CN118113908A - 3d孪生智慧校园可视化系统及方法 - Google Patents

Abstract

本申请涉及智慧校园技术领域，公开了一种3D孪生智慧校园可视化系统及方法，该系统包括：3D数字孪生校园建模模块,用于基于现实世界的校园物理实体,进行校园建筑实体的1:1模型建模与仿真,搭建校园虚拟3D场景；实景视频存储与可视化模块，用于存储各场景的实时和异常视频数据,并在所述虚拟3D场景中进行可视化呈现；数据处理与可视化模块，用于对基础数据和异常数据进行统计分析,计算异常事件的异常度,根据异常事件的异常度向所述实景视频存储与可视化模块发出指令，以调整实时视频流在所述虚拟3D场景中的展示，并进行视频存储优化。本申请实现了校园运行的全面可视化管理，提高了异常事件处理的准确性和系统的整体效率。

Description

3D孪生智慧校园可视化系统及方法

技术领域

本申请涉及智慧校园技术领域，特别涉及基于3D数字孪生的智慧校园可视化技术。

背景技术

近年来，3D孪生技术在校园管理中的应用逐渐增多，尤其是在创建3D虚拟校园模型和呈现校园内数据方面。3D孪生校园技术能够对各场所领域的关键指标进行综合监测分析，这在很大程度上帮助管理者全面掌控校园的运行态势，以提高管理效率。目前，3D虚拟校园的主要功能是展示校园模型和呈现校园内的数据，但现有技术在以下方面存在不足：

数据分析的局限性：虽然3D虚拟校园能够展示收集的基础数据，但它忽略了对这些数据进行进一步加工和分析的需求。特别是，它未能有效呈现出具有辅助决策性的数据分析结果，如安全隐患等关键信息。这限制了管理者在策略制定和风险预防方面的决策能力。

模块间缺乏融合：当前的3D虚拟校园、校园场景的实景画面以及数据分析各个模块之间相互独立，没有实现有效的联动与融合。这导致无法直观、实时地了解到整个校园的运行情况，从而降低了监控系统的综合效能。

由于这些不足，现有的3D孪生校园技术无法完全满足高效、全面管理校园运行的需求。因此，需要一种能够集成数据分析、实景展示与3D模型融合的改进方案，以提高校园管理的准确性和实时性。

发明内容

本申请的目的在于提供一种3D孪生智慧校园可视化系统及方法，以解决上述背景技术中提出的问题。

本申请公开了一种3D孪生智慧校园可视化系统，包括：

3D数字孪生校园建模模块,用于基于现实世界的校园物理实体,进行校园建筑实体的1:1模型建模与仿真,搭建校园虚拟3D场景；

实景视频存储与可视化模块，用于存储各场景的实时和异常视频数据,并在所述虚拟3D场景中进行可视化呈现；

数据处理与可视化模块，用于对基础数据和异常数据进行统计分析,计算异常事件的异常度,根据异常事件的异常度向所述实景视频存储与可视化模块发出指令，以调整实时视频流在所述虚拟3D场景中的展示，并进行视频存储优化。

在一个优选例中，所述数据处理与可视化模块用于执行以下具体的处理：

从校园各系统收集基础数据，并对收集到的基础数据进行统计分析，并将基础数据分析的结果以直观的可视化图表形式展示；

收集异常事件视频、设备异常数据，设计异常度评估模型并利用异常数据计算各事件的异常度，并基于各事件的异常度，确定在虚拟3D场景中需要展示的异常事件视频。

在一个优选例中，所述数据处理与可视化模块用于建立异常事件的异常度分析模型，其中，

异常事件的异常度计算公式如下：

F＝af1+bf2+cf3 (1)

其中，

F为某异常事件异常度；

f1为人员异常行为事件异常度；

f2为设备异常事件异常度；

f3为自然灾害异常事件异常度；

a、b、c分别为人员异常行为维度影响程度因子、设备异常维度影响程度因子、自然灾害异常维度影响程度因子，其中，①人员异常行为事件：则a≠0,b＝c＝0；设备异常事件：则b≠0,a＝c＝0；③自然灾害异常事件：则c≠0,a＝b＝0；④人员异常行为事件与设备异常事件：则a,b≠0,c＝0；⑤人员异常行为事件与自然灾害异常事件：则a,c≠0,b＝0；⑥设备异常事件与自然灾害异常事件：则b,c≠0,a＝0；⑦人员异常行为事件、设备异常事件与自然灾害异常事件：则a,b,c≠0。

