从"比赛什么时候开始"说起
场馆AI模型最基础的输入是赛程和活动安排：比赛或活动的开始时间、预计时长、场地使用范围（全场还是部分区域）、是否包含赛前赛后的特殊环节。这类数据决定了模型的时间参照系——没有赛程信息，模型无法判断"现在"处于赛前准备、比赛进行还是赛后撤场阶段，也就没办法区分应该按基础负荷运行还是提前进入准备状态，这一点看似基础，却是所有后续判断的起点。不同类型的活动（联赛比赛、杯赛、演唱会、企业活动）对场地使用范围和设备需求也不同，模型如果不能区分活动类型，就很难判断某个区域的设备策略应该参照哪一类历史数据。
售票和闸机：预测有多少人、什么时候来
售票数据提供的是预计到场规模的上限参考，闸机通行数据提供的是实时到场速度和累计入场人数。两者结合起来，模型才能预测不同区域大概什么时间开始出现人流，这也是分区预冷判断"哪里什么时候需要空调"的基础输入之一。举例来看，假设某场馆一次活动预售5万张票（示意场景，非真实赛事数据），但闸机数据显示实际入场速度明显慢于历史同类活动，模型就需要相应调整预冷和人员密度相关的预测，而不是机械按售票总数一刀切处理。只看售票数据容易高估实际到场规模，只看闸机数据又缺乏提前量，两类数据需要放在一起用才有意义。历史同类活动的入场曲线也是重要参考——不同类型的比赛，观众到场节奏差异明显，有的活动观众会集中在开场前半小时涌入，有的则从更早时间就开始陆续到场，这类规律同样需要沉淀成可复用的数据。
天气和环境传感：温度、湿度、CO₂浓度
外部天气预测（气温、湿度、降水概率）影响冷负荷和除湿需求；场馆内部的温度、相对湿度、CO₂浓度传感数据则反映各区域真实的舒适度和通风状况。CO₂浓度上升通常意味着区域内人员密度在增加、新风量可能不足，这类数据是环境控制系统判断"该不该加大通风"的直接依据，而不是单纯依赖预设时间表运行。这些传感器通常按分钟级甚至更高频率采集，属于整套数据体系里更新最频繁的一类。不同区域（看台、通道、餐饮区、贵宾区）通常需要各自布设传感器，因为同一时刻不同区域的人员密度和通风需求可能完全不同，笼统用一套馆内均值容易掩盖局部问题。
电表、水表、HVAC、照明、光伏、储能
场馆的能源侧数据类型更多：分区电表和水表提供真实的资源消耗基线；HVAC系统的运行状态、设定值、各区域风机和阀门数据反映当前的环境控制策略；照明系统的开关和调光状态记录了各区域的实际用能行为；如果场馆配置了光伏和储能，还需要发电量、充放电状态数据。这些数据来自不同厂商的设备和系统，接口协议、更新频率（有的按秒级采集，有的按小时甚至按天汇总）差异很大，这正是为什么在讨论大模型和控制器分工之前，首先要解决数据能不能被统一读取和对齐的问题，否则再好的分层架构也没有可用的数据基础。部分老旧场馆的表计和控制设备甚至不具备联网能力，需要额外加装采集模块才能纳入统一数据体系，这类基础设施投入往往是场馆数字化改造中容易被低估的一部分。
统一之后，模型才有"看懂"的基础
把这些数据类型列出来，能看到一个共同的难点：它们来源不同、粒度不同、更新节奏不同，闸机数据可能是秒级事件流，电表数据可能是15分钟一个采样点，天气预测则是未来若干小时的区间估计。如果不做统一的时间对齐和空间归属处理，模型拿到的只是一堆互相对不上的数字，谈不上"理解"场馆的运行状态，更不用说给出有针对性的建议。数据统一不是锦上添花的工程细节，而是场馆AI模型能不能给出有意义建议的前提条件，这也是后续讨论AI发现问题后如何走完建议到执行的流程时默认成立的基础条件。
