一种面向服务区全场景的AI智慧运营系统

1.一种面向服务区全场景的AI智慧运营系统，其特征在于，包括：数据采集模块；所述数据采集模块采用无人机航拍或点云扫描的方式获取服务区的高精地图，并通过外场部署的全景相机、雷视基站以及辅助拍摄单元实时对服务区内的目标以及环境进行实时监控和感知；数据分析处理模块；所述数据分析处理模块适于对所述数据采集模块所采集的数据进行时空同步以形成服务区的时空基准，并通过雷视融合及AI识别算法对服务区内的目标和环境进行状态感知；进而基于图像特征及路径轨迹对目标进行跟踪和预警，以及对服务区的车流量和运行状态进行分析及预测；可视化模块；所述可视化模块适于根据所述数据采集模块所采集的数据生成虚拟地图，并对目标的行为状态进行分层、分类的展示，包括全景监控界面、智慧车位界面、数字孪生界面；所述数据分析处理模块包括：时间同步单元；所述时间同步单元通过GNSS授时和空间参考系对所述数据采集模块所采集的数据进行时空基准统一；数据融合单元；所述数据融合单元用于对所述数据采集模块所采集的数据进行融合和互补以生成路径轨迹；AI算法识别单元；所述AI算法识别单元通过路径轨迹对目标进行跟踪和预警；以及数据统计及预测单元；所述数据统计及预测单元根据所述数据采集模块所采集的数据以及路径轨迹对服务区的车流量和运行压力进行分析和预测；所述数据融合单元适于将融合的雷视数据与所述全景相机的采集数据进行互补；互补过程如下：S210：对所述数据采集模块传回的目标的路径轨迹以及视频轨迹进行记录；S220：若目标的路径轨迹数据出现连续T时间的丢失时，系统根据目标丢失区域的位置坐标联动所述全景相机对丢失的目标继续跟踪识别；S230：若目标的视频轨迹数据出现连续T时间的丢失时，系统根据目标丢失区域的位置坐标联动所述雷视基站对丢失的目标继续跟踪识别；S240：在目标被重新识别后与目标的历史数据进行特征匹配，进而对目标丢失的轨迹数据进行补充；所述智慧车位界面用于对整个服务区的总体车辆状态及安全态势进行展示；所述数字孪生界面用于对服务区内的车辆、行人以及设备的预警信息进行时空同步展示；所述全景监控界面用于对关注区域进行确认并做出告警处理；通过所述全景监控界面、所述数字孪生界面以及所述智慧车位界面的相互补充，构建基于自动识别、精确定位和人工验证的服务区安全在线监控闭环体系；所述全景监控界面以所述全景相机为核心，将服务区内所有对接的视频设备进行联通以形成全域监控网络并生成相应图标，通过点击图标进行相应位置视频设备的视角切换；所述全域监控网络还适于对预警事件进行实时定位和渲染，具体的过程如下：S310：对所述全景相机捕捉到的预警事件在图像下的二维坐标，结合三维空间参数进行空间投影矩阵转换以及翻转和偏移后生成三维坐标；S320：在三维坐标中添加标记并通过渲染生成预警事件图标；S330：根据预警事件的坐标，定位到距离最近的视频设备或视角最清晰的视频设备以高亮的形式进行提示；所述可视化模块通过将服务区内的监控及传感器设备感知的实时数据与孪生模型深度融合以生成所述数字孪生界面；所述数字孪生界面适于在统一的时空基准下，实时将交通实景和事件信息在数字中台进行数字重构，进而提供与真实场景时空基准一致的数字化映射；所述数字孪生界面还适于对服务区内已经对接的智联设备进行实时监测，并在服务区的相应位置上进行可视化展示；所述数字孪生界面被设置于服务区入口，进而向司乘人员进行服务区综合概况的展示；所述智慧车位界面用于对车位实况监测、实时车流统计、危货车位监测、充电车位监测、潮汐车位管理和停车时长监测的相关内容进行展示；所述车位实况监测的内容包括分类型车位占用率、饱和度指数和运行指数；所述实时车流统计的内容包括对区域内车辆的数量进行实时统计并判断是否达到设定的阈值；所述危货车位监测的内容包括危货车位的状态和占用率，并基于历史统计数据对危货车位进行规划；所述充电车位监测的内容包括充电桩车位占用、单车充电时长、充电排队等待时长统计和服务区充电引导；所述潮汐车位管理的内容包括基于不同时间段的运营需求，对服务区内车位的类型进行调整；进而在目标车型数量达到设定阈值时提醒管理人员启用潮汐车位；所述停车时长监测的内容包括基于不同车型划分不同的停留时间阈值，对停留超过设定阈值的车辆进行滞留报警。 