CN117202430B - 用于智慧灯杆的节能控制方法及系统 - Google Patents

Abstract

公开了一种用于智慧灯杆的节能控制方法及系统。其首先通过部署于智能灯杆的光强传感器采集预定时间段内多个预定时间点的环境亮度值，接着，将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度时序输入向量，然后，对所述环境亮度时序输入向量进行时序特征分析以得到环境亮度时序特征，最后，基于所述环境亮度时序特征，确定是否减少智能灯杆的LED光源的照明亮度。这样，可以根据不同的环境条件和需求，提供适当的照明水平，既满足人们的需求，又最大限度地减少能源消耗。

Description

用于智慧灯杆的节能控制方法及系统

技术领域

本申请涉及节能控制领域，且更为具体地，涉及一种用于智慧灯杆的节能控制方法及系统。

背景技术

随着能源资源的日益紧张和环境保护意识的增强，节能成为了当今社会发展的重要方向之一。在照明领域，智慧灯杆作为一种新兴的节能照明设备，受到了广泛关注。相比传统的荧光灯或钨丝灯，智慧灯杆采用LED照明技术，具有更高的能效和更长的寿命。

然而，现有的智慧灯杆通常采用基于时间调度的控制方法，预先设置好每个时间段的照明亮度，缺乏对周围环境的感知和反馈机制，这种方法无法根据实际环境变化进行动态调节，导致在某些情况下照明过度或不足，造成能源的浪费或使用者的不适。

因此，期望一种优化的用于智慧灯杆的节能控制方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于智慧灯杆的节能控制方法及系统。其可以根据不同的环境条件和需求，提供适当的照明水平，既满足人们的需求，又最大限度地减少能源消耗。

根据本申请的一个方面，提供了一种用于智慧灯杆的节能控制方法，其包括：

通过部署于智能灯杆的光强传感器采集预定时间段内多个预定时间点的环境亮度值；

将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度时序输入向量；

对所述环境亮度时序输入向量进行时序特征分析以得到环境亮度时序特征；以及

基于所述环境亮度时序特征，确定是否减少智能灯杆的LED光源的照明亮度。

根据本申请的另一个方面，提供了一种用于智慧灯杆的节能控制系统，其包括：

环境亮度值采集模块，用于通过部署于智能灯杆的光强传感器采集预定时间段内多个预定时间点的环境亮度值；

向量化模块，用于将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度时序输入向量；

时序特征分析模块，用于对所述环境亮度时序输入向量进行时序特征分析以得到环境亮度时序特征；以及

照明亮度调整模块，用于基于所述环境亮度时序特征，确定是否减少智能灯杆的LED光源的照明亮度。

与现有技术相比，本申请提供的用于智慧灯杆的节能控制方法及系统，其首先通过部署于智能灯杆的光强传感器采集预定时间段内多个预定时间点的环境亮度值，接着，将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度时序输入向量，然后，对所述环境亮度时序输入向量进行时序特征分析以得到环境亮度时序特征，最后，基于所述环境亮度时序特征，确定是否减少智能灯杆的LED光源的照明亮度。这样，可以根据不同的环境条件和需求，提供适当的照明水平，既满足人们的需求，又最大限度地减少能源消耗。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。

图1为根据本申请实施例的用于智慧灯杆的节能控制方法的流程图。

图2为根据本申请实施例的用于智慧灯杆的节能控制方法的架构示意图。

图3为根据本申请实施例的用于智慧灯杆的节能控制方法的子步骤S130的流程图。

图4为根据本申请实施例的用于智慧灯杆的节能控制方法的子步骤S131的流程图。

图5为根据本申请实施例的用于智慧灯杆的节能控制方法的子步骤S140的流程图。

图6为根据本申请实施例的用于智慧灯杆的节能控制系统的框图。

图7为根据本申请实施例的用于智慧灯杆的节能控制方法的应用场景图。

具体实施方式

下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

针对上述技术问题，本申请的技术构思为通过部署于智能灯杆的光强传感器实时采集环境亮度值，并在后端引入数据处理和分析算法来进行环境亮度值的时序分析，以基于实际需求实现对智能灯杆的LED光源的照明亮度的自适应调节，从而避免能源的浪费。这样，能够根据不同的环境条件和需求，提供适当的照明水平，既满足人们的需求，又最大限度地减少能源消耗。

