加油站人工智能(AI)數字現場系統的研究與實現

李 俊 江 海

〔中國石化廣東石油分公司 廣東廣州 510620〕

近年來，國際油價長時間低位運行，國內成品油市場資源供大于求的局面早已常態化。雖然中國石化在成品油零售環節仍然具有品牌和網絡優勢，但產品同質化導致價格競爭加劇，尤其是在具有巨大市場潛力的廣東地區，已形成了競爭主體多元化、資源品種多樣化、油品價格市場化的競爭格局，市場競爭較其他區域更加殘酷，公司的創效壓力不斷增加。與此同時，油品需求端又受到新冠疫情和新能源汽車的雙重沖擊，客戶需求持續下降，導致油品零售業務步履維艱。面對經營困境，如何利用新技術、搭建新平臺，進一步提高加油站現場服務效率和客戶精細化管理水平是破局的關鍵。

1 研究目標

以客戶為中心，借助人工智能[1]、大數據技術，精準識別加油站車輛和客戶，關聯會員系統形成以“人+車+會員”為核心的客戶畫像體系，以此為基礎建設人工智能(AI)數字現場系統，創新加油站高效現場管理、數字化精準營銷、全方位風險防控等應用場景，更科學掌握客戶需求變化，更有效提高現場服務效率，更精準開展客戶營銷，全面提升加油站數字化運營[2]和市場競爭能力。該系統具體建設目標如下：

(1)系統能夠精準識別加油站過路、進站車輛，研究和分析道路車流、進站率與銷量變化趨勢之間的關系，提高車輛進站率。

(2)系統能夠數字化分析加油站服務時長變化情況，研究服務效率低的原因和對策，提高車輛通過率。

(3)系統支持大數據挖掘加油站新老客戶結構變化情況，結合當期營銷活動分析營銷策略合理性，提高客戶回頭率。

(4)針對過路車輛、進站率、服務時長、銷量等核心指標變化異常的加油站，系統及時給出預警提醒。

(5)系統能夠基于大數據算法建模，實現車輛、客戶與交易的精準關聯，構建“人+車+會員”關聯的會員畫像體系，并開展基于此的數字營銷，提高營銷精準度。

(6)系統能夠準確識別員工，分析員工在崗情況和給出優化排班建議，能夠識別現場撥打手機、吸煙、違規停車等異常行為，提高現場管理水平和風險防控能力。

2 系統實現

為實現上述目標，需要從技術架構、硬件部署、功能設計、難點突破等主要方面入手開展工作，搭建軟硬件平臺，從而逐步完成AI數字現場系統建設。整體技術思路如下：基于AI視覺識別設備和技術實現“車+人”精準感知[3]，基于邊緣計算處理和傳輸技術實現海量數據分布式處理，基于云計算和大數據技術構建數據中臺深度挖掘相關數據，基于機器學習算法構建車主畫像體系，最終功能通過可視化技術進行展現和應用。

2.1 系統架構

為適應互聯網和數字化轉型發展需要，筆者所在公司基于云計算和大數據技術，在阿里云建設了統一的、標準化的系統架構，構建業務中臺+數據中臺雙中臺[4]，全面支撐類似于加油站AI數字現場這樣的新型業務和數據應用，總體架構如圖1所示。

圖1 加油站AI數字現場系統總體架構

該架構仍然遵循云計算架構體系[5]，由底層的數據源及傳統數據存儲層(IAAS)、業務數據雙中臺層(A-PAAS和D-PAAS)及數據應用層(SAAS)三層架構組成。其中IAAS層主要是傳統業務系統交易數據、互聯網數據、客流數據等核心數據存儲；PAAS層的業務中臺A-PAAS構建包括組織中心、會員中心、訂單中心、營銷中心等在內的核心能力中心，數據中臺D-PAAS則基于Hadoop和Spark大數據生態圈產品和組件，構建起包括數據采集層、數據存儲層(大數據分布式存儲，區別于IAAS層的傳統數據存儲)、數據分析層及數據算法層(用于數據建模與分析)在內的大數據核心能力；SAAS層是業務和數據應用展現層，包括互聯網應用、人工智能應用、物聯網應用、智慧運營應用、數字營銷應用等，而AI數字現場應用正是其中一項。

2.2 硬件部署

AI數字現場系統依賴于AI識別攝像機、邊緣計算服務器、GPU處理器等硬件設備，在硬件部署上采用加油站、省中心、石化阿里云三層結構。AI數字現場系統硬件整體部署架構如圖2所示。

