行业内，充分利用行业最佳解决方案的剖析，最大程度扩展方案的长尾效应，是推动整个行业良性发展的开始。基于行业特有的需求、广泛的提炼，从而最大程度确保各时期、各系统，基于一次投资后的高韧性、高可扩展性及高可靠性，从而实现技术与业务分离，是行业解决方案的初衷。将实施目标与实施组织、实施方式与实施主体进行有效分离的前提下，还能确保统一，为服务于行业的供应商、顾问及行业内的领导者、技术支持者提供参考模板，是方案的初衷。如行业中各使用者，还能将特殊需求反馈给最佳方案的提供者，从而进一步扩展方案的内容，并分享，则可更有效提升行业内各专业人员的思考。针对轨道交通特色尚不熟悉的顾问们，应先关注，再收藏。与该方案进行逐步对标，从而提升整个行业对于不确定性的适应性。真正能伴随行业成长的解决方案才是经典，才能拥有生命力。伴随式成长不是机会主义、不是速成主义，更不可能是那些犹豫不决脚踏几只船的妥协主义。伴随行业发展的一定是长期的、具有高度韧性的、拥有沉淀与思考的。如果有一天，你们的系统也不用担心使用者是那个城市的业主，你也不用担心这个业主的组织架构如何变化，更不用担心业主所处的运营是基于何种等级、采用何种管理模式，业主所有的需求均实现第一时间满足，那这就是具有长期生命力的系统。
用声音唤醒正在熟睡的人；用热情去感化孤独的人；用知识传递给想要改变的人。这里是不定期更新的独角兽老头《杂谈城市轨道交通信息化最佳实践》有声频道的文字版公众号。一个专注于城市轨道交通信息化解决方案，筹划一同用新技术在新时代创造新价值的自媒体。
2021年5月
一、核心竞争力将以数据为中心
去年，十九届四中全会《中共中央关于坚持和完善中国特色社会主义制度推进国家治理体系和治理能力现代化若干重大问题的决定》最早提出将数据作为市场化生产要素之一。
今年，《中共中央 国务院关于构建更加完善的要素市场化配置体制机制的意见》中，“数据”被纳入市场化配置改革的五大基础生产要素，与土地、劳动力、资本、技术等传统要素并列。在以大数据、人工智能、等技术为代表的“第四次工业革命”中，想领先，想在数字经济上超越，“数据”基础就必须要坚固。只有充分认识到数据是现实世界的映射，只有充分利用数据与数据之间的关系，让数据在新业务中创造更大的价值才是我们未来的目标。数据就是最重要的资产，低成本的数据资产重复应用会产生更多的社会价值。后续，将分主题分享针对城市轨道交通行业内的总结，让信息化、智能化专业人员能更快理解行业特色，让行业人员更好熟悉专业人员的思维方式。认认真真将每一个模块都做成精品，那我们交付的系统就是精致系统，我们就可以让系统的使用寿命得到最大程度的延伸，让我们的价值实现最大程度的扩展。系统的需求并非单纯依赖于用户需求，更多的是基于最佳解决方案基础上的对标。需求者、建设者、决策者、承建者都应该明确这种差异的本质是什么，也只有这样才能让百年工程的配套系统得以高效、快速支持让乘客满意的高质量运营。
二、数据质量是行业高质量、良性发展的前提
在信息化时代，我们常用将系统成功应用的二要素分解为数据与程序，程序是业务流程的固化，而数据则是管理能力的体现。脏数据（Dirty Read）是指源系统中的数据不在给定的范围内或对于实际业务毫无意义，或是数据格式非法，以及在源系统中存在不规范的编码和含糊的业务逻辑。“输入的是垃圾数据，输出的一定还是垃圾数据，再好的系统也不能体现出任何价值”，这是最普世的阐述。在“不上ERP等死，上ERP找死”的年代，数据质量梳理的短板，让很多顾问以XXX系统没有商业价值作为定性的代名词，这是一种片面。系统、管理能力与信息化或智能化水平之间的关系很微妙，没有高质量的数据，就不具备行业高质量、良性发展的能力。到了当下智能化时代，系统的成功应用则可以分解为三原则，即数据、算力与模型。第一，数据。因为人工智能的根基是训练，要获取一定的技能，那必须经过不断地训练才能获得。人工智能则是数据喂出来的怪兽，必须经过大量的训练，神经网络才能总结出规律，应用到新的样本上，才可能确保有效。