图1为根据本申请实施例的用于智慧灯杆的节能控制方法的流程图。图2为根据本申请实施例的用于智慧灯杆的节能控制方法的架构示意图。如图1和图2所示，根据本申请实施例的用于智慧灯杆的节能控制方法，包括步骤：S110，通过部署于智能灯杆的光强传感器采集预定时间段内多个预定时间点的环境亮度值；S120，将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度时序输入向量；S130，对所述环境亮度时序输入向量进行时序特征分析以得到环境亮度时序特征；以及，S140，基于所述环境亮度时序特征，确定是否减少智能灯杆的LED光源的照明亮度。

具体地，在本申请的技术方案中，首先，获取由部署于智能灯杆的光强传感器采集的预定时间段内多个预定时间点的环境亮度值。接着，考虑到由于所述环境亮度值在时间维度上是不断变化的，也就是说，所述环境亮度值在时间维度上具有着时序的动态变化规律。为了能够对于所述环境亮度值的时序变化模式和趋势进行有效分析和充分捕捉，首先需要将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度时序输入向量，以此来整合所述环境亮度值在时序上的分布信息。

然后，为了更好地提取环境亮度的时序特征，在本申请的技术方案中，进一步将所述环境亮度时序输入向量通过向量-图像转换模块以得到环境亮度时序图像。通过将所述环境亮度时序输入向量转换为图像的形式，可以利用图像处理和分析算法来处理和分析该图像数据，以更为准确地对于只能灯杆的LED光源照明亮度进行自适应控制。这是由于图像数据具有丰富的信息，可以包含空间和时间上的结构特征，而向量数据则无法直接捕捉到这些特征。也就是说，通过将所述环境亮度时序输入向量转化为所述环境亮度时序图像，以便于后续捕捉到不同时间点和空间位置上的亮度变化模式。这些时序特征可以更好地反映环境亮度的动态变化，为后续的处理和控制提供更准确的信息。

进一步地，在将所述环境亮度时序输入向量转化为所述环境亮度时序图像后，使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的环境亮度时序特征提取器对所述环境亮度时序图像进行特征挖掘，以提取出所述环境亮度时序图像中有关于环境亮度的时序变化特征、空间分布特征以及其他与节能控制相关的特征信息，从而得到环境亮度时序特征矩阵，有利于后续对于智能灯杆的LED光源的照明亮度进行更为准确地自适应控制。

接着，还考虑到在实际进行环境亮度值的时序监测过程中，应更加关注于空间位置上关于智能灯杆的LED光源的照明亮度变化情况而忽略与该LED光源的照明亮度时序变化无关的干扰亮度特征信息。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本申请的技术方案中，将所述环境亮度时序特征矩阵通过空间注意力模块中进行处理，以对于所述环境亮度时序图像中有关于环境亮度的时序变化特征进行空间位置上的特征强化，从而得到聚焦于所述智能灯杆的LED光源的照明亮度时序变化特征信息以得到空间强化环境亮度时序特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于所述智能灯杆的LED光源的照明亮度时序特征信息。

