智慧路灯寿命预测方法、系统、装置及介质与流程

1.本发明涉及数据分析技术领域，尤其是一种智慧路灯寿命预测方法、系统、装置及介质。


背景技术：

2.随着led路灯技术的发展，越来越多的城市开始采用led路灯来取代钠光灯。城市的发展促进了路灯种类的增多和适用范围的扩大。不仅在公共道路上，街道、隧道、地铁、公园等城市区域都需要路灯来进行照明。而大范围的铺设路灯就需要led路灯运行分析系统对led路灯的运行情况进行分析。当一个城市或者一家企业决定使用某品牌的led路灯时，需要考虑各方面因素来帮助进行选择。建立和完善led路灯运行分析系统已经发展成为一个必须解决的问题。
3.现行的led路灯基本上配备有适配器与通信线路，能够与管理中心实现通信连接。通过管理中心的管理系统，能够实现对led路灯的控制。市场上的led路灯的寿命通常为25000-50000小时，但在使用过程中发现led路灯的使用寿命往往低于其标注的使用寿命，不具有可靠性，后台管理中心所配置的功能较为单一，一般只能实现远程控制启动，而无法对路灯的潜在故障以及寿命进行预测，一旦路灯出现故障，就无法做到及时维修，容易影响附近的交通状况。


技术实现要素：

4.本发明的目的是提供一种智慧路灯寿命预测方法、系统、装置及介质，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
5.第一方面，提供一种智慧路灯寿命预测方法，包括：
6.判断路灯自变量因数与光衰状态以及故障状态的相关性，选取具有相关性的路灯自变量因数组成自变量因素样本；
7.对各自变量因素样本进行降维处理，得到训练样本；
8.构建关于光衰状态的神经网络模型和故障状态的神经网络模型，使用训练样本对神经网络模型进行训练；
9.将待预测的自变量因数输入至神经网络模型，获取智慧路灯寿命预测结果。
10.在其中一个实施例中，所述判断路灯自变量因数与光衰状态以及故障状态的相关性，选取具有相关性的路灯自变量因数组成自变量因素样本，具体包括以下步骤：
11.逐一对各自变量因素与光衰状态参数以及故障状态参数进行皮尔逊相关性计算，获得自变量因素与光衰状态以及故障状态之间的相关系数；
12.根据相关系数所反映的相关强度和相关指向，等比例地选取相关系数最为接近1或-1的若干个自变量因素组成自变量因素样本集合。
13.在其中一个实施例中，所述路灯自变量因数包括输入电信号因数、温湿度因数、工作时长因数、照明状态因数和气候因数中的一种或多种。
14.在其中一个实施例中，所述对各自变量因素样本进行降维处理，得到训练样本，具体包括以下步骤：
15.将自变量因素样本的数据排列为m
×
n的矩阵x，对矩阵x的每一行进行零均值化；
16.计算矩阵x的协方差矩阵c，协方差矩阵c的计算公式为：
[0017][0018]
式中，m为矩阵x的行数，x
t
为矩阵x的转置；
[0019]
计算协方差矩阵c的特征值及对应的特征向量，将特征向量按对应特征值大小排列成若干个行矩阵，取前k个行矩阵组成矩阵p，以矩阵p乘以矩阵x得到的矩阵y作为训练样本。
[0020]
在其中一个实施例中，所述构建关于光衰状态的神经网络模型和故障状态的神经网络模型，使用训练样本对神经网络模型进行训练，具体包括以下步骤：
[0021]
基于支持向量机回归算法构建神经网络模型，所述神经网络模型为：
[0022][0023]
式中，和分别是拉格朗日乘子ai和的唯一解，k(xi,x)为svm核函数，σ为柯西核函数宽度；
[0024]
以柯西核函数宽度σ和惩罚因子c为自变量，在预设范围内计算mae的最小值，取mae最小时柯西核函数宽度σ的值重构关于光衰状态或故障状态的两种神经网络模型；
[0025]
其中，mae表示平均绝对误差，
[0026]
在其中一个实施例中，所述在预设范围内计算mae的最小值，具体包括以下步骤：
[0027]
连续抽取训练样本中负相关的数据输入神经网络模型，调整神经网络模型的参数，直至mae达到预设阈值范围内；
