CN112989706A - 一种隧道灯具照度衰减预测方法 - Google Patents

Abstract

本发明公开了一种隧道灯具照度衰减预测方法，选择使用递归特征消除(Recursive feature elimination)算法；基于全部特征进行训练；特征被消除的顺序即为特征的重要性排序，由于LSTM设计的循环结构的要求，需要输入特征向量组成的序列数据，构造样本数据集，利用LSTM模型来根据过去的一段时间数据来预测未来一段时间的数据，选定时间滞后组成的样本数据集后，使用一定时间范围的数据作为训练集，所有参数训练完成后，选用相关系数最高且绝对误差最小的模型作为最优预测模型。本发明以达到预测隧道灯具亮度衰减到照明细则规定的阈值的时间，从而提醒维修人员及时更换灯具，防止车辆进入隧道时安全事故发生。

Description

一种隧道灯具照度衰减预测方法

技术领域

本发明涉及信息技术领域，具体涉及一种隧道灯具照度衰减预测方法。

背景技术

随着我国高速公路的不断发展，占地少、里程短、效率高的公路隧道出现的越来越多。截止2020年，全国公路总里程501.25万公里，全国公路隧道19067 处、1896.66万米，这在规模和数量上跨入世界前列。对于高速公路上面行驶的车辆，车速快，流量大，保证车辆顺利通过隧道是公路运营的重要环节。根据《公路隧道照明细则JTGJD70/2-01-2014》(以下简称：照明细则)，长度大于100m 的光学长隧道和长度大于200m的隧道都应该安装照明设施。

隧道照明的目的是为了适应司机在白天进入隧道后的视觉变化，避免产生黑洞效应而发生意外。由于隧道环境的特点，一，白天外部环境和隧道内部相比，亮度差极大，从外部环境看向长隧道，隧道入口会产生黑洞效应，即隧道入口看上去像一个黑洞，无法得知内部状况；二，驾驶员由明亮的外部环境驶入隧道后，其眼睛需要适应一段时间才能看清隧道内部情况；三，在驾驶员驶出隧道后，会产生极强的眩光，产生一个很亮的洞口。因此驾驶员的视觉适应性是隧道照明技术必须解决的问题。解决上述问题的方案是，根据隧道外部环境的亮度、车速、车流量、温度等信息来调节隧道内灯具功率，保证隧道内部具有足够合适的亮度。在隧道照明规范《中华人民共和国行业标准.JTJTD702-01-2公路隧道照明设计细则》中，规定了实际需求亮度的计算方法。

然而在实际应用中，隧道灯具使用环境非常复杂，且通过调整灯具功率来调整灯具亮度的方法造成灯具衰退的现象普遍存在。为了避免灯具在使用过程中亮度衰退到照明细则规定的阈值以下，往往需要凭借维修人员的经验和现场测量的具体数据来更换灯具。这样的方法需要消耗巨大的测量资源，而且适用范围较窄。

鉴于此，本发明公开一种基于机器学习技术的隧道灯具亮度衰减曲线预测方法，以达到预测隧道灯具亮度衰减到照明细则规定的阈值的时间，从而提醒维修人员及时更换灯具，防止车辆进入隧道时安全事故发生。

(1)现有的技术方案

根据《道路照明的亮度测量方法》采用的测量方法，应从灯具的间距整性及光源的一致性等方面选择有代表性的路段，利用四点法或中心法的布点方法，测量并计算道路水平平均亮度和均匀度。目前的隧道照明是每隔一段时间，利用照度计进行点对点测量来获取隧道内灯具的实际照度信息。但是，上述测量方法不能满足实时测量的需求，因为灯具损坏和灯具随时间发生灯衰使实际亮度达不到标准。

《隧道照明闭环反馈智慧控制系统》中设计了一种隧道照明闭环反馈智慧控制系统，实现了对隧道内部亮度的实时测量和控制。该设计中，以亮度实时监测摄像机采集的图像信息为基础计算洞内路面亮度的实际值，以环境信息感知传感器和车辆信息感知传感器采集到的数据为基础，根据照明细则计算隧道内设定的亮度值。然而，系统需要投放巨大的资源，例如红外探测器、车辆线圈检测器、洞内照度仪、洞内摄像机等，并且实时监控和计算，需要保证系统零件全部正常运转，消耗极大的资源。

