加油站人工智能(AI)数字现场系统的研究与实现

李 俊 江 海

〔中国石化广东石油分公司 广东广州 510620〕

近年来，国际油价长时间低位运行，国内成品油市场资源供大于求的局面早已常态化。虽然中国石化在成品油零售环节仍然具有品牌和网络优势，但产品同质化导致价格竞争加剧，尤其是在具有巨大市场潜力的广东地区，已形成了竞争主体多元化、资源品种多样化、油品价格市场化的竞争格局，市场竞争较其他区域更加残酷，公司的创效压力不断增加。与此同时，油品需求端又受到新冠疫情和新能源汽车的双重冲击，客户需求持续下降，导致油品零售业务步履维艰。面对经营困境，如何利用新技术、搭建新平台，进一步提高加油站现场服务效率和客户精细化管理水平是破局的关键。

1 研究目标

以客户为中心，借助人工智能[1]、大数据技术，精准识别加油站车辆和客户，关联会员系统形成以“人+车+会员”为核心的客户画像体系，以此为基础建设人工智能(AI)数字现场系统，创新加油站高效现场管理、数字化精准营销、全方位风险防控等应用场景，更科学掌握客户需求变化，更有效提高现场服务效率，更精准开展客户营销，全面提升加油站数字化运营[2]和市场竞争能力。该系统具体建设目标如下：

(1)系统能够精准识别加油站过路、进站车辆，研究和分析道路车流、进站率与销量变化趋势之间的关系，提高车辆进站率。

(2)系统能够数字化分析加油站服务时长变化情况，研究服务效率低的原因和对策，提高车辆通过率。

(3)系统支持大数据挖掘加油站新老客户结构变化情况，结合当期营销活动分析营销策略合理性，提高客户回头率。

(4)针对过路车辆、进站率、服务时长、销量等核心指标变化异常的加油站，系统及时给出预警提醒。

(5)系统能够基于大数据算法建模，实现车辆、客户与交易的精准关联，构建“人+车+会员”关联的会员画像体系，并开展基于此的数字营销，提高营销精准度。

(6)系统能够准确识别员工，分析员工在岗情况和给出优化排班建议，能够识别现场拨打手机、吸烟、违规停车等异常行为，提高现场管理水平和风险防控能力。

2 系统实现

为实现上述目标，需要从技术架构、硬件部署、功能设计、难点突破等主要方面入手开展工作，搭建软硬件平台，从而逐步完成AI数字现场系统建设。整体技术思路如下：基于AI视觉识别设备和技术实现“车+人”精准感知[3]，基于边缘计算处理和传输技术实现海量数据分布式处理，基于云计算和大数据技术构建数据中台深度挖掘相关数据，基于机器学习算法构建车主画像体系，最终功能通过可视化技术进行展现和应用。

2.1 系统架构

为适应互联网和数字化转型发展需要，笔者所在公司基于云计算和大数据技术，在阿里云建设了统一的、标准化的系统架构，构建业务中台+数据中台双中台[4]，全面支撑类似于加油站AI数字现场这样的新型业务和数据应用，总体架构如图1所示。

图1 加油站AI数字现场系统总体架构

该架构仍然遵循云计算架构体系[5]，由底层的数据源及传统数据存储层(IAAS)、业务数据双中台层(A-PAAS和D-PAAS)及数据应用层(SAAS)三层架构组成。其中IAAS层主要是传统业务系统交易数据、互联网数据、客流数据等核心数据存储；PAAS层的业务中台A-PAAS构建包括组织中心、会员中心、订单中心、营销中心等在内的核心能力中心，数据中台D-PAAS则基于Hadoop和Spark大数据生态圈产品和组件，构建起包括数据采集层、数据存储层(大数据分布式存储，区别于IAAS层的传统数据存储)、数据分析层及数据算法层(用于数据建模与分析)在内的大数据核心能力；SAAS层是业务和数据应用展现层，包括互联网应用、人工智能应用、物联网应用、智慧运营应用、数字营销应用等，而AI数字现场应用正是其中一项。

2.2 硬件部署

AI数字现场系统依赖于AI识别摄像机、边缘计算服务器、GPU处理器等硬件设备，在硬件部署上采用加油站、省中心、石化阿里云三层结构。AI数字现场系统硬件整体部署架构如图2所示。

