CN117173895B - 一种用于城市道路自动照明调节的管理监测系统 - Google Patents

Abstract

一种用于城市道路自动照明调节的管理监测系统，涉及数据监测技术领域，包括综合智能管理平台，所述综合智能管理平台通信连接有数据采集模块、数据处理模块和数据分析模块；数据采集模块采集城市各路段的路灯数据和交通数据；综合智能管理平台在城市道路照明系统与城市交通管理系统之间构建数据信息共享通道，并构建城市道路路灯与交通管理路网一体化可视图；数据处理模块根据城市各路段的历史交通数据为各交通路段设置重要性等级并构建各路段的交通流量预测模型；数据分析模块用于制定路灯照明策略，并根据各交通路段的重要性等级和预测车流量数据确定各交通路段的路灯照明策略；显著提高了城市道路路灯照明管理效率。

Description

一种用于城市道路自动照明调节的管理监测系统

技术领域

本发明涉及数据监测技术领域，具体是一种用于城市道路自动照明调节的管理监测系统。

背景技术

降低能源消耗，提高公共设施利用效率，建设新型智慧城市成为城市发展的重要方向。城市道路路灯的自动照明调节是一个城市基础设施的重要组成部分，也是城镇居民生活中不可缺少的一部分，智慧城市建设速度不断加快，涉及的内容也很多，其中涉及智能路灯的建设及其管理体系的建立与应用尤为重要。

目前，大部分城市的路灯的照明亮度都是固定照明亮度，无法根据路灯所在路段和周围路段的各交通路段的预测车流量和交通事故率动态调节交通路段路灯在不同时间段的照明亮度，为了解决上述技术问题，现提供一种用于城市道路自动照明调节的管理监测系统。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种用于城市道路自动照明调节的管理监测系统，包括综合智能管理平台，所述综合智能管理平台通信连接有数据采集模块、数据处理模块和数据分析模块；

所述数据采集模块用于采集城市各路段的路灯数据和交通数据；

所述综合智能管理平台用于在城市道路照明系统与城市交通管理系统之间构建数据信息共享通道，并构建城市道路路灯与交通管理路网一体化可视图；

所述数据处理模块用于根据城市各路段的历史交通数据为各交通路段设置重要性等级并构建各路段的交通流量预测模型；

所述数据分析模块用于制定路灯照明策略，并根据各交通路段的重要性等级和预测车流量数据确定各交通路段的路灯照明策略；所述路灯照明策略包括能效优先策略和交通优先策略。

进一步的，所述数据采集模块采集城市各路段的路灯数据和交通数据并标记采集时间，设置监测周期；所述路灯数据为照明亮度；所述交通数据包括城市路灯所在路段的车流量数据、交通事故率。

进一步的，所述综合智能管理平台构建城市道路路灯与交通管理路网一体化可视图的过程包括：

利用GIS手段获取城市物理空间中各交通路段及路灯的位置信息，构建二维坐标系，根据各交通路段及路灯的位置信息获取表示各交通路段及路灯位置的平面图，将所述平面图映射至二维坐标系中，获取城市道路路灯与交通管理路网的基础图层；

根据城市各路段的路灯数据和交通数据构建多源数据异构集，并对多源数据异构集进行数据格式预处理，将数据格式预处理后的多源异构数据集生成孪生数据集，并对基础图层中各交通路段及路灯进行三维建模处理，获得城市物理空间中各交通路段及路灯的三维模型，并将孪生数据集与城市物理空间的各交通路段及路灯的三维模型进行匹配，获得三维数据孪生模型；

获取各交通路段的不同空间场景信息，所述空间场景信息包括人行道和交叉口，将所述空间场景信息处理为场景序列，将所述场景序列存储至三维数据孪生模型中，将所述三维数据孪生模型中各交通路段及路灯的三维模型结合各交通路段的场景序列生成城市道路路灯与交通管理路网一体化可视图。

进一步的，所述数据处理模块根据城市各路段的历史交通数据为各交通路段设置重要性等级的过程包括：

获取各交通路段若干历史监测周期的各时段车流量数据和交通事故率，根据各交通路段的车流量数据和交通事故率选取评价指标，设置评价指标的指标权重矩阵，设置重要性等级，通过模糊综合评价生成各交通路段对于重要性等级的隶属度矩阵，根据隶属度矩阵和指标权重矩阵获取各交通路段的重要性等级。