在实际灯具使用过程中，灯具的照明存在衰减，随着时间的延长，灯具的衰减会越来越严重，从而导致路面照度越来越低，这时不满足照明细则提出的标准，需要更换灯具来满足隧道路面的照明需求。而仅仅是因为光衰而其他部分均处于正常工作状态，就更换灯具造成了浪费。一般采取功率冗余的方法，当光衰达到一定程度时对整体灯光通量进行补偿，使照明效果满足照明需求。

影响灯具光衰的元素非常复杂，以白光LED为例，其主成分包含芯片、荧光粉、有机材料，造成光衰也是来源于这三种成分的退化。随着时间和温度的变化，特别是在温度较高时，会加速荧光粉的化学反应，从而导致性能退化。阿伦尼乌斯在对电离现象的研究中提出，环境条件不变的条件先，化学反应速率可以认为是常数。但是在现实生产生活中，没有理想的实验条件，大多数灯具的使用都跟环境有关，例如功率冗余的方式，给灯具加大电压势必会提高灯具温度。所以多变的环境会给灯衰的计算带来巨大影响。

在传统的计算方法上，很难轻易得出灯具报废的具体时间，大多都是凭借经验提前更换灯具。

然而，随着近年来机器学习技术在科学和工程领域的广泛应用，越来越多的研究者使用数据驱动的方法来解决实际生产方面的问题。其中，人工神经网络是今年来的研究热点问题之一。

隧道灯光设备的亮度状态数据具有时序性、复杂性以及多样性等特点。传统上对于灯光设备的运行状况主要依靠产品说明书以及人工经验来判断，在实际应用中往往不能及时有效地给出维护意见。

发明内容

本发明的目的在于提供一种隧道灯具照度衰减预测方法，以达到预测隧道灯具亮度衰减到照明细则规定的阈值的时间，从而提醒维修人员及时更换灯具，防止车辆进入隧道时安全事故发生。

本发明的技术方案是：

一种隧道灯具照度衰减预测方法，所述方法的具体步骤如下：

选择使用递归特征消除(Recursive feature elimination)算法；

步骤一：基于全部特征进行训练，针对训练的结果，对每个特征进行评估，评估得分最小的特征即为最不相关的特征，将其去除；剩下的特征进行第二轮训练，递归执行上述过程，直到最后只包含一个特征；特征被消除的顺序即为特征的重要性排序，重要的特征相对不重要的特征较晚去除；

步骤二：依据隧道灯具使用特征以及历史照度数据，筛选出灯具发光强度衰减影响因素包括：输入电压、输入电流、温度、湿度、隧道外光照强度；为了提高模型的预测精度，并消除影响因素之间量纲的影响，需要对输入数据进行预处理；对于灯具发光强度衰减的影响因素，数据较为稳定，不存在极端的最大值和最小值，故采用归一化处理方法，将影响因素的数据值映射到0-1区间，其线性变换公式为：

通过传感器和测量器获得数据并进行处理后，我们进行样本集构造；假设 X_t是t时刻的灯具发光强度衰退影响因素的特征向量，目标是预测未来N个时刻的光照强度变化曲线，每个特征向量包含五个特征，编号为F1-F5，分别表示输入电压、输入电流、温度、湿度、隧道外光照强度；

步骤三：由于LSTM设计的循环结构的要求，需要输入特征向量组成的序列数据，假设序列由M个特征向量组成，即时间序列步长为M，本文构造的输入序列数据形式为{X_t-M+1，X_t-M+2，...，X_t}；例如，第一个序列数据为 {X₁，X₂，...，X_M}，第二个序列数据为{X₂，X₃，...，X_M+1}，以此类推得到其他序列数据；

步骤四：构造样本数据集，利用LSTM模型来根据过去的一段时间数据来预测未来一段时间的数据，需要提供样本输入时间序列数据和样本输出时间序列数据，假设样本观测时间为T，即记录了T个小时的灯具状态序列数据，时间步长为M，预测序列数据之后N个小时，Y_t为t时刻的灯具亮度数据。则输入时间序列数据包括S_I1＝{X₁，X₂，...，X_M}，S_I2＝{X₂，X₃，...，X_M+1}，...， S_IZ＝{X_Z，X_Z+1，...，X_Z+M-1}；输出时间序列数据包括 S_O1＝{Y_1+M，Y_2+M，...，Y_N+M}，S_O2＝{Y_2+M，Y_3+M，...，Y_N+1+M}，...， S_OZ＝{Y_Z+M，Y_Z+1+M，...，Y_Z+N-1+M}；一共有Z＝T-N-M+1个监督学习样本；在训练模型过程中，输入(Z,M,F)三维张量，其中F为特征向量的维度；