[0028]
连续抽取训练样本中正相关的数据输入神经网络模型，调整神经网络模型的参数，直至mae达到预设阈值范围内；
[0029]
连续交替抽取训练样本中正相关和负相关的数据输入神经网络模型，调整神经网络模型的参数，直至mae达到预设阈值范围内。
[0030]
在其中一个实施例中，所述将待预测的自变量因数输入至神经网络模型，获取智慧路灯寿命预测结果，具体包括以下步骤：
[0031]
将待预测的与光衰相关的路灯自变量因数输入至关于光衰状态的神经网络模型，获取光衰状态的预测结果；
[0032]
将待预测的与故障相关的路灯自变量因数输入至关于故障状态的神经网络模型，获取故障状态的预测结果；
[0033]
根据光衰状态和故障状态的预测结果作出模糊评价，得到路灯寿命的预测结果。
[0034]
第二方面，提供一种智慧路灯寿命预测系统，包括：
[0035]
筛选模块，用于判断路灯自变量因数与光衰状态以及故障状态的相关性，选取具有相关性的路灯自变量因数组成自变量因素样本；
[0036]
降维模块，用于对各自变量因素样本进行降维处理，得到训练样本；
[0037]
训练模块，用于构建关于光衰状态的神经网络模型和故障状态的神经网络模型，使用训练样本对神经网络模型进行训练；
[0038]
输出模块，用于将待预测的自变量因数输入至神经网络模型，获取智慧路灯寿命预测结果。
[0039]
第三方面，提供一种计算机设备，包括：
[0040]
存储器，存储有计算机程序；
[0041]
处理器，所述处理器执行所述计算机程序时实现如第一方面所述的智慧路灯寿命预测方法。
[0042]
第四方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的智慧路灯寿命预测方法。
[0043]
本发明的有益效果：利用相关性高的自变量因素构建神经网络模型对路灯寿命进行预测，通过将相关性高的自变量因数进行相关性处理，筛选出来的数据进行降维处理，使得训练数据在低维空间中有非常好的区分度，本实施例需要存储的训练数据较少且均与光衰状态或故障状态具有较高的相关性，预测速率更快且预测更为准确。
附图说明
[0044]
图1是根据一实施例示出的一种智慧路灯寿命预测方法的流程图。
[0045]
图2是图1实施例s100的流程图。
[0046]
图3是图1实施例s200的流程图。
[0047]
图4是图1实施例s300的流程图。
[0048]
图5是图4实施例中计算mae最小值的流程图。
[0049]
图6是图1实施例s400的流程图。
[0050]
图7是根据一实施例示出的一种智慧路灯寿命预测系统的结构框图。
[0051]
图8是根据一实施例示出的一种计算机设备的内部结构图。
具体实施方式
[0052]
为使本发明实施例的目的、技术方案和优点更加清晰，下面将结合实施例和附图，对本发明作进一步的描述。
[0053]
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
[0054]
根据本发明的第一方面，提供一种智慧路灯寿命预测方法。
[0055]
参阅图1，图1是根据一实施例示出的一种智慧路灯寿命预测方法的流程图。如图1所示，所述方法包括以下步骤：
[0056]
步骤s100.判断路灯自变量因数与光衰状态以及故障状态的相关性，选取具有相关性的路灯自变量因数组成自变量因素样本。
[0057]
步骤s200.对各自变量因素样本进行降维处理，得到训练样本。
[0058]
步骤s300.构建关于光衰状态的神经网络模型和故障状态的神经网络模型，使用训练样本对神经网络模型进行训练。
[0059]
步骤s400.将待预测的自变量因数输入至神经网络模型，获取智慧路灯寿命预测结果。
[0060]