2.如权利要求1所述的面向服务区全场景的AI智慧运营系统，其特征在于，所述数据融合单元适于对所述雷视基站采集的数据进行融合，融合过程如下：S110：获取雷达和视频相机的数据采样时间并进行周期同步；S120：对雷达和视频相机的坐标进行标定同一为世界坐标系；S130：引入ROI算法对雷达和视频相机的检测目标信息进行关联融合以生成运行轨迹；具体的关联度公式为：｜M R -M P ｜＜M α ；[(A R ∩A P )/( A R ∪A P )]＞A α ；其中，A R 表示雷达的目标区域面积，M R 表示雷达的目标区域中心点，A P 表示视频目标区域面积，M P 表示视频目标区域中心点，M α 和A α 均表示目标关联度阈值。 3.如权利要求1所述的面向服务区全场景的AI智慧运营系统，其特征在于，所述AI算法识别单元对目标的行为类型和识别过程如下：全域跟踪识别：将车辆与车牌信息进行绑定并跟踪车辆在服务区内完整的路径轨迹；车辆违停识别：对所述全景相机画面内的车位类型和位置进行标记，并划定车道区域；对停车的目标车辆进行类型和位置检测，若车辆在车位内但车辆类型与车位类型不符，发送第一类违停预警；若车辆停在车道内且超过T 0 时间，发送第二类违停预警；车辆违规识别：对目标车辆的车速、行驶方向以及车辆类型进行监测；当车速超过设定阈值时，发送超速预警并联动摄像单元进行录像；当车辆行驶方向与车道规定不符时，发送逆行预警并联动摄像单元进行录像；当车辆类型与车道规定不符时，发送违行预警并联动摄像单元进行录像；交通拥堵识别：对道路区域内的车辆密度、平均车前距以及平均车速进行监测以综合判断交通的拥堵程度；在拥堵程度超过设定阈值时，发送车辆拥堵告警并将告警信息展示于所述可视化模块；车辆碰撞识别：实时获取道路内行驶车辆的反射回波，根据获取的反射回波的重叠程度判断车辆间发生碰撞事故的严重性，进而发送相应级别的预警信息；人员聚集识别：对人员间的距离以及单位范围内人员的聚集数量和聚集时间进行监测；当人员之间的距离超过设定阈值时触发报警；当单位范围内聚集的人数以及聚集的时间超过设定的阈值时触发报警；加油站异常识别：针对服务区内的加油站区域，基于视觉信息和深度学习模型对出现的烟雾、明火、抽烟行为和地面漏油场景进行检测识别。 4.如权利要求1所述的面向服务区全场景的AI智慧运营系统，其特征在于，所述数据统计及预测单元对服务区车流量的分析和预测过程如下：通过历史数据绘制服务区不同类型车辆数量、车位占用率、来源地的统计图表；应用深度学习算法预测服务区在未来一段时间内的饱和度趋势；饱和度趋势通过饱和度指数进行表示，饱和度指数的计算公式如下：饱和度指数=车位占用率×0.8+车道占用率×0.2；车位占用率=车位占用时长/该停车区所有车位总时长×100%；车道占用率=（车道占用时长×占用面积）/（该停车区所有车道总时长×车道总面积）×100%。 5.如权利要求1所述的面向服务区全场景的AI智慧运营系统，其特征在于，所述数据统计及预测单元对服务区运行压力的分析和预测过程如下：通过历史数据绘制服务区各类型预警事件数量、饱和度指数、运行指数的统计图表；应用深度学习算法预测服务区在未来一段时间内的运行压力趋势；运行压力趋势通过运行指数进行表示，运行指数的计算公式如下：运行指数（%）=车位饱和度×70%+车辆违规指数×15%+道路拥堵指数×15%；车位饱和度=车位占用时长/该停车区所有车位总时长×100%；车辆违规指数=违规车辆数/车辆总数×100%；道路拥堵指数=拥堵事件持续时长/统计时段时长×100%。