步骤五：选定时间滞后组成的样本数据集后，使用一定时间范围的数据作为训练集，一定时间范围的数据作为验证集，一定时间范围的数据作为测试集；为了评估建立的LSTM模型在预测隧道灯具亮度曲线上的准确度，采用相关系数和平均绝对百分误差(MeanAbsolute Percentage Error,MAPE)对模型进行评价；然后进行模型训练与调优，采用TensorFlow开源平台作为深度学习的平台，进行模型训练；首先随机初始化LSTM神经网络参数，设置神经网络层数(layers) 为1，时间序列步长(timesteps)为24小时，神经元(neurons)个数为50，训练循环次数(epochs)为60，批量(batchsize)大小为3；随后使用训练数据进行模型训练，完成后将验证模型准确性；

步骤六：由于神经网络的参数是随机生成的，而且参数比较多，同时取值范围较大，为了保证模型预测结果的准确性，首先手动确定参数范围，随后利用计算机自动寻找最优解；在手动确定参数过程中，避免模型过拟合，添加更多的隐藏层、设置更多的神经节点；使用均方误差(Mean Square Error,MSE)作为LSTM 模型的损失函数(loss function)，使用“adam”计算神经网络每个参数的自适应学习率，按照一定的比例将神经元暂时从神经网络中丢弃，(Dropout方法)防止模型过拟合；

步骤七：所有参数训练完成后，选用相关系数最高且绝对误差最小的模型作为最优预测模型。

所述的一种隧道灯具照度衰减预测方法，其优选方案为灯具寿命评估过程：

将隧道灯具亮度衰退过程视为时间与各个影响因素的函数关系，利用机器学习技术，通过数据集训练计算得到LSTM预测模型，然后利用模型预测未来时间灯具亮度变化曲线。

所述的一种隧道灯具照度衰减预测方法，其优选方案为基于LSTM模型的隧道灯具亮度衰退曲线预测一般步骤如下：

步骤一：数据收集，通过传感器、测量仪等收集t时刻输入电压、输入电流、温度、湿度、隧道外光照强度的具体数据以及灯具的亮度值；

步骤二：数据预处理，对收集到的数据进行处理，得到适用于LSTM模型的特征向量序列；

步骤三：模型训练，进行监督学习，并通过调优得到预测模型；

步骤四：伪曲线计算，根据隧道灯具照明细则，假设灯具亮度衰退至失效阈值L，得到衰退轨迹。

本发明的主要是是设计了隧道灯具亮度衰减曲线预测模型，并给出模型建立参数和调优方案，该方案中预测模型可由其他神经网络模型代替，例如RNN模型。

本发明的有益效果：针对灯具的时间序列数据，更加合理的选择是利用循环神经网络(Recurrent Neural Network,RNN)。循环神经网络中，每个神经单元内含有一个循环结构，循环结构可以保留前面的信息并将其加入后续时间序列数据计算中。基于该方法，灯具在随时间变化产生的时序状态数据所包含的隐藏信息可以充分被挖掘出来，并可以预测将来某段时间的状态数据，从而得出灯具亮度衰退曲线，达到及时更换灯具的目的；减少实时监控带来的资源浪费问题，降低隧道运营成本。

附图说明

图1为隧道灯具衰减曲线预测方法。

具体实施方式

一种隧道灯具照度衰减预测方法，所述方法的具体步骤如下：

选择使用递归特征消除(Recursive feature elimination)算法；

步骤一：基于全部特征进行训练，针对训练的结果，对每个特征进行评估，评估得分最小的特征即为最不相关的特征，将其去除；剩下的特征进行第二轮训练，递归执行上述过程，直到最后只包含一个特征；特征被消除的顺序即为特征的重要性排序，重要的特征相对不重要的特征较晚去除；

步骤二：依据隧道灯具使用特征以及历史照度数据，筛选出灯具发光强度衰减影响因素包括：输入电压、输入电流、温度、湿度、隧道外光照强度；为了提高模型的预测精度，并消除影响因素之间量纲的影响，需要对输入数据进行预处理；对于灯具发光强度衰减的影响因素，数据较为稳定，不存在极端的最大值和最小值，故采用归一化处理方法，将影响因素的数据值映射到0-1区间，其线性变换公式为：

通过传感器和测量器获得数据并进行处理后，我们进行样本集构造；假设 X_t是t时刻的灯具发光强度衰退影响因素的特征向量，目标是预测未来N个时刻的光照强度变化曲线，每个特征向量包含五个特征，编号为F1-F5，分别表示输入电压、输入电流、温度、湿度、隧道外光照强度；