进一步的，所述数据处理模块根据城市各路段的历史交通数据构建各路段的交通流量预测模型的过程包括：

对各交通路段若干历史监测周期的各时段车流量数据分别进行时间特征和空间特征的提取，生成时空特征序列；所述时间特征为若干历史监测周期的车流量数据的采集时间；所述空间特征为若干历史监测周期的车流量数据所在交通路段；

基于RBF神经网络构建交通流量预测模型，根据各交通路段若干历史监测周期的各时段车流量数据的空特征序列构建历史数据集，并将所述历史数据集划分为训练集和测试集，通过训练集对交通流量预测模型进行实时学习训练，直至损失函数训练平稳，并保存模型参数，之后通过测试集对迭代训练后的交通流量预测模型的输出数据矩阵进行相似度验证，根据通过测试集验证的交通流量预测模型中的输出层获取各交通路段下一监测周期的预测车流量数据。

进一步的，所述数据处理模块根据各交通路段的重要性等级和预测车流量数据确定各交通路段的路灯照明策略的过程包括：

设置重要性等级阈值和预测车流量阈值，将交通路段的重要性等级与重要性等级阈值进行对比；当交通路段的重要性等级大于等于重要性等级阈值时，则该交通路段的路灯选择实施交通优先策略；当交通路段的重要性等级小于重要性等级阈值且预测车流量小于等于预测车流量阈值时，则该交通路段的路灯选择实施能效优先策略；当交通路段的重要性等级小于重要性等级阈值且预测车流量大于预测车流量阈值时，则该交通路段的路灯选择实施交通优先策略。

进一步的，所述数据处理模块制定能效优先策略的过程包括：

设置热点路段车流量阈值，获取各路段的当前监测周期的各时段的预测车流量，将各路段的当前监测周期的各时段的预测车流量与热点路段车流量阈值进行对比；当所述路段的当前监测周期的各时段的预测车流量大于等于热点路段车流量阈值时，将当前监测周期的该路段标记为热点交通路段；

选取实施能效优先策略的目标交通路段，设置目标交通路段的预设范围；选取各交通路段中间位置的二维坐标作为中心坐标点，获取城市道路路灯与交通管理路网一体化可视图中目标交通路段的中心坐标点与其他各交通路段的中心坐标点的欧几里得距离，选取中心坐标点与目标交通路段的中心坐标点的欧几里得距离小于预设范围的交通路段并筛选出其中的热点交通路段，获取目标交通路段的预设范围的热点交通路段数量，根据目标交通路段的预设范围的热点交通路段数量获取目标交通路段预设范围的热点路段密度；

构建表示热点交通路段的中心坐标点对目标交通路段的路灯的照明亮度的影响随着中心坐标点与目标交通路段的中心坐标点的欧几里得距离的增长呈指数形衰弱的指数模型，将目标交通路段的预设范围的各热点交通路段的中心坐标点与目标交通路段的中心坐标点的欧几里得距离输入指数模型获得各热点交通路段对目标交通路段的路灯照明亮度影响值；

并将目标交通路段划分为场景序列路段和非场景序列路段，根据当前监测周期各时段的目标交通路段预设范围内的热点路段密度和各热点交通路段对目标交通路段的路灯照明亮度影响值获得非场景序列路段的路灯的照明亮度；并利用大数据方法获取城市道路路灯的标准固定照明亮度，所述场景序列路段的路灯采用标准固定照明亮度。

进一步的，所述数据处理模块制定交通优先策略的过程包括：

选取实施交通优先策略的目标交通路段，所述目标交通路段的路灯采用标准固定照明亮度。

与现有技术相比，本发明的有益效果是：通过城市道路自动照明调节系统和交通管理系统进行数据共享和集成，交通管理系统可以向照明调节系统提供实时的交通流量和交通状况数据，通过城市道路自动照明调节系统与交通管理系统的联动，将路灯照明策略分为能效优先策略和交通优先策略，实施能效优先策略的路灯根据目标交通路段预设范围内的热点路段密度和各热点交通路段对目标交通路段的路灯照明亮度影响值动态调整各时段路灯的照明亮度，提高城市道路路灯照明管理效率，最大程度地提高道路照明的效能。

另一方面，将城市路灯照明调节和交通管理结合，根据各路段交通流量、路灯的照明亮度、各路段重要性和各路段的预测流量因素，快速响应交通状况和光照需求的变化，从而节约能源和降低能耗。

附图说明

图1为本申请实施例的一种用于城市道路自动照明调节的管理监测系统的原理图。

具体实施方式

下面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、完整的描述，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。