相应地，如图3所示，对所述环境亮度时序输入向量进行时序特征分析以得到环境亮度时序特征，包括：S131，将所述环境亮度时序输入向量通过向量-图像转换模块以得到环境亮度时序图像；S132，通过基于深度神经网络模型的环境亮度时序特征提取器对所述环境亮度时序图像进行特征提取以得到环境亮度时序特征；以及，S133，对所述环境亮度时序特征进行空间显化处理以得到显化后环境亮度时序特征作为所述环境亮度时序特征。应可以理解，在所描述的环境亮度时序输入向量进行时序特征分析的过程中，包括S131、S132和S133三个步骤。在步骤S131中，将环境亮度时序输入向量通过向量-图像转换模块转换为环境亮度时序图像，这个步骤的目的是将原始的数值向量转换为图像的形式，以便后续的特征提取和可视化处理。在步骤S132中，使用基于深度神经网络模型的环境亮度时序特征提取器对环境亮度时序图像进行特征提取，通过深度神经网络模型，可以学习到图像中的关键特征，这些特征可以用来描述环境亮度的时序变化，并用于后续的分析和处理。在步骤S133中，对环境亮度时序特征进行空间显化处理，得到显化后的环境亮度时序特征，这个步骤的目的是将提取到的特征以可视化的方式呈现出来，使人们能够更直观地理解和分析环境亮度的时序变化，通过显化后的特征，可以发现潜在的模式、趋势或异常，从而为后续的决策和应用提供参考。总的来说，这三个步骤结合起来，可以将环境亮度的时序输入向量转换为可视化的时序特征，从而提供更全面、直观的信息，帮助人们理解和分析环境亮度的变化。

更具体地，在步骤S131中，如图4所示，将所述环境亮度时序输入向量通过向量-图像转换模块以得到环境亮度时序图像，包括：S1311，对所述环境亮度时序输入向量进行归一化处理以将所述环境亮度时序输入向量中的各个值映射到0-255之间以得到归一化后环境亮度时序输入向量；以及，S1312，将所述归一化后环境亮度时序输入向量重塑为矩阵以得到环境亮度时序重塑矩阵作为所述环境亮度时序图像。应可以理解，在将环境亮度时序输入向量转换为环境亮度时序图像的过程中，包括S1311和S1312两个步骤。在步骤S1311中，对环境亮度时序输入向量进行归一化处理，将向量中的各个值映射到0-255之间，归一化后的向量可以保证图像的亮度范围适应图像处理的要求。在步骤S1312中，将归一化后的环境亮度时序输入向量重塑为矩阵，得到环境亮度时序重塑矩阵，即环境亮度时序图像，通过重塑为矩阵，可以将向量转换为二维的图像矩阵，方便后续的图像处理和特征提取，重塑的过程需要指定图像的宽度和高度，可以根据具体应用的需求进行设置。总的来说，S1311和S1312两个步骤的目的是将环境亮度时序输入向量转换为二维的图像矩阵，以便后续的特征提取和可视化处理。归一化处理可以保证图像的亮度范围适应处理要求，而重塑为矩阵则是为了将向量转换为图像的形式，方便后续的处理和分析。

更具体地，在步骤S132中，所述深度神经网络模型为卷积神经网络模型。值得一提的是，卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于处理具有网格结构的数据。卷积神经网络的主要特点是局部感知和权值共享。它通过使用卷积层、池化层和全连接层等组件，对输入数据进行多层次的特征提取和抽象。卷积层（Convolutional Layer）通过卷积操作对输入数据进行特征提取，它使用一组可学习的卷积核（滤波器）对输入数据进行滑动窗口的卷积运算，提取出不同位置的局部特征，卷积操作能够捕捉到输入数据的空间结构信息，例如图像中的边缘、纹理等。池化层（PoolingLayer）用于对特征图进行下采样，减少特征图的尺寸并保留重要的特征，常见的池化操作包括最大池化和平均池化，它们分别取池化窗口中的最大值或平均值作为输出，池化层能够减少参数数量，提高模型的计算效率，并具有一定的平移不变性。全连接层（FullyConnected Layer）用于对池化层输出的特征进行分类或回归等任务，它将特征展平为一维向量，并通过全连接操作将特征映射到输出空间。全连接层通常在网络的最后几层使用，用于实现具体的任务。卷积神经网络通过多层的卷积、池化和全连接层的组合，能够自动学习输入数据中的高级特征表示，从而在图像处理和模式识别等任务上取得优秀的性能。并且可以通过调整网络结构和参数来适应不同的应用场景。