图2 AI数字现场系统硬件整体部署架构图

2.2.1 加油站层面

在加油站道路、出入口安装3路全目标抓拍摄像机，抓拍道路及进出站车流；在加油区及便利店安装多路摄像机，抓拍加油区车辆和便利店顾客；在卸油区安装广视角人眼摄像机，抓拍卸油区进出人员；部署边缘计算服务器，将识别的车辆、人脸数据进行解析识别和处理。目前支持识别和解析车辆的车牌、颜色、车型等细分特征；支持识别和解析客户性别、年龄、服饰等细分特征。边缘计算服务器还负责基于算法对车辆、人脸和交易数据进行精准匹配关联，最后将所有数据压缩成适合网络传输的数据流传输到中心系统(见图3)。

图3 AI数字现场加油站硬件部署图

2.2.2 省级公司中心和阿里云层面

所有油站采集的数据通过边缘计算服务器处理后，传输到省中心服务器，包括数据库服务器、特征聚类服务器、人脸识别服务器、灰度发布服务器等。在省中心进一步做数据处理、图像识别比对和特征训练，结果传输到石化阿里云数据中台，用于实现AI数字现场相关应用功能。阿里云的中心管理、大数据、应用管理等服务器采用租赁方式，可柔性随需扩展。

2.3 功能设计

2.3.1 油站客流分析

客流分析功能模块包括站外和进站车流分析、高峰期车流分析、竞争对手车流分析、车流与销量变化趋势相关性分析等子功能。通过数据与图表直观呈现油站车流、进站率变化情况，帮助管理人员了解道路和周边车辆变化，取代传统手工抽样统计车流的方式，并作为研究如何提高车辆进站率的重要数据支撑。

(1)车流及进站率分析：实现按天、周、月变化趋势分析车流、进站率变化情况，按车型分析汽油车、柴油车车流变化情况，低档和中高档汽油车变化情况。

(2)高峰期分析：实现站外车流高峰时段分析，并将其与销量高峰时段进行匹配，对于站外车流和销量高峰不匹配的油站自动给出提示。

(3)竞争对手油站分析：通过移动摄像机采集竞争对手油站站外和进站车流信息，导入系统后与我方竞争站进行分析比对，支撑“一站一策”具体策略制定。

(4)趋势一致性分析：通过数学方法转化(使用min-max标准化)，将车流量与销量趋势放到一起比对，如图4所示。

图4 min-max标准化后的站外车流与销量变化趋势

通过图4可以看出销量与车流变化趋势背离的情况，如图中阴影所标识的区域，对于车流增长或未有明显下降但是销量却大幅下滑的油站，逐一分析原因并研究对策。

2.3.2 服务效率分析

将车辆进站加油全过程细分为进站、服务响应、加油、支付、出站等五个环节。通过系统自动抓取各环节时间，与高峰期标准服务时长(Rush Hour Standard Service Time，简称RHSST)进行比较评估，针对性地对每个落后环节进行数据分析并采取相应措施，从而达到提高车辆通过率、提升加油站现场服务效率的目的。

RHSST是指在油站现场指引清晰、油品标识准确、现场人手充足、油枪速率正常的情况下，所有加油位已满需等待方能开始加油，所必须涉及且不能减免的必要过程所耗时长，其标准如图5所示。

图5 高峰期标准服务时长RHSST

以某公司为例分析2020年10月份各油站高峰期平均服务时长，筛选出排名后10的油站(服务效率最差)，见表1。由表1中数据可见，10座油站均超过了RHSST给出的高峰期标准服务时长359 S。通过逐个站点进一步深入分析原因，采取应对措施。如对于服务响应时长较高的油站，调整油机布局和高峰期用工排班，做好车辆引导；对于支付时长较高的油站，大力推广智慧支付，提高支付效率等。

表1 某公司加油站服务时长

2.3.3 客户结构分析

系统以车牌号为唯一标识，识别和分析加油站的新老客户结构变化情况。结合加油站正在开展的营销活动，分析营销策略合理性，持续动态优化调整，提高客户回头率。

统计时段内多次进站的为老客户，首次进站的为新客户，新客户中又可以继续区分是从其他油站来的还是从竞争对手油站来的，老客户也可以区分是否也曾去竞争对手油站加油。客户结构分析方法如图6所示，通过图6所示逻辑，可以基于车流数据分析非常清晰地掌握加油站客户结构变化情况，指导经营决策。

图6 新老客户结构分析方法

2.3.4 指标预警排名

系统支持油站自定义分组。管理人员可以对自己重点关注的油站进行任意分组并设定过路车辆、进站率、服务时长、销量等核心指标的预警阈值。对于变化超过阈值的加油站及时给出预警提醒，引导管理人员跟进分析原因，研究具体对策。