本实施例利用相关性高的自变量因素构建神经网络模型对路灯寿命进行预测。通过将相关性高的路灯自变量因数相关性处理筛选出来进行降维处理，使得训练数据在低维空间中有非常好的区分度，本实施例需要存储的训练数据较少且均与路灯的光衰状态或故障状态具有较高的相关性，预测速率更快且预测更为准确。
[0061]
在本实施例中，路灯自变量因数包括输入电信号因数、温湿度因数、工作时长因数、照明状态因数和气候因数。其中，输入电信号因数可以是包括输入电压、输入电流、线路电压浪涌的最高值和浪涌冲击次数等，照明状态因数可以是包括亮度、频闪和光通量等，气候因数可以是包括沙尘、浓雾、pm10、降雨量和盐雾数据等。
[0062]
参阅图2，作为本实施例的进一步改进，所述步骤s100包括以下步骤：
[0063]
步骤s110.逐一对各自变量因素与光衰状态参数以及故障状态参数进行皮尔逊相关性计算，获得自变量因素与光衰状态以及故障状态之间的相关系数。
[0064]
步骤s120.根据相关系数所反映的相关强度和相关指向，等比例地选取相关系数最为接近1或-1的若干个自变量因素组成自变量因素样本集合。
[0065]
在皮尔逊相关性计算时，相关系数的绝对值越大，相关性越强，相关系数越接近于1或-1，相关度越强，相关系数越接近于0，相关度越弱。在本实施例中，等比例地选取若干个正相关性较强的自变量因素和负相关性较强的自变量因素，使自变量因素样本集合的相关倾向具有良好均衡性。
[0066]
参阅图3，作为本实施例的进一步改进，所述步骤s200包括以下步骤：
[0067]
步骤s210.将自变量因素样本的数据排列为m
×
n的矩阵x，对矩阵x的每一行进行零均值化。
[0068]
本实施例中，将矩阵x降为k维，目标是选择k个单位正交基，使得原始数据变换到这组基上后，各变量两两间协方差为0，而变量方差则尽可能大(在正交的约束下，取最大的k个方差)。
[0069]
步骤s220.计算矩阵x的协方差矩阵c，协方差矩阵c的计算公式为：
[0070][0071]
式中，m为矩阵x的行数，x
t
为矩阵x的转置。
[0072]
步骤s230.计算协方差矩阵c的特征值及对应的特征向量，将特征向量按对应特征值大小排列成若干个行矩阵，取前k个行矩阵组成矩阵p，以矩阵p乘以矩阵x得到的矩阵y作为训练样本。
[0073]
通过上述步骤s220求取的协方差矩阵c是一个对称矩阵，矩阵p是协方差矩阵c的特征向量单位化后按行排列出的矩阵，其中每一行都是矩阵c的一个特征向量，则用p的前k行组成的矩阵乘以原始数据矩阵x，就得到了所需的降维后的数据矩阵y。
[0074]
参阅图4，作为本实施例的进一步改进，所述步骤s300包括以下步骤：
[0075]
步骤s310.基于支持向量机回归算法构建神经网络模型。
[0076]
所述神经网络模型为：
[0077][0078]
式中，和分别是拉格朗日乘子ai和的唯一解，k(xi,x)为svm核函数，σ为柯西核函数宽度。
[0079]
步骤s320.以柯西核函数宽度σ和惩罚因子c为自变量，在预设范围内计算mae的最小值，取mae最小时柯西核函数宽度σ的值重构关于光衰状态或故障状态的两种神经网络模型；
[0080]
其中，mae表示平均绝对误差，
[0081]
参阅图5，更为具体地，所述在预设范围内计算mae的最小值具体包括以下步骤：
[0082]
步骤s321.连续抽取训练样本中负相关的数据输入神经网络模型，调整神经网络模型的参数，直至mae达到预设阈值范围内；
[0083]
步骤s322.连续抽取训练样本中正相关的数据输入神经网络模型，调整神经网络模型的参数，直至mae达到预设阈值范围内；
[0084]
步骤s323.连续交替抽取训练样本中正相关和负相关的数据输入神经网络模型，调整神经网络模型的参数，直至mae达到预设阈值范围内。
[0085]
本实施例采用三种抽取样本数据的方式对神经网络模型进行训练，每次从训练样本中抽取数据输入神经网络模型后均进行一次mae运算，在mae达到预设阈值范围内前，调整柯西核函数宽度σ和惩罚因子c，再进行下一次数据抽取，在有限的抽取过程中使神经网络模型适应相关性相反的两种样本数据。