圖2 AI數字現場系統硬件整體部署架構圖

2.2.1 加油站層面

在加油站道路、出入口安裝3路全目標抓拍攝像機，抓拍道路及進出站車流；在加油區及便利店安裝多路攝像機，抓拍加油區車輛和便利店顧客；在卸油區安裝廣視角人眼攝像機，抓拍卸油區進出人員；部署邊緣計算服務器，將識別的車輛、人臉數據進行解析識別和處理。目前支持識別和解析車輛的車牌、顏色、車型等細分特征；支持識別和解析客戶性別、年齡、服飾等細分特征。邊緣計算服務器還負責基于算法對車輛、人臉和交易數據進行精準匹配關聯，最后將所有數據壓縮成適合網絡傳輸的數據流傳輸到中心系統(見圖3)。

圖3 AI數字現場加油站硬件部署圖

2.2.2 省級公司中心和阿里云層面

所有油站采集的數據通過邊緣計算服務器處理后，傳輸到省中心服務器，包括數據庫服務器、特征聚類服務器、人臉識別服務器、灰度發布服務器等。在省中心進一步做數據處理、圖像識別比對和特征訓練，結果傳輸到石化阿里云數據中臺，用于實現AI數字現場相關應用功能。阿里云的中心管理、大數據、應用管理等服務器采用租賃方式，可柔性隨需擴展。

2.3 功能設計

2.3.1 油站客流分析

客流分析功能模塊包括站外和進站車流分析、高峰期車流分析、競爭對手車流分析、車流與銷量變化趨勢相關性分析等子功能。通過數據與圖表直觀呈現油站車流、進站率變化情況，幫助管理人員了解道路和周邊車輛變化，取代傳統手工抽樣統計車流的方式，并作為研究如何提高車輛進站率的重要數據支撐。

(1)車流及進站率分析：實現按天、周、月變化趨勢分析車流、進站率變化情況，按車型分析汽油車、柴油車車流變化情況，低檔和中高檔汽油車變化情況。

(2)高峰期分析：實現站外車流高峰時段分析，并將其與銷量高峰時段進行匹配，對于站外車流和銷量高峰不匹配的油站自動給出提示。

(3)競爭對手油站分析：通過移動攝像機采集競爭對手油站站外和進站車流信息，導入系統后與我方競爭站進行分析比對，支撐“一站一策”具體策略制定。

(4)趨勢一致性分析：通過數學方法轉化(使用min-max標準化)，將車流量與銷量趨勢放到一起比對，如圖4所示。

圖4 min-max標準化后的站外車流與銷量變化趨勢

通過圖4可以看出銷量與車流變化趨勢背離的情況，如圖中陰影所標識的區域，對于車流增長或未有明顯下降但是銷量卻大幅下滑的油站，逐一分析原因并研究對策。

2.3.2 服務效率分析

將車輛進站加油全過程細分為進站、服務響應、加油、支付、出站等五個環節。通過系統自動抓取各環節時間，與高峰期標準服務時長(Rush Hour Standard Service Time，簡稱RHSST)進行比較評估，針對性地對每個落后環節進行數據分析并采取相應措施，從而達到提高車輛通過率、提升加油站現場服務效率的目的。

RHSST是指在油站現場指引清晰、油品標識準確、現場人手充足、油槍速率正常的情況下，所有加油位已滿需等待方能開始加油，所必須涉及且不能減免的必要過程所耗時長，其標準如圖5所示。

圖5 高峰期標準服務時長RHSST

以某公司為例分析2020年10月份各油站高峰期平均服務時長，篩選出排名后10的油站(服務效率最差)，見表1。由表1中數據可見，10座油站均超過了RHSST給出的高峰期標準服務時長359 S。通過逐個站點進一步深入分析原因，采取應對措施。如對于服務響應時長較高的油站，調整油機布局和高峰期用工排班，做好車輛引導；對于支付時長較高的油站，大力推廣智慧支付，提高支付效率等。

表1 某公司加油站服務時長

2.3.3 客戶結構分析

系統以車牌號為唯一標識，識別和分析加油站的新老客戶結構變化情況。結合加油站正在開展的營銷活動，分析營銷策略合理性，持續動態優化調整，提高客戶回頭率。

統計時段內多次進站的為老客戶，首次進站的為新客戶，新客戶中又可以繼續區分是從其他油站來的還是從競爭對手油站來的，老客戶也可以區分是否也曾去競爭對手油站加油。客戶結構分析方法如圖6所示，通過圖6所示邏輯，可以基于車流數據分析非常清晰地掌握加油站客戶結構變化情況，指導經營決策。

圖6 新老客戶結構分析方法

2.3.4 指標預警排名

系統支持油站自定義分組。管理人員可以對自己重點關注的油站進行任意分組并設定過路車輛、進站率、服務時長、銷量等核心指標的預警閾值。對于變化超過閾值的加油站及時給出預警提醒，引導管理人員跟進分析原因，研究具體對策。