2.3.5 数字营销应用

通过AI视觉识别设备感知车辆和顾客后，通过图像识别处理，进一步将车辆和加油交易、顾客和非油品交易进行关联，构建起“人+车+会员”精确匹配的会员画像体系，并基于此开展客户营销，提高加油站员工现场营销的目的性和精准度[6]。

在人车关联基础上，基于会员数据挖掘，依据算法规则构建完整的会员标签体系，包括会员基础属性、油品消费属性、非油消费属性、线上交易属性四大类，涵盖会员客户支付习惯、有效性、忠诚度、消费粘性、消费偏好等主要方面。此外，依据机器学习算法建模，构建包括用户活跃度、用户价值、用户预流失等会员模型，实现对客户的精准分类分群，支撑现场数字营销的开展。

2.3.6 现场管理强化

系统通过行为识别和模型训练，能够准确识别顾客拨打手机、吸烟、违规停车等现场不安全行为，能够准确识别员工在岗情况并给出优化排班建议，提高加油站现场管理水平，降低潜在风险。

(1)通过对顾客拨打手机、吸烟等历史图像进行反复训练，建立识别准确率超过99.9 %的模型，对现场该类行为实时识别并推送到员工手环，引导员工阻止危险行为。

(2)通过将员工工服图片入库进行训练，识别加油站员工身份，自动建立更客观、更准确的加油站员工动态档案，包括出勤时间、在岗天数、活动热点区域等等，强化现场员工队伍管理。

3 关键技术及创新点

本文提出的基于“人+车+会员”关联的AI数字现场应用，最重要的前提是对于车辆和加油交易的精准关联，在此基础上才能进一步关联会员形成完整客户画像。考虑到受施工难度、硬件成本等条件制约，加油岛部署摄像枪数量有限，每只摄像枪拍摄区域中会同时出现多辆汽车通过，如何唯一确定车辆与油枪的对应关系是最难解决的问题。

3.1 检测区域匹配法

通过绘制检测区域识别匹配法，如图7所示：需要绘制检测区域和屏蔽区域，设定检测区域阈值(识别的车辆图像与区域重合度超过阈值才算有效识别)，设定油枪与检测区域的对应关系，最后通过提挂枪时间和车辆图像识别时间匹配车辆与加油油枪。经实践检验，该种方法在实际环境中匹配准确率约为80 %左右。

图7 检测区域匹配法

检测区域绘制时需遵循的注意事项如下：

(1)同一油机两侧车位和现场情况较相近时，该油机两侧关联区域的形状和大小要绘制的相似一些。

(2)绘制关联区域要比车位大一些，否则车辆停在区域边缘，可能出现车牌在关联区域外的情况。

(3)绘制关联区域要考虑周围环境的影响，不可以过大，否则排队车辆和道路车辆可能会带来干扰。

(4)具体如何绘制，还需要结合每个油站现场的实际情况进行考虑。

3.2 双次校验匹配法

上述检测区域匹配法存在约20 %的误差率，主要原因是繁忙时段同一绘制区域会出现多辆车满足识别条件，同时又对应多支加油枪有加油记录，此时会导致车辆与油枪多对多情况无法准确匹配。这种情况可以通过双次校验匹配法来进行精确匹配，逻辑原理如图8所示。车辆A两次到站加油，第一次到站其停留的检测区域中有A、B、C三辆车，对应a、b、c三张加油卡(每张卡对应1支加油的油枪)；第二次到站其停留的检测区域中有A、D、E三辆车，对应a、d、e三张加油卡，两次结果校验匹配，则车辆A对应的加油卡也只能是a。经实践检验，经过双次校验匹配修正后，整体车辆与交易匹配准确度达到了95 %以上，满足了实际应用的需要。

图8 双次校验匹配法

4 结束语

目前，该AI数字现场系统已在笔者所在公司1 800多座加油站部署完成并正式投入使用，在提升大要站现场车辆通过率和服务效率、提高现场营销精准性等方面发挥了重要作用。该系统以人工智能和大数据技术应用为基础，以详实的客观数据为依据，科学地指导加油站现场管理和客户管理水平的提升，科学地分析加油站销量与车流变化之间的关系，结合现场营销模式创新，支撑“一站一策”的有效开展，全面提高加油站数字化运营水平。下一步，在现场管理新模式、数字营销新场景构建等方面，该系统仍有许多空间值得探索和创新，并且具备在同行业广泛推广的价值。