CN111083861A

CN111083861A - 路灯优化控制方法、装置、计算机设备和存储介质

Info

Publication number: CN111083861A
Application number: CN201911141313.8A
Authority: CN
Inventors: 张胜浩
Original assignee: Wanyi Technology Co Ltd
Current assignee: Wanyi Technology Co Ltd
Priority date: 2019-11-20
Filing date: 2019-11-20
Publication date: 2020-04-28
Anticipated expiration: 2039-11-20
Also published as: CN111083861B

Abstract

本申请涉及一种路灯优化控制方法、装置、计算机设备和存储介质，其中，方法包括：获取被控路灯的路灯数据，根据路灯数据分析被控路灯的路灯特征和外部因素特征，根据被控路灯的路灯特征和外部因素特征，在预设控制策略库中进行匹配，得到匹配的路灯优化控制策略，根据匹配的优化控制策略对被控路灯的控制。整个过程中，路灯特征包括所处环境的区域特征、地理特征、商业特征以及业务特征，外部因素特征包括时间特征、季节特征以及天气因素，可以全面体现当前被控路灯的所处环境数据，采用匹配控制策略库的方式选取最符合当前路灯所处环境下的控制参数，实现对路灯的智能控制。

Description

路灯优化控制方法、装置、计算机设备和存储介质

技术领域

本申请涉及智能控制技术领域，特别是涉及一种路灯优化控制方法、装置、计算机设备和存储介质。

背景技术

路灯，指给道路提供照明功能的灯具，泛指交通照明中路面照明范围内的灯具，路灯被广泛运用于各种需要照明的地方。

传统的路灯控制一般有专人实现管理控制，一般来说，针对城市道路或者园区道路两旁的路灯会在固定时间开启和关闭，以给人们提供照明服务，例如可以是晚上7点开启、晚上12点关闭；或，晚上7点开启、凌晨6点关闭等。另外，还可以针对春冬季和夏秋季实行不同的开启和关闭时间周期，以满足节能的需求的。

上述传统的路灯控制方案虽然可以实现对路灯周期性、季节性管控，但是实际日常生活中影响需要照明服务的因素是多样的，例如针对下雨天气，天黑的快，人们需要在越早的时间得到路灯照明服务，上述路灯控制方案无法做出针对性的调整，无法实现路灯的智能控制，给用户带来便捷。

发明内容

基于此，有必要针对上述技术问题，提供一种能够实现智能控制的路灯优化控制方法、装置、计算机设备和存储介质。

一种路灯优化控制方法，所述方法包括：

获取被控路灯的路灯数据；

根据所述路灯数据分析所述被控路灯的路灯特征和外部因素特征，所述路灯特征包括所处环境的区域特征、地理特征、商业特征以及业务特征，所述外部因素特征包括时间特征、季节特征以及天气因素；