[0086]
参阅图6，作为本实施例的进一步改进，所述步骤s400包括以下步骤：
[0087]
步骤s410.将待预测的与光衰相关的路灯自变量因数输入至关于光衰状态的神经网络模型，获取光衰状态的预测结果。
[0088]
步骤s420.将待预测的与故障相关的路灯自变量因数输入至关于故障状态的神经网络模型，获取故障状态的预测结果。
[0089]
步骤s430.根据光衰状态和故障状态的预测结果作出模糊评价，得到路灯寿命的预测结果。
[0090]
本实施例中，选取神经网络模型预测得到的光衰状态预测数据和故障状态预测数据，设置对应的权重，利用层次分析法构建评价矩阵，选取加权评价函数进行计算，得出的模糊评价结果作为路灯寿命的预测结果。
[0091]
根据本发明的第二方面，提供一种智慧路灯寿命预测系统。
[0092]
参阅图7，图7是根据一实施例示出的一种智慧路灯寿命预测系统的结构框图。如图7所示，所述系统包括：
[0093]
筛选模块710，用于判断路灯自变量因数与光衰状态以及故障状态的相关性，选取具有相关性的路灯自变量因数组成自变量因素样本；
[0094]
降维模块720，用于对各自变量因素样本进行降维处理，得到训练样本；
[0095]
训练模块730，用于构建关于光衰状态的神经网络模型和故障状态的神经网络模
型，使用训练样本对神经网络模型进行训练；
[0096]
输出模块740，用于将待预测的自变量因数输入至神经网络模型，获取智慧路灯寿命预测结果。
[0097]
在其中一个实施例中，所述判断路灯自变量因数与光衰状态以及故障状态的相关性，选取具有相关性的路灯自变量因数组成自变量因素样本，具体包括以下步骤：
[0098]
逐一对各自变量因素与光衰状态参数以及故障状态参数进行皮尔逊相关性计算，获得自变量因素与光衰状态以及故障状态之间的相关系数；
[0099]
根据相关系数所反映的相关强度和相关指向，等比例地选取相关系数最为接近1或-1的若干个自变量因素组成自变量因素样本集合。
[0100]
在其中一个实施例中，所述路灯自变量因数包括输入电信号因数、温湿度因数、工作时长因数、照明因数和气候因数中的一种或多种。
[0101]
在其中一个实施例中，所述对各自变量因素样本进行降维处理，得到训练样本，具体包括以下步骤：
[0102]
将自变量因素样本的数据排列为m
×
n的矩阵x，对矩阵x的每一行进行零均值化；
[0103]
计算矩阵x的协方差矩阵c，协方差矩阵c的计算公式为：
[0104][0105]
式中，m为矩阵x的行数，x
t
为矩阵x的转置；
[0106]
计算协方差矩阵c的特征值及对应的特征向量，将特征向量按对应特征值大小排列成若干个行矩阵，取前k个行矩阵组成矩阵p，以矩阵p乘以矩阵x得到的矩阵y作为训练样本。
[0107]
在其中一个实施例中，所述构建关于光衰状态的神经网络模型和故障状态的神经网络模型，使用训练样本对神经网络模型进行训练，具体包括以下步骤：
[0108]
基于支持向量机回归算法构建神经网络模型，所述神经网络模型为：
[0109][0110]
式中，和分别是拉格朗日乘子ai和的唯一解，k(xi,x)为svm核函数，σ为柯西核函数宽度；
[0111]
以柯西核函数宽度σ和惩罚因子c为自变量，在预设范围内计算mae的最小值，取mae最小时柯西核函数宽度σ的值重构关于光衰状态或故障状态的两种神经网络模型；
[0112]
其中，mae表示平均绝对误差，
[0113]
在其中一个实施例中，所述在预设范围内计算mae的最小值，具体包括以下步骤：
[0114]
连续抽取训练样本中负相关的数据输入神经网络模型，调整神经网络模型的参数，直至mae达到预设阈值范围内；
[0115]
连续抽取训练样本中正相关的数据输入神经网络模型，调整神经网络模型的参数，直至mae达到预设阈值范围内；
[0116]
