大数据技术近年来发展迅速,上海城市交通的缓堵治理,在通过大数据的分析手段和实际应用后,在城市区域交通效率的提升,重要节点的拥堵治理方面取得了一定的成果。文章聚焦张江高科园区区域,利用大数据的手段,融合居民出行、交通流量、设施供应、违章信息等多元数据,针对园区日常拥堵点的分布、拥堵成因进行全新视角分析,探究张江高科园区交通拥堵特征,寻求交通缓堵治理的办法,为上海在全市其它重要区域的交通治理提供指导建议。
为提升分布式大数据的存储能力,实现大数据的定向迁移与应用,提出基于网格技术的分布式大数据混合云存储方法。采用网格技术设计Hadoop型云框架、大数据调度模块、信息互感平台,完成分布式存储结构搭建。在此基础上,通过划分大数据存储关系,定义混合云存储的具体格式,实现分布式大数据混合云存储方法设计。实验结果表明,与传统分级信息存储方法相比,新方法的大数据定向迁移速率达到4.5x107T/h,存储容量的上限也明显提升,能够充分满足分布式大数据存储需求。
提出基于参数更新与结构更新的深层学习模型。将向量空间表示扩展到张量空间表示,解决数据结 构表示的局限性,能很好地表示非结构化、半结构化等高维数据。改进后的模型具备保留原有训练参数、数据等 信息能力,不需要再次训练原数据集,并且能根据新进数据进行参数调整或结构调整更新,从而实现对新进数据 的学习。实验结果表明,该模型具有很好的拓展适应性与保持性,能适应大数据背景下数据变化快、类型复杂等 要求,具有很好的拓展实用性。
研发机构作为运营商研发与推广相关项目的重要责任单位,其产生的科研数据是组织资产一部分,为避免被竞争者窃取,及时掌握人侵信息,研究多源通信研发机构入侵监测大数据挖掘方法。根据研发机构特性,从信息资产方面分析入侵风险;将采集到的入侵痕迹信息转换为频域信号,分析频谱特征,完成人侵行为特征提取;结合提取的特征,利用改进的k—Means聚类方法做迭代运算,获取质心坐标,将训练样本与质心以向量形式引入到欧式距离中,计算二者空间关联度。达到降维目的;为减小运算量,确定挖掘约束条件,综合分析入侵监浏大数据位置、方向、长度关联度,利用关联度公式实现大数据聚类。获得最终挖掘结果。仿真结果表明,所提方法在提高挖掘速率的同时,保证大数据挖掘完整性。
物联网-The Internet Of Things ,简称IOT ,顾名思义是把,所有物品通过网络连接起来,实现任何物体、任何人、任何时 间、任何地点( 4A )的智能化识别、信息交换与管理。也有将物联网理解为Intelligent Interconnection OfThings(IOT) ,体现出了"智慧’青”和“泛在网络”的含义。
互联网大数据具有典型的高维、高阶,以及非线性特征,现有点击率数据预测方法往往难以有效处理数据特征的复杂耦合、以及稀疏与类别的不均衡问题,为解决上述问题,提出了一种高阶深度分解机预测方法。在高阶分解机设计中,考虑到点击率的二分类特性,采用函数把输人数据映射至输出结果的二值类上,并利用损失函数求偏导对模型变量进行梯度更新。为了优化模型的复杂度及其多阶性能,对映射二次项采取转换,并推广至三阶映射模型。最后,设计了单层与多层构成的深度网络,根据的对称性与偏置训练样本集,利用弥补的无监督学习。并在梯度计算时引入对比散度用以优化网络训练速度。在神经网络层采用机制用以避免网络发生过拟合。仿真结果表明,高阶深度分解机预测方法具有良好的和指标性能,能够有效提高高阶点击率大数据的预测准确度与预测速度。
导向钻井技术方法是 21 世纪全球石油工业最重要的技术之一,也是美国“页岩气革命”核心技术水平钻井的关键组 成部分。当前,导向钻井的主要研究目标是提高钻井速度、降低钻井时间和风险,智能化是目标实现的重要途径。文章分析 了国内外大数据与人工智能在石油工业应用情况,建立了云端大数据智能导向钻井方法架构,提出了随钻测井参数人工智能 反演与识别方法,指出了云端大数据与智能算法管理的实现途径,得出如下结论:(1)基于云端大数据智能导向钻井方法主要 包括物联网感知层、大数据存储层和云平台决策层。物联网感知层实现井场关键信息的采集并传输至大数据中心;大数据中 心支持数据存储与云管理;云平台决策层依托大数据中心的海量数据,进行云端地面软件控制、人工智能决策以及云平台管 理。(2)采用机器学习的方法智能反演与识别地层岩性,选择自然电位、自然伽马、密度、声波、补偿中子、电阻率等 6 条随钻 测井数据,分别采用不同的机器学习算法进行地层岩性反演与识别,决策树模型和随机森林模型分别达到 0. 81 和 0. 89 的准 确度,形成了一套可快速自动描述岩性特性分类的方案。(3)云端平台管理决策可进行井下实时数据解码,获取钻井轨迹和 测井曲线,其中云端人工智能决策模块对地层及钻井参数进行智能反演预测,可实现钻井轨迹智能修正和钻井参数智能优 化,保证智能导向工程钻得准、钻得快。
