[发明专利]智慧路灯寿命预测方法、系统、装置及介质

权利要求书

1.一种智慧路灯寿命预测方法，其特征在于，包括：

判断路灯自变量因数与光衰状态以及故障状态的相关性，选取具有相关性的路灯自变量因数组成自变量因素样本；

对各自变量因素样本进行降维处理，得到训练样本；

构建关于光衰状态的神经网络模型和故障状态的神经网络模型，使用训练样本对神经网络模型进行训练；

将待预测的自变量因数输入至神经网络模型，获取智慧路灯寿命预测结果。

2.根据权利要求1所述的智慧路灯寿命预测方法，其特征在于，所述判断路灯自变量因数与光衰状态以及故障状态的相关性，选取具有相关性的路灯自变量因数组成自变量因素样本，具体包括以下步骤：

逐一对各自变量因素与光衰状态参数以及故障状态参数进行皮尔逊相关性计算，获得自变量因素与光衰状态以及故障状态之间的相关系数；

根据相关系数所反映的相关强度和相关指向，等比例地选取相关系数最为接近1或-1的若干个自变量因素组成自变量因素样本集合。

3.根据权利要求1所述的智慧路灯寿命预测方法，其特征在于，所述路灯自变量因数包括输入电信号因数、温湿度因数、工作时长因数、照明状态因数和气候因数中的一种或多种。

4.根据权利要求1所述的智慧路灯寿命预测方法，其特征在于，所述对各自变量因素样本进行降维处理，得到训练样本，具体包括以下步骤：

将自变量因素样本的数据排列为m×n的矩阵X，对矩阵X的每一行进行零均值化；

计算矩阵X的协方差矩阵C，协方差矩阵C的计算公式为：

式中，m为矩阵X的行数，X^T为矩阵X的转置；

计算协方差矩阵C的特征值及对应的特征向量，将特征向量按对应特征值大小排列成若干个行矩阵，取前K个行矩阵组成矩阵P，以矩阵P乘以矩阵X得到的矩阵Y作为训练样本。

5.根据权利要求1所述的智慧路灯寿命预测方法，其特征在于，所述构建关于光衰状态的神经网络模型和故障状态的神经网络模型，使用训练样本对神经网络模型进行训练，具体包括以下步骤：

基于支持向量机回归算法构建神经网络模型，所述神经网络模型为：

式中，和分别是拉格朗日乘子a_i和的唯一解，K(x_i,x)为SVM核函数，σ为柯西核函数宽度；

以柯西核函数宽度σ和惩罚因子c为自变量，在预设范围内计算MAE的最小值，取MAE最小时柯西核函数宽度σ的值重构关于光衰状态或故障状态的两种神经网络模型；

其中，MAE表示平均绝对误差，

6.根据权利要求5所述的智慧路灯寿命预测方法，其特征在于，所述在预设范围内计算MAE的最小值，具体包括以下步骤：

连续抽取训练样本中负相关的数据输入神经网络模型，调整神经网络模型的参数，直至MAE达到预设阈值范围内；

连续抽取训练样本中正相关的数据输入神经网络模型，调整神经网络模型的参数，直至MAE达到预设阈值范围内；

连续交替抽取训练样本中正相关和负相关的数据输入神经网络模型，调整神经网络模型的参数，直至MAE达到预设阈值范围内。

7.根据权利要求1所述的智慧路灯寿命预测方法，其特征在于，所述将待预测的自变量因数输入至神经网络模型，获取智慧路灯寿命预测结果，具体包括以下步骤：

将待预测的与光衰相关的路灯自变量因数输入至关于光衰状态的神经网络模型，获取光衰状态的预测结果；

将待预测的与故障相关的路灯自变量因数输入至关于故障状态的神经网络模型，获取故障状态的预测结果；

根据光衰状态和故障状态的预测结果作出模糊评价，得到路灯寿命的预测结果。