在一个优选例中，所述人员异常行为事件异常度f1的计算公式为：

其中，

α₁、α₂、α₃、α₄、α₅为各维度影响程度因子；

t为该事件异常行为判定的总次数；

t’为其异常行为之一；

P_t'为异常行为次数；

Q_t'为t'异常行为时间；

Q_r为总异常行为时长；

s为该事件正常行为判定的总次数；

s'为其异常行为之一；

P_s'为正常行为次数；

Q_s'为s'正常行为时间；

m'为该地点发生人员异常行为事件次数；

m为校园所有地点发生人员异常行为事件的总次数；

w为该事件涉及人数范围取值，根据单人、少人数范围、多人数范围取值w1、w2、w3；

h为该事件查看人数；

g为查看后进行分类操作总次数；

g'为归属异常人员行为类别的次数；

n为系统默认是否为该类型事件取值(若与系统默认相同取n1，不同取n2)。

在一个优选例中，所述设备异常事件异常度f2的计算公式为：

其中

β₁、β₂、β₃为各维度影响程度因子；

u'为该地点设备事件次数；

u为校园所有地点设备异常事件的总次数；

y为设备异常事件时间长；

d为该事件查看人数；

e为查看后进行分类操作总次数；

e'为归属异常人员行为类别的次数；

v为系统默认是否为该类型事件取值(若与系统默认相同取v1，不同取v2)。

在一个优选例中，所述自然灾害异常事件异常度f3的计算公式为：

其中

δ₁、δ₂、δ₃为各维度影响程度因子；

i'为该地点自然灾害造成事件次数；

i为校园所有地点自然灾害造成事件的总次数；

z为自然灾害事件时间长；

l为该事件查看人数；

k为查看后进行分类操作总次数；

k'为归属自然灾害事件类别的次数；

j为系统默认是否为该类型事件取值(若与系统默认相同取j1，不同取j2)。

在一个优选例中，所述数据处理与可视化模块用于执行以下处理：

将异常事件视频的异常度与预设的阈值进行比较；

若异常事件视频的异常度小于该阈值，则将该视频判定为正常事件，并进行清理；若异常事件视频的异常度大于或等于该阈值，则将该视频保留，并标记为异常事件。

在一个优选例中，所述数据处理与可视化模块还用于执行以下处理：

对异常事件视频设置第一异常度阈值和第二异常度阈值,当事件的计算所得异常度超过第一阈值时判定事件类别,当超过第二阈值时确认事件类别且不再更新；

对属于多种异常类型的组合事件,当其满足所有相关异常类型的第二阈值条件时,确认该组合事件类别且不再更新；

根据各异常事件最新计算所得的异常度,按照预设规则判断事件是否需要继续更新类型。

本申请还公开了一种3D孪生智慧校园可视化方法，包括：

基于现实世界的校园物理实体,进行校园建筑实体的1:1模型建模与仿真,搭建校园虚拟3D场景；

存储各场景的实时和异常视频数据,并在所述虚拟3D场景中进行可视化呈现；

对基础数据和异常数据进行统计分析,计算异常事件的异常度,根据异常事件的异常度向所述实景视频存储与可视化模块发出指令，以调整实时视频流在所述虚拟3D场景中的展示，并进行视频存储优化。

在一个优选例中，所述对基础数据和异常数据进行统计分析,计算异常事件的异常度,根据异常事件的异常度向所述实景视频存储与可视化模块发出指令，以调整实时视频流在所述虚拟3D场景中的展示，包括：

从校园各系统收集基础数据，并对收集到的基础数据进行统计分析，并将基础数据分析的结果以直观的可视化图表形式展示；

收集异常事件视频、设备异常数据，设计异常度评估模型并利用异常数据计算各事件的异常度，并基于各事件的异常度，确定在虚拟3D场景中需要展示的异常事件视频。

本申请的实施例通过整合3D校园建模、实景呈现和数据处理这三大核心模块，实现了一种创新的融合式3D孪生智慧校园可视化模式。特别是，系统能够将校园的数据分析结果用于驱动校园实景的展示，这些展示嵌入到整个3D虚拟校园平台中。

这不仅使得校园区域的运行与展示实现了一体化，还引入了数据可视化和智能决策支持的功能。这些功能不仅增强了校园展示的全面性、智能化和人性化，也显著提高了系统的使用效率。

在处理异常事件方面，本方法提供了一种综合考虑人员行为、设备状态和自然灾害的异常度计算方式，涵盖了校园的所有可能异常事件。

异常事件的分析充分考虑了多个维度，如人员行为的异常与正常姿态(即，人员的异常行为与正常行为)、地点的人员异常行为数量、单人或多人的行为、设备的异常数据和数量、自然灾害事件的数量，以及用户查看和反馈结果与系统的自动诊断结果。这种全面的分析方法确保了异常事件异常度判定的高准确性，助于管理员快速有效地处理紧急情况。

此外，系统还允许通过用户反馈持续优化异常事件的异常度计算和类型判定，提高对单个或多个类型组合异常事件的准确判定。通过识别并确认正常事件或无需进一步更新的异常事件，系统减少了重复计算，提升了运行效率。同时，它还能够根据确认的结果清理存储服务器中过时或不再相关的数据，节省存储空间。

本申请的说明书中记载了大量的技术特征，分布在各个技术方案中，如果要罗列出本申请所有可能的技术特征的组合(即技术方案)的话，会使得说明书过于冗长。为了避免这个问题，本申请上述发明内容中公开的各个技术特征、在下文各个实施方式和例子中公开的各技术特征、以及附图中公开的各个技术特征，都可以自由地互相组合，从而构成各种新的技术方案(这些技术方案均因视为在本说明书中已经记载)，除非这种技术特征的组合在技术上是不可行的。例如，在一个例子中公开了特征A+B+C，在另一个例子中公开了特征A+B+D+E，而特征C和D是起到相同作用的等同技术手段，技术上只要择一使用即可，不可能同时采用，特征E技术上可以与特征C相组合，则，A+B+C+D的方案因技术不可行而应当不被视为已经记载，而A+B+C+E的方案应当视为已经被记载。

附图说明

图1是根据本申请第一实施方式的3D孪生智慧校园可视化系统的结构示意图

图2是根据本申请第二实施方式的3D孪生智慧校园可视化方法的流程示意图；

图3是根据本申请第二实施方式的3D孪生智慧校园可视化方法的一个实例的流程示意图。

具体实施方式

在以下的叙述中，为了使读者更好地理解本申请而提出了许多技术细节。但是，本领域的普通技术人员可以理解，即使没有这些技术细节和基于以下各实施方式的种种变化和修改，也可以实现本申请所要求保护的技术方案。

部分概念的说明：

基础数据，是指校园的各个设备、系统、平台等运行产生的数据。例如：门禁、电子班牌、摄像头、考勤系统、车辆管理系统等等。

异常数据，是指校园的各个设备、系统、平台等，自检测或评估反馈的异常数据。例如：考勤系统统计到人员异常考勤数据、设备管理系统检测到设备异常数据、监测系统检测到路障异常数据等等。

异常视频数据，是指系统检测到异常数据涉及的异常视频。例如：检测到人员异常行为开始直至结束的异常视频数据；检测到的明火开始直至结束的异常视频数据等等。

异常事件视频，是指异常视频数据通过异常度计算后，判定为异常事件视频。

事件的异常度，是指事件的表现形态与正常表现形态的偏差达到某个测定值。

下面概要说明本申请的部分创新点：

针对现有3D孪生智慧校园技术在数据分析和模块融合方面的不足，本方案提出了一种改进的3D孪生智慧校园可视化方法及系统。该系统创新地将3D虚拟校园、校园的实景呈现与大数据分析紧密结合，形成了一种新型的多维度融合式展示模式。特别地，通过对校园的大数据进行深入分析，这些分析结果被用来指导和优化3D虚拟校园平台中的实景呈现。

这种集成化的系统设计使得校园区域的运行与呈现实现了一体化，不仅提高了信息展示的全面性和智能化程度，而且通过数据可视化和智能决策支持功能，增强了校园管理的人性化和使用效率。总的来说，本系统通过综合运用多种技术手段，有效地提升了校园监控和管理的综合性能，为校园管理者提供了更加全面、直观和实用的数据支持。