根据所述被控路灯的路灯特征和外部因素特征，在预设控制策略库中进行匹配，得到匹配的路灯优化控制策略；

根据匹配的路灯优化控制策略，得到所述被控路灯的控制参数。

在其中一个实施例中，所述根据分析得到的所述被控路灯的路灯特征和外部因素特征，在预设控制策略库中进行匹配，得到匹配的路灯优化控制策略之前，还包括：

获取路灯的样本基础数据以及样本策略数据，所述样本基础数据包括路灯所处物联网平台、所处互联网接入平台以及所处路灯管理系统的关联数据；

对所述路灯的样本基础数据以及样本策略数据进行智能分析，提取各路灯的路灯特征和外部因素特征，并构建预设控制策略库。

在其中一个实施例中，智能分析包括信息文本分析、故障关联分析以及策略学习。

在其中一个实施例中，所述信息文本分析包括：

提取所述样本基础数据中由路灯所处物联网平台以及所处互联网接入平台得到的文本数据；

获取路灯特征关联的基础词库；

根据所述基础词库、基于分词算法对所述文本数据进行文本分词，得到文本分词结果；

对所述文本分词进行语义分析处理，得到路灯特征。

在其中一个实施例中，所述基础词库携带有路灯监视、分析以及控制相关的特征词汇。

在其中一个实施例中，所述故障关联分析包括：

提取所述样本基础数据中与路灯故障相关的故障数据；

根据提取的故障数据，识别路灯故障之间的因果关系；

根据所述路灯故障之间的因果关系，确定故障关联对象；

分析故障关联对象的状态，并进行多故障关联分析，定位故障源。

在其中一个实施例中，所述策略学习包括：

提取所述样本策略数据中携带的所有策略；

对提取的策略进行策略特征分析以及多策略关联性分析，得到策略分析结果；

根据所述策略分析结果，将关联策略的策略特征进行合并重构，得到重构的策略数据；

对重构的策略数据进行学习优化，得到优化的策略。

一种路灯优化控制装置，所述装置包括：

数据获取模块，用于获取被控路灯的路灯数据；

特征分析模块，用于根据所述路灯数据分析所述被控路灯的路灯特征和外部因素特征，所述路灯特征包括所处环境的区域特征、地理特征、商业特征以及业务特征，所述外部因素特征包括时间特征、季节特征以及天气因素；

策略匹配模块，用于根据所述被控路灯的路灯特征和外部因素特征，在预设控制策略库中进行匹配，得到匹配的路灯优化控制策略；

控制模块，用于根据匹配的路灯优化控制策略，得到所述被控路灯的控制参数。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。

一种计算机可读存储介质，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上述的方法的步骤。

上述路灯优化控制方法、装置、计算机设备和存储介质，获取被控路灯的路灯数据，根据所述路灯数据分析所述被控路灯的路灯特征和外部因素特征，根据所述被控路灯的路灯特征和外部因素特征，在预设控制策略库中进行匹配，得到匹配的路灯优化控制策略，根据匹配的优化控制策略对被控路灯的控制。整个过程中，路灯特征包括所处环境的区域特征、地理特征、商业特征以及业务特征，所述外部因素特征包括时间特征、季节特征以及天气因素，可以全面体现当前被控路灯的所处环境数据，采用匹配控制策略库的方式选取最符合当前路灯所处环境下的控制参数，实现对路灯的智能控制。

附图说明

图1为一个实施例中路灯优化控制方法的应用环境图；

图2为一个实施例中路灯优化控制方法的流程示意图；

图3为另一个实施例中路灯优化控制方法的流程示意图；

图4为一个应用实例中路灯优化控制方法的流程示意图；

图5为一个实施例中路灯优化控制装置的结构框图；

图6为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的路灯优化控制方法，可以应用于如图1所示的应用环境中。其中，分布式设置的路灯102通过网络与服务器104通过网络进行通信。服务器104采集路灯102日常运营过程的数据以及各个路灯102所处环境的数据，环境主要地理环境和时间、季节环境(例如光照强度、光照时长、温度等)。在历史操作中，服务器104将采集到的路灯102日常运营数据以及路灯102所处环境的数据存储起来，并针对初期由路灯运营管理系统输出的控制指令以及操作人手动调节/设置的控制策略一并采集，基于这些采集的数据构建预设控制策略库，在进行路灯优化控制时，服务器104获取被控路灯的路灯数据，根据路灯数据分析被控路灯的路灯特征和外部因素特征，根据被控路灯的路灯特征和外部因素特征，在预设控制策略库中进行匹配，得到匹配的路灯优化控制策略；根据匹配的路灯优化控制策略，得到被控路灯的控制参数。其中，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种路灯优化控制方法，以该方法应用于图1中的服务器104为例进行说明，包括以下步骤：

S200：获取被控路灯的路灯数据。

被控路灯及本次优化控制的对象，其具体可以是单个路灯也可以是一个片区内的路灯。例如针对某个工业园区内所有的路灯、又如某条城市道路两侧的路灯。路灯数据具体可以包括很多层面的数据，主要包括路灯自身运行状态数据，用于表征其运行状态以及路灯所处环境数据，所处环境数据包括地理位置环境数据以及所处自然环境数据，地理位置环境数据包括其所处的地理位置、其所处环境位置，如是否在桥洞下、是否在桥上、是否处于户外等，自然环境数据主要包括路灯相关的环境包括亮度、光照强度、温度、是否下雨、日照时长、日出时间、日落时间等等。具体来说，路灯数据是由被控路灯采集上传至服务器的，具体可以在被控路灯上设置多个传感器，由传感器采集上述数据归集至被控路灯，再由被控路灯上传至服务器。