步骤三：由于LSTM设计的循环结构的要求，需要输入特征向量组成的序列数据，假设序列由M个特征向量组成，即时间序列步长为M，本文构造的输入序列数据形式为{X_t-M+1，X_t-M+2，...，X_t}；例如，第一个序列数据为 {X₁，X₂，...，X_M}，第二个序列数据为{X₂，X₃，...，X_M+1}，以此类推得到其他序列数据；

步骤四：构造样本数据集，利用LSTM模型来根据过去的一段时间数据来预测未来一段时间的数据，需要提供样本输入时间序列数据和样本输出时间序列数据，假设样本观测时间为T，即记录了T个小时的灯具状态序列数据，时间步长为M，预测序列数据之后N个小时，Y_t为t时刻的灯具亮度数据。则输入时间序列数据包括S_I1＝{X₁，X₂，...，X_M}，S_I2＝{X₂，X₃，...，X_M+1}，...， S_IZ＝{X_Z，X_Z+1，...，X_Z+M-1}；输出时间序列数据包括 S_O1＝{Y_1+M，Y_2+M，...，Y_N+M}，S_O2＝{Y_2+M，Y_3+M，...，Y_N+1+M}，...， S_OZ＝{Y_Z+M，Y_Z+1+M，...，Y_Z+N-1+M}；一共有Z＝T-N-M+1个监督学习样本；在训练模型过程中，输入(Z,M,F)三维张量，其中F为特征向量的维度；

步骤五：选定时间滞后组成的样本数据集后，使用一定时间范围的数据作为训练集，一定时间范围的数据作为验证集，一定时间范围的数据作为测试集；为了评估建立的LSTM模型在预测隧道灯具亮度曲线上的准确度，采用相关系数和平均绝对百分误差(MeanAbsolute Percentage Error,MAPE)对模型进行评价；然后进行模型训练与调优，采用TensorFlow开源平台作为深度学习的平台，进行模型训练；首先随机初始化LSTM神经网络参数，设置神经网络层数(layers) 为1，时间序列步长(timesteps)为24小时，神经元(neurons)个数为50，训练循环次数(epochs)为60，批量(batchsize)大小为3；随后使用训练数据进行模型训练，完成后将验证模型准确性；

步骤六：由于神经网络的参数是随机生成的，而且参数比较多，同时取值范围较大，为了保证模型预测结果的准确性，首先手动确定参数范围，随后利用计算机自动寻找最优解；在手动确定参数过程中，避免模型过拟合，添加更多的隐藏层、设置更多的神经节点；使用均方误差(Mean Square Error,MSE)作为LSTM 模型的损失函数(loss function)，使用“adam”计算神经网络每个参数的自适应学习率，按照一定的比例将神经元暂时从神经网络中丢弃，(Dropout方法)防止模型过拟合；

步骤七：所有参数训练完成后，选用相关系数最高且绝对误差最小的模型作为最优预测模型。

灯具寿命评估过程：

将隧道灯具亮度衰退过程视为时间与各个影响因素的函数关系，利用机器学习技术，通过数据集训练计算得到LSTM预测模型，然后利用模型预测未来时间灯具亮度变化曲线。

基于LSTM模型的隧道灯具亮度衰退曲线预测一般步骤如下：

步骤一：数据收集，通过传感器、测量仪等收集t时刻输入电压、输入电流、温度、湿度、隧道外光照强度的具体数据以及灯具的亮度值；

步骤二：数据预处理，对收集到的数据进行处理，得到适用于LSTM模型的特征向量序列；

步骤三：模型训练，进行监督学习，并通过调优得到预测模型；

步骤四：伪曲线计算，根据隧道灯具照明细则，假设灯具亮度衰退至失效阈值L，得到衰退轨迹。

Claims (3)

1.一种隧道灯具照度衰减预测方法，其特征在于，所述方法的具体步骤如下：

选择使用递归特征消除(Recursive feature elimination)算法；

步骤一：基于全部特征进行训练，针对训练的结果，对每个特征进行评估，评估得分最小的特征即为最不相关的特征，将其去除；剩下的特征进行第二轮训练，递归执行上述过程，直到最后只包含一个特征；特征被消除的顺序即为特征的重要性排序，重要的特征相对不重要的特征较晚去除；