“智慧高校”整体解决方案,赋能软硬件教学产品,实现更好的人机交互的教学体验,用更低的师资成本获得高质量的教育效果;同时打造智慧校园,实现校园安全、校内考勤、课堂效果监测等关键场景业务升级,提升校园生活体验和安全性,降低管理成本
没有账户,需要注册
语言模型、视觉模型、语音模型、视频模型、时序模型,分别对应文字、图像、声音、视频、连续传感器数值,通用大模型,垂类大模型,AI
时序大模型是面向时间序列数据的基础大模型,以 Transformer 等架构为核心,通过在海量多领域时序数据上进行预训练,学习时间维度上的通用模式、周期规律与长距离依赖关系。区别于传统时序模型针对单一任务单独训练,时序大模型具备强大的迁移能力,只需少量样本微调或零样本提示,即可适配时序预测、异常检测、缺失值补全、时序分类等下游任务。在工业场景中,它能够直接处理传感器、设备测点产生的海量时序信号,挖掘设备状态演变规律,支撑设备故障预警、工况识别与生产趋势预判,为工业智能落地提供底层模型能力。如:中服云的CServerAIR
2025年,全球人工智能市场规模达到3909亿美元,中国人工智能核心产业规模突破9000亿元。AIAgent细分市场以49.6%的年复合增长率高速扩张,制造业应用大模型的企业比例在一年之内从9.6%跃升至47.5%。从2024年初,中国日均词元(Token)调用量为1000亿;至2025年底,跃升至100万亿;2026年3月,已突破140万亿,两年增长超千倍。这些数字背后,是一场深刻变革的加速到来-人工智能正在从"能力突破"走向“系统重构”。
中服云能碳管理系统依托中服云工业物联网底座打造,聚焦工业企业能耗管控与碳资产管理需求。 系统整合水、电、气、热等多类能源数据,实现用能实时采集、集中监测、智能分析。 依托数字化手段精准核算碳排放总量,助力企业摸清碳排底数、合规完成台账管理。 通过节能诊断、能耗优化策略推送,有效降低生产能耗与运营成本。 全方位赋能企业绿色低碳转型,筑牢安全生产与节能减排双重发展防线。
超硬材料制品是典型的“材料—工具”型制造:金刚石刀头、锯片、工程钻、磨轮,最终用在石材与建材加工、路面与混凝土切割、玻璃与陶瓷、半导体与蓝宝石加工。产品小批量、多品种,工艺链却很长。 这条工艺链把同一道围墙切成几段:压制、烧结、焊接、磨削与检测分散在不同厂房,一段停摆,整批报废。以下痛点与解法取自一座已投运的园区平台,数据为界面实测值,企业名称脱敏。
印刷机械是装备制造中比较典型的一类产品:单机价值高、定制化程度高、客户分散在全国各地的包装与印刷车间,一台凹版印刷机开机就是十几年。设备卖出去了,服务却要跟十几年——这是行业共同的结构性难题,也是工业物联网在装备制造领域最容易见效的地方。 本文以一个真实的落地样本为观察对象:一家印刷机械制造企业把 178 台在役设备接进了自己的远程运维系统,系统的底座选用中服云工业物联网平台的设备版。下文按“行业之困、平台解法、落地成效、可复制经验”四步展开。
石油和天然气开采业的生产对象在地下,管理的关键环节在地面。从井口到计量间,从转油站、联合站到外输与处理装置,油气田用“井—站—管网”的骨架把分散的资源汇集起来,联合站是这条骨架上设备最密集、工艺最连续、安全要求最高的节点。 这类站场大多已经上了SCADA,数据并不缺。问题在于数据上来之后,新的麻烦更清楚了:设备家底说不清,画面说不清位置,报警说不清先后。本文按“痛点—解决方案—成效”的顺序,说明中服云物联网平台与数字孪生平台如何分工配合,逐条解决这些问题。
油气田的地面作业现场有一个共同特征:设备搬着走、电源跟着换、负荷忽高忽低。钻修井井场靠网电、柴油发电机组、储能、光伏凑出一套临时电力系统;压裂井场更极端,几十台电驱压裂泵并联运行,瞬时功率爬升快,砂罐、混砂、供液、仪表车密集停放,作业段集中、单段时长以小时计。 这两类现场的管理难题是同一类:能耗与碳排放算不清、设备状态看不见、峰值容量报不准、多能协同靠经验。中服云用同一套工业物联网平台加数字孪生平台,把这两类现场做成了可以被“看懂、算清、考核”的对象。本文以已投运的钻修井现场为实测样本,说明平台在野外作业领域的典型应用,并给出向压裂井场复制的路径。
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
方案库赚钱指南