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请的实施方式作进一步地详细描述。

本申请的第一实施例提出了一种3D孪生智慧校园可视化系统，该系统由3D校园建模模块、实景呈现模块、数据处理模块构成。其中，3D校园建模模块通过3D建模与数字孪生技术将校园进行3D虚拟模型化；实景呈现模块呈现校园不同场景下的实景视频画面，尤其是异常事件的视频数据；数据处理模块通过对校园的基础数据和异常数据进行加工、分析、统计等处理，实现基础数据和异常数据的可视化、以及异常事件的分类展示。具体的3D孪生智慧校园可视化系统如图1所示。

整个3D孪生智慧校园可视化系统的呈现结构为：3D建模提供可视化界面的基础图层；实景呈现是通过点播的方式加载在3D建模基础图层；数据可视化通过地址链接方式加载在3D建模基础图层。最终，实现了3D虚拟校园、校园实景呈现、以及数据可视化的融合式可视化界面。

如图1所示，从提来说，本申请的3D孪生智慧校园可视化系统，包括：

3D数字孪生校园建模模块,用于基于现实世界的校园物理实体,进行校园建筑实体的1:1模型建模与仿真,搭建校园虚拟3D场景；

实景视频存储与可视化模块，用于存储各场景的实时和异常视频数据,并在所述虚拟3D场景中进行可视化呈现；

数据处理与可视化模块，用于对基础数据和异常数据进行统计分析,计算异常事件的异常度,根据异常事件的异常度向所述实景视频存储与可视化模块发出指令，以调整实时视频流在所述虚拟3D场景中的展示，并进行视频存储优化。

其中，基础数据在3D孪生智慧校园可视化系统中扮演着至关重要的角色，它们反映出校园的正常运行状态和统计指标。这些数据收集自校园的各个监控、管理和检测系统，包括但不限于以下几个方面：

学生考勤打卡数据和教室使用记录，提供关于学生出勤和教室占用情况的信息；

教学楼人流量统计、校内车辆和人员流量，反映出校园的活跃程度和人员分布；

各建筑能源消耗数据、食堂用餐数据和停车场使用数据，展示校园的能源效率和公共设施使用情况；

图书馆进出数据和校医院就诊人次，显示学生和教职工对校园关键服务的需求和使用；

各种设施设备的运行状态，包括供暖、通风、空调系统、照明、安全监控等，监控设施的性能和运行效率。

通过对这些基础数据进行统计分析，校园管理者可以全面了解和把控校园的日常运转状态，从而制定更有效的管理策略和改进措施。基础数据与异常数据相对，后者更多反映了校园运行中的问题和偏离常态的情况。两者的区分有助于从不同维度全面感知和理解校园的动态。

基础数据不仅提供了校园运行的即时快照，而且还充当监测和评估系统进度和效果的基准。通过与历史数据或预期目标的对比，这些数据使得校园管理者能够评估运营效率，识别问题领域，并及时采取措施以改善校园环境和服务。

进一步的，异常数据表示安全隐患、设备故障、运行异常或其他关键事件，包括但不限于以下几个方面：

安全监控异常：如未授权入侵、可疑行为或紧急事件的监控报警。

能源消耗异常：比如某个建筑的能源使用量突然增加，可能表明设备故障或效率下降。

环境监测异常：例如温度、湿度或空气质量指标突然超出正常范围，可能表明设施问题或环境风险。

人流量异常：在某个区域内意外的人流量增加或减少，可能预示着特殊事件或紧急情况。

设施设备运行异常：设备运行状况的异常读数，如故障或性能降低。

在3D孪生智慧校园可视化系统中，这些异常数据被用来触发警报、通知管理人员、驱动紧急响应措施，或调整系统运行。通过对异常数据的及时响应，校园管理者能够提高安全性，优化运营效率，及时解决设施问题，从而维护校园环境的稳定和安全。

在本实施例中，数据处理与可视化模块是系统的智能分析中心，负责处理和解读校园操作系统收集的基础数据以及实景视频存储与可视化模块捕获的异常数据。具体的，它执行以下关键功能：统计分析：集成先进的数据处理算法，对基础数据及异常事件进行深入分析，从而洞察校园环境的运行模式和潜在的安全隐患；异常度计算：评估异常事件的严重性，通过算法模型确定事件的优先级和异常程度，以决定其在监控体系中的处理和展示顺序；实景视频呈现驱动：根据异常度分析结果，向实景视频存储与可视化模块发出指令，调整实时视频流在3D校园模型中的展示，确保关键事件得到优先和突出展示；存储优化：指导实景视频存储与可视化模块对存储数据进行优化，清理低优先级的内容和陈旧的录像，以提升存储效率和数据检索速度。

在这个系统中，数据处理与可视化模块与3D数字孪生校园建模模块紧密协作，以确保虚拟模型准确反映实体校园的实时状态。同时，该模块根据分析结果优化实景视频存储与可视化模块的视频展示策略，形成了一个连贯的数据反馈回路，不断提升系统的准确性和响应速度。这种集成化的方法不仅提高了校园安全监控的效率，而且通过数据驱动的洞察，增强了校园管理的智能化水平。

下面对上述模块做进一步的说明。

可选的，上述3D数字孪生校园建模模块，进一步用于执行以下具体的处理：

获取校园实景的3D测绘点云数据，采用激光雷达扫描等高精度测量技术，确保所获得的数据精确反映校园内的建筑物、景观、道路及其他设施的实际状况；

根据3D测绘点云数据构建校园3D模型的框架，并在此框架内填充校园建筑的细节和场景内容，使用先进的3D建模软件创建精确的3D模型，细致模拟建筑的外观、内部结构及材料质感；

在3D数字化场景内集成环境模拟技术，如光照、天气、季节变化等因素，以提高场景的真实感和互动性；

在3D数字化场景内设置多个视角的透视摄像机、灯光、渲染器等工具，构建一个可任意视角观察的虚拟3D场景，以实现校园虚拟3D场景的动态导航和用户交互，提升用户体验。

可选的，上述实景视频存储与可视化模块，进一步用于执行以下具体的处理：

基于3D校园建模，建立实景视频画面存储服务器，用于存储校园各个场景下的区域全景实时视频画面、实时异常视频画面和异常事件视频画面；

实现两种实景视频画面的呈现方式：一是综合画面，包括校园各个场景下的区域全景实时视频画面、实时异常视频画面和异常度高的若干异常事件视频画面；二是基于异常数据呈现的校园中实时异常视频画面和若干异常度高的异常事件视频画面；