如果现实中出现了训练集中从未有过的场景，则网络会基本处于瞎猜状态，正确率可想而知。比如需要识别勺子，但训练集中勺子总和碗一起出现，网络很可能学到的是碗的特征，如果新的图片只有碗，没有勺子，依然很可能被分类为勺子。因此，对于AI而言，大量的数据太重要了，而且需要覆盖各种可能的场景，这样才能得到一个表现良好的模型，看起来更智能。其次，算力。有了数据之后，需要进行训练，不断地训练。在AI领域中有一个术语叫epoch，意思是把训练集翻过来、调过去训练多少轮。只把训练集从头到尾训练一遍网络是学不好的，就像和小孩说一个道理，一遍肯定学不会，过目不忘那就是神童了，不过我至今还没见到过。当然，除了训练(train)，AI实际需要运行在硬件上，也需要推理(inference)，这些都需要算力的支撑。最后，算法。从某种程度上来说算法本质上就是处理事务的一种思路，优劣的差异是在获取成本的高低。广泛的开源算法有效减低了算法使用的门槛。从另外一个角度，算法也是创业公司比较容易的切入点。高质量的数据，特别是标签化的数据非常昂贵，受制于法律、隐私、安全等约束获取的途径也相对较少；算力需要芯片支撑，是大公司争夺的主要阵地，给程序猿留下的只有算法。
三、无从下手的数据治理
数据治理的关键是有效的协作。最重要的因素之一，就是让管理数据与使用数据的所有团队保持一致。确保每个人都参与者都有明确的目标，明确的流程和明确的权限级别，以使业务闭环控制并顺利进行。正确的数据治理工具应该与这些原则齐头并进。但如何实现跨团队的无缝协作，并且足够灵活，可以根据不断变化的业务需求进行改进，大部分的决策者都是一头雾水。
依据数据管理知识体系DAMA-DMBOK给出的定义，数据治理与数据管理之间的区别和联系，主要包括数据架构、数据标准、数据质量、数据安全等职能领域。对数据资产的管理行使权力和控制的活动集合（规划、监控和执行），包括组织职责、制度规范、工作流程等内容都属于组织的顶层规划。如果没有更“广义”的数据治理，那就利用“狭义”的数据模型从源头上做好管理与梳理工作，让数据质量得到最根本的保障。利用最佳解决方案提供的数据模型上建立符合自身特色的需求将会更加容易。推动企业重要的数据（隐形）资产，高效、全面利用，通过数据深度应用有效解决行业高质量发展中遇到的各种问题，是本质。透过本文的分享，也许可以能让更多的决策者充分明白为什么一定要这样做，是为谁而做，怎么样做才能更有章可循，如何做才是源自业务，服务于业务是信息化、数字化、智能化融合发展之根本。让每个参与者都能快速获取到相应的数据，让每个业务都基于数据模型进行实例化。让管控、业务、汇总、分析与知识库都能无缝相互集成，那就是一个好的数据模型架构。那就是数据治理水平与能力的影射。
四、位置数据模型
在传统行业中的位置相对简单，基本上不存在额外的属性或特征。但在城市轨道交通行业中，位置信息属于基础数据中非常重要的类型。从大类上需要分别满足固定类、移动类与线性类三种不同的特征需求；从用途上需要分别满足对内部管理、对外部监管及对公众服务三个不同层面的需求；从全生命周期而已，又需要满足设计、建设与运营三种不同阶段的需求。这些不同的需求叠加起来，并通过属性的固化，初期可满足各信息化管理系统的需求，中期可满足乘客指引的需求，后期可满足安全监管与内部知识库（含语音平台）的智能化应用需求。
位置模型架构（如图1）由线路、位置与指引三大部分构成，这三个部分为逐层扩展关系。线路属于最基础的信息，没有线路就不存在车站、车辆段、控制中心等各种实体化的最小功能单位。通过出行标识与具体位置之间的关系为强关联。出行标识并不属于城市轨道交通业主所能控制的范围。通过基于车站出行指引分类与特点的分析，才能实现乘客指引及车站类型的数字化定性与定量分析。基于这些分析的结果制定的车站运营策略（住宅潮汐客流站、商业潮水冲击站、早晚换成高峰站、节假日景观站等），才能真正做到一站一策略，一站一特色，一站一模式。
图1.位置模型架构图（转载此图需授权）
![]()
4.1 线路数据模型
