体育赛事大模型如果只拿到一句话描述——"这是一场五万人的足球比赛"——能做的分析非常有限，顶多给出一些通用性的常识建议。真正支撑起有效判断的，是一整套结构化的多源数据输入，而且这些输入类别不是随便凑几项就够用，每一类数据对应的是模型能不能在某个具体问题上给出可核查答案的边界。少一类数据，模型在那个维度上就只能沉默或者泛泛而谈，而不是硬要编出一个答案。本文把博万体育在搭建赛事AI输入端时梳理出的核心数据类别列一遍，说明每一类具体解决什么问题，以及缺失时会出现什么后果。

赛事基础信息：类型、规模、场馆条件

模型首先需要知道这是什么类型的赛事——足球联赛、赛车锦标赛、高尔夫球赛、还是场馆日常运营，因为不同类型赛事的碳排放结构和资源消耗模式完全不同，套用同一套判断标准会直接出错。除了赛事类型，还需要具体的观众规模（预售票数、实际入场人数，两者经常有差距）、比赛时长、开球或起跑时间，以及场馆本身的容量和设施配置。这些看似基础的信息，决定了后续所有数据对比的"参照系"——判断某场比赛的能耗是否异常，前提是知道这场比赛和哪些历史场次具备可比性，规模差几倍的两场比赛直接对比是没有意义的。如果这层信息缺失或不准确，模型即使拿到了详细的能源、用水数据，也没有办法判断这些数字相对于"正常水平"是高还是低。这一层信息通常也是最容易被认为"不需要模型分析、人工一看就懂"的部分，但恰恰是这部分信息的准确性，决定了后面所有数据对比的起点是否成立——如果开球时间记录错了两个小时，模型对能耗时段的归因就会整体偏移，即便能源数据本身完全准确，得出的结论也会是错的。

人的移动：观众交通与球队出行

体育赛事的碳排放里，人的移动往往是权重最大的一块，因此这部分数据的颗粒度要求也最高：

  • 观众交通方式构成——自驾、拼车、地铁、公交、接驳大巴、步行各自的比例，而不是只知道"多少人来看比赛"。同样的观众规模，交通方式结构不同，碳排放可以相差数倍。
  • 球队及随行团队出行记录——出发地、目的地、交通工具（航空/陆路）、是否包机或满载，这类信息虽然人数少，但单次出行的排放强度可能很高，尤其是跨区域客场比赛。
  • 观众平均通勤距离——不是简单假设"本地观众"，而是尽可能了解观众来源地分布，因为通勤距离和交通方式共同决定了这部分排放的量级。

缺少交通方式构成数据时，模型只能假设一个行业平均分布去估算，这个估算在具体某一场比赛上很可能严重失真，因为不同城市、不同场馆周边的公共交通便利程度差异很大。数据的采集方式也值得说明：观众交通方式构成通常不可能做到人人上报，实践中更多依赖抽样调查、停车场车流记录、公共交通站点客流数据的组合估算，精度会比场馆内部的电表、水表读数低一些，这一点在使用模型给出的交通排放判断时也需要留有余地，把它当作一个有依据的区间，而不是一个绝对精确的数值。

场馆运行数据：能源、用水、垃圾

场馆内部的资源消耗数据需要按系统、按时段拆分，而不是一个笼统的总数：

  • 能源数据——分区域、分系统（照明、制冷、扩声、餐饮设备）的用电记录，理想情况下按小时或按场次记录，而不是月度总电费单。
  • 用水数据——区分草坪灌溉、卫生间、淋浴、餐饮清洗等不同用途的水表读数，因为这几类用水的正常波动规律完全不同。
  • 垃圾流数据——分类称重（餐厨垃圾、塑料、纸质、可回收物）以及各类物料的处理去向，而不是仅记录清运车次或总重量。

这三类数据如果只停留在总量层面，模型能做的判断就只能是"总量偏高或偏低"，没有办法指出具体是哪个系统、哪个环节出了问题，这也是我们在AI能不能自动告诉体育赛事哪里最浪费中反复强调的一点：判断的精细程度取决于数据的颗粒度，而不是模型本身有多"聪明"。

环境与物流变量：天气、供应链、场馆容量

除了直接的人流和场馆数据，还有一些容易被忽略、却经常是异常波动背后真正原因的变量：

  • 天气数据——气温、降水、湿度会直接影响制冷/供暖负荷、草坪灌溉需求，也会影响观众的交通方式选择（雨天自驾比例通常上升）。没有天气数据，模型很容易把天气导致的正常波动误判成异常，这部分逻辑在灌溉场景中体现得尤其明显，可参考AI能不能自动优化足球场草坪和高尔夫球场灌溉。
  • 物流与供应链数据——餐饮物料、赛事周边商品、临时设施搭建的运输记录，这部分虽然不像观众交通那样量级巨大，但在一些大型赛事中同样不可忽略。
  • 场馆容量与实际使用率——同样的场馆，满座和半满座情况下的合理能耗、用水水平完全不同，容量利用率是判断资源消耗是否合理的重要基准之一。

数据之间的关联字段，决定了能不能拼起来用

光是分别拿到上面这几类数据还不够，如果每一类数据都来自不同系统、彼此之间没有统一的关联字段——比如统一的赛事编号、统一的场馆分区编码、统一的时间戳格式——模型拿到的就是几堆互相对不上号的数字，没有办法真正融合分析。举例来说，能源数据按"场馆+日期"记录，天气数据按"城市+小时"记录，观众交通数据按"赛事+区域"记录，如果这三套编码体系互不兼容，模型就很难把某个时段的能耗异常和当时的天气、当时的人流准确对应起来，即便这三类数据本身都是真实、准确的。这也是为什么在博万体育的系统里，数据接入的第一步往往不是接数据本身，而是先统一好赛事、场馆、时间这几个关键维度的编码规则，让后续接入的每一类数据都能按同样的维度拼接起来，而不是各说各话。

数据类别不是越多越好，而是要对得上问题

需要说明的是，堆砌数据类别本身不是目的，每一类数据存在的意义，是让模型能够回答某一类具体问题。判断"这场比赛的交通排放是否合理"，需要交通方式构成数据；判断"这场比赛的能耗是否异常"，需要分系统的能源数据；判断"用水激增是漏损还是正常灌溉"，需要区分用途的用水记录。如果目标问题没有对应的数据支撑，那么无论接入多少其他类别的数据，模型在那个具体问题上依然给不出可信答案。碳排放数字最终如何从这些活动数据计算出来，我们在AI说一场赛事"低碳"，为什么还需要碳计算引擎中有专门说明。这也是为什么我们在设计博万体育的数据接入方案时，始终是从"模型需要回答哪些问题"倒推"需要哪些数据"，而不是先把能拿到的数据都堆进去，再指望模型自己找出有用的部分。反过来说，如果一个赛事想让AI给出可信的资源使用判断，最有效的起点也不是先去问"能不能上模型"，而是先盘点一遍：赛事基础信息是否准确、观众和球队的出行数据能不能拿到、场馆能源和用水是否已经做到分区分时计量、垃圾是否已经分类称重、天气和容量数据是否接入。这份清单本身，就是判断一套体育赛事AI系统现阶段能回答哪些问题、还不能回答哪些问题的最直接依据，也是比"模型选型"更值得优先投入精力的一步。