通过可视化界面实现实景视频画面的播放和操作处理，主要包括异常事件的查看与分类，这些操作可反馈于数据处理模块，用于异常事件的类型与异常度进一步分析；

实施实景视频画面存储服务器的瘦身处理，包括：①全景实时视频画面根据点播次数与发生时间定期清理；②实时异常视频画面转化为异常事件，定期根据所有存储的异常事件的异常度进行数据清理。

可选的，上述数据处理与可视化模块，进一步用于执行以下具体的处理：

基础数据收集：从校园各系统(如安全监控、能源管理、人流监测等)收集基础数据；

数据统计分析：对收集到的基础数据进行统计分析，提取关键数据指标，如人流密度、能源使用率、安全事件发生频率等；

数据可视化展示：将基础数据分析的结果以直观的可视化图表形式展示，使管理者能够快速理解和评估校园运行状况；

异常数据获取：收集与校园安全和设施运行相关的异常事件视频、设备异常数据以及用户交互反馈数据；

异常度评估模型设计：根据事件类型和多种因素(如事件发生频率、影响范围、紧急程度等)设计异常度评估模型，以计算各事件的异常度；

异常视频精准呈现：基于异常度评估结果，确定在虚拟3D场景中需要特别展示的异常事件视频，以便于及时响应和处理；

异常视频分类整理：对收集到的异常事件视频进行分类和整理，形成不同类型的异常事件视频库，以便于更有效的检索和分析；

视频存储管理：定期清理存储的视频数据，依据视频的异常度和时间久远程度，优化存储空间和提高数据检索效率；

模型迭代更新：利用用户反馈和实际运用结果，不断迭代更新事件类型判断和异常度计算模型，以提高系统的准确性和适应性。

更具体地说，上述三个模块之间的特定的协同配合方式如下：

首先，3D数字孪生校园建模模块不仅为实景视频存储与可视化模块提供了一个虚拟的3D平台，用于实时和异常视频的精准定位与呈现，而且还接收来自数据处理与可视化模块的反馈，以便实时更新3D模型以反映最新的校园状态和环境变化。

进一步的，实景视频存储与可视化模块利用由3D数字孪生校园建模模块创建的模型，以增强现实技术(AR)将实时和异常视频数据融合到精确的校园位置，同时，根据数据处理与可视化模块提供的分析结果，优化视频数据的存储和展示策略。

进一步的，数据处理与可视化模块分析从基础数据收集和异常事件视频中提取的信息，其分析结果将指导3D数字孪生校园建模模块进行模型更新和实景视频存储与可视化模块进行数据展示优化。此外，该模块还利用机器学习算法，根据用户反馈和历史数据不断优化异常事件的检测和评估。

通过这种集成的方法，每个模块都在其专业领域内提供信息，同时利用其他模块提供的数据和反馈来优化自身的性能。这种协同工作确保了系统在提供一个安全、高效、且响应性强的智慧校园可视化平台方面的最大效率和效果。

为了能够更好地理解本申请的技术方案，下面结合一个具体的例子对上述实施例中的3D孪生智慧校园可视化系统进行说明，该例子中罗列的细节主要是为了便于理解，不作为对本申请保护范围的限制。

在本例子中，具体的可视化三个图层各个模块的实现方式如下：

(一)3D数字孪生校园建模

基于现实世界的校园物理实体，进行校园建筑实体的1:1模型建模与仿真，搭建校园虚拟3D场景，各个场景创建透视摄像机、控制器、渲染器、灯光器等等，生成3D虚拟校园可视化界面。

3D校园模型中各场景构建实景点播区域(1个场景至少一个点播区域)和数据可视化区域(可视化界面至少一个数据展示区域)。

(二)实景视频画面存储与可视化

基于3D校园建模，搭建实景视频画面存储服务器，存储各个场景下的区域全景实时视频画面、实时异常视频画面和异常事件视频画面。实景视频画面有两种呈现方式，一是校园各个场景下呈现出的综合画面，包括区域全景实时视频画面、实时异常视频画面和异常度高的若干异常事件视频画面；二是通过异常数据呈现的校园中实时异常视频画面和若干异常度高的异常事件视频画面。通过实景视频画面可视化，便于管理者更加直观了解校园运行情况，尤其是对校园安全异常事件的预防与事后的及时处理。

具体的，可通过可视化界面实景视频画面的播放和操作处理(主要为异常事件的查看与分类)，可反馈于数据处理模块，用于异常事件的类型与异常度进一步分析。

具体的，实景视频画面存储服务器根据数据处理模块反馈的数据结果进行瘦身处理，包括：①全景实时视频画面根据点播次数与发生时间定期清理；②实时异常视频画面视频转化为异常事件，定期根据所有存储的异常事件的异常度进行数据清理。

(三)数据处理与可视化

数据可视化包括基础数据和异常数据的统计分析可视化。尤其是通过设计异常度分析模型，对异常事件视频进行异常重要程度分析，从而有利于实景视频画面进行精准呈现，并有利于服务器进行瘦身管理。具体实现方式如下：

1、基础数据分析与可视化

获取校园各系统运行的数据，进行汇总、统计和分类，通过图形、图表、图像或动画等方式将信息数据呈现于3D校园建模模型的数据可视化面板。例如，以柱形图呈现今日学生整体的考勤情况与课堂行为表现情况。

2、异常数据分析与可视化

获取各系统推送的异常事件视频数据、设备异常数据、以及可视化界面实景画面查看与分类等数据，进行异常事件的异常度计算和异常事件类型更新。基于分析结果，确定可视化界面各应用场景下推送的异常事件视频、以及更新异常事件视频分类呈现。

(1)异常事件的异常度分析模型

具体的，异常事件的异常度计算公式如下：

F＝af1+bf2+cf3 (1)

其中，

F为某异常事件异常度；

f1为人员异常行为事件异常度；

f2为设备异常事件异常度；

f3为自然灾害异常事件异常度；

a、b、c分别为人员异常行为维度影响程度因子、设备异常维度影响程度因子、自然灾害异常维度影响程度因子；

可选的，a、b、c取值方式为：

首先，判断该视频是否是三种事件的一种或多种，判断优先根据可视化界面人员查看视频分类结果，若无人员分类则默认系统诊断的结果；进一步还包括判断该视频同一场景、同一时间段下是否存在设备异常数据，若是则判断存在设备异常事件。则视频可存在以下几种情况类型事件，对应的a、b、c取值为：