2.3.5 數字營銷應用

通過AI視覺識別設備感知車輛和顧客后，通過圖像識別處理，進一步將車輛和加油交易、顧客和非油品交易進行關聯，構建起“人+車+會員”精確匹配的會員畫像體系，并基于此開展客戶營銷，提高加油站員工現場營銷的目的性和精準度[6]。

在人車關聯基礎上，基于會員數據挖掘，依據算法規則構建完整的會員標簽體系，包括會員基礎屬性、油品消費屬性、非油消費屬性、線上交易屬性四大類，涵蓋會員客戶支付習慣、有效性、忠誠度、消費粘性、消費偏好等主要方面。此外，依據機器學習算法建模，構建包括用戶活躍度、用戶價值、用戶預流失等會員模型，實現對客戶的精準分類分群，支撐現場數字營銷的開展。

2.3.6 現場管理強化

系統通過行為識別和模型訓練，能夠準確識別顧客撥打手機、吸煙、違規停車等現場不安全行為，能夠準確識別員工在崗情況并給出優化排班建議，提高加油站現場管理水平，降低潛在風險。

(1)通過對顧客撥打手機、吸煙等歷史圖像進行反復訓練，建立識別準確率超過99.9 %的模型，對現場該類行為實時識別并推送到員工手環，引導員工阻止危險行為。

(2)通過將員工工服圖片入庫進行訓練，識別加油站員工身份，自動建立更客觀、更準確的加油站員工動態檔案，包括出勤時間、在崗天數、活動熱點區域等等，強化現場員工隊伍管理。

3 關鍵技術及創新點

本文提出的基于“人+車+會員”關聯的AI數字現場應用，最重要的前提是對于車輛和加油交易的精準關聯，在此基礎上才能進一步關聯會員形成完整客戶畫像。考慮到受施工難度、硬件成本等條件制約，加油島部署攝像槍數量有限，每只攝像槍拍攝區域中會同時出現多輛汽車通過，如何唯一確定車輛與油槍的對應關系是最難解決的問題。

3.1 檢測區域匹配法

通過繪制檢測區域識別匹配法，如圖7所示：需要繪制檢測區域和屏蔽區域，設定檢測區域閾值(識別的車輛圖像與區域重合度超過閾值才算有效識別)，設定油槍與檢測區域的對應關系，最后通過提掛槍時間和車輛圖像識別時間匹配車輛與加油油槍。經實踐檢驗，該種方法在實際環境中匹配準確率約為80 %左右。

圖7 檢測區域匹配法

檢測區域繪制時需遵循的注意事項如下：

(1)同一油機兩側車位和現場情況較相近時，該油機兩側關聯區域的形狀和大小要繪制的相似一些。

(2)繪制關聯區域要比車位大一些，否則車輛停在區域邊緣，可能出現車牌在關聯區域外的情況。

(3)繪制關聯區域要考慮周圍環境的影響，不可以過大，否則排隊車輛和道路車輛可能會帶來干擾。

(4)具體如何繪制，還需要結合每個油站現場的實際情況進行考慮。

3.2 雙次校驗匹配法

上述檢測區域匹配法存在約20 %的誤差率，主要原因是繁忙時段同一繪制區域會出現多輛車滿足識別條件，同時又對應多支加油槍有加油記錄，此時會導致車輛與油槍多對多情況無法準確匹配。這種情況可以通過雙次校驗匹配法來進行精確匹配，邏輯原理如圖8所示。車輛A兩次到站加油，第一次到站其停留的檢測區域中有A、B、C三輛車，對應a、b、c三張加油卡(每張卡對應1支加油的油槍)；第二次到站其停留的檢測區域中有A、D、E三輛車，對應a、d、e三張加油卡，兩次結果校驗匹配，則車輛A對應的加油卡也只能是a。經實踐檢驗，經過雙次校驗匹配修正后，整體車輛與交易匹配準確度達到了95 %以上，滿足了實際應用的需要。

圖8 雙次校驗匹配法

4 結束語

目前，該AI數字現場系統已在筆者所在公司1 800多座加油站部署完成并正式投入使用，在提升大要站現場車輛通過率和服務效率、提高現場營銷精準性等方面發揮了重要作用。該系統以人工智能和大數據技術應用為基礎，以詳實的客觀數據為依據，科學地指導加油站現場管理和客戶管理水平的提升，科學地分析加油站銷量與車流變化之間的關系，結合現場營銷模式創新，支撐“一站一策”的有效開展，全面提高加油站數字化運營水平。下一步，在現場管理新模式、數字營銷新場景構建等方面，該系統仍有許多空間值得探索和創新，并且具備在同行業廣泛推廣的價值。