如图1所示，一种用于城市道路自动照明调节的管理监测系统，包括综合智能管理平台，所述综合智能管理平台通信连接有数据采集模块、数据处理模块和数据分析模块；

所述数据采集模块用于采集城市各路段的路灯数据和交通数据；

所述综合智能管理平台用于在城市道路照明系统与城市交通管理系统之间构建数据信息共享通道，并构建城市道路路灯与交通管理路网一体化可视图；

所述数据处理模块用于根据城市各路段的历史交通数据为各交通路段设置重要性等级并构建各路段的交通流量预测模型；

所述数据分析模块用于制定路灯照明策略，并根据各交通路段的重要性等级和预测车流量数据确定各交通路段的路灯照明策略；所述路灯照明策略包括能效优先策略和交通优先策略。

需要进一步说明的是，在具体实施过程中，所述数据采集模块采集城市各路段的路灯数据和交通数据并标记采集时间，设置监测周期；所述路灯数据为照明亮度；所述交通数据包括城市路灯所在路段的车流量数据、交通事故率。

需要进一步说明的是，在具体实施过程中，所述综合智能管理平台构建城市道路路灯与交通管理路网一体化可视图的过程包括：

利用GIS手段获取城市物理空间中各交通路段及路灯的位置信息，构建二维坐标系，根据各交通路段及路灯的位置信息获取表示各交通路段及路灯位置的平面图，将所述平面图映射至二维坐标系中，获取城市道路路灯与交通管理路网的基础图层；

根据城市各路段的路灯数据和交通数据构建多源数据异构集，并对多源数据异构集进行数据格式预处理，将数据格式预处理后的多源异构数据集生成孪生数据集，并对基础图层中各交通路段及路灯进行三维建模处理，获得城市物理空间中各交通路段及路灯的三维模型，并将孪生数据集与城市物理空间的各交通路段及路灯的三维模型进行匹配，获得三维数据孪生模型；

获取各交通路段的不同空间场景信息，所述空间场景信息包括人行道和交叉口，将所述空间场景信息处理为场景序列，将所述场景序列存储至三维数据孪生模型中，将所述三维数据孪生模型中各交通路段及路灯的三维模型结合各交通路段的场景序列生成城市道路路灯与交通管理路网一体化可视图。

需要进一步说明的是，在具体实施过程中，所述数据处理模块根据城市各路段的历史交通数据为各交通路段设置重要性等级的过程包括：

获取各交通路段若干历史监测周期的各时段车流量数据和交通事故率，根据各交通路段的车流量数据和交通事故率选取评价指标，设置评价指标的指标权重矩阵，设置重要性等级，通过模糊综合评价生成各交通路段对于重要性等级的隶属度矩阵，根据隶属度矩阵和指标权重矩阵获取各交通路段的重要性等级。

需要进一步说明的是，在具体实施过程中，所述数据处理模块根据城市各路段的历史交通数据构建各路段的交通流量预测模型的过程包括：

对各交通路段若干历史监测周期的各时段车流量数据分别进行时间特征和空间特征的提取，生成时空特征序列；所述时间特征为若干历史监测周期的车流量数据的采集时间；所述空间特征为若干历史监测周期的车流量数据所在交通路段；

基于RBF神经网络构建交通流量预测模型，根据各交通路段若干历史监测周期的各时段车流量数据的空特征序列构建历史数据集，并将所述历史数据集划分为训练集和测试集，通过训练集对交通流量预测模型进行实时学习训练，直至损失函数训练平稳，并保存模型参数，之后通过测试集对迭代训练后的交通流量预测模型的输出数据矩阵进行相似度验证，根据通过测试集验证的交通流量预测模型中的输出层获取各交通路段下一监测周期的预测车流量数据。

需要进一步说明的是，在具体实施过程中，所述数据处理模块根据各交通路段的重要性等级和预测车流量数据确定各交通路段的路灯照明策略的过程包括：

设置重要性等级阈值和预测车流量阈值，将交通路段的重要性等级与重要性等级阈值进行对比；当交通路段的重要性等级大于等于重要性等级阈值时，则该交通路段的路灯选择实施交通优先策略；当交通路段的重要性等级小于重要性等级阈值且预测车流量小于等于预测车流量阈值时，则该交通路段的路灯选择实施能效优先策略；当交通路段的重要性等级小于重要性等级阈值且预测车流量大于预测车流量阈值时，则该交通路段的路灯选择实施交通优先策略。