①人员异常行为事件：则a≠0,b＝c＝0；

②设备异常事件：则b≠0,a＝c＝0；

③自然灾害异常事件：则c≠0,a＝b＝0；

④人员异常行为事件与设备异常事件：则a,b≠0,c＝0；

⑤人员异常行为事件与自然灾害异常事件：则a,c≠0,b＝0；

⑥设备异常事件与自然灾害异常事件：则b,c≠0,a＝0；

⑦人员异常行为事件、设备异常事件与自然灾害异常事件：则a,b,c≠0。

也就是说，首先判断视频中的事件类型：系统首先需要确定视频中是否存在某种类型的异常事件。这一判断基于两种方式：

人工判断：优先考虑基于可视化界面上人员对视频的分类结果。

系统判断：如果没有人工分类结果，系统将默认使用其自动诊断的结果。

然后，进行事件类型的进一步判断：系统还会检查在同一场景、同一时间段的视频中是否存在设备异常数据，来确定是否发生了设备异常事件。

然后，进行异常事件的分类：根据上述判断，视频中可能存在的异常事件类型包括：

人员异常行为事件：如非正常行为或可疑活动。

设备异常事件：如设备故障或运行不正常。

自然灾害异常事件：如地震、火灾等自然灾害。

组合事件类型：包括人员异常行为与设备异常的组合、人员异常行为与自然灾害的组合、设备异常与自然灾害的组合，以及所有三种类型的组合。

然后，进行取值：对于每种类型或组合类型的事件，系统会分配一个特定的“取值”。这里的“取值”可能指的是一个标识符、状态码或任何其他形式的数据，用于在系统中唯一标识和区分不同类型的异常事件。

可选的，人员异常行为事件异常度f1的计算公式为：

其中，

α₁、α₂、α₃、α₄、α₅为各维度影响程度因子；

t为该事件异常行为判定的总次数；

t’为其异常行为之一；

P_t'为异常行为次数；

Q_t'为t'异常行为时间；

Q_r为总异常行为时长；

s为该事件正常行为判定的总次数；

s'为其异常行为之一；

P_s'为正常行为次数；

Q_s'为s'正常行为时间；

m'为该地点发生人员异常行为事件次数；

m为校园所有地点发生人员异常行为事件的总次数；

w为该事件涉及人数范围取值，根据单人、少人数范围、多人数范围取值w1、w2、w3；

h为该事件查看人数；

g为查看后进行分类操作总次数；

g'为归属异常人员行为类别的次数；

n为系统默认是否为该类型事件取值(若与系统默认相同取n1，不同取n2)。

更具体的，对于上述w，在本申请中，可针对不同规模的人员异常行为事件，定义例如三种主要类别及其对应的人数范围。首先，“单人人员异常行为事件”指的是仅涉及单一个体的事件，对于这类事件，可将其人数范围定义为单人。其次，“1～5小范围人员异常行为事件”是指涉及人数在1至5人之间的事件，这类事件虽然涉及人数较少，但可能具有一定的影响力。最后，“5人以上大规模人员异常行为事件”是指涉及超过5人的事件。在这种情况下，事件通常具有更广泛的影响，因此其异常度值较高。通过这种分类和取值范围的定义，本申请能够更准确地评估和处理不同规模的人员异常行为事件，确保了处理方法的适应性和有效性。在本申请中，系统对人员异常行为事件的处理采用了一种创新的评估和分类机制。此机制不仅基于事件涉及的人数范围，还考虑了用户对事件的反馈与系统默认判断的一致性。具体来说，系统首先自动检测并判断一个事件是否属于人员异常行为事件。若系统检测结果与用户反馈一致(例如，系统检测结果表明事件是人员异常行为事件，用户也反馈了相同的判断)，则在下一次异常度计算中，人员异常行为事件的异常度维度f1中的取值将设定为n1。相反，若用户的反馈与系统的自动检测结果不一致(即系统判断为人员异常行为事件，但用户反馈的不是此类事件)，则在异常度计算中f1的取值将为n2。本申请中还对不同规模的人员异常行为事件进行了详细的分类定义，这种分类使得系统能够根据事件的规模和影响力，更精确地计算其异常度，从而提供更适宜的处理方法。这种基于事件规模分类和人机判断一致性的方法，不仅增强了系统对异常事件判断的准确性，也提升了处理策略的有效性和适应性。

综上所述，这种基于事件规模分类和人机判断一致性的方法，不仅增强了系统对异常事件判断的准确性，也提升了处理策略的有效性和适应性。

可选的，设备异常事件异常度f2的计算公式为：

其中

β₁、β₂、β₃为各维度影响程度因子；

u'为该地点设备事件次数；

u为校园所有地点设备异常事件的总次数；

y为设备异常事件时间长；

d为该事件查看人数；

e为查看后进行分类操作总次数；

e'为归属异常人员行为类别的次数；

v为系统默认是否为该类型事件取值(若与系统默认相同取v1，不同取v2)。

需指出，对于v，本申请实施了一种高效的事件类型判断机制，用于评估异常事件的确切性质。系统首先自动检测并分类每个异常事件，例如，判断一个事件是否为设备异常事件。对于这个自动检测过程，设定了两种可能的取值：如果系统检测结果表明事件是设备异常事件，则分配取值‘是’；如果不是设备异常事件，则分配取值‘否’。进一步地，系统还允许用户对事件进行人工复核和处理。例如，系统可能最初检测一个事件为人员异常行为事件，但用户在查看后可能判断并处理它为设备异常事件。这种情况下，认为人工处理结果与系统的自动检测结果不一致。在这种人机处理结果不一致的情况下，系统将在后续的异常度计算中加入设备异常的维度f2，并在f2中赋予特定的取值v2。此机制的核心思想在于，通过比较系统自动检测的结果与用户的人工处理结果，可以更准确地评估事件的性质。