连续交替抽取训练样本中正相关和负相关的数据输入神经网络模型，调整神经网
络模型的参数，直至mae达到预设阈值范围内。
[0117]
在其中一个实施例中，所述将待预测的自变量因数输入至神经网络模型，获取智慧路灯寿命预测结果，具体包括以下步骤：
[0118]
将待预测的与光衰相关的路灯自变量因数输入至关于光衰状态的神经网络模型，获取光衰状态的预测结果；
[0119]
将待预测的与故障相关的路灯自变量因数输入至关于故障状态的神经网络模型，获取故障状态的预测结果；
[0120]
根据光衰状态和故障状态的预测结果作出模糊评价，得到路灯寿命的预测结果。
[0121]
所述智慧路灯寿命预测系统执行上述第一方面的智慧路灯寿命预测方法，关于智慧路灯寿命预测系统的具体限定可以参见上文中对于智慧路灯寿命预测方法的限定，在此不再赘述。
[0122]
上述智慧路灯寿命预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0123]
根据本发明的第三方面，提供一种计算机设备。
[0124]
参阅图8，图8是一实施例示出的一种计算机设备的内部结构图。如图8所示，该计算机设备包括通过系统总线连接的处理器、存储器和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现第一方面所述的智慧路灯寿命预测方法。
[0125]
存储器和处理器各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。处理器包括至少一个可以软件或者是固件(firmware)的形式存储于存储器中或者是固化在服务器的操作系统(operating system，os)中的软件功能模块。处理器用于执行存储器中存储的可执行模块。
[0126]
其中，存储器可以是随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。其中，存储器用于存储程序以及语音数据，处理器在接收到执行指令后，执行程序。
[0127]
处理器可能是一种集成电路芯片，具有信号的处理能力。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，简称cpu)、网络处理器(network processor，简称np)等；还可以是数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0128]
处理器将各种输入/输入装置耦合至处理器以及存储器。在一些实施例中，处理器
以及存储器可以在单个芯片中实现。在其他一些实例中，它们可以分别由独立的芯片实现。
[0129]
外设接口将各种输入/输入装置耦合至处理器以及存储器。在一些实施例中，外设接口，处理器及存储器可以在单个芯片中实现。在其他一些实例中，它们可以分别由独立的芯片实现。
[0130]
根据本发明的第四方面，还提供一种计算机存储介质，所述计算机存储介质中存储有计算机程序，计算机存储介质可以是磁性随机存取存储器、只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器、快闪存储器、磁表面存储器、光盘、或只读光盘等；也可以是包括上述存储器之一或任意组合的各种设备，如移动电话、计算机、平板设备、个人数字助理等。所述计算机程序被处理器执行时实现第一方面所述的智慧路灯寿命预测方法。
[0131]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0132]
在本文中，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，除了包含所列的那些要素，而且还可包含没有明确列出的其他要素。
[0133]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。