S400：根据路灯数据分析被控路灯的路灯特征和外部因素特征，路灯特征包括所处环境的区域特征、地理特征、商业特征以及业务特征，外部因素特征包括时间特征、季节特征以及天气因素。

路灯特征包括路灯本身的区域特征(地理位置)、地理特征(隧道、桥底和户外等)、商业特征(商圈内、居民区内和偏远地区)和业务特征(互联网承载灯杆、普通灯杆和供电枢纽)等。外部特征包括当前时间特征(主要区分白天黑夜)、季节特征(关系到天黑的时间)、天气因素(如大雾、暴雨等会影响能见度，达到开路灯要求)、自然灾害(地震、水灾和冰灾情况下，为了防止次生灾害发生,可能需要主动关闭供电)。

S600：根据被控路灯的路灯特征和外部因素特征，在预设控制策略库中进行匹配，得到匹配的路灯优化控制策略。

预设控制策略库是预先构建的控制策略数据库，其中存储有控制策略数据以及对应的路灯特征和外部因素特征。具体来说，预设控制策略库是基于历史数据/样本数据构建的，其具体基于历史记录中产生的控制策略数据，以及该控制策略控制对象路灯的路灯特征和外部因素特征。特征分析和策略匹配决定了对路灯和灯杆的控制结果,特征分析首先需要对外部因素进行分析,外部因素包括时间、季节、天气和灾害情况等,这些信息通过系统本身、互联网等数据来源获取,需要通过智能分析算法进行分析,提取出相关的外部因素。外部因素提取完后,可以对所有的路灯(灯柱)按分类进行特征分析,匹配策略库中的策略,进行相应的控制。

S800：根据匹配的路灯优化控制策略，得到被控路灯的控制参数。

路灯优化控制策略中携带有针对当前路灯数据的最优控制参数，根据该控制参数实现对被控路灯智能控制。路灯控制包括路灯开关控制和灯杆供电控制,路灯开关控制可以实现路灯打开和关闭操作,灯杆供电控制可以实现对灯杆的供电停止和开启,在有水浸等情况下,可也减少漏电危险。

下面进一步详细解释本申请路灯优化控制方法的技术方案下面采用实例进行说明。假定被控路灯某个高纬度地区的A市B道路桥洞下的路灯X。服务器104先获取路灯X的路灯数据，对该路灯数据进行分析得出，当前路灯X处于一个高纬度区域，其对应的日落时间为19:00、当前处于属于下雨的天气状态，在实际经验中知晓，路灯处于桥洞下其光照强度比桥洞外的光照强度低30％(仅用于具体示意)，下雨天气环境下光照强度再减少30％(仅用于具体示意)，根据上述的路灯特征以及外部环境特征，在预设控制策略库中匹配到控制策略为下午6点开启路灯输出80％亮度(功率)，以每小时增加5％亮度的方式逐步增加亮度直至到最大亮度。

本申请路灯优化控制方法，获取被控路灯的路灯数据，根据路灯数据分析被控路灯的路灯特征和外部因素特征，根据被控路灯的路灯特征和外部因素特征，在预设控制策略库中进行匹配，得到匹配的路灯优化控制策略，根据匹配的优化控制策略对被控路灯的控制。整个过程中，路灯特征包括所处环境的区域特征、地理特征、商业特征以及业务特征，外部因素特征包括时间特征、季节特征以及天气因素，可以全面体现当前被控路灯的所处环境数据，采用匹配控制策略库的方式选取最符合当前路灯所处环境下的控制参数，实现对路灯的智能控制。