更具体地，在步骤S133中，对所述环境亮度时序特征进行空间显化处理以得到显化后环境亮度时序特征作为所述环境亮度时序特征，包括：将所述环境亮度时序特征矩阵通过空间注意力模块以得到空间强化环境亮度时序特征矩阵作为所述环境亮度时序特征。值得一提的是，空间注意力模块是一种用于增强图像或特征中的空间信息的模块，它能够自动学习并强调图像中的重要区域或特征。空间注意力模块通常包含以下几个关键组件：1.卷积层（Convolutional Layer）：卷积层用于提取输入特征的局部信息，并生成特征图。2.注意力机制（Attention Mechanism）：注意力机制是空间注意力模块的核心部分，它通过学习权重或注意力系数，对特征图中的不同位置进行加权，以强调重要的空间区域。常见的注意力机制包括自注意力机制（Self-Attention）和通道注意力机制（Channel Attention）等。3.激活函数（Activation Function）：激活函数用于引入非线性变换，增加模型的表达能力。常见的激活函数包括ReLU、Sigmoid和Tanh等。空间注意力模块的作用是在特征图的空间维度上引入权重或注意力系数，以增强重要的空间信息。通过学习权重，模块可以自动关注感兴趣的区域，并抑制不相关的区域。这样可以提高模型对重要特征的感知能力，增强模型对图像中的关键细节和结构的捕捉能力。在环境亮度时序特征的处理中，空间注意力模块可以用来增强特征矩阵中的空间信息，使得模型能够更好地理解环境亮度时序的空间分布和变化规律。通过引入空间注意力模块，可以提高模型对环境亮度时序特征的表示能力，从而更好地应对相关任务，如目标检测、图像分割等。

继而，再将所述空间强化环境亮度时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否减少智能灯杆的LED光源的照明亮度。也就是说，利用聚焦于空间位置上关于智能灯杆的LED光源的照明亮度时序变化特征信息来进行分类处理，从而基于实际的照明需求实现对智能灯杆的LED光源的照明亮度的自适应调节，以避免能源的浪费。

相应地，如图5所示，基于所述环境亮度时序特征，确定是否减少智能灯杆的LED光源的照明亮度，包括：S141，对所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量进行希尔伯特正交空间域表示解耦以得到优化空间强化环境亮度时序特征矩阵；以及，S142，将所述优化空间强化环境亮度时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否减少智能灯杆的LED光源的照明亮度。应可以理解，在基于环境亮度时序特征确定是否减少智能灯杆的LED光源的照明亮度的过程中，包括S141和S142两个步骤。在步骤S141中，对空间强化的环境亮度时序特征矩阵展开，得到空间强化的环境亮度时序特征向量，然后，通过希尔伯特正交空间域表示解耦的方法对特征向量进行处理，得到优化的空间强化环境亮度时序特征矩阵。希尔伯特正交空间域表示解耦是一种数学方法，可以将时域特征转换到频域，并进行解耦处理，以提取更具判别性的特征。在步骤S142中，将优化的空间强化环境亮度时序特征矩阵输入到分类器中，以得到分类结果。分类器可以是一个机器学习模型，用于对输入的特征进行分类或判断。在这个场景中，分类结果用于表示是否减少智能灯杆的LED光源的照明亮度，根据分类结果，可以决策是否需要调整灯杆的照明亮度。总的来说，S141和S142两个步骤的目的是基于空间强化的环境亮度时序特征，通过特征处理和分类器，判断是否需要减少智能灯杆的LED光源的照明亮度。希尔伯特正交空间域表示解耦可以优化特征的表示，提取更有判别性的特征，分类器则用于对优化的特征进行分类，得到是否减少照明亮度的判断结果。

特别地，在本申请的技术方案中，将所述环境亮度时序输入向量通过向量-图像转换模块以得到环境亮度时序图像，可以对环境亮度值在时间维度下的分布进行基于时序细分位置的多维度分布表示，这样，再通过基于卷积神经网络模型的环境亮度时序特征提取器和所述空间注意力模块后，就可以提升所述空间强化环境亮度时序特征矩阵对于环境亮度值在时间维度下的分布的时序多维度交叉关联特征表示效果，但是，考虑到环境亮度值在时序方向上的分布不均匀，在进行基于时序细分位置的多维度分布表示时，也会扩大时序多维度分布空间内的环境亮度值分布不均匀，导致所述空间强化环境亮度时序特征矩阵也具有多样化的局部特征表达，从而在将所述空间强化环境亮度时序特征矩阵通过分类器进行分类时，影响所述空间强化环境亮度时序特征矩阵作为整体在分类域内的泛化效果，影响分类结果的准确性。

