數字化創新驅動下的運營商數據中心巡查人員軌跡追蹤策略探索

摘" 要：[研究目的]在數字化轉型的浪潮中，提升數據中心的維護效率已成為推動智能運維和行業革新的核心任務。[研究方法]基于圖像識別和人工智能大數據模型，提出了一種系統化的巡檢人員軌跡記錄與位移順序分析方法。通過對運營商網絡維護規范執行情況進行全面的定量評估，為優化維護行為和提升效率提供堅實的科學依據。[研究結論]結合定性與定量分析的創新方式不僅顯著提高了數據中心的運維效率和安全性，更為無人值守機房的智能化管理奠定了強有力的技術基礎。這一方法在數字化運維體系的構建和流程標準化中具有深遠的影響，展現出跨行業智能運維的廣泛應用前景，促進了技術與管理的深度融合，推動了企業在復雜環境中的靈活應對能力與可持續發展。

關鍵詞：圖像識別；大數據應用；維護效率；數字化體系；巡檢軌跡

中圖分類號：F49 文獻標識碼：A DOI：10.19881/j.cnki.1006-3676.2024.10.04

在全球數字化和智能化加速發展的背景下，數據中心作為核心信息基礎設施，負責海量數據的存儲與處理，其高效、安全運行關乎各行業的持續創新與運營效能。作為數據中心維護的重要組成部分，機房巡查的智能化與自動化水平直接決定了設備的穩定性和安全性。借助人工智能、大數據分析和物聯網等先進技術，傳統的機房維護模式正在發生深刻變革，新模式不僅提高了運營效率，還為組織帶來了全新的生產力和價值創造途徑[1]。

在此過程中，巡查人員軌跡追蹤作為數字化創新的重要手段，不僅可以對巡查人員的行為進行實時監控和智能化管理，還能夠通過數據分析提升運維的主動性與精確性。當數據中心內出現設備故障或環境異常時，管理者能夠借助實時的人員軌跡數據迅速作出反應，定位問題責任并進行及時干預[2]。更重要的是，這一應用并不僅局限于數據中心，它具備極大的跨行業拓展潛力。例如，在能源行業，智能化巡檢系統可以提升對發電廠、輸電線路等關鍵設施的監控效率；在制造行業，精確的人員軌跡追蹤有助于工廠的安全管理與流程優化；在醫療行業，對醫護人員的實時定位和行為分析，可以提高醫院的應急反應能力和資源配置效率。這種廣泛的跨行業應用能力，使得軌跡追蹤技術成為提升不同行業智能化管理水平的重要工具[3]。

數字化軌跡追蹤不僅局限于提升日常操作的效率和安全性，它所承載的更高價值在于驅動管理模式從“被動維護”向“主動預防”轉型[4]。通過對巡查人員行動軌跡及行為數據的深度挖掘，管理者能夠提前預判潛在的風險，從而優化資源配置和決策效率。這種轉變意味著各行業不僅可以通過數字化手段提高運營效率，還能大幅降低風險，創造出更具前瞻性的管理機制和可持續的運營模式。

一、運營商數據中心運維現狀

運營商機房維護涉及多個方面，包括硬件設備維護、網絡設備維護、安全管理等，是運營商基礎設施的重要組成部分，匯聚了各類無線、有線業務，是維護工作的主要對象。運營商機房通常包含大量的服務器、路由器、交換機等硬件設備，需要定期檢查和維護，以確保它們的正常運行。維護內容涉及硬件故障的檢測、更換以及性能優化[5]。

由于運營商機房存儲了大量用戶數據和重要信息，安全管理至關重要。維護人員需要定期檢查網絡安全漏洞、更新防火墻規則、監控入侵行為等。機房的溫度、濕度等環境參數也需要維護，以確保設備正常運行。這可能涉及空調系統的維護、溫濕度監控以及災難恢復計劃的制定等，也包括運營數據的定期備份，以防止數據丟失[6]。

但運營商的人力資源總是有限的，對于無線和有線接入網機房、各類匯聚機房以及部分無人值守機房的維護，需要依托代維團隊來完成，而代維團隊維護質量直接決定了整個運營商維護的水平。