线路不但是最一切位置之母，也是财务控制之源。线路的编号一般也多采用规划或申报编号为准，而并非是投入运营的时间先后（有的城市可能就会出现11号线已经开通运营，9号线与10号线查不到信息的情况）。
基于位置的线路模型由三个相互关联的表组成(如图2)。IDLN为线路的基础资料，IDLD为线路基于显示界面的多语系描述，或不同的语系的语言标识。通过这种技术处理手段，可以满足不同支撑不同语言（文字或语言）的支撑。IDLH为线路基础信息中不常用属性，是从IDLN中分离出来使用频率相对较低的冷数据。如果是传统的关系型数据库，线路的某个具体属性设置在IDLN或IDLH中，取决于查询频率的多或少；针对K/V类New SQL则可以不用考虑是否再分表进行分别存储。图2.线路数据库关联关系图（转载此图需授权）
![]()
因本次分享中主题为位置相关，故与财务相关的线路模型并就没有被包含进来。从财务角度而言，只有先了线路基础信息后，方可在此基础上建立在建工程及再后续的运营成本归集单位（OU）。及各个基于建设的，各专业的开项（投资预算额度）、标段（招标的基本单位）等管控属性，才能更好地完成财务管理与实物管理的一一对应关系。
延伸阅读：轨道交通运营线路的命名一般采用序号命名法或地域命名法，或两者的结合方式，不同城市不太一样。国内大多数城市采用序号命名法，即以序号命名为1号线、2号线......。少数采用地域命名法，即以线路所经过的地区或者终点地名命名。如深圳地铁将原1号线到5号线分别命名为罗宝线、蛇口线、龙岗线、龙华线、环中线。香港地铁采用地域命名法，如东铁线、西铁线、港岛线、东涌线、迪士尼线等等。台北捷运（地铁）采用地域命名法，如板南线、新店线、中和线等。也有采用序号和地域相结合命名法：如北京市区线为：1号线、2号线、3号线、4号线等；郊区采用地域命名法，如机场线、亦庄线、大兴线、房山线、昌平线、西郊线；八通线则采用与铁路相同的命名法，以线路的起点和终点地名，即八王坟—通州。
4.1.1 线路基础数据结构
线路基础数据结构中业务属性覆盖了全生命周期管理中使用频率较高的属性，用于常规性的热加载。与扩展数据结构中属性形成1，1对应的关系，可有效支持常规性线路问询全覆盖。其中的技术代码将为其他系统提供一个独立的编码体系。通过电客车类型与编组方式的定义，可以映射出线路的运能（单列比A型车比B型车可多载客562人）。
为有效解决应对延续线与既有线之间的关系，将AFC系统系统标号进行了标识。从而最大程度提升了系统对于不确定性的同时，还可支持既有线与延伸线相互独立时，对于新线的管理需求支撑。
通过故障初步处理时间、故障总体时间等标准的固化，为积极该标准的故障处理自动发出提醒，从而最大程度确保该线路运营水平处于一个较为稳定的状态。
针对目前国内尚未开始建造三线或四线的情况，尚未设计专有字段（属性）对线路的类型进行区分。如某些城市已经考虑在新线建设中采用新型类型，可提前设置相应字段进行预留。
图3.线路基础数据结构（转载此图需授权）
![]()
延伸阅读：2018年国务院发改委要求：地铁主要服务于城市中心城区和城市总体规划确定的重点地区，申报建设地铁的城市一般公共财政预算收入应在300亿元以上，地区生产总值在3000亿元以上，市区常住人口在300万人以上。引导轻轨有序发展，申报建设轻轨的城市一般公共财政预算收入应在150亿元以上，地区生产总值在1500亿元以上，市区常住人口在150万人以上。拟建地铁、轻轨线路初期客运强度分别不低于每日每公里0.7万人次、0.4万人次，远期客流规模分别达到单向高峰小时3万人次以上、1万人次以上。以上申报条件将根据经济社会发展情况按程序适时调整。规划期限一般为5—6年。建设规划要合理选择轨道交通系统制式、敷设方式，科学确定建设规模、项目时序、资金筹措方案，确保建设期和运营期的政府支出规模与财力相匹配，着力提升投资效益。强化城市轨道交通与其他交通方式的衔接融合，城市轨道交通规划要与国家铁路、城际铁路、枢纽机场等规划相衔接，通过交通枢纽实现方便、高效换乘。