隧道智慧调光方法、系统及计算机储存介质

技术领域

本发明涉及隧道照明控制技术领域，具体涉及一种基于孤立森林和3Sigma原则的隧道智慧调光方法、系统及计算机储存介质。

背景技术

在隧道照明控制领域中，由于车辆进出隧道时存在“黑洞效应”和“白洞效应”，每年因隧道照明不良引起的交通事故，占隧道事故的一半以上，因此隧道照明质量直接决定了行车的安全性。科学合理地进行隧道光照调整，不仅能营造良好的隧道行车环境，减少事故的发生，还能降低隧道能耗损失和隧道运营成本。目前，隧道调光面临如下问题：

(1)大部分隧道只根据时段进行调光，例如白天统一开到最大照明亮度，夜晚只开基本照明，这样不仅浪费能耗，还可能引起白黑洞效应，造成交通事故。

(2)隧道数据的利用率较低，例如洞外光强数据基本都是闲置的，无法产生相应的价值。

(3)设备测得的光强值容易受各种因素影响，从而造成光强数据不准确，部分数据甚至与实际差别很大。

发明内容

本发明提供的一种基于孤立森林和3Sigma原则的隧道智慧调光方法、系统及计算机储存介质，能够最大程度的利用隧道数据资源，对异常光强数据进行判断，并根据判定结果输出智慧调光等级。

为了实现上述技术目的，本发明主要采用如下技术方案：

第一方面，本申请提供了一种基于孤立森林和3Sigma原则的隧道智慧调光方法，包括如下步骤：

S1采集隧道历史数据，并从历史数据中提取出历史特征数据；

S2通过历史特征数据，采用孤立森林算法构建出隧道光强异常判定模型Y；

S3利用隧道光强异常判定模型Y剔除历史特征数据中的异常数据，并采用3Sigma原则计算出不同特征的调光基准值；

S4采集隧道内的实时特征数据，利用光强异常判定模型Y对实时数据集X进行判断，并根据判定结果输出智能调光等级。

在一些实施例中，步骤S1中，所述特征数据包括光强、季节、时点、气候特征数据。

在一些实施例中，步骤S2中，隧道光强异常判定模型Y的构建包括如下步骤：

采集影响光强的关键指标数据；

依次对关键指标数据进行清洗、预处理，提取出特征数据；

利用IForest算法构建出光强异常判定模型Y。

在一些实施例中，步骤S3中，用隧道光强异常判定模型Y剔除历史特征数据中的异常数据，包括如下步骤：

利用光强异常判定模型Y，对历史特征数据集Z

在一些实施例中，步骤S3中，调光基准值的计算包括如下步骤：

利用历史特征数据集Z

B＝{s

其中：

s

b

优选的，所述数据集B的具体格式如下所示：

B＝{s

其中：

s

h

w

b

在一些实施例中，步骤S4中，实时数据集的判断包括如下步骤：

利用光强异常判定模型Y，对实时数据集X进行判定，若实时数据集X判定为异常，则调用调光基准值数据集B中的光强数据；若实时数据集X判定为正常，则保留实时数据集X的光强数据，并记录此步骤返回的正常光强数据为Lo。

在一些实施例中，步骤S4中，智能调光等级的确定包括如下步骤：

将正常光强数据Lo与执行级别进行对比，确定智能调光等级。

第二方面，本申请公开了一种基于孤立森林和3Sigma原则的隧道智慧调光系统，所述系统包括：

数据采集模块：用于采集隧道内的历史特征数据和实时特征数据；

数据分析模块：对数据采集模块采集到的历史特征数据进行分析，并根据分析结果构建隧道光强异常判定模型；

计算模块：根据隧道光强异常判定模型计算隧道内不同特征的调光基准值；

光源调控模块：根据数据采集模块采集到的隧道内的实时数据，调控隧道内光源，以使隧道内的光照度达到《公路隧道照明设计细则》(JTG/T D70/2-01-2014)中规定的执行级别。

第三方面，本申请公开了一种计算机储存介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如第一方面所述的方法。

与现有技术相比，本发明具有如下有益效果：

本发明提供的基于孤立森林和3Sigma原则的隧道智慧调光方法，通过从隧道数据资源中提取历史光强数据、季节数据、气候数据、时点数据等特征，能够判定历史和实时光强数据是否异常，并给出正确的调光等级，使用智能调光后总体用电量的平均节能比例达到48.39％，说明提出的模型对隧道运营成本的下降有重要意义。

附图说明

图1为本申请基于孤立森林和3Sigma原则的隧道智慧调光方法流程图；

图2为本申请中光强异常判定模型构建流程图；

图3为本申请中晴天状态下不同时点的光强基准值及其执行级别示意图；

图4为本申请中各个隧道在使用智能调光前后的用电量对比图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例1

本实施例提供的基于孤立森林和3Sigma原则的隧道智慧调光方法，如图1所示，具体包括如下步骤：

(1)采集隧道历史数据，并从历史数据中提取出历史特征数据。

如从隧道数据资源中提取历史光强数据、季节数据、气候数据、时点数据等特征；其中，提取的时间应至少包括一年的历史数据，在情况及经费允许的条件下，尽量提取多年的历史数据，以使提取出的历史特征数据更准确。

(2)通过历史特征数据，采用孤立森林算法构建出隧道光强异常判定模型Y。

孤立森林算法(Isolation Forest,IForest)是一种基于Ensemble的快速离群点检测方法，具有计算量小、线性时间复杂度和高精准度等特点。为了提升洞外光强数据的准确性，首先采集影响光强的关键指标，如光强、时点、季节、气候等，然后经过数据清洗、数据预处理、特征提取等过程，最后利用IForest算法构建出光强异常判定模型Y，具体流程如图2所示。