目前運營商對于代維的約束停留在對結果和SLA（Service Level Agreement，即服務水平協議）的考核上，出現故障和問題會對代維執行罰則，但對于機房維護的過程缺乏有效的監控、管理手段。即使裝有CCTV攝像頭的機房，也需要通過回看、抽樣檢查方式進行維護過程的回溯，巡檢過程難以客觀、實時地進行有效評價和績效考核[7]。

二、智慧機房巡檢軌跡追蹤方法的創新與優化

對于代維人員巡檢機房軌跡的追蹤，可以有效判定機房維護的管理過程，判斷維護效率的同時，還能對代維人員是否落實巡檢制度、是否執行作業計劃的情況進行判定。

本文研究了一種機房場景巡檢人員軌跡跟蹤識別方法，具體而言就是在機房門口對工作人員進行人臉識別，并根據識別結果從云素材庫中確定工作人員的身份信息。

根據機房內部署的多個相機，結合所述身份信息確定工作人員在機房內的時間點和地點，并上傳至云端。所述云端根據工作人員在機房內的時間點，對所述地點進行排序，并根據排序結果自動生成人員動態行程軌跡圖，當機房的設備出現丟失、損壞等情況時，管理者能夠通過丟失、損壞設備的原所在位置，根據云端的歷史記錄快速地確定巡檢人員行動軌跡涉及此地點的人員名單，從而逐一排除，快速精準地定位到責任人，實現機房的智慧監管（見圖1）。

三、巡檢人員軌跡識別特征的關鍵技術與應用研究

在機房門口對工作人員進行人臉識別，并根據識別結果從云素材庫中確定工作人員的身份信息是識別巡檢人員特征的第一步。根據機房內部署的多個相機，結合所述身份信息確定工作人員在機房內的時間點和地點，并上傳至云端，作為有效身份記錄。云端根據工作人員在機房內的時間點，對所述地點進行排序，并根據排序結果自動生成人員動態行程軌跡圖[8]。

根據識別結果從云素材庫中確定工作人員的身份信息，具體環節包括：將工作人員的人臉與云素材庫中的素材人臉進行第一比對，獲取滿足第一比對要求的素材集合；將工作人員的人臉與所述素材集合進行第二比對，判斷是否存在滿足第二比對要求的目標素材；若是，需確定所述目標素材在云素材庫預先登記的身份信息是工作人員的身份信息，否則，判定工作人員為無關人員。

根據機房的布局，在機房內部部署多個相機，具體措施包括：獲取機房的布局圖，在布局圖中確定機柜交叉口，并對所述機柜交叉口進行標記，得到標記點。在標記點模擬相機視野，并確定相機的視野范圍，判斷所有相機的全部視野范圍是否覆蓋整個機房視野。若是，在所述標記點部署相機，否則，確定遺漏視野，為其設定對應的部署點，并在標記點和部署點部署相機[9]。

對到達相機布置處的工作人員進行檢測，得到檢測圖像，將檢測圖像和對應的相機名稱、對應時間點上傳至云端。云端根據工作人員在機房內的時間點，對所述地點進行排序，并根據排序結果自動生成人員動態行程軌跡圖，步驟包括對相機拍攝到的檢測圖像進行識別，提取出檢測圖像中的頭部特征和肩部特征，獲取在機房門口的識別圖像，提取識別圖像的輪廓特征。基于頭部特征和肩部特征、輪廓特征，確定檢測圖像的人員信息（見圖2）。

根據相機名稱，對檢測圖像進行地點標記，根據拍攝時間點對檢測圖像進行時間標記。根據人員信息，從多個相機的檢測圖像中獲取滿足目標身份的目標檢測圖像。根據時間標記，對所述目標檢測圖像進行排序，根據排序結果，確定人員動態行程軌跡圖。

基于所述頭部特征和肩部特征、輪廓特征，確定檢測圖像的人員信息，包括：將所述頭部特征和肩部特征、輪廓特征進行匹配，確定檢測圖像的人員信息。將檢測圖像的檢測時間點和識別圖像的識別時間點進行時間差異比較，判斷時間差異是否滿足預設時間差異要求，若是，根據檢測圖像的人員信息對檢測圖像進行身份標記，否則，重新將頭部特征和肩部特征、輪廓特征進行匹配，直到確定檢測圖像滿足預設時間差異要求，得到最終的人員信息。