如图3所示，在其中一个实施例中，步骤S600之前，还包括：

S520：获取路灯的样本基础数据以及样本策略数据，样本基础数据包括路灯所处物联网平台、所处互联网接入平台以及所处路灯管理系统的关联数据。

S540：对路灯的样本基础数据以及样本策略数据进行智能分析，提取各路灯的路灯特征和外部因素特征，并构建预设控制策略库。

控制策略是智能控制的核心，系统通过构建控制策略，实现针对不同类型和场合下的路灯分类控制，实现精细化管理。构建控制策略，需要根据路灯特征和外部因素特征进行构建。路灯特征包括路灯本身的区域特征(地理位置)、地理特征(隧道、桥底和户外等)、商业特征(商圈内、居民区内和偏远地区)和业务特征(互联网承载灯杆、普通灯杆和供电枢纽)等。外部特征包括当前时间特征(主要区分白天黑夜)、季节特征(关系到天黑的时间)、天气因素(如大雾、暴雨等会影响能见度，达到开路灯要求)、自然灾害(地震、水灾和冰灾情况下，为了防止次生灾害发生，可能需要主动关闭供电)。构建控制策略就是要结合以上特征，构建出覆盖多种内外部情况的可控制策略，形成策略库。后续根据策略库，进行智能化的控制。构建前先将路灯(灯杆)按特征进行分类，然后再根据不同的类别进行策略构建。构建策略的过程中，需要先定制普遍策略,覆盖大部分路灯，然后再构建覆盖率较低的策略。

智能分析主要信息文本分析、故障关联分析以及策略学习三个方面。具体来说，信息文本分析包括提取样本基础数据中由路灯所处物联网平台以及所处互联网接入平台得到的文本数据；获取路灯特征关联的基础词库；根据基础词库、基于分词算法对文本数据进行文本分词，得到文本分词结果；对文本分词进行语义分析处理，得到路灯特征。

信息文本分析是指对通过从互联网、管理信息获取的文本进行分析，首先，根据专业知识定义基础词库；然后，根据基础词库,结合分词算法进行文本分词；最后，进行语义分析，提取出文本信息中的特征值，作为进行故障分析、规则匹配的依据。更进一步来说，基础词库携带有路灯监视、分析以及控制相关的特征词汇。

针对信息文本分析需要提取互联网新闻、路灯管理系统信息中的特征值,特征值通过对信息进行分词等算法提取，主要结合人工智能分词算法及词性标注技术进行路灯分析控制相关特征的提取。其主要两个阶段：第一阶段，文本信息特征分词，在中英文分词的基础上，结合业务特点，将路灯监视、分析和控制相关的特征词汇加入到专业词典中，例如：路灯、灯杆、广告箱、不亮、暗、物联、雾、霾、暴雨、水浸和施工等。系统通过默认分词字典叠加物联网、路灯相关数据字典，对疑似故障、自然灾害和施工相关信息进行分词；第二阶段，提取出每个句子中所有分词或短语作为一个集合，而其中每个名词或短语作为一个特征项，对分析用的数据进行频次运算，按频次进行排序，选取频次较高对应的分词或短语，作为频繁集，针对运算出来的频繁集进行人工干预分析,删除不是特征词的频繁集，针对筛选后的频繁集进行语义分析处理，得到路灯特征。

在其中一个实施例中，故障关联分析包括：提取样本基础数据中与路灯故障相关的故障数据；根据提取的故障数据，识别路灯故障之间的因果关系；根据路灯故障之间的因果关系，确定故障关联对象；分析故障关联对象的状态，并进行多故障关联分析，定位故障源。

