基于城市交通大数据的道路智能照明方法及系统与流程

本技术涉及道路智能照明系统，具体而言，涉及一种基于城市交通大数据的道路智能照明方法及系统。

背景技术：

1、随着城市化进程的加快，城市交通管理变得越来越复杂。传统的交通控制系统主要依靠预设的时间表或者基本的传感器反馈来调节信号灯和路灯等设施，但这些方法通常不能有效应对动态变化的交通状况。尤其在道路照明方面，固定的亮度设置无法适应不断变化的交通流量和事件，导致能源浪费以及潜在的安全风险。

2、现有技术中的一些智能交通系统开始采用更高级的传感器和数据分析技术，以实时监测和响应交通条件。然而，这些系统仍面临着一些关键挑战。首先，它们往往无法准确地识别特定的交通行为模式向量，例如由大型活动结束引起的短期交通高峰。此外，即使识别出了交通模式的变化，现有系统也缺乏有效的自适应控制策略来优化照明设置，以满足实际的道路照明需求。

3、目前的照明控制系统往往采用简单的规则或者固定的算法，这限制了它们在复杂交通环境中的适用性。例如，传统的照明系统可能只是在夜间自动增加亮度，而不考虑实际的车流量或者是否有特殊事件发生。这种方法既不经济也不环保，并且不能保证在所有情况下都能提供充足的照明。

技术实现思路

1、为了至少克服现有技术中的上述不足，本技术的目的在于提供一种基于城市交通大数据的道路智能照明方法及系统。

2、第一方面，本技术提供一种基于城市交通大数据的道路智能照明方法，应用于道路智能照明系统，所述方法包括：

3、获取依据指导网络从参考城市交通大数据中的目标道路交通数据中提取的第一交通行为模式向量和依据受训网络从所述目标道路交通数据中提取的第二交通行为模式向量；所述第一交通行为模式向量和所述第二交通行为模式向量包括用于反映交通流量状态的交通状态向量、用于估计照明驱动事件的事件驱动向量；

4、基于显著性分配网络，确定所述第一交通行为模式向量的交通状态向量和所述第一交通行为模式向量的事件驱动向量分别对应的显著性系数阵列；

5、分别针对所述交通状态向量和所述事件驱动向量，计算所述指导网络和所述受训网络提取的交通行为模式向量之间的误差参数，并依据相应的显著性系数阵列与该误差参数确定模式误差参数，计算所述第二交通行为模式向量的事件驱动向量表征的估计照明驱动事件和所述目标道路交通数据对应的标注照明驱动事件之间的事件误差参数；

6、依据所述模式误差参数和所述事件误差参数更新所述受训网络的功能层参数信息，生成对应的目标交通识别模型，并根据所述目标交通识别模型识别候选道路交通数据的目标交通行为模式向量后，根据所述目标交通行为模式向量对相应的候选道路的照明系统进行自适应控制。

7、在第一方面的一种可能的实施方式中，所述基于显著性分配网络，确定所述第一交通行为模式向量的交通状态向量和所述第一交通行为模式向量的事件驱动向量分别对应的显著性系数阵列，包括分别针对所述第一交通行为模式向量的交通状态向量和所述第一交通行为模式向量的事件驱动向量执行以下的显著性系数分配步骤：

8、设置参数化变换权重数组，并依据所述指导网络提取的第一交通行为模式向量确定索引数组和内容数组；

9、循环进行参数配置直至符合循环终止要求，并将生成的参数化变换权重数组输出为相应的显著性系数阵列，该显著性系数阵列中的单元系数用于反映对应所述第一交通行为模式向量的特征空间上特征成员的显著性系数；

10、其中，所述参数配置包括：依据所述参数化变换权重数组、所述索引数组和所述内容数组基于设定策略进行显著性系数分配。

11、在第一方面的一种可能的实施方式中，所述依据所述参数化变换权重数组、所述索引数组和所述内容数组基于设定策略进行显著性系数分配，包括：

12、将所述索引数组的行列交换数组和所述参数化变换权重数组进行交融，生成第一目标数组；

13、将所述第一目标数组与规则化因子进行交融，生成第二目标数组；

14、将所述第二目标数组与屏蔽数组进行交融，生成第三目标数组；所述屏蔽数组中的各单元系数均为设定值；

15、将所述第三目标数组进行概率映射，生成表征显著性系数的第四目标数组；

16、将所述第四目标数组与所述内容数组进行交融，并将进行交融结果分配到所述参数化变换权重数组。

17、在第一方面的一种可能的实施方式中，所述分别针对所述交通状态向量和所述事件驱动向量通过以下步骤确定各自对应的模式误差参数：

18、计算所述指导网络和所述受训网络提取的交通行为模式向量之间的误差参数，并依据相应的显著性系数阵列与该误差参数确定模式误差参数，包括：

19、对所述第二交通行为模式向量的交通状态向量进行标准化操作，使得所述第一交通行为模式向量的交通状态向量和所述第二交通行为模式向量的交通状态向量的维度相同，逐个特征成员计算所述第一交通行为模式向量的交通状态向量与标准化操作后的第二交通行为模式向量的交通状态向量之间的平方差误差参数，并将该误差参数与所述交通状态向量对应的显著性系数阵列进行交融，生成第一模式误差参数；

20、对所述第二交通行为模式向量的事件驱动向量进行标准化操作，使得所述第一交通行为模式向量的事件驱动向量和所述第二交通行为模式向量的事件驱动向量的维度相同，逐个特征成员计算所述第一交通行为模式向量的事件驱动向量与标准化操作后的第二交通行为模式向量的事件驱动向量之间的平方差误差参数，并将该误差参数与所述事件驱动向量对应的显著性系数阵列进行交融，生成第二模式误差参数。