可选的，自然灾害异常事件异常度f3的计算公式为：

其中

δ₁、δ₂、δ₃为各维度影响程度因子；

i'为该地点自然灾害造成事件次数；

i为校园所有地点自然灾害造成事件的总次数；

z为自然灾害事件时间长；

l为该事件查看人数；

k为查看后进行分类操作总次数；

k'为归属自然灾害事件类别的次数；

j为系统默认是否为该类型事件取值(若与系统默认相同取j1，不同取j2)。

需指出，对于j，在本申请中，用于识别和处理异常事件的关键机制之一是判断事件类型是否符合系统的默认分类。具体来说，当系统检测到一个异常事件时，它会自动判断该事件是否属于某一特定类型，例如自然灾害异常事件。如果系统的检测结果显示该事件为自然灾害异常事件，则我们将此事件的取值设定为‘是’；若不是，则取值设定为‘否’。此外，系统设计了一种人机协同的处理方式，允许用户对事件的分类进行复核和反馈。例如，系统可能最初只将一个事件判断为设备异常事件，但用户在查看和分析后可能同时认为它既是设备异常事件也是自然灾害异常事件。这种情况下，将根据用户的反馈调整事件的分类。具体地，如果用户的反馈与系统的自动判断一致或包含系统判断的类型，那么在下一次异常度的计算中，会相应地调整不同维度的取值。继续上述例子，如果用户反馈的类型包含系统检测的设备异常事件，那么在下一次异常度计算中，设备异常维度f2中的取值将设定为v1；同时，如果用户反馈还包括自然灾害异常事件，那么自然灾害异常维度f3中的取值将设定为j2。这种机制的核心在于通过比较系统的自动检测结果和用户的复核反馈来评估事件类型的确定性。当系统的检测结果与用户反馈一致时，这表明了事件类型评判的高确定性，从而提高了处理策略的准确性。反之，当系统检测结果与用户反馈不完全一致时，系统将根据用户反馈的信息调整事件处理策略，以确保在异常度计算时充分考虑所有相关因素。这样的人机协同工作模式不仅提高了事件处理的灵活性，也确保了在复杂多变的实际情况中，系统能够做出更准确和全面的判断。

(2)异常事件视频清理与类型更新

根据异常事件视频的异常度，若小于阈值F'判定为正常事件，进行清理；根据异常事件最新的异常度值与发生时间，进行视频清理；之后根据各异常事件的人员异常行为事件异常度f1、设备异常事件异常度f2、自然灾害异常事件异常度f3，对各个异常事件的类型进行更新，对该事件今后是否还需更新进行判定。

异常事件的f1参考两个阈值f1'、f1”；f2参考两个阈值f2'、f2”；f3参考两个阈值f3'、f3”。具体的判定原则，若异常事件的f1大于阈值f1'则判定为人员异常行为事件，f1大于阈值f1”则确认为人员异常行为事件且无需再判定；若异常事件的f2大于阈值f2'则判定为设备异常事件，f2大于阈值f2”则确认为设备异常事件且无需再判定；若异常事件的f3大于阈值f3'则判定为自然灾害异常事件，f3大于阈值f3”则确认为自然灾害异常事件且无需再判定。具体的异常事件类型更新方式如下：

①人员异常行为事件：当最新f1＞f1”，则确认为该类型事件且无需再更新，即今后无需再进行任何计算；当最新f1”＞f1＞f1'，则无任何处理(需要说明的是，不存在f1＜f1'的情况，当存在即F＜F'，该事件提前判定为正常事件)。

②设备异常事件：当最新f2＞f2”，则确认该类型事件且无需再更新；当最新f2”＞f2＞f2'，则无任何处理(需要说明的是，不存在f2＜f2'的情况，当存在即F＜F'，该事件提前判定为正常事件)。

③自然灾害异常事件：当最新f3＞f3”，则确认该类型事件且无需再更新；当最新f3”＞f3＞f3'，则无任何处理(需要说明的是，不存在f3＜f3'的情况，当存在即F＜F'，该事件提前判定为正常事件)。

④人员异常行为事件与设备异常事件：当最新f1＞f1”且f2＞f2”，则确认该类型事件且无需再更新，其他情况均需更新；当存在f1＜f1'或f2＜f2'的情况，则取消某一类型事件的标记(需要说明的是，不存在f1＜f1'且f2＜f2'的情况，当存在即F＜F'，该事件提前判定为正常事件)。

⑤人员异常行为事件与自然灾害异常事件：更新方式同上④。

⑥设备异常事件与自然灾害异常事件：更新方式同上④。

⑦人员异常行为事件、设备异常事件与自然灾害异常事件：当最新f1＞f1”且f2＞f2”且f3＞f3”，则确认该类型事件且无需再更新，其他情况均需更新，更新方式同上④。

上面描述了异常事件视频管理流程，用于确定和更新校园监控系统中捕获的各种类型异常事件的状态。以下是对这一流程的进一步的概括说明：

1.异常度判定与事件分类：

·系统首先根据每个异常事件视频的异常度来判断其事件类型，包括人员异常行为事件、设备异常事件和自然灾害异常事件。

·对于每种类型的事件，系统设定了两个阈值：一个用于判定事件类型，另一个用于确定该类型事件是否需要进一步更新。

2.事件类型确认与更新：

·若事件的异常度超过第一个阈值，事件将被判定为对应的异常类型。

·若事件的异常度超过第二个阈值，则确认为该异常类型且以后不再需要对其进行更新(即该事件不再参与后续的异常度计算和分类)。

3.组合事件处理：

·对于可能属于多种异常类型的复合事件(例如，既是人员异常行为事件又是设备异常事件)，系统将根据设定的规则进行分类和更新。

·如果事件满足某个复合类型的所有条件，它将被标记为该复合类型，并根据相应的阈值决定是否需要进一步更新。

4.事件类型的具体更新方式：

·对于每种类型的事件(单独的类型或复合类型)，系统根据最新的异常度和预设的更新规则来决定该事件是否还需继续进行异常度计算和类型判定。

通过这种方法，系统能够有效地识别和分类异常事件，同时确保异常事件数据的准确性和及时性。这有助于校园管理者及时响应可能的安全威胁或设备故障，并优化监控系统的性能和数据管理。

本申请的第二实施方式涉及一种3D孪生智慧校园可视化方法，其流程如图2所示，包括：

步骤100：3D数字孪生校园建模步骤,基于现实世界的校园物理实体,进行校园建筑实体的1:1模型建模与仿真,搭建校园虚拟3D场景。

步骤110：获取校园实景的3D测绘点云数据，采用激光雷达扫描等高精度测量技术，确保所获得的数据精确反映校园内的建筑物、景观、道路及其他设施的实际状况；

步骤120：根据3D测绘点云数据构建校园3D模型的框架，并在此框架内填充校园建筑的细节和场景内容，使用先进的3D建模软件创建精确的3D模型，细致模拟建筑的外观、内部结构及材料质感；