要加强节地技术和节地模式创新应用，鼓励探索城市轨道交通地上地下空间综合开发利用，推进建设用地多功能立体开发和复合利用，提高空间利用效率和节约集约用地水平。编制城市轨道交通建设规划时，应同步组织开展规划环境影响评价，由生态环境主管部门按程序审查环境影响报告书。要统筹城市轨道交通建设与人才培养，将人才培养和保障措施纳入建设规划。已经国家批准的城市轨道交通建设规划应严格执行，原则上不得变更，规划实施期限不得随意压缩。在规划实施过程中，因城市规划、工程条件、交通枢纽布局变化等因素影响，城市轨道交通线路功能定位、基本走向、系统制式等发生重大变化的，或线路里程、地下线路长度、直接工程投资（扣除物价上涨因素）等较建设规划增幅超过20%的，应按相关规定履行建设规划调整程序。建设规划调整应在完成规划实施中期评估后予以统筹考虑，原则上不得新增项目。原则上本轮建设规划实施最后一年或规划项目总投资完成70%以上的，方可开展新一轮建设规划报批工作。城市政府应建立透明规范的资本金及运营维护资金投入长效机制，确保城市轨道交通项目建设资金及时足额到位。除城市轨道交通建设规划中明确采用特许经营模式的项目外，项目总投资中财政资金投入不得低于40%，严禁以各类债务资金作为项目资本金。强化城市政府对城市轨道交通项目全寿命周期的支出责任，保障必要的运营维护资金。支持各地区依法依规深化投融资体制改革，积极吸引民间投资参与城市轨道交通项目，鼓励开展多元化经营，加大站场综合开发力度。规范开展城市轨道交通领域政府和社会资本合作（PPP），通过多种方式盘活存量资产。研究利用可计入权益的可续期债券、项目收益债券等创新形式推进城市轨道交通项目市场化融资，开展符合条件的运营期项目资产证券化可行性研究。
4.1.2 线路描述数据结构
线路描述独立成表是为了有效应对多语系的需求。特别是针对旅游型城市，系统需要为乘客提供千人千面的个性化输出能力，就必须提供其相应语系的对于描述。同时，这些描述将作为特定词，与通用词进行有效区分，对接至语音平台。语义模型预处理，将会有效识别这些专有名词，从而最大程度提升语音识别率。
最后，通过线路代码、语系、描述关系的拆分，可有效提升不同专业人员的协同效率。当中文版本固定下来，其他语系就可同时开展相应工作，而不会相互影响。
图4.线路描述数据结构（转载此图需授权）
![]()
4.1.3 线路扩展数据结构
线路扩展信息是线路中使用频率较低属性的集合（如图5），与线路基础信息逐条对接（1：1）。所包括线路属性有，获批、建设、三权移交、运营开始日等关键节点与最高单日客流等边界数据。其中标志色可用于在地图上标注该线路的走向与位置。日均客流用于与较近客流量的比较，最高单日运量用于特殊大客流日的对比，而无需消耗额外的算力。
也可依据业主特定用途额外扩展相应的线路属性，如：最大开心列次、7日单程票平均使用率、7日日均进站客流、7日日均换入客流、最大行程间隔、最小行车间隔、当前运行图平均电耗、7日牵引能耗占比、7日日均施工次数、月A类故障平均响应时间、A类故障月累计次数、月B类故障平均响应时间、B类故障月累计次数等等。从某种程度上代表了该线的运营能力及其特有的属性，从而可以直接用于对比或差异分析。
图5.线路非常用扩展数据结构（转载此图需授权）
![]()
4.2 位置数据模型
位置数据模型是主数据管理的核心内容之一，也是运营管控且服务于安全管理、设备维修、乘客服务、机器人巡航加载、特殊设备标识、地图展现等众多业务系统的数据源。
图6.位置数据结构关联关系（转载此图需授权）
![]()
4.2.1 位置大类数据结构
位置大类是构成线的最核心单元，如车站、车辆段、电客车、变电站、控制中心、区间等。针对换车站，提供了具有4条线的标志栏位，依据这些关系，可以获得全线路的换乘关系。车站编号通过与AFC系统代码、信号目的地代码绑定，实现与运行图的管理、票价规则关联提供必要的基础数据。针对无人驾驶等级，提供虚拟车站标识，用于支撑新模式下的场景支撑。通过与信息服务系统的自动关联，可获取到实时运营状态，为面向乘客提供实时异常数据支撑。图7.位置大类数据结构（转载此图需授权）