21、在第一方面的一种可能的实施方式中，所述计算所述第二交通行为模式向量的事件驱动向量表征的估计照明驱动事件和所述目标道路交通数据对应的标注照明驱动事件之间的事件误差参数，包括：

22、获取依据所述第二交通行为模式向量的事件驱动向量确定的所述第二交通行为模式向量的非集中性向量；

23、针对所述第二交通行为模式向量的事件驱动向量表征的估计照明驱动事件和非集中性向量表征的估计照明驱动事件，分别计算与所述目标道路交通数据对应的标注照明驱动事件之间的事件误差参数。

24、在第一方面的一种可能的实施方式中，所述获取依据所述第二交通行为模式向量的事件驱动向量确定的所述第二交通行为模式向量的非集中性向量，包括：

25、依据所述第二交通行为模式向量的事件驱动向量估计所述目标道路交通数据中的参考交通事件节点；所述参考交通事件节点指示依据所述第二交通行为模式向量的事件驱动向量估计的在所述目标道路交通数据中存在照明驱动事件的节点；

26、依据所述参考交通事件节点在所述目标道路交通数据中的定位信息，对所述第二交通行为模式向量的事件驱动向量进行剪切，生成所述第二交通行为模式向量的非集中性向量。

27、在第一方面的一种可能的实施方式中，计算所述第二交通行为模式向量的事件驱动向量表征的估计照明驱动事件与所述目标道路交通数据对应的标注照明驱动事件之间的第一事件误差参数，包括：

28、获取所述目标道路交通数据对应的标注交通事件节点与先验交通事件节点之间的目标差异；

29、依据所述第二交通行为模式向量的事件驱动向量，估计所述标注交通事件节点与先验交通事件节点之间的第一估计差异；

30、依据预设的交并比损失函数，计算所述目标差异与所述第一估计差异之间的第一集中性误差参数；

31、依据所述第二交通行为模式向量的事件驱动向量，估计所述目标道路交通数据中的参考交通事件节点所对应的估计照明驱动事件，并计算该估计照明驱动事件与所述目标道路交通数据对应的标注交通事件节点所对应的标注照明驱动事件之间的第二集中性误差参数；所述参考交通事件节点指示依据所述第二交通行为模式向量的事件驱动向量估计的在所述目标道路交通数据中存在照明驱动事件的节点；

32、依据所述第一集中性误差参数和所述第二集中性误差参数确定所述第二交通行为模式向量的事件驱动向量表征的估计照明驱动事件与所述目标道路交通数据对应的标注照明驱动事件之间的第一事件误差参数。

33、在第一方面的一种可能的实施方式中，计算所述第二交通行为模式向量的非集中性向量表征的估计照明驱动事件与所述目标道路交通数据对应的标注照明驱动事件之间的第二事件误差参数，包括：

34、依据所述第二交通行为模式向量的非集中性向量，估计所述目标道路交通数据对应的标注交通事件节点与所述参考交通事件节点之间的第二估计差异；

35、依据预设的交并比损失函数，计算目标差异与所述第二估计差异之间的第一非集中性误差参数；所述目标差异为所述目标道路交通数据对应的标注交通事件节点与先验交通事件节点之间的差异；

36、依据所述第二交通行为模式向量的非集中性向量，估计所述目标道路交通数据中的参考交通事件节点所对应的估计照明驱动事件，并计算该估计照明驱动事件与所述目标道路交通数据对应的标注交通事件节点所对应的标注照明驱动事件之间的第二非集中性误差参数；所述参考交通事件节点指示依据所述第二交通行为模式向量的非集中性向量估计的在所述目标道路交通数据中存在照明驱动事件的节点；

37、依据所述第一非集中性误差参数和所述第二非集中性误差参数确定所述第二交通行为模式向量的非集中性向量表征的估计照明驱动事件与所述目标道路交通数据对应的标注照明驱动事件之间的第二事件误差参数。

38、在第一方面的一种可能的实施方式中，所述方法还包括：

39、获取依据所述第一交通行为模式向量的事件驱动向量确定的所述第一交通行为模式向量的非集中性向量；

40、依据所述第一交通行为模式向量的非集中性向量和所述第二交通行为模式向量的非集中性向量进行知识提炼，生成逻辑误差参数；

41、所述依据所述模式误差参数和所述事件误差参数更新所述受训网络的功能层参数信息，包括：依据所述模式误差参数、所述事件误差参数和所述逻辑误差参数之和，更新所述受训网络的功能层参数信息。

42、第二方面，本技术实施例还提供一种道路智能照明系统，所述道路智能照明系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有计算机程序，所述计算机程序结合该处理器加载并执行以实现以上第一方面的基于城市交通大数据的道路智能照明方法。

43、依据以上任意方面的技术方案，通过指导网络和受训网络从目标道路交通大数据中提取第一交通行为模式向量和第二交通行为模式向量，而后采用显著性分配网络来确定第一交通行为模式向量中交通状态向量和事件驱动向量相应的显著性系数阵列，以此强调不同因素在交通行为预测中的重要性。然后，计算出指导网络和受训网络各自提取的交通行为模式向量之间的误差参数，并利用显著性系数阵列调整得到模式误差参数。同时，评估第二交通行为模式向量的事件驱动向量与实际标注的照明驱动事件之间的差异，以计算事件误差参数。利用模式误差参数和事件误差参数，更新受训网络的功能层参数信息，生成更准确的目标交通识别模型，从而能够识别候选道路交通数据中的目标交通行为模式向量，并据此对相应候选道路的照明系统进行自适应控制。这样，能够根据实时交通情况和预测到的照明驱动事件，自动调整路灯亮度，从而提高安全性、减少能源消耗，并优化道路使用体验。