步骤130：在3D数字化场景内集成环境模拟技术，如光照、天气、季节变化等因素，以提高场景的真实感和互动性；

步骤140：在3D数字化场景内设置多个视角的透视摄像机、灯光、渲染器等工具，构建一个可任意视角观察的虚拟3D场景，以实现校园虚拟3D场景的动态导航和用户交互，提升用户体验。

步骤200：实景视频存储与可视化步骤,存储各场景的实时和异常视频数据,并在虚拟3D场景中进行可视化呈现。

步骤210：基于3D校园建模，建立实景视频画面存储服务器，用于存储校园各个场景下的区域全景实时视频画面、实时异常视频画面和异常事件视频画面；

步骤220：实现两种实景视频画面的呈现方式：一是综合画面，包括校园各个场景下的区域全景实时视频画面、实时异常视频画面和异常度高的若干异常事件视频画面；二是基于异常数据呈现的校园中实时异常视频画面和若干异常度高的异常事件视频画面；

步骤230：通过可视化界面实现实景视频画面的播放和操作处理，主要包括异常事件的查看与分类，这些操作可反馈于数据处理模块，用于异常事件的类型与异常度进一步分析；

步骤240：实施实景视频画面存储服务器的瘦身处理，包括：①全景实时视频画面根据点播次数与发生时间定期清理；②实时异常视频画面转化为异常事件，定期根据所有存储的异常事件的异常度进行数据清理。

步骤300：数据处理与可视化步骤,对基础数据和异常数据进行统计分析,计算异常事件的异常度,根据异常事件的异常度调整实时视频流在所述虚拟3D场景中的展示，并进行视频存储优化。

步骤310：基础数据收集：从校园各系统(如安全监控、能源管理、人流监测等)收集基础数据；

步骤320：数据统计分析：对收集到的基础数据进行统计分析，提取关键数据指标，如人流密度、能源使用率、安全事件发生频率等；

步骤330：数据可视化展示：将基础数据分析的结果以直观的可视化图表形式展示，使管理者能够快速理解和评估校园运行状况；

步骤340：异常数据获取：收集与校园安全和设施运行相关的异常事件视频、设备异常数据以及用户交互反馈数据；

步骤350：异常度评估模型设计：根据事件类型和多种因素(如事件发生频率、影响范围、紧急程度等)设计异常度评估模型，以计算各事件的异常度；

步骤360：异常视频精准呈现：基于异常度评估结果，确定在虚拟3D场景中需要特别展示的异常事件视频，以便于及时响应和处理；

步骤370：异常视频分类整理：对收集到的异常事件视频进行分类和整理，形成不同类型的异常事件视频库，以便于更有效的检索和分析；

步骤380：视频存储管理：定期清理存储的视频数据，依据视频的异常度和时间久远程度，优化存储空间和提高数据检索效率；

步骤390：模型迭代更新：利用用户反馈和实际运用结果，不断迭代更新事件类型判断和异常度计算模型，以提高系统的准确性和适应性。

第一实施方式是与本实施方式相对应的方法实施方式，第一实施方式中的技术细节可以应用于本实施方式，本实施方式中的技术细节也可以应用于第一实施方式。

为了能够更好地理解本申请的技术方案，下面结合一个具体的例子来进行说明上述实施例的3D孪生智慧校园可视化方法，该例子中罗列的细节主要是为了便于理解，不作为对本申请保护范围的限制。

在本例子中，3D孪生智慧校园可视化方法基于可视化系统三个图层各个模块的描述，如图3所示，包括以下步骤：

步骤10：基于现实世界的校园物理实体，构建3D虚拟校园模，模型中各场景构建实景点播区域和数据可视化区域。

步骤20：用户可查看各个场景下点播区域的实景视频画面，包括全景实时视频画面、实时异常视频画面和异常度高的若干事件视频画面：用户还可以查看数据可视化区域的数据信息，通过查看异常事件，可查看实时异常视频画面和已经分好类的若干异常度高的异常事件视频，并可对异常事件进行分类操作处理。

步骤30：基于可视化界面用户操作数据，数据处理模块对基础数据和异视化区域：通过计算异常事件的异常度对是否属于异常事件、异常事件类型进行更新，并进行服务器瘦身管理。

本申请的实施例具有以下技术效果：

一、综合融合的3D孪生智慧校园可视化模式：

本系统通过整合3D校园建模、实景呈现和数据处理这三大核心模块，实现了一种创新的融合式3D孪生智慧校园可视化模式。特别是，系统能够将校园的数据分析结果用于驱动校园实景的展示，这些展示嵌入到整个3D虚拟校园平台中。

这不仅使得校园区域的运行与展示实现了一体化，还引入了数据可视化和智能决策支持的功能。这些功能不仅增强了校园展示的全面性、智能化和人性化，也显著提高了系统的使用效率。

二、异常事件分析的准确性和系统效率：

在处理异常事件方面，本方法提供了一种综合考虑人员行为、设备状态和自然灾害的异常度计算方式，涵盖了校园的所有可能异常事件。

异常事件的分析充分考虑了多个维度，如人员行为的异常与正常姿态、地点的人员异常行为数量、单人或多人的行为、设备的异常数据和数量、自然灾害事件的数量，以及用户查看和反馈结果与系统的自动诊断结果。这种全面的分析方法确保了异常事件异常度判定的高准确性，助于管理员快速有效地处理紧急情况。

此外，系统还允许通过用户反馈持续优化异常事件的异常度计算和类型判定，提高对单个或多个类型组合异常事件的准确判定。通过识别并确认正常事件或无需进一步更新的异常事件，系统减少了重复计算，提升了运行效率。同时，它还能够根据确认的结果清理存储服务器中过时或不再相关的数据，节省存储空间。

需要说明的是，在本专利的申请文件中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。本专利的申请文件中，如果提到根据某要素执行某行为，则是指至少根据该要素执行该行为的意思，其中包括了两种情况：仅根据该要素执行该行为、和根据该要素和其它要素执行该行为。多个、多次、多种等表达包括2个、2次、2种以及2个以上、2次以上、2种以上。

