多年来,计支宝通过持续推进技术创新与数字技术积累,集成云计算、大数据、BIM、人工智能等先进技术,面向工程高质量发展的堵点难点及工程数字化建设管理需求,从智慧交通、公路养护、项目建设等方向衍生打造了多个数字化、智能化
云计算发展驱动力分别是商业驱动力和技术驱动力，同时这也是任何技术不断向前发展和进化的两大核心因素。商业驱动力包括容量规划、降低成本、组织灵活性。技术驱动包括集群化、网格、虚拟化及其他相关技术（IP网络与架构、数据中心技术、互联网技术、多租户技术、服务技术）。
针对现有的基于Wi-Fi估计信号到达角（AOA——Angle Of Arrival）的室内定位算法受限于设备摆放高度以及非可视环境（NLOS）影响的问题，提出一种改进的AOA估计算法。首先将线阵改为L阵，利用信道状态信息（CSI）虚拟大规模阵列天线，对俯仰角和方位角进行估计，提高方位角估计的准确性，然后将定位结果与微机电系统（MEMS——Micro Electro Mechanical System）传感器通过抗差扩展卡尔曼滤波（EKF——Extended Kalman Filter）算法进行数据融合，提高定位精度，同时解决在NLOS环境下无法定位的问题。
为进一步提高基于发光二极管（LED）室内定位系统的精度，提出一种结合成对编码（PWC）的LED室内定位算法. 通过将性能较好的子载波与性能较差的子载波进行PWC处理，可缓解由系统噪声分布不均造成的载波间信噪比不均衡的问题，从而提高系统的性能，且PWC技术在预编码阶段不增加开销，解码复杂度低．该定位算法利用非对称限幅光正交频分复用（ACO-OFDM）调制奇载波，然后将调制后的子载波进行PWC处理，在接收端使用接收信号强度（RSS）技术获取位置信息．计算了在确定高度下房间里每个点的定位误差，并与仅基于ACO-OFDM的传统定位算法进行了比较．仿真结果表明：结合PWC技术后系统的总均方根（RMS）误差从0.27 m降低到了0.20 m，优于仅基于ACO-OFDM的传统定位算法．
随着数据业务和多媒体业务的快速增加，人们对定位与导航的需求日益增大，尤其在复杂的室内环境，如机场大厅、展厅、仓库、超市、图书馆、地下停车场、矿井等环境中，常常需要确定移动终端或其持有者、设施与物品在室内的位置信息。但是受定位时间、定位精度以及复杂室内环境等条件的限制，比较完善的定位技术目前还无法很好地利用。因此，专家学者提出了许多室内定位技术解决方案，如A-GPS定位技术、超声波定位技术、蓝牙技术、红外线技术、射频识别技术、超宽带技术、无线局域网络、光跟踪定位技术，以及图像分析、信标定位、计算机视觉定位技术等等。这些室内定位技术从总体上可归纳为几类，即GNSS技术（如伪卫星等），无线定位技术（无线通信信号、射频无线标签、超声波、光跟踪、无线传感器定位技术等），其它定位技术（计算机视觉、航位推算等），以及GNSS和无线定位组合的定位技术（A-GPS或A-GNSS）。
目前WiFi是相对成熟且应用较多的技术，这几年有不少公司投入到了这个领域。WiFi室内定位技术主要有两种。 WiFi定位一般采用“近邻法”判断，即最靠近哪个热点或基站，即认为处在什么位置，如附近有多个信源，则可以通过交叉定位（三边定位），提高定位精度。
随着无线传感器技术的日益成熟，基于无线传感器技术的室内定位相关技术研究快速发展，目前已有多种无线技术手段，包括红外线、超声波、蓝牙、射频识别、超宽带、ZigBee和WiFi等。其中iBeacon技术目前已比较成熟，廉价的iBeacon信标设备的普及，使得基于RSSI的定位技术开始广泛应用于商业场景中，而iBeacon短距传输的特点保证了三边测量解算也能够得到较好的定位效果。信标的信号在环境中传播时，容易受到多路径、人体吸收等影响，使得RSSI值不稳定；虽然较密集部署的iBeacon信标一般能保证较好的定位精度，但是RSSI的变化会引起当前定位点的频繁跳动，导致定位精度和可用性降低。为减弱环境带来的噪声影响，提高RSSI的可用性，通常采用各种滤波算法优化RSSI，如低通滤波、均值滤波、高斯滤波等。对RSSI的优化能够有效提高定位精度，减少静止时的跳动情况；但在运动过程中，定位的连续性仍然较差，效果欠佳。
在室内环境中，通过采用泛在WiFi信号辅助手机惯导信息进行了一系列的定位试验。利用k-means聚类算法对WiFi指纹库进行聚类处理，降低指纹匹配算法的计算量，单点WiFi定位耗时平均降幅为51%，提高了系统的定位实时性。通过真实室内场景试验，初步分析了WiFi信号指纹定位在不同的室内环境和定位人员的运动状态下定位结果的差异。利用UKF算法对WiFi定位结果和PDR定位结果进行融合，融合后的定位结果优于WiFi和PDR单独定位的效果。此方法无须布设新的硬件设备，实现简单，可以在布设WiFi的室内环境下利用普通的智能手机快速实现简单的室内人员定位应用。
没有账户，需要注册
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。
中服设备健康管理系统依托中服云工业物联网架构搭建，面向工业全品类设备运维场景。 融合实时数据采集、状态监测、故障诊断核心能力，全天候掌握设备运行动态。 通过边缘计算与 AI 算法分析设备隐患，实现从被动维修向预测性维护升级。 有效降低设备故障率、减少停机损失，简化线下运维管理流程。 助力工厂实现设备数字化管控，保障产线高效、稳定、安全运行。
教育机构的规模壮大，行政会议频繁，而机构的复杂性与地域的分散性常常使信息传达的周期过长，影响工作内容的执行，更耗费了不少的差旅费。本系统可以召开主会场和所有分会场参加的全网视频会议。利用视频会议系统可以随时召开日常会议，减少差旅会务成本，缩短时间消耗可 以打造一个跨区域多人共享、沟通无障碍的工作空间。
能源转型正以前所未有的速度重塑全球经济发展格局。当前，以新能源为主体的新型电力系统建设正在加快推进，风电、光伏等可再生能源装机规模持续增长，能源生产和消费方式不断发生深刻变化。与此同时，新能源发电的波动性和间歇性也使电力系统对于灵活调节能力提出了更高要求，储能作为支撑能源转型的重要基础设施，正在从新能源发展的“配套环节”逐步成为推动能源体系变革的“关 键支柱”
AR眼镜与AI深度融合是下一代计算终端从纯音频，摄像类无屏产品，快速演进为音摄功能延续，新增显示屏的AI智能交互眼镜。AI智能眼镜蓬勃发展，预计市场规模将保持高速增长，2026年销量超过70万台。
国务院《2030年前碳达峰行动方案》明确将石化化工行业列为重点降碳行业，要求通过“碳达峰十大行动”推动炼化产业结构优化，包括控制汽油消费、开发生物燃料、加快非常规气利用等。
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