基于此，本申请的申请人在对所述空间强化环境亮度时序特征矩阵进行分类时，优选地对所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量，例如记为进行希尔伯特正交空间域表示解耦。

相应地，在一个具体示例中，对所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量进行希尔伯特正交空间域表示解耦以得到优化空间强化环境亮度时序特征矩阵，包括：以如下优化公式对所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量进行希尔伯特正交空间域表示解耦以得到所述优化空间强化环境亮度时序特征矩阵；其中，所述优化公式为：

其中，是所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量，/>是所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量的全局特征均值，/>是所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量的二范数，/>是所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量的长度，且/>是单位向量，/>表示向量减法，/>表示协方差矩阵，/>是所述优化空间强化环境亮度时序特征矩阵展开得到的优化空间强化环境亮度时序特征向量。

这里，所述希尔伯特正交空间域表示解耦用于通过强调所述空间强化环境亮度时序特征向量的多样化特征表达内的本质域特定（domain-specific）信息，即，通过基于向量自空间度量和向量自内积表示下的希尔伯特空间度量，来从所述空间强化环境亮度时序特征向量/>的整体域表示内进行域恒定（domain-invariant）表征的正交空间域解耦，以提升所述空间强化环境亮度时序特征向量/>在分类域内的域自适应泛化性能，从而改进所述空间强化环境亮度时序特征矩阵的分类效果。这样，能够基于实际的实时照明需求实现对智能灯杆的LED光源的照明亮度的自适应调节，以提供适当的照明水平，通过这样的方式，能够使得照明效果既满足人们的需求，又最大限度地减少能源消耗，避免能源的浪费。

进一步地，在步骤S142中，将所述优化空间强化环境亮度时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否减少智能灯杆的LED光源的照明亮度，包括：将所述优化空间强化环境亮度时序特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

也就是，在本公开的技术方案中，所述分类器的标签包括减少智能灯杆的LED光源的照明亮度(第一标签)，以及，不减少智能灯杆的LED光源的照明亮度(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化空间强化环境亮度时序特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“是否减少智能灯杆的LED光源的照明亮度”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，是否减少智能灯杆的LED光源的照明亮度的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“是否减少智能灯杆的LED光源的照明亮度”的语言文本意义。

应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。

值得一提的是，全连接编码是一种常用的特征编码方法，用于将输入特征向量映射到一个低维的、更具表达能力的特征空间。它通过多个全连接层的线性变换和非线性激活函数的组合，对输入特征进行逐层的抽象和表示。全连接编码的主要作用有以下几个方面：1.特征提取和表达：全连接编码通过多个全连接层的堆叠，可以逐渐学习到更高级别的特征表示。每一层都会对输入特征进行线性变换和非线性变换，从而提取出数据中的抽象特征，使得特征更具表达能力。2.维度约减：全连接编码可以通过逐层的线性变换，将输入特征的维度逐渐减少到较低的维度。这有助于减少特征向量的维度，并且可以去除一些冗余信息，提高模型的计算效率。3.特征组合与交互：全连接编码可以通过多个全连接层的组合，实现特征之间的非线性组合和交互。这样可以捕捉到更复杂的特征模式和关系，提高模型的表达能力。4.分类决策：全连接编码的最后一层通常是一个具有Softmax激活函数的全连接层，用于将编码后的特征向量映射到分类结果的概率分布。Softmax函数可以将特征向量的值转化为表示各个类别概率的输出，从而进行分类决策。换言之，全连接编码通过多个全连接层的堆叠，对输入特征进行逐层的抽象和表示，提取出更具表达能力的特征。它可以实现特征提取、维度约减、特征组合与交互，并最终通过Softmax分类函数得到分类结果。这些特征表示和分类结果可以用于判断是否减少智能灯杆的LED光源的照明亮度。