![]()
4.2.2 位置大类描述数据结构
位置大类（线路核心单元）在不同期间可能会存在变化的可能。为了满足全生命周期管理、全语系支撑，该表将通过语系与描述类型构建起有不同阶段的所有描述。
通过相同代码与语系，不同描述类型的差异可实现名称历次更新的历史与当前名称并存的实现。与知识库集成后，乘客咨询老车站名，也可以实现实时转换。图8.位置大类描述数据结构（转载此图需授权）
![]()
4.2.3 位置代码数据结构
是一个大类位置代码的进一步分解，也是位置代码是具有相同类型位置的集合，如一节电客车作为一个集合，一个区间作为一个集合，一个站台或站厅层作为一个集合。具体位置将通过位置代码的关联，共享某些特征属性，如针对站厅或站台，将共享导航地图或公安编号。
针对电客车这样的移动类型资产，在属性中通过资产编码来进行关联。
图9.位置代码数据结构（转载此图需授权）
![]()
4.2.4 详细位置数据结构
详细位置是最小的位置单位，可以是一个房间，也可以是电客车的一个方位，或是一个出入口，或是一个子区间。与BIM中的最小使用单元形成一一对应关系，并采用BIM系统编号与之保持固定关系。为了减少对于主数据系统中位置的三级编码规则限制，额外提供了一个完整的位置技术代码，用于相关系统的依赖性解耦。
在对内管理上通过与门禁系统的标识与关联，实现相互关联。实际面积将为后续的扩展评估提供更加精准的数据支撑（工作量、需求量等）。通过特殊标识用于区分出入口、卫生间等，为乘客提供指引的位置。位置数据是覆盖完整的设计、建设、运营、改造全生命周期的。将出入口的状态区分为三个阶段：试运行或运营、三权接管及建设，并通过代码的顺序确保不可逆的状态管控（通过主数据与信息服务系统的相互集成可实现状态与流程的管、控统一）。
图10.详细位置数据结构（转载此图需授权）
![]()
4.2.5 详细位置的地图标识数据结构
每一个详细需要在地图上显示的详细位置都需要建立逻辑位置与大地坐标系的对应关系。单点坐标仅需单一点经度与维度；直线或区间则需要单点与端点四组数据；有一个转折点的则需要再增加一个中心点，通过六组数据连接成为标识；如有幅度较大的弯道，则需更多打点数据用于修正路线。
图11.详细位置数据结构（转载此图需授权）
![]()
延伸阅读：常见的坐标系一共有三种，原始坐标系（GPS实际值）、02坐标系，又名“火星坐标系”与百度坐标系。三者可以通过封装的API进行转换，介于减少用户的现实加载时间，建议均进行提前转换进行方便存储。WGS－84原始坐标系，一般用国际GPS纪录仪记录下来的经纬度，通过GPS定位拿到的原始经纬度。但是在国内是不允许直接用WGS84坐标系标注的，必须经过加密后才能使用。GCJ－02坐标系，又名“火星坐标系”，是我国国测局独创的坐标体系，由WGS－84加密而成，在国内，必须至少使用GCJ－02坐标系，或者使用在GCJ－02加密后再进行加密的坐标系，如百度坐标系。高德使用的就是GCJ－02坐标系。GCJ－02是国内最广泛使用的坐标系。百度坐标系：bd-09，百度坐标系是在GCJ－02坐标系的基础上再次加密偏移后形成的坐标系，只适用于百度地图。(目前百度API提供了从其它坐标系转换为百度坐标系的API，但却没有从百度坐标系转为其他坐标系的API)
4.2.6 详细位置的地图标识扩展数据结构
一般类型的坐标标识采用详细位置的地图标识即可完成轮廓的覆盖，针对需要精确显示或复杂的线性隧道、轨道等类型的可额外增加打点用于更加精准的描绘。其前提并必须建立在详细位置地图坐标表（也就是说IDSX的数据创建前需在IDSP中基本一笔对应数据）的基础上，如非必须，不得单独存在此数据。这种原则将最大程度减少数据库读取时间，最小延时实现在地图中显示。通过与线路中的颜色属性相互匹配，从而在地图上还原出与实际相对应的动态标识。图12.详细位置的地图扩展数据结构（转载此图需授权）
