星空入口绿色影院：AI客流预测与影院能源运营系统

如果只看售票系统里的一个数字，问题看起来很简单：3号厅下午14:00开场，售出186张票，容量220，那么系统只要按186人的冷量需求提前运行空调就可以了。但只要在影院工作过一段时间就知道，186张票和14:00实际坐进厅里的人数，几乎从来不是同一个数字。

这中间的偏差来自几个方向。第一是退票和无故缺席：部分观众在开场前临时取消行程，票已售出但不会到场；第二是迟到：一部分观众会在开场后5—15分钟内陆续进场，如果按"开场时刻应到人数"计算冷量需求，会系统性高估开场前的负荷；第三是团体票，学校包场、企业活动票等团体票的实际到场率通常低于个人票，且波动幅度更大，一张团体票背后可能对应20人也可能只对应14人；第四是现场加购，部分观众会在开场前临时到售票窗口或自助机购票，使得实际入场人数高于T-60分钟时刻统计到的售票量。这四类偏差有的会让预测偏高，有的会让预测偏低，方向并不一致，这也是为什么不能简单地给186这个数字打一个固定折扣就当作最终答案。

更合理的做法是把预测当成一个随时间推进不断收窄的区间，而不是开场前一次性算好的固定值。以这个模拟场景为例，可以设计一条决策时间线：

这条时间线体现的核心逻辑是：售票数据用来做开场前一小时的"保守预判"，为预冷提供一个安全的起点；检票口的实时数据则用来在临开场的最后20—30分钟内不断校正预测区间，让最终的运行强度更贴近真实到场人数，而不是从头到尾只依赖最初那一个售票数字。团体票场次通常还需要额外下调预测上限，因为其历史入场率波动更大；而如果某场次临开场前检票速率明显高于历史同类场次（例如出现大量现场加购），系统也需要相应上调后段预冷强度，而不是机械地锁定在13:00那次预测上。

容易出现的误区是把这套机制简化成"售票量乘以一个固定系数"。固定系数忽略了场次类型（工作日午场与周末黄金场的入场率差异明显）、天气（极端天气会提高退票和迟到比例）、影片类型（口碑争议较大的影片临时退票率可能更高）等变量，用同一个系数套用到所有场次，容易在某些场次严重高估或低估。系统边界也需要明确：这套预测方法给出的是一个概率区间和建议动作，不是对未来入场人数的确定性承诺，检票和CO₂等实时信号始终是最终校正的依据，售票数据只负责提供预冷的起点，而不是控制指令本身。

很多商业建筑的空调和照明系统仍然沿用一张营业时间表：早上9点开机，晚上23点关机，中间维持一个相对固定的温度和亮度设定。这种做法在办公楼或者商场里问题不算大，因为人流波动相对平缓；但放到影院里，这张固定时间表很容易失效。

同一个影厅，从工作日上午场的不到25人，到周末晚场接近满场的500人，客流跨度可能相差20倍以上。如果照明和空调仍然按固定作息表运行——不区分场次、不区分影厅——上午的低客流时段会持续消耗不必要的制冷和通风资源，而晚场客流快速上升时，系统又可能因为设定值调整不够及时而响应滞后。这正是Occupancy-aware Scheduling要解决的问题：让控制逻辑跟着排片表和实时人流走，而不是跟着一张固定的营业时间表走。

具体做法上，系统会先按影厅分区（而不是整栋建筑统一控制），拉取未来24小时的排片表，为每个影厅生成各自的预计客流曲线，再分别安排预冷、维持和低负荷时段。下面是同一天几个时段在两种调度方式下的对比示例：

照明同样需要分区处理。大堂和走廊等公共区域可以结合实时人流传感数据和时段调暗或调亮；影厅内部照明则跟随场次流程变化——观众入场前的引导照明、放映期间的最低照明、散场后的清场照明，这些状态切换的依据是场次时间表和检票数据，而不是整栋楼共用的一条照明曲线。