综上，基于本申请实施例的用于智慧灯杆的节能控制方法被阐明，其可以根据不同的环境条件和需求，提供适当的照明水平，既满足人们的需求，又最大限度地减少能源消耗。

图6为根据本申请实施例的用于智慧灯杆的节能控制系统100的框图。如图6所示，根据本申请实施例的用于智慧灯杆的节能控制系统100，包括：环境亮度值采集模块110，用于通过部署于智能灯杆的光强传感器采集预定时间段内多个预定时间点的环境亮度值；向量化模块120，用于将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度时序输入向量；时序特征分析模块130，用于对所述环境亮度时序输入向量进行时序特征分析以得到环境亮度时序特征；以及，照明亮度调整模块140，用于基于所述环境亮度时序特征，确定是否减少智能灯杆的LED光源的照明亮度。

在一个示例中，在上述用于智慧灯杆的节能控制系统100中，所述时序特征分析模块130，包括：转换单元，用于将所述环境亮度时序输入向量通过向量-图像转换模块以得到环境亮度时序图像；环境亮度时序特征提取单元，用于通过基于深度神经网络模型的环境亮度时序特征提取器对所述环境亮度时序图像进行特征提取以得到环境亮度时序特征；以及，空间显化处理单元，用于对所述环境亮度时序特征进行空间显化处理以得到显化后环境亮度时序特征作为所述环境亮度时序特征。

这里，本领域技术人员可以理解，上述用于智慧灯杆的节能控制系统100中的各个模块的具体功能和操作已经在上面参考图1到图5的用于智慧灯杆的节能控制方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本申请实施例的用于智慧灯杆的节能控制系统100可以实现在各种无线终端中，例如具有用于智慧灯杆的节能控制算法的服务器等。在一个示例中，根据本申请实施例的用于智慧灯杆的节能控制系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该用于智慧灯杆的节能控制系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该用于智慧灯杆的节能控制系统100同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该用于智慧灯杆的节能控制系统100与该无线终端也可以是分立的设备，并且该用于智慧灯杆的节能控制系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

图7为根据本申请实施例的用于智慧灯杆的节能控制方法的应用场景图。如图7所示，在该应用场景中，首先，通过部署于智能灯杆（例如，图7中所示意的L）的光强传感器（例如，图7中所示意的C）采集预定时间段内多个预定时间点的环境亮度值（例如，图7中所示意的D），然后，将所述多个预定时间点的环境亮度值输入至部署有用于智慧灯杆的节能控制算法的服务器中（例如，图7中所示意的S），其中，所述服务器能够使用所述用于智慧灯杆的节能控制算法对所述多个预定时间点的环境亮度值进行处理以得到用于表示是否减少智能灯杆的LED光源的照明亮度的分类结果。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。

上面是对本发明的说明，而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解，上面是对本发明的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。

Claims (3)

1.一种用于智慧灯杆的节能控制方法，其特征在于，包括：

通过部署于智能灯杆的光强传感器采集预定时间段内多个预定时间点的环境亮度值；

将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度时序输入向量；

对所述环境亮度时序输入向量进行时序特征分析以得到环境亮度时序特征；以及

基于所述环境亮度时序特征，确定是否减少智能灯杆的LED光源的照明亮度；

其中，对所述环境亮度时序输入向量进行时序特征分析以得到环境亮度时序特征，包括：

将所述环境亮度时序输入向量通过向量-图像转换模块以得到环境亮度时序图像；

通过基于深度神经网络模型的环境亮度时序特征提取器对所述环境亮度时序图像进行特征提取以得到环境亮度时序特征；以及

对所述环境亮度时序特征进行空间显化处理以得到显化后环境亮度时序特征作为所述环境亮度时序特征；

其中，将所述环境亮度时序输入向量通过向量-图像转换模块以得到环境亮度时序图像，包括：

对所述环境亮度时序输入向量进行归一化处理以将所述环境亮度时序输入向量中的各个值映射到0-255之间以得到归一化后环境亮度时序输入向量；以及

将所述归一化后环境亮度时序输入向量重塑为矩阵以得到环境亮度时序重塑矩阵作为所述环境亮度时序图像；

其中，所述深度神经网络模型为卷积神经网络模型；

其中，对所述环境亮度时序特征进行空间显化处理以得到显化后环境亮度时序特征作为所述环境亮度时序特征，包括：

将所述环境亮度时序特征矩阵通过空间注意力模块以得到空间强化环境亮度时序特征矩阵作为所述环境亮度时序特征；

其中，基于所述环境亮度时序特征，确定是否减少智能灯杆的LED光源的照明亮度，包括：

对所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量进行希尔伯特正交空间域表示解耦以得到优化空间强化环境亮度时序特征矩阵；以及