步骤二：依据隧道灯具使用特征以及历史照度数据，筛选出灯具发光强度衰减影响因素包括：输入电压、输入电流、温度、湿度、隧道外光照强度；为了提高模型的预测精度，并消除影响因素之间量纲的影响，需要对输入数据进行预处理；对于灯具发光强度衰减的影响因素，数据较为稳定，不存在极端的最大值和最小值，故采用归一化处理方法，将影响因素的数据值映射到0-1区间，其线性变换公式为：

通过传感器和测量器获得数据并进行处理后，我们进行样本集构造；假设X_t是t时刻的灯具发光强度衰退影响因素的特征向量，目标是预测未来N个时刻的光照强度变化曲线，每个特征向量包含五个特征，编号为F1-F5，分别表示输入电压、输入电流、温度、湿度、隧道外光照强度；

步骤三：由于LSTM设计的循环结构的要求，需要输入特征向量组成的序列数据，假设序列由M个特征向量组成，即时间序列步长为M，本文构造的输入序列数据形式为{X_t-M+1，X_t-M+2，...，X_t}；例如，第一个序列数据为{X₁，X₂，...，X_M}，第二个序列数据为{X₂，X₃，...，X_M+1}，以此类推得到其他序列数据；

步骤四：构造样本数据集，利用LSTM模型来根据过去的一段时间数据来预测未来一段时间的数据，需要提供样本输入时间序列数据和样本输出时间序列数据，假设样本观测时间为T，即记录了T个小时的灯具状态序列数据，时间步长为M，预测序列数据之后N个小时，Y_t为t时刻的灯具亮度数据。则输入时间序列数据包括S_I1＝{X₁，X₂，...，X_M}，S_I2＝{X₂，X₃，...，X_M+1}，...，S_IZ＝{X_Z，X_Z+1，...，X_Z+M-1}；输出时间序列数据包括S₀₁＝{Y_1+M，Y_2+M，...，Y_N+M}，S₀₂＝{Y_2+M，Y_3+M，...，Y_N+1+M}，...，S_0Z＝{Y_Z+M，Y_Z+1+M，...，Y_Z+N-1+M}；一共有Z＝T-N-M+1个监督学习样本；在训练模型过程中，输入(Z，M，F)三维张量，其中F为特征向量的维度；

步骤五：选定时间滞后组成的样本数据集后，使用一定时间范围的数据作为训练集，一定时间范围的数据作为验证集，一定时间范围的数据作为测试集；为了评估建立的LSTM模型在预测隧道灯具亮度曲线上的准确度，采用相关系数和平均绝对百分误差(MeanAbsolute Percentage Error，MAPE)对模型进行评价；然后进行模型训练与调优，采用TensorFlow开源平台作为深度学习的平台，进行模型训练；首先随机初始化LSTM神经网络参数，设置神经网络层数(layers)为1，时间序列步长(timesteps)为24小时，神经元(neurons)个数为50，训练循环次数(epochs)为60，批量(batchsize)大小为3；随后使用训练数据进行模型训练，完成后将验证模型准确性；

步骤六：由于神经网络的参数是随机生成的，而且参数比较多，同时取值范围较大，为了保证模型预测结果的准确性，首先手动确定参数范围，随后利用计算机自动寻找最优解；在手动确定参数过程中，避免模型过拟合，添加更多的隐藏层、设置更多的神经节点；使用均方误差(Mean Square Error，MSE)作为LSTM模型的损失函数(loss function)，使用“adam”计算神经网络每个参数的自适应学习率，按照一定的比例将神经元暂时从神经网络中丢弃，(Dropout方法)防止模型过拟合；

步骤七：所有参数训练完成后，选用相关系数最高且绝对误差最小的模型作为最优预测模型。

2.如权利要求1所述的一种隧道灯具照度衰减预测方法，其特征在于：灯具寿命评估过程：

将隧道灯具亮度衰退过程视为时间与各个影响因素的函数关系，利用机器学习技术，通过数据集训练计算得到LSTM预测模型，然后利用模型预测未来时间灯具亮度变化曲线。

3.如权利要求1所述的一种隧道灯具照度衰减预测方法，其特征在于：基于LSTM模型的隧道灯具亮度衰退曲线预测一般步骤如下：

步骤一：数据收集，通过传感器、测量仪等收集t时刻输入电压、输入电流、温度、湿度、隧道外光照强度的具体数据以及灯具的亮度值；

步骤二：数据预处理，对收集到的数据进行处理，得到适用于LSTM模型的特征向量序列；

步骤三：模型训练，进行监督学习，并通过调优得到预测模型；

步骤四：伪曲线计算，根据隧道灯具照明细则，假设灯具亮度衰退至失效阈值L，得到衰退轨迹。

Images