需要进一步说明的是，在具体实施过程中，所述数据处理模块制定能效优先策略的过程包括：

设置热点路段车流量阈值，获取各路段的当前监测周期的各时段的预测车流量，将各路段的当前监测周期的各时段的预测车流量与热点路段车流量阈值进行对比；当所述路段的当前监测周期的各时段的预测车流量大于等于热点路段车流量阈值时，将当前监测周期的该路段标记为热点交通路段；

选取实施能效优先策略的目标交通路段，设置目标交通路段的预设范围；选取各交通路段中间位置的二维坐标作为中心坐标点，获取城市道路路灯与交通管理路网一体化可视图中目标交通路段的中心坐标点与其他各交通路段的中心坐标点的欧几里得距离，选取中心坐标点与目标交通路段的中心坐标点的欧几里得距离小于预设范围的交通路段并筛选出其中的热点交通路段，获取目标交通路段的预设范围的热点交通路段数量，根据目标交通路段的预设范围的热点交通路段数量获取目标交通路段预设范围的热点路段密度；

需要进一步说明的是，在具体实施过程中，所述目标交通路段预设范围的热点路段密度的计算公式为：

；

其中，K表示目标交通路段预设范围的热点路段密度；N表示目标交通路段的预设范围的热点交通路段数量；S表示目标交通路段的预设范围面积；

构建表示热点交通路段的中心坐标点对目标交通路段的路灯的照明亮度的影响随着中心坐标点与目标交通路段的中心坐标点的欧几里得距离的增长呈指数形衰弱的指数模型，将目标交通路段的预设范围的各热点交通路段的中心坐标点与目标交通路段的中心坐标点的欧几里得距离输入指数模型获得各热点交通路段对目标交通路段的路灯照明亮度影响值；

需要进一步说明的是，在具体实施过程中，所述目标交通路段的路灯照明亮度影响值的计算公式为：

；

其中，表示第i个目标交通路段的路灯照明亮度影响值；表示第i个目标交 通路段的路灯照明亮度影响值权重指数，表示第i个目标交通路段的中心坐标点与第j 个其他热点交通路段的中心坐标点的欧几里得距离；j表示目标交通路段的预设范围的其 它热点交通路段编号；X表示目标交通路段的预设范围的其它热点交通路段总数量；

并将目标交通路段划分为场景序列路段和非场景序列路段，根据当前监测周期各时段的目标交通路段预设范围内的热点路段密度和各热点交通路段对目标交通路段的路灯照明亮度影响值获得非场景序列路段的路灯的照明亮度；并利用大数据方法获取城市道路路灯的标准固定照明亮度，所述场景序列路段的路灯采用标准固定照明亮度。

需要进一步说明的是，在具体实施过程中，所述数据处理模块制定交通优先策略的过程包括：

选取实施交通优先策略的目标交通路段，所述目标交通路段的路灯采用标准固定照明亮度。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (1)

1.一种用于城市道路自动照明调节的管理监测系统，包括综合智能管理平台，其特征在于，所述综合智能管理平台通信连接有数据采集模块、数据处理模块和数据分析模块；

所述数据采集模块用于采集城市各路段的路灯数据和交通数据；

所述数据采集模块在采集城市各路段的路灯数据和交通数据的过程中包括：标记采集时间，设置监测周期，所述路灯数据为照明亮度；所述交通数据包括城市路灯所在路段的车流量数据、交通事故率；

所述综合智能管理平台用于在城市道路照明系统与城市交通管理系统之间构建数据信息共享通道，并构建城市道路路灯与交通管理路网一体化可视图；

所述综合智能管理平台构建城市道路路灯与交通管理路网一体化可视图的过程包括：

利用GIS手段获取城市物理空间中各交通路段及路灯的位置信息，构建二维坐标系，根据各交通路段及路灯的位置信息获取表示各交通路段及路灯位置的平面图，将所述平面图映射至二维坐标系中，获取城市道路路灯与交通管理路网的基础图层；

根据城市各路段的路灯数据和交通数据构建多源数据异构集，并对多源数据异构集进行数据格式预处理，将数据格式预处理后的多源异构数据集生成孪生数据集，并对基础图层中各交通路段及路灯进行三维建模处理，获得城市物理空间中各交通路段及路灯的三维模型，并将孪生数据集与城市物理空间的各交通路段及路灯的三维模型进行匹配，获得三维数据孪生模型；

获取各交通路段的不同空间场景信息，所述空间场景信息包括人行道和交叉口，将所述空间场景信息处理为场景序列，将所述场景序列存储至三维数据孪生模型中，将所述三维数据孪生模型中各交通路段及路灯的三维模型结合各交通路段的场景序列生成城市道路路灯与交通管理路网一体化可视图；