根據時間標記，對所述目標檢測圖像進行排序，根據排序結果，確定人員動態行程軌跡圖，具體步驟包括：根據時間標記，對所述目標檢測圖像進行排序，根據排序結果，結合所述地點標記，生成初步軌跡動態圖。根據機房的布局圖，生成對軌跡的約束規則，判斷所述初步軌跡動態圖是否滿足所述約束規則。確定所述初步軌跡動態圖為工作人員的人員動態行程軌跡圖。否則，從初步軌跡動態圖中提取出不滿足約束規則的軌跡點，并根據所述軌跡點的前軌跡點和后軌跡點的時間點和地點，對所述軌跡點進行修正，得到修正軌跡點，并根據所述修正軌跡點生成工作人員的動態行程軌跡圖[10]。

為了判斷故障處理人員的軌跡，當機房的環境和設備出現問題后，根據所述人員動態行程軌跡圖確定出目標工作人員，具體步驟為：根據出現問題的異常時間點、機房位置和具體信息，確定第三動態行程軌跡圖[11]。根據具體信息確定異常屬性，隨后根據所述異常屬性，結合所述機房位置對目標工作人員的軌跡進行預測，得到預測軌跡[12]。將所述第三動態行程軌跡圖與預測軌跡進行相似性比較，得到軌跡相似度，并根據所述軌跡相似度從大到小對所述可疑工作人員進行排序，得到排序結果。根據人員動態行程軌跡圖中與之相關的對比態行程軌跡圖，對排序結果進行加權計算，根據加權排序結果確定最終的目標工作人員。

根據出現問題的異常時間點、機房位置和具體信息，確定第三動態行程軌跡圖，包括：確定出現問題的異常時間點和機房位置，獲取在所述異常時間點預設時間之前的第一動態行程軌跡圖，并從所述第一動態行程軌跡圖中獲取與所述機房位置相關的第二動態行程軌跡圖。根據所述第二動態行程軌跡圖，獲取所有工作人員在所述機房位置的停留時長和停留次數[13]。

基于出現問題的具體信息，對停留時長和停留次數進行篩選，從所有目標人員中選擇符合停留時長和停留次數具體信息的可疑工作人員，并從動態第二行程軌跡圖獲取可疑工作人員對應的第三動態行程軌跡圖。根據人員動態行程軌跡圖中與所述第三動態行程軌跡圖相關的對比態行程軌跡圖，對所述排序結果進行加權計算，得到加權排序結果，并確定最終的目標工作人員，確定可疑工作人員的日常軌跡特征[14]。

將所述第三動態行程軌跡圖的單次軌跡特征與日常軌跡特征進行相似度比較，得到特征相似度，并基于特征相似度的取值對所述排序結果進行加權計算，得到加權排序結果。按照所述加權排序結果調取所述可疑工作人員的監控記錄，確定最終的目標工作人員。

四、智慧機房巡檢人員軌跡生成的實踐與案例分析

根據機房的布局圖，生成對軌跡的約束規則，判斷所述初步軌跡動態圖是否滿足所述約束規則，包括：根據所述機房的布局圖，確定相機布局點，并根據人員軌跡特征，生成對每個相機布局點與其他相機布局點的單約束值，基于所述單約束值，確定每個布局點的總約束值。

當前布局點的總約束值K計算公式如下：

K=ln（2+β）*∑ni=1（*）" " " " " " "（1）

其中，β表示所述當前布局點在所述布局圖中的重要程度，n表示除去當前布局點所述布局圖中的其他相機布局點的數量，εi表示當前布局點與第i個其他相機布局點的單約束值，hi表示當前布局點與第i個其他相機布局點的距離取值，m表示當前布局點與其他相機布局點的單約束值大于預設單約束值的緊密相機布局點的個數，εj表示當前布局點與第j個緊密相機布局點的單約束值。