(3)利用隧道光强异常判定模型Y剔除历史特征数据中的异常数据，并采用3Sigma原则计算出不同特征的调光基准值。

首先，对步骤(1)中收集到的历史特征数据进行集合，包括光强、时点、季节、气候等历史数据，获得历史特征数据集Z

利用历史特征数据集Z

B＝{s

其中：

s

h

w

b

其中，3sigma原则又称为拉依达准则，该方法假设数据集服从正态分布或近似正态分布，然后计算数据集的均值μ和标准差σ，数据集在(μ-3σ，μ+3σ)区间外的概率低于0.3％，因此区间外的数据值可以定义为临界异常值。

为了保证隧道行车的安全同时又能降低隧道能耗，此处分别计算出数据集B中不同季节、不同时点、不同气候的均值和方差，并取μ+3σ作为b

(4)采集隧道内的实时特征数据，利用光强异常判定模型Y对实时特征数据集X进行判断，并根据判定结果输出智能调光等级。

利用光强异常判定模型Y，对实时特征数据集X进行判定。若实时特征数据集X判定为异常，则调用调光基准值数据集B中的光强数据；若实时特征数据集X判定为正常，则保留实时数据集的光强数据。记此步骤返回的正常光强数据为Lo。

根据《公路隧道照明设计细则》(JTG/T D70/2-01-2014)的规定，不同光强范围内隧道调光的标准如表1所示。

表1不同光强范围内隧道调光标准表

根据上一步返回的正常光强数据Lo，计算出隧道需要的调光等级，记为Level。

其中，上述特征数据还可以包含有其他特征，如隧道内空气环境，粉尘分散情况等，一般来说，若隧道内粉尘较多的话，其会附着在灯上面，也会导致隧道内照明环境不好。尽量根据实际情况进行选定特征参数，对于污染较大的地区可以选择粉尘分散情况参数，对于环境较好的地方，为简化步骤，也可以不选择。

应用例

主要选取广东省惠清高速2021年4月15日-2021年4月22日7个隧道的数据作为实验测试，数据采集粒度为1分钟，该时间段的气候类型为晴天，主要采集指标包括路段名称、隧道名称、时间、天气类型、光强值。接下来将根据上一节的隧道光强评估模型对7个隧道的数据进行分析，首先发掘异常光强数据，之后计算该时间段的基准值，确定该时间段的调光执行级别，并比较使用智能调光后的电量节约情况。

(1)异常光强值剔除与基准值确定

利用python工具包对7个隧道的关键指标数据进行建模，并设置好nestimators和contamination两个参数，可以得到如表2所示的异常光强结果值。

表2隧道异常光强结果表

剔除表2中的异常光强数据，并利用3sigma原则计算出隧道不同时点的光强基准值(其中22:00-6:00为夜间，只产生一个基准值)，具体结果如图3所示。

从图3可以看到：隧道晚上19点至第二天清晨6点的光强执行级别都为5，即加强照明处于全关闭状态；另外，11点至14点光强的执行级别最高，加强照明需要开到最大。从整体趋势来看，全天的光强基准值变化呈正态分布，符合晴天实际光照情况。

(2)采用智能调光前后的结果对比分析

主要采用2021年4月9日的隧道数据(未使用智能调光)和2021年4月19日的隧道数据(使用智能调光)进行比较分析，具体结果如图4所示。

从图4可以看到：赤岭隧道在使用智能调光后，用电量的节约比例最大，达到67.51％；另外，对于惠清高速7个隧道来说，使用智能调光后总体用电量的平均节能比例达到48.39％。说明提出的模型对隧道运营成本的下降有重要意义。

实施例2

本实施例提供的基于孤立森林和3Sigma原则的隧道智慧调光系统，具体包括，

数据采集模块：用于采集隧道内的历史特征数据和实时特征数据；包括历史光强数据、季节数据、气候数据、时点数据等特征，对采集到的历史特征数据进行集合，得到历史特征数据集；对采集到的实时特征数据进行集合，得到实时特征数据集。

数据分析模块：对数据采集模块采集到的历史特征数据进行分析，并根据分析结果构建隧道光强异常判定模型。

在本实施例中，数据分析模块主要用于对历史特征数据进行数据清洗、数据预处理、特征提取等步骤，根据获得的数据，构建隧道光强异常判定模型。

计算模块：根据隧道光强异常判定模型计算隧道内不同特征的调光基准值。

在本实施例中，计算模块主要利用隧道光强异常判定模型Y，对历史特征数据集Z

最后，利用光强异常判定模型Y，对数据采集模块采集到的实时特征数据集X进行判定。若实时特征数据集X判定为异常，则调用调光基准值数据集B中的光强数据；若实时特征数据集X判定为正常，则保留实时数据集的光强数据。记此步骤返回的正常光强数据为Lo。

光源调控模块：根据数据采集模块采集到的隧道内的实时数据，调控隧道内光源，以使隧道内的光照度达到《公路隧道照明设计细则》(JTG/T D70/2-01-2014)中规定的执行级别。

在本实施例中，光源调控模块，主要根据上述步骤反馈的结果，进行光源调节，使隧道内的光照度达到《公路隧道照明设计细则》(JTG/T D70/2-01-2014)中规定的执行级别。

实施例3

本发明还提供一种计算机可读存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行如上任一项所述的方法。

本发明上述实施方式公开的计算机储存介质智能调节隧道内光照，实现隧道内光照强度维持在一个稳定且满足需求的光照强度之上，达到智能控制灯光和节省电力资源的目的。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。