服务器确认某处有故障后,需要进行关联分析。首先，按地理相关性(同一区域)、业务相关性(供电上下游)等找到关联的对象；然后，分析多个故障之间的关联关系；最后，确定故障源头。在实际应用，服务器先确定故障之间的因果关系，具体可以分析出以下三种常见的因果关系：1、供电故障会引起通信故障,通信故障会引起控制无效；2、供电有上下游关系,上游供电故障会引起下游连带供电故障；3、通信正常情况下上报的故障,一般为局部故障。服务器在确定因果关系之后，再确定故障类型和影响范围关系，故障类型包括局部故障和整体故障，一般来说，局部故障,只影响一个点；供电或设备故障，会沿道路发生故障；自然灾害、施工等产生的影响,具有地理相关性。结合上述故障分析的原则，在发现疑似故障后，先进行局部故障分析，如果发现可能是整体故障,则结合地理、业务特征，关联多个对象进行综合分析，得出故障源。

在其中一个实施例中，策略学习包括：

提取样本策略数据中携带的所有策略；对提取的策略进行策略特征分析以及多策略关联性分析，得到策略分析结果；根据策略分析结果，将关联策略的策略特征进行合并重构，得到重构的策略数据；对重构的策略数据进行学习优化，得到优化的策略。

系统初始规则由人工进行创建，到后期需要对规则进行分析，利用机器学习，对策略进行优化和构建。策略自学习首先获取所有策略，提取策略中的特征，分析多个策略关联性进行总结，将强关联策略进行合并重构，自动构建高效率的策略，构建新策略后，再根据策略的运行情况进一步地学习，形成持续优化机制。

为进一步详细解释本申请路灯优化控制的技术方案，下面将采用其中一个具体实例详细说明整个方案。如图4所示，在其中一个实施例中，本申请路灯优化控制方法包括以下步骤：

1、路灯将历史运营过程的路灯数据上传至服务器；

2、服务器存储路灯数据，并提取路灯特征数据；

3、服务器对路灯按照特征分类；

4、服务器按照路灯分类结果，提取各个类型路灯的外部因素特征；

5、将路灯特征、外部因素特征以及收集的控制策略数据关联存储，构建控制策略，并存储，生成策略库；

6、当有路灯需要进行优化控制时，服务器获取该被控路灯的路灯数据，花奴才能策略库中存储的控制优化策略；

7、服务器提取被控路灯的路灯特征以及外部因素特征；

8、根据提取的路灯特征以及外部因素特征在策略库中进行匹配；

9、当匹配到控制优化策略时，对路灯开关控制以及对灯杆供电控制；

10、当未匹配到时，直接解释优化控制进程。

应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

如图5所示，本申请还提供一种路灯优化控制装置，装置包括：

数据获取模块200，用于获取被控路灯的路灯数据；

特征分析模块400，用于根据路灯数据分析被控路灯的路灯特征和外部因素特征，路灯特征包括所处环境的区域特征、地理特征、商业特征以及业务特征，外部因素特征包括时间特征、季节特征以及天气因素；

策略匹配模块600，用于根据被控路灯的路灯特征和外部因素特征，在预设控制策略库中进行匹配，得到匹配的路灯优化控制策略；

控制模块800，用于根据匹配的路灯优化控制策略，得到被控路灯的控制参数。

本申请路灯优化控制装置，获取被控路灯的路灯数据，根据路灯数据分析被控路灯的路灯特征和外部因素特征，根据被控路灯的路灯特征和外部因素特征，在预设控制策略库中进行匹配，得到匹配的路灯优化控制策略，根据匹配的优化控制策略对被控路灯的控制。整个过程中，路灯特征包括所处环境的区域特征、地理特征、商业特征以及业务特征，外部因素特征包括时间特征、季节特征以及天气因素，可以全面体现当前被控路灯的所处环境数据，采用匹配控制策略库的方式选取最符合当前路灯所处环境下的控制参数，实现对路灯的智能控制。

在其中一个实施例中，上述路灯优化控制装置还包括：

控制策略库生成模块，用于获取路灯的样本基础数据以及样本策略数据，样本基础数据包括路灯所处物联网平台、所处互联网接入平台以及所处路灯管理系统的关联数据；对路灯的样本基础数据以及样本策略数据进行智能分析，提取各路灯的路灯特征和外部因素特征，并构建预设控制策略库。