基于所述每個布局點的總約束值，確定所述初步軌跡動態圖的軌跡約束值[15]。

所述初步軌跡動態圖的軌跡約束值D的計算公式如下：

D=ln（1+∑hω=1βω）*∑hω=1Kω" " " " " " " " " " " " " " " " "（2）

其中，h表示所述初步軌跡動態圖中相機布局點的個數，βω表示初步軌跡動態圖中第ω個相機布局點的重要程度，Kω表示初步軌跡動態圖中第ω個相機布局點的總約束值。基于所述初步軌跡動態圖的軌跡約束值，將其與約束規則中的標準約束值進行比較。若軌跡約束值小于標準約束值，確定所述初步軌跡動態圖滿足所述約束規則。否則，確定所述初步軌跡動態圖不滿足所述約束規則[16]。

在該實施例中，所述人員軌跡特征根據人員的移動特征確定。在該實施例中，當前布局點在所述布局圖中的重要程度與當前布局點在歷史軌跡中出現的次數有關，出現次數越多，重要程度取值越大。在該實施例中，約束值越大，表明布局點的要求越高。

此實例設計方案的有益效果是通過根據機房的布局圖和相機布局點，判斷初步軌跡動態圖是否滿足約束，實現對初步軌跡動態圖的準確分析，這為后續對初步軌跡動態圖的處理提供基礎[17]。

五、研究結論與應用推廣策略

通過圖像識別和AI大數據模型，我們能夠準確記錄巡查人員的軌跡和位移順序，這為維護規范執行情況進行定性和定量分析提供了有效手段。巡查人員軌跡追蹤策略能夠有效提升數據中心的安全性和維護效率。對巡查人員行為的分析可以及時發現和糾正違規行為，確保數據中心的正常運行。創新方式后借助數字化運維手段，我們能夠更加有效地評估維護行為，這為維護行為考核和效率判定提供了可靠依據，進而提高了數據中心的整體運營效率。機房維護作為新質生產力的重要組成部分，為運營商探索數字化運維領域提供了新的視角和方法，有助于推動行業的發展和進步。

借助巡查人員軌跡追蹤策略，我們能夠建立起一套完整的數據分析體系，進而深入了解數據中心的運行情況和維護需求。這種數據驅動的管理方法提高了決策的科學性和準確性，還為數據中心未來的發展提供了重要參考。同時在運用數字化技術和人工智能算法對巡查人員軌跡進行分析的過程中，我們發現還存在一些潛在的優化空間，例如可以通過優化巡檢路線和任務分配，進一步提高維護效率和成本效益。這些優化措施有助于實現更加智能化的數據中心管理。

巡查人員軌跡追蹤策略不僅對數據中心的日常維護有著積極影響，還為無人值守機房的管理提供了可靠的技術支持。通過建立起一套自動化的監控和報警系統，我們能夠及時發現并解決潛在的安全隱患，確保數據中心的穩定運行。

機房維護通常涉及設備監控、故障檢測、環境管理等多方面的技術與管理經驗，在圖像追蹤策略跨行業學術拓展方面，這些經驗可以為其他行業的設備維護提供有益的參考。例如，制造業面臨設備故障、停產損失和維護成本高的問題，而機房維護中的故障預測技術可以通過數據分析應用于設備監控，實現更有效的預防性維護。考慮到制造業設備種類繁多且復雜，維護流程可能更加依賴于現場操作，而機房維護則相對標準化，將機房維護中的標準化流程和本文追蹤策略引入制造業，有助于提升設備管理的效率，降本增效。還有針對交通運輸領域對基礎設施（軌道、信號設備）的定期維護和故障檢測，可從學術和應用上引入機房維護中的實時監控和智能分析方法。在醫療設備維護領域，因醫療設備的可靠性直接關系到患者的生命安全，所以維護管理的重要性不言而喻，本文所述的圖像追蹤策略可對設備狀態進行實時監控和維護記錄，幫助醫療行業提升設備安全性。

機房維護圖像追蹤探究是運營商成功的數字化轉型案例，可以為其他行業提供示范效應，推動更廣泛的數字化轉型進程。特別是在當前的經濟環境下，企業亟待通過數字化轉型提高競爭力，而機房維護在這方面的經驗可為其他領域提供重要借鑒。

機房維護的探究在社會信息基礎設施中扮演著舉足輕重的作用。機房作為信息基礎設施的核心部分，其維護質量直接影響到整個社會的信息流通和服務穩定性，是支持智慧城市發展的關鍵一環——智能交通、智能醫療、智能能源等系統都依賴于穩定可靠的數據中心和機房。因此，確保機房的高效維護可以支撐智慧城市的各項功能正常運 行。尤其是在自然災害、網絡攻擊等突發事件中，機房的可靠性和維護能力至關重要。本文所研究的圖像追蹤策略可以有效增強機房的安全防護和應急響應能力，為社會的整體安全提供保障。

參考文獻：

[1] 李明.新質生產力背景下工業經濟發展的特征與路徑研究[J].現代經濟信息，2023（23）：217-218.