在本申请提及的所有文献都被认为是整体性地包括在本申请的公开内容中，以便在必要时可以作为修改的依据。此外应理解，在阅读了本申请的上述公开内容之后，本领域技术人员可以对本申请作各种改动或修改，这些等价形式同样落于本申请所要求保护的范围。

Claims (10)

1.一种3D孪生智慧校园可视化系统，其特征在于，包括：

3D数字孪生校园建模模块,用于基于现实世界的校园物理实体,进行校园建筑实体的1:1模型建模与仿真,搭建校园虚拟3D场景；

实景视频存储与可视化模块，用于存储各场景的实时和异常视频数据,并在所述虚拟3D场景中进行可视化呈现；

数据处理与可视化模块，用于对基础数据和异常数据进行统计分析,计算异常事件的异常度,根据异常事件的异常度向所述实景视频存储与可视化模块发出指令，以调整实时视频流在所述虚拟3D场景中的展示，并进行视频存储优化。

2.如权利要求1所述的系统，其特征在于，所述数据处理与可视化模块用于执行以下具体的处理：

从校园各系统收集基础数据，并对收集到的基础数据进行统计分析，并将基础数据分析的结果以直观的可视化图表形式展示；

收集异常事件视频、设备异常数据，设计异常度评估模型并利用异常数据计算各事件的异常度，并基于各事件的异常度，确定在虚拟3D场景中需要展示的异常事件视频。

3.如权利要求2所述的系统，其特征在于，所述数据处理与可视化模块用于建立异常事件的异常度分析模型，其中，

异常事件的异常度计算公式如下：

F＝af1+bf2+cf3 (1)

其中，

F为某异常事件异常度；

f1为人员异常行为事件异常度；

f2为设备异常事件异常度；

f3为自然灾害异常事件异常度；

a、b、c分别为人员异常行为维度影响程度因子、设备异常维度影响程度因子、自然灾害异常维度影响程度因子，其中，①人员异常行为事件：则a≠0,b＝c＝0；设备异常事件：则b≠0,a＝c＝0；③自然灾害异常事件：则c≠0,a＝b＝0；④人员异常行为事件与设备异常事件：则a,b≠0,c＝0；⑤人员异常行为事件与自然灾害异常事件：则a,c≠0,b＝0；⑥设备异常事件与自然灾害异常事件：则b,c≠0,a＝0；⑦人员异常行为事件、设备异常事件与自然灾害异常事件：则a,b,c≠0。

4.如权利要求3所述的系统，其特征在于，所述人员异常行为事件异常度f1的计算公式为：

其中，

α₁、α₂、α₃、α₄、α₅为各维度影响程度因子；

t为该事件异常行为判定的总次数；

t’为其异常行为之一；

P_t'为异常行为次数；

Q_t'为t'异常行为时间；

Q_r为总异常行为时长；

s为该事件正常行为判定的总次数；

s'为其异常行为之一；

P_s'为正常行为次数；

Q_s'为s'正常行为时间；

m'为该地点发生人员异常行为事件次数；

m为校园所有地点发生人员异常行为事件的总次数；

w为该事件涉及人数范围取值，根据单人、少人数范围、多人数范围取值w1、w2、w3；

h为该事件查看人数；

g为查看后进行分类操作总次数；

g'为归属异常人员行为类别的次数；

n为系统默认是否为该类型事件取值(若与系统默认相同取n1，不同取n2)。

5.如权利要求4所述的系统，其特征在于，所述设备异常事件异常度f2的计算公式为：

其中，

β₁、β₂、β₃为各维度影响程度因子；

u'为该地点设备异常事件次数；

u为校园所有地点设备异常事件的总次数；

y为设备异常事件时间长；

d为该事件查看人数；

e为查看后进行分类操作总次数；

e'为归属异常人员行为类别的次数；

v为系统默认是否为该类型事件取值(若与系统默认相同取v1，不同取v2)。

6.如权利要求5所述的系统，其特征在于，所述自然灾害异常事件异常度f3的计算公式为：

其中，

δ₁、δ₂、δ₃为各维度影响程度因子；

i'为该地点自然灾害造成事件次数；

i为校园所有地点自然灾害造成事件的总次数；

z为自然灾害事件时间长；

l为该事件查看人数；

k为查看后进行分类操作总次数；

k'为归属自然灾害事件类别的次数；

j为系统默认是否为该类型事件取值,若与系统默认相同取j1，不同取j2。

7.如权利要求6所述的系统，其特征在于，所述数据处理与可视化模块用于执行以下处理：

将异常事件视频的异常度与预设的阈值进行比较；

若异常事件视频的异常度小于该阈值，则将该视频判定为正常事件，并进行清理；若异常事件视频的异常度大于或等于该阈值，则将该视频保留，并标记为异常事件。

8.如权利要求7所述的系统，其特征在于，所述数据处理与可视化模块还用于执行以下处理：

对异常事件视频设置第一异常度阈值和第二异常度阈值,当事件的计算所得异常度超过第一阈值时判定事件类别,当超过第二阈值时确认事件类别且不再更新；

对属于多种异常类型的组合事件,当其满足所有相关异常类型的第二阈值条件时,确认该组合事件类别且不再更新；

根据各异常事件最新计算所得的异常度,按照预设规则判断事件是否需要继续更新类型。

9.一种3D孪生智慧校园可视化方法，其特征在于，包括：

基于现实世界的校园物理实体,进行校园建筑实体的1:1模型建模与仿真,搭建校园虚拟3D场景；

存储各场景的实时和异常视频数据,并在所述虚拟3D场景中进行可视化呈现；

对基础数据和异常数据进行统计分析,计算异常事件的异常度,根据异常事件的异常度调整实时视频流在所述虚拟3D场景中的展示，并进行视频存储优化。

10.如权利要求9所述的方法，其特征在于，所述对基础数据和异常数据进行统计分析,计算异常事件的异常度,根据异常事件的异常度调整实时视频流在所述虚拟3D场景中的展示，并进行视频存储优化，包括：

从校园各系统收集基础数据，并对收集到的基础数据进行统计分析，并将基础数据分析的结果以直观的可视化图表形式展示；

收集异常事件视频、设备异常数据，设计异常度评估模型并利用异常数据计算各事件的异常度，并基于各事件的异常度，确定在虚拟3D场景中需要展示的异常事件视频。