所述数据处理模块用于根据城市各路段的历史交通数据为各交通路段设置重要性等级并构建各路段的交通流量预测模型；

所述数据处理模块根据城市各路段的历史交通数据为各交通路段设置重要性等级的过程包括：

获取各交通路段若干历史监测周期的各时段车流量数据和交通事故率，根据各交通路段的车流量数据和交通事故率选取评价指标，设置评价指标的指标权重矩阵，设置重要性等级，通过模糊综合评价生成各交通路段对于重要性等级的隶属度矩阵，根据隶属度矩阵和指标权重矩阵获取各交通路段的重要性等级；

所述数据处理模块根据城市各路段的历史交通数据构建各路段的交通流量预测模型的过程包括：

对各交通路段若干历史监测周期的各时段车流量数据分别进行时间特征和空间特征的提取，生成时空特征序列；所述时间特征为若干历史监测周期的车流量数据的采集时间；所述空间特征为若干历史监测周期的车流量数据所在交通路段；

基于RBF神经网络构建交通流量预测模型，根据各交通路段若干历史监测周期的各时段车流量数据的空特征序列构建历史数据集，并将所述历史数据集划分为训练集和测试集，通过训练集对交通流量预测模型进行实时学习训练，直至损失函数训练平稳，并保存模型参数，之后通过测试集对迭代训练后的交通流量预测模型的输出数据矩阵进行相似度验证，根据通过测试集验证的交通流量预测模型中的输出层获取各交通路段下一监测周期的预测车流量数据；

所述数据分析模块用于制定路灯照明策略，并根据各交通路段的重要性等级和预测车流量数据确定各交通路段的路灯照明策略；所述路灯照明策略包括能效优先策略和交通优先策略；

所述数据分析模块根据各交通路段的重要性等级和预测车流量数据确定各交通路段的路灯照明策略的过程包括：

设置重要性等级阈值和预测车流量阈值，将交通路段的重要性等级与重要性等级阈值进行对比；当交通路段的重要性等级大于等于重要性等级阈值时，则该交通路段的路灯选择实施交通优先策略；当交通路段的重要性等级小于重要性等级阈值且预测车流量小于等于预测车流量阈值时，则该交通路段的路灯选择实施能效优先策略；当交通路段的重要性等级小于重要性等级阈值且预测车流量大于预测车流量阈值时，则该交通路段的路灯选择实施交通优先策略；

所述数据分析模块制定能效优先策略的过程包括：

设置热点路段车流量阈值，获取各路段的当前监测周期的各时段的预测车流量，将各路段的当前监测周期的各时段的预测车流量与热点路段车流量阈值进行对比；当所述路段的当前监测周期的各时段的预测车流量大于等于热点路段车流量阈值时，将当前监测周期的该路段标记为热点交通路段；

选取实施能效优先策略的目标交通路段，设置目标交通路段的预设范围；选取各交通路段中间位置的二维坐标作为中心坐标点，获取城市道路路灯与交通管理路网一体化可视图中目标交通路段的中心坐标点与其他各交通路段的中心坐标点的欧几里得距离，选取中心坐标点与目标交通路段的中心坐标点的欧几里得距离小于预设范围的交通路段并筛选出其中的热点交通路段，获取目标交通路段的预设范围的热点交通路段数量，根据目标交通路段的预设范围的热点交通路段数量获取目标交通路段预设范围的热点路段密度；

构建表示热点交通路段的中心坐标点对目标交通路段的路灯的照明亮度的影响随着中心坐标点与目标交通路段的中心坐标点的欧几里得距离的增长呈指数形衰弱的指数模型，将目标交通路段的预设范围的各热点交通路段的中心坐标点与目标交通路段的中心坐标点的欧几里得距离输入指数模型获得各热点交通路段对目标交通路段的路灯照明亮度影响值；

并将目标交通路段划分为场景序列路段和非场景序列路段，根据当前监测周期各时段的目标交通路段预设范围内的热点路段密度和各热点交通路段对目标交通路段的路灯照明亮度影响值获得非场景序列路段的路灯的照明亮度；并利用大数据方法获取城市道路路灯的标准固定照明亮度，所述场景序列路段的路灯采用标准固定照明亮度；

所述数据分析模块制定交通优先策略的过程包括：

选取实施交通优先策略的目标交通路段，所述目标交通路段的路灯采用标准固定照明亮度。