将所述优化空间强化环境亮度时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否减少智能灯杆的LED光源的照明亮度；

其中，对所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量进行希尔伯特正交空间域表示解耦以得到优化空间强化环境亮度时序特征矩阵，包括：

以如下优化公式对所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量进行希尔伯特正交空间域表示解耦以得到所述优化空间强化环境亮度时序特征矩阵；

其中，所述优化公式为：

其中，是所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量，/>是所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量的全局特征均值，/>是所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量的二范数，/>是所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量的长度，且/>是单位向量，/>表示向量减法，/>表示协方差矩阵，/>是所述优化空间强化环境亮度时序特征矩阵展开得到的优化空间强化环境亮度时序特征向量。

2.根据权利要求1所述的用于智慧灯杆的节能控制方法，其特征在于，将所述优化空间强化环境亮度时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否减少智能灯杆的LED光源的照明亮度，包括：

将所述优化空间强化环境亮度时序特征矩阵按照行向量或列向量展开为分类特征向量；

使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

3.一种用于智慧灯杆的节能控制系统，其特征在于，包括：

环境亮度值采集模块，用于通过部署于智能灯杆的光强传感器采集预定时间段内多个预定时间点的环境亮度值；

向量化模块，用于将所述多个预定时间点的环境亮度值按照时间维度排列为环境亮度时序输入向量；

时序特征分析模块，用于对所述环境亮度时序输入向量进行时序特征分析以得到环境亮度时序特征；以及

照明亮度调整模块，用于基于所述环境亮度时序特征，确定是否减少智能灯杆的LED光源的照明亮度；

其中，所述时序特征分析模块，包括：

转换单元，用于将所述环境亮度时序输入向量通过向量-图像转换模块以得到环境亮度时序图像；

环境亮度时序特征提取单元，用于通过基于深度神经网络模型的环境亮度时序特征提取器对所述环境亮度时序图像进行特征提取以得到环境亮度时序特征；以及

空间显化处理单元，用于对所述环境亮度时序特征进行空间显化处理以得到显化后环境亮度时序特征作为所述环境亮度时序特征；

其中，所述转换单元，包括：

对所述环境亮度时序输入向量进行归一化处理以将所述环境亮度时序输入向量中的各个值映射到0-255之间以得到归一化后环境亮度时序输入向量；以及

将所述归一化后环境亮度时序输入向量重塑为矩阵以得到环境亮度时序重塑矩阵作为所述环境亮度时序图像；

其中，所述深度神经网络模型为卷积神经网络模型；

其中，空间显化处理单元，包括：

将所述环境亮度时序特征矩阵通过空间注意力模块以得到空间强化环境亮度时序特征矩阵作为所述环境亮度时序特征；

其中，所述照明亮度调整模块，包括：

对所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量进行希尔伯特正交空间域表示解耦以得到优化空间强化环境亮度时序特征矩阵；以及

将所述优化空间强化环境亮度时序特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否减少智能灯杆的LED光源的照明亮度；

以如下优化公式对所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量进行希尔伯特正交空间域表示解耦以得到所述优化空间强化环境亮度时序特征矩阵；

其中，所述优化公式为：

其中，是所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量，/>是所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量的全局特征均值，/>是所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量的二范数，/>是所述空间强化环境亮度时序特征矩阵展开得到的空间强化环境亮度时序特征向量的长度，且/>是单位向量，/>表示向量减法，/>表示协方差矩阵，/>是所述优化空间强化环境亮度时序特征矩阵展开得到的优化空间强化环境亮度时序特征向量。