在其中一个实施例中，控制策略库生成模块还用于提取样本基础数据中由路灯所处物联网平台以及所处互联网接入平台得到的文本数据；获取路灯特征关联的基础词库；根据基础词库、基于分词算法对文本数据进行文本分词，得到文本分词结果；对文本分词进行语义分析处理，得到路灯特征。

在其中一个实施例中，基础词库携带有路灯监视、分析以及控制相关的特征词汇。

在其中一个实施例中，控制策略库生成模块还用于提取样本基础数据中与路灯故障相关的故障数据；根据提取的故障数据，识别路灯故障之间的因果关系；根据路灯故障之间的因果关系，确定故障关联对象；分析故障关联对象的状态，并进行多故障关联分析，定位故障源。

在其中一个实施例中，控制策略库生成模块还用于提取样本策略数据中携带的所有策略；对提取的策略进行策略特征分析以及多策略关联性分析，得到策略分析结果；根据策略分析结果，将关联策略的策略特征进行合并重构，得到重构的策略数据；对重构的策略数据进行学习优化，得到优化的策略。

关于路灯优化控制装置的具体限定可以参见上文中对于路灯优化控制方法的限定，在此不再赘述。上述路灯优化控制装置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。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图6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、网络接口和数据库。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。该计算机设备的数据库用于存储历史路灯的路灯以及控制策略等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种路灯优化控制方法。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：

获取被控路灯的路灯数据；

根据路灯数据分析被控路灯的路灯特征和外部因素特征，路灯特征包括所处环境的区域特征、地理特征、商业特征以及业务特征，外部因素特征包括时间特征、季节特征以及天气因素；

根据被控路灯的路灯特征和外部因素特征，在预设控制策略库中进行匹配，得到匹配的路灯优化控制策略；

根据匹配的路灯优化控制策略，得到被控路灯的控制参数。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：

获取路灯的样本基础数据以及样本策略数据，样本基础数据包括路灯所处物联网平台、所处互联网接入平台以及所处路灯管理系统的关联数据；对路灯的样本基础数据以及样本策略数据进行智能分析，提取各路灯的路灯特征和外部因素特征，并构建预设控制策略库。

提取样本基础数据中由路灯所处物联网平台以及所处互联网接入平台得到的文本数据；获取路灯特征关联的基础词库；根据基础词库、基于分词算法对文本数据进行文本分词，得到文本分词结果；对文本分词进行语义分析处理，得到路灯特征。

提取样本基础数据中与路灯故障相关的故障数据；根据提取的故障数据，识别路灯故障之间的因果关系；根据路灯故障之间的因果关系，确定故障关联对象；分析故障关联对象的状态，并进行多故障关联分析，定位故障源。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取被控路灯的路灯数据；

根据匹配的路灯优化控制策略，得到被控路灯的控制参数。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上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。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种路灯优化控制方法，所述方法包括：

获取被控路灯的路灯数据；

2.根据权利要求1所述的方法，其特征在于，所述根据分析得到的所述被控路灯的路灯特征和外部因素特征，在预设控制策略库中进行匹配，得到匹配的路灯优化控制策略之前，还包括：

3.根据权利要求2所述的方法，其特征在于，智能分析包括信息文本分析、故障关联分析以及策略学习。

4.根据权利要求3所述的方法，其特征在于，所述信息文本分析包括：

获取路灯特征关联的基础词库；

对所述文本分词进行语义分析处理，得到路灯特征。

5.根据权利要求4所述的方法，其特征在于，所述基础词库携带有路灯监视、分析以及控制相关的特征词汇。

6.根据权利要求3所述的方法，其特征在于，所述故障关联分析包括：

提取所述样本基础数据中与路灯故障相关的故障数据；

根据提取的故障数据，识别路灯故障之间的因果关系；

根据所述路灯故障之间的因果关系，确定故障关联对象；

7.根据权利要求3所述的方法，其特征在于，所述策略学习包括：

提取所述样本策略数据中携带的所有策略；

对重构的策略数据进行学习优化，得到优化的策略。

8.一种路灯优化控制装置，其特征在于，所述装置包括：

数据获取模块，用于获取被控路灯的路灯数据；

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。