[2] 王敏，李紅.數字化轉型與企業內部價值創造的關系研究[J].管理科學，2023，41（3）：45-51.

[3] 陳浩，楊洋.機房成本構成及管理研究[J].價值工程，2022，37（20）：193-195.

[4] 劉欣，陳寧.硬件更換決策模型及其應用研究[J].系統工程與電子技術，2022，44（6）：1457-1463.

[5] 王磊，蔣曉.基于故障樹分析的硬件故障檢測與優化方法[J].自動化技術與應用，2023，42（5）：67-72.

[6] 王曉雨，李琦.機房維護管理現狀分析與對策研究[J].電力科技進展，2022，34（2）：87-91.

[7] 劉紅光，王濤.機房環境監控系統維護現狀與對策分析[J].計算機與數字工程，2021，47（9）：183-185.

[8] 趙宏偉，董智勇，董峰.基于LSTM的行人軌跡特征提取方法研究[J].計算機應用，2022，42（1）：123-127.

[9] 黃雪梅，王玉英.基于分形維數和小波分析的軌跡特征提取[J].計算機工程與應用，2020，56（6）：169-174.

[10] 蔣紅光，劉曉靜.基于深度學習的城市交通軌跡特征提取方法研究[J].計算機技術與發展，2021，31（6）：132-137.

[11] 張晨，李翔.行程軌跡圖在可疑活動監測中的應用研究[J].信息系統，2023，45（1）：234-240.

[12] 蔣華，韓梅.基于動態軌跡的路徑優化方法研究[J].計算機工程與應用，2023，59（10）：78-84.

[13] 王琳，吳仁鋼.軌跡數據的特征提取及應用研究[J].測繪通報，2020（12）：122-127.

[14] 韓韜，周靜，朱斌.基于LSTM和CNN的軌跡特征提取與分類研究[J].計算機工程與應用，2021，57（11）：151-157.

[15] 陳建，趙靜.基于軌跡分析的約束條件優化研究[J].系統工程理論與實踐，2023，43（7）：1025-1032.

[16] 劉丹丹，韓振宇，楊智慧.基于約束的軌跡跟蹤方法研究[J].電子學報，2021，49（7）：1476-1483.

[17] TAYLOR S，ZHANG Y. Advanced techniques for analyzing preliminary trajectory dynamics[J]. Journal of systems and software，2022（182）：110-117.

Exploration of Strategies for Tracking Patrol Personnel Trajectories in Telecommunication Operator Data Centers Driven by Digital Innovation

Chen" yang

（China Telecom International， PTO Project Team， Hubei，Wuhan， 430000）

Abstract： [Research purpose] In the wave of digital transformation， enhancing the maintenance efficiency of data centers has become a core task for promoting intelligent operations and industry innovation. [Research method] This paper proposes a systematic method for recording the trajectories of inspection personnel and analyzing their displacement sequences， based on image recognition and artificial intelligence big data models. To provide a solid scientific basis for optimizing maintenance practices and improving efficiency， it conducted a comprehensive quantitative assessment of network maintenance standards execution across telecommunication operators. [Research conclusion] The results indicate that this innovative approach， which combines qualitative analysis and quantitative analysis， not only significantly enhances the operational efficiency and safety of data centers but also lays a strong technical foundation for the intelligent management of unmanned facilities. This method has profound implications for the construction of digital operation systems and process standardization， showcasing broad application prospects for intelligent operations across industries and promoting deep integration of technology and management， thereby enhancing enterprises' capacity for flexible response and sustainable development in complex environments.

Key words： image recognition; big data application; maintenance efficiency; digital system; inspection trajectory

作者簡介：陳洋，男，1984年生，博士，高級工程師，研究方向為多模態圖像處理。