间，配置最优参数，能耗效率最大化 本图为热水 WEB 端运行效果图 本图为热水微信端运行效果图  长期监测设备能耗情况和变化趋势  寻找用能规律，提供需求供应最佳配比 功能  设置支路能耗预警值，超过阀值进行报警并推送消息  可根据具体支路进行报警提示  事后填报事故原因和处理人，便于管理优化 设备及能耗预警 能耗排名对比子系统

科学研究促进人工智能创新。传统科研 范式大致可分为经验归纳（实验科学）、理 论建模（理论科学）、计算模拟（计算科学） 以及数据密集型科学 2。实验科学由自然现 象和实验结果归纳出一般性规律，但没有抽 象出经验规律背后的普适理论。理论科学基 于自然现象或实验结果，提炼科学问题并形 成科学假设，然后运用逻辑推理和数学分析， 构建普适理论，但难以在复杂系统中实验验 证。计算科学以科学模型为基础，通过数值 的增长，出现了数据密集型科学的研究范式。 这一范式利用机器学习方法，自动从数据中 发现统计关联，一定程度上避免了提出科学 假设，但无法发现因果关系，且难以分析低 质量数据和发现复杂系统中的规律。当前的 科学研究主要面临系统复杂性的挑战，相互 关联的自然、技术和人类系统受到跨时间和 空间尺度作用力的影响，导致复杂的相互作 用和涌现行为 1。传统科学研究方法难以应 对这些复杂性挑战，迫切需要新的科学研究 验知识的模型驱动、假设生成与验证、自动 与智能化实验以及跨学科合作等方式，加速 科学发现。传统科学发现以实验观察和理论 建模为核心，提出科学假设并归纳一般规律， 如物理定律。人工智能则采用模型驱动的方 式，从大规模数据中自动发现隐藏的规律， ©️diyun Zhu / Moment / Getty 科学智能白皮书 2025 4 5 2. 发展与态势 2.1 最新进展 随着深度学习、生成模型与强化学习等

基于短周期的大类资产和风格配置规律图 图 11 : 四象限下股债配置和风格 / 行业规律 请务必阅读正文之后的免责声明及其项下所有内容 资料来源： Wind ，国信证券经济研究所绘 制 中周期：聚焦资产比价 中周期框架下的资产配置以均值回归为核心思想。均值回归认为，资产价格在长期会围绕其内在价值波动，即使短期内出现偏离，最 终也会回归到长期平均水平。这种规律在金融市场中普遍存在，是资产配置的重要依据 产配置的重要依据 中周期框架强调在中期维度（ 3-5 年）进行资产配置。与短期波动不同，中期维度的资产价格比价关系更稳定，均值回归规律也更为明 显。通过压缩观察窗口，投资者可以更好地捕捉资产价格的阶段性偏离，并据此调整配置策略 图 12: 中周期配置思路 请务必阅读正文之后的免责声明及其项下所有内容 资料来源： Wind ，国信证券经济研究所整 理 请务必阅读正文之后的免责声明及其项下所有内容 第三步 历史回溯，挖掘先验权重对未来的解 释程，以及与实际变化的差异 这一过程实质上是在探索“权重优化路 径”，以便为 AI 提供学习依据，指导其 在未来动态调整权重的规律 这一过程是 AI 的学习过程，让 AI 基于底稿中 的历史数据进行“静态学习” ，并挖掘先验 权重与实际变化之间的差异进行“动态纠偏” 这一过程是 AI 迭代学习成果的应用， 使 AI 基于当前（或预测）的周期和宏

在大盘择时、行业轮动、识别财务瑕疵等应用中涉及 到的项目细节、技术原理以及方法对比与优化进行了详细的回答：本文系统 梳理了 AI 技术在策略优化、风险识别与决策闭环中的关键作用，通过动态 学习机制与智能决策框架的构建，AI 能将历史规律挖掘与实时信号解析相结 合，形成具备自我进化能力的智能投研体系。 AI 通过非线性建模技术重构动态赋权机制，显著提升市场适应性。不同于经 典风险平价模型的静态风险分配逻辑，AI 融合 XGBoost 因子对市场趋势 的影响规律，并将其转化为初始权重基准。该过程首先通过 XGBoost 对历史股债 市场数据（如宏观经济指标、资金流向等）进行特征重要性分析，量化各因子对" 股债强弱走势"的解释能力，筛选出具有长期稳定性的高价值因子；然后将这些因 子重要性结果作为训练样本输入 DeepSeek 模型，使其学习因子与市场状态的关联 模式；最后结合当前市场环境，AI 基于历史规律生成初始权重框架，再通过动态 基于历史规律生成初始权重框架，再通过动态 赋权机制进行实时调整。这种方法的优势在于既保留了传统模型的逻辑可解释性， 又能通过 AI 动态适应市场变化，同时避免了直接训练大模型带来的复杂性和资源 消耗。 整个流程体现了"历史规律挖掘-规律映射学习-实时预测应用"的技术路径，通过 XGBoost 的先验分析为 AI 模型提供可靠的初始基准，再结合 DeepSeek 的推理能 力实现权重的动态优化，在保证模型稳定性的同时提升对市场变化的适应能力。

结合公安其它业务信息形成数据资源仓库， 可提供人车轨迹研判、多维数据查询，为 社区违法犯罪案件侦破，事后查证等业务 提供应用支撑。 小区感知数据全采，社区安全 隐患及时发现 重点 人员 管服 • 结合行为规律挖掘和针对性模型自动分 析，及时掌控重点人员的动态，对有违 法犯罪苗头的做到实时发现、及时采取 措施依法管理、控制，从根本上遏制重 点人员再次违法犯罪。 社区重点人群服务管理 目 录 • 一图展示 统计分析 趋势研判 决策支持 连续 1 个月 没有进出记录 已登记 居住人口出行分析 • 抓拍出行人脸记录与白名单库比对， 自动识别漏登和迁出人口信息，分 析落脚点 / 出行规律； • 通过系统提示、民警核查做到人员 数据及时更新保持鲜活 周一 ~ 周五 上午 7:00 至下 午 20:00 出入 10 次 周一 ~ 周五 上午 7:00 至下 午 20:00 出入 8 实有人口管理 身份预判 活跃地点 同行 / 同住人 员 出行规律分析 • 过人记录 • 过车记录 • 移动终端记录 人脸卡口 • 房屋属性 • 人员属性 公安业务数据 • 关系人属性 • 其他警务数据 轨 迹 大 数 据 业 务 大 数 据 • 关系发掘 • 归一化 • 标准化 数据融合 频次分析 规律分析 标签标记 轨迹追踪 团伙分析 窝点挖掘 数据碰撞