这套逻辑也有两个容易出错的地方。第一，排片表并非一成不变，临时加场、退票导致的场次取消、点映场和超前场等特殊安排都会打破常规的历史客流模式，如果系统只在早上拉取一次排片快照就不再更新，遇到临时变动时预测会明显偏离实际；因此排片和票务数据通常需要以接近实时的频率同步，而不是按固定周期批量刷新。第二，完全依赖历史平均客流模式容易忽略特殊场次（比如首映礼、粉丝见面场）的异常人流，这类场次即便历史数据稀少，也需要允许运营人员手动标注预期客流作为补充输入，而不是让系统完全按历史平均值自动决策。

需要说明的系统边界是：分区分时调度优化的是"非必要能耗"，消防应急照明、安全通道标识、最低限度的新风换气等安全底线不在优化范围内，任何时段都需要维持。分区调度的目标是在保证这些底线的前提下，让照明和空调的运行强度更贴近真实客流，而不是单纯追求关闭更多设备。

某台空调设备连续几天用电量比历史同期高出10%以上，第一反应容易走向两个极端：要么当成"天气热很正常"完全忽略，要么当成"设备坏了"立刻报修。这两种反应都可能是错的，因为单看用电量的绝对数字，没办法分辨这10%到底是天气带来的，还是设备本身效率下降带来的。

这正是Weather Normalization（天气归一化）方法要解决的问题：先根据历史数据，为每台设备建立一条"用电量随室外温度、湿度变化"的基线曲线，再把当前的实际用电量和同等温度湿度条件下的基线预期值做比较，看剩余的偏差还有多大，而不是直接比较不同天气日期下的原始用电数字。

在这组模拟数据里，D-6到D-4三天的偏差都在3%左右，基本可以解释为正常波动；但从D-3开始，室外温度其实没有明显继续升高（34—35℃区间内小幅波动），偏差却从3%左右跳升到接近10%，并在随后几天维持在两位数。这种"温度没有持续走高、但偏差持续放大且不回落"的模式，是判断可能存在真实设备问题的一个比较关键的信号，而单纯看原始用电量的话，D0这一天481 kWh确实是7天里最高的，但如果只归因于"今天热"，很容易忽略D-3之后偏差已经系统性抬升这个事实。

常见的真实故障原因包括压缩机效率下降、制冷剂轻微泄漏、冷凝器或过滤网积尘导致换热效率降低，以及温度传感器读数漂移等。这些问题往往不会导致设备立刻停止运转，而是表现为"同样的制冷效果需要消耗更多电力"，这也是为什么天气归一化之后的持续性偏差，比单日用电峰值更值得关注。

这套方法也有几个容易出错的地方。第一，如果基线本身是用全年数据一次性训练出来的，没有区分季节，冬季的低负荷会被当作"正常水平"的一部分，一旦夏季负荷上升，很容易把正常的季节性变化误判为异常，因此基线通常需要按季节或按温度区间分别建立，而不是用一整年数据笼统拟合。第二，不同设备承担的影厅数量、朝向、容量都不同，如果用同一套基线套用到所有设备上做横向比较，天然负荷更高的设备会被反复误判为异常，因此基线应当逐台设备单独建立，而不是用机队平均值代替。第三，单日偏差超过阈值就触发报警，容易被偶发因素（比如某天有人长时间开门测试、临时增加映场）干扰产生误报，比较稳妥的做法是要求偏差在连续多日（例如3—5天）持续超过阈值才升级为待排查对象，而不是单点触发。

最后需要明确系统边界：天气归一化和异常检测给出的是"这台设备值得被人工检查"的建议列表，附带偏差趋势和可能原因的初步提示，而不是对故障原因的最终确诊，也不应该被用来自动触发退款、自动调整制冷剂或自动更换运行策略等动作。真正的诊断和维修仍然需要技术人员现场检查确认，AI在这个环节承担的是更早发现问题线索、缩小排查范围的辅助角色。