![]()
4.3 出行标志数据模型
出行标识数据，是城市轨道交通与外部资源直接关联的数据关系模型。出行标志（标识）最初来源应出自总工室，后续与运营的站外巡视流程相互集合，从而确保城市轨道交通业主为乘客提供的增值服务是有效的。而从第三方获取的车站周边信息的等级应低于该数据模型。
出行标志模型由固定的位置与临时活动两个部分组成。通过位置与出行标识的关联，可为乘客提供更加全面、实时的指引。并与出入口状态进行实时检查，减少错误指引的概率。利用动态分类指引，还可以实现对车站的定性分析，为车站制定预案提供必要的数据支撑。
图13.出行信息标准数据结构关联关系（转载此图需授权）
![]()
4.3.1 出行信息标识数据结构
图14.出行信息标识数据结构（转载此图需授权）
![]()
4.3.2 出行信息标识描述数据结构
信息标识同时支持多语系支持。为不同乘客提供个性化的语言指引。图15.出行信息标识描述数据结构（转载此图需授权）
![]()
4.3.3 位置与出行信息标识的数据结构
位置与出行信息标识为多对多关联模型。模型支撑同一个出行信息标识与不同具体位置（出入口）进行关联，并通过间距，为乘客提供最佳指引（时间最短、乘座最舒适等）。
图16.位置与出行信息标识关系的数据结构（转载此图需授权）
![]()
4.3.4 周边商业活动标识数据结构
商业（公益、体育等）活动，具有较强的时间性。需要各相关车站提前做好充分的应对。利用运管中心对外接口统一收集的相关标识，系统可实现动态提供支撑。图17.周边商业活动标识数据结构（转载此图需授权）
![]()
4.4 位置数据模型的深入应用
所有颠覆性的创新都需要数据的支撑。只有充分利用好这些模型中的数据将做描述数据（Data that describes other data）才有可能有效支撑AI。通过该数据模型固化实例中各属性的关系，为外部各系统提供良好的数据对接。该数据模型中属性并非是一成不变，不可改变的。行业解决方案应是与时俱进的，具有先进性的模型，应能充分应对各种业务的不确定性。没有这些高质量的元数据，即使有再优秀的算法也没有意义。位置数据作为城市轨道交通主数据中最为重要的一部分，对其闭环管控的能力是各个不同业主管理能力的体现。信息化主要解决的问题是基于流程的管控，让事物发展的全生命周期状态与数据模型中的数据状态形成一一对应的实时关系。
![]()
图18.位置各表关联关系数据结构（转载此图需授权）
而对其深度应用能力是数字化能力的重要指示标。是基于不同场景下的数据与业务深度双向融合的能力。这不仅仅需要之前的信息化流程支持，还需要决策者制定的目标，落地实施者的深度思考及以OKR为导向的卓越追求体制。举个栗子，当位置数据与安全管理相互融合关联。安全管理的颗粒的将从线路+专业的粗放型，精确至位置+作业（事前、事中与事后）的场景模式型。从数据模型的角度讲每一个详细的位置的均进行风险识别与评估。单纯从检查的源头上就可以实现清单式检查，让全员在每一个位置都能清晰地知道：查什么、查那些、怎么查、查到什么程度；作业时候应该注意什么、怎么注意、采取那些前置条件后才满足作业要求。当位置数据（含出行信息）与运行图数据相互结合，将可以得出从O到D的最佳路径（时间最快、换乘最少、最舒服）、旅行时间、末班车最佳乘车换乘路径等。当位置数据与设备数据、故障数据（智慧车站、数字化隧道、施工调度系统中故障单等）进行关联后，系统将会依据故障影响等级等综合因素，为设备维修人员规划出最佳路径。当位置数据与能源数据相互融合后，将针对不同管理主体下相同类型的进行动态实时比较，为后续提炼最佳运营管理规范提供必要的数据基础。
其他人正在看
老头说-自动化等级（Grade of Automation，GOA）
城市轨道交通智慧车站建设关键之“平台”
智慧车站建设中的智能化关键技术应用列举
老头说-端到端（End to End）
智慧车站建设中的数字化关键技术应用列举啊
![]()
点击右下角“在看” 或分享给你的朋友，都是一种鼓励。