何 偉,李云飛

1(蘇州工業(yè)園區(qū)職業(yè)技術(shù)學(xué)院,蘇州 215000)

2(蘇州大學(xué) 計算機科學(xué)與技術(shù)學(xué)院,蘇州 215009)

1 引言

隨著科技的快速發(fā)展,智慧城市概念被越來越多的引入到人們生活中.2012年住建部發(fā)布了《關(guān)于開展國家智慧城市試點工作的通知》,2013年國家首批智慧城市試點區(qū)域共計90個城區(qū),第二批試點103個,2015年第三批試點84個城市,至2016年全國累計達500多城市啟動了智慧城市項目,超過全球其他國家數(shù)量總和[1].智慧照明監(jiān)控系統(tǒng)作為智慧城市系統(tǒng)中的重要一員,運用4G、WiFi、Zigbee等信息化和物聯(lián)網(wǎng)技術(shù),實現(xiàn)了遠程照明設(shè)備調(diào)控、數(shù)據(jù)采集管理,改變了傳統(tǒng)照明管理模式[2,3].

2016 年,華為發(fā)布了多級智能控制照明物聯(lián)網(wǎng)解決方案；隨后中興公司發(fā)布了集路燈桿、充電樁、4G/5G基站和攝像頭監(jiān)控等功能的智慧路燈方案.2018年,深圳億兆提出智能燈控解決方案：智慧城市智能燈控系統(tǒng).杭州時域電子科技公司針對城市路燈用電大、管理難的問題提出了智慧路燈解決方案.隨著智慧照明的市場越來越大,智能化程度要求越來越高,智慧照明的學(xué)術(shù)研究也越來越深入.李今[2]提出了基于大數(shù)據(jù)分析技術(shù)的應(yīng)用方法,對海量運行數(shù)據(jù)進行聚類分析,實時監(jiān)測過程中的動態(tài)數(shù)據(jù),從而判別當(dāng)前設(shè)備運行狀況；王敏等[3]提出的基于物聯(lián)網(wǎng)架構(gòu)的智能照明系統(tǒng)實現(xiàn)了常見通信協(xié)議間的轉(zhuǎn)換,綜合了多種傳感器,系統(tǒng)通用性更強.余建波等[4]提出了完整的現(xiàn)代城市智慧照明控制系統(tǒng)解決方案,集成智慧照明領(lǐng)域先進的控制策略,包括地理信息系統(tǒng)、燈具實時監(jiān)測、終端控制、故障診斷與報警、統(tǒng)計和決策支持功能子模塊.目前對于智慧照明的研究主要集中在如下幾個方面：(1)通信協(xié)議的優(yōu)化；(2)故障信息的分析；(3)集成方案的設(shè)計.對于提高系統(tǒng)控制效率的研究較少.目前智慧照明監(jiān)控系統(tǒng)控制方式為自動控制與人工控制兩種模式.自動控制方式結(jié)合設(shè)備所在區(qū)域,光照度,人流量等環(huán)境因素進行控制,自動化程度較高；人工控制方式在如設(shè)備測試、檢修、重大活動等情況下使用,需要管理人員根據(jù)需求,通過軟件手動進行開關(guān)燈及調(diào)光操作,該方法過度依賴于經(jīng)驗值,效率低下,容易造成能源浪費.因此,為進一步提高智慧照明監(jiān)控系統(tǒng)的智能化控制效率及節(jié)能效果,利用關(guān)聯(lián)規(guī)則挖掘控制模式中的隱藏關(guān)系,考慮到傳統(tǒng)Apriori算法需要多次掃描數(shù)據(jù)集,執(zhí)行效率較低[5],對算法進行改進,減少搜索數(shù)據(jù)集的次數(shù),最終得到強關(guān)聯(lián)規(guī)則,在人工控制過程中給予控制方式的智能關(guān)聯(lián)提醒,降低了經(jīng)驗依賴度,提高智慧照明的智能化程度及節(jié)能效果.

2 系統(tǒng)架構(gòu)設(shè)計

智慧照明監(jiān)控系統(tǒng)具有照明設(shè)備數(shù)據(jù)采集、故障監(jiān)測報警、設(shè)備控制和系統(tǒng)管理等功能.系統(tǒng)分為三層結(jié)構(gòu)：數(shù)據(jù)采集層、網(wǎng)絡(luò)傳輸層和數(shù)據(jù)應(yīng)用層,系統(tǒng)結(jié)構(gòu)如圖1所示[6].

數(shù)據(jù)采集層是智慧照明監(jiān)控系統(tǒng)的感知器官,通過對終端設(shè)備狀態(tài)數(shù)據(jù)的采集,可實時獲取電流、電壓、功率等各類照明設(shè)備數(shù)據(jù).

網(wǎng)絡(luò)傳輸層為三層架構(gòu)中的中間部分,主要實現(xiàn)數(shù)據(jù)采集層和數(shù)據(jù)應(yīng)用層之間的數(shù)據(jù)雙向傳輸.

數(shù)據(jù)應(yīng)用層控制整個監(jiān)控系統(tǒng)的運行.對各類采集數(shù)據(jù)進行分析管理,可實現(xiàn)照明設(shè)備控制、狀態(tài)數(shù)據(jù)管理、能耗管理、故障報警、各類日志管理等功能.數(shù)據(jù)應(yīng)用層的管理平臺功能結(jié)構(gòu)圖如圖2所示.平臺功能包括：故障報警模塊、GIS模塊、維護模塊、運行模塊、管理模塊、系統(tǒng)設(shè)置模塊等6個模塊.故障報警模塊實現(xiàn)對故障數(shù)據(jù)的聲光及短信報警管理；GIS模塊根據(jù)經(jīng)緯度實現(xiàn)設(shè)備定位顯示,用戶可在地圖上定位查看或控制照明設(shè)備；維護模塊實現(xiàn)操作日志及工單管理,對系統(tǒng)的設(shè)備維護數(shù)據(jù)進行管理；運行模塊處理各類控制策略及狀態(tài)數(shù)據(jù)的管理；管理模塊實現(xiàn)各類數(shù)據(jù)展示、運行質(zhì)量管理、系統(tǒng)能耗管理和設(shè)備數(shù)據(jù)管理等；系統(tǒng)設(shè)置模塊完成權(quán)限管理、用戶信息管理及系統(tǒng)中的各類參數(shù)進行管理配置.

圖1 系統(tǒng)結(jié)構(gòu)圖

數(shù)據(jù)應(yīng)用層的控制模塊主要分為自動控制和人工控制.自動控制模式受照明設(shè)備所在區(qū)域,光照度,人流量等環(huán)境參數(shù)影響,自動化程度較高.人工控制主要在一些特殊情況下進行臨時控制操作,如設(shè)備測試、檢修、重大活動等情況下使用.由于人工控制模式需要管理人員通過軟件單獨控制照明設(shè)備,而無論是設(shè)備測試、檢修還是重大活動都需要有較高的效率來完成整個控制流程,但此環(huán)節(jié)由于人為因素的存在,依賴于經(jīng)驗值,降低了系統(tǒng)自動化的程度.因此,在此環(huán)節(jié)中利用關(guān)聯(lián)規(guī)則尋找控制動作之間的相關(guān)性,在人工操作過程中給予一定的關(guān)聯(lián)提示,減少手動控制設(shè)備對于經(jīng)驗值的依賴程度,提高手動控制的效率,從而提升照明控制的智慧化程度.

圖2 功能結(jié)構(gòu)圖

3 關(guān)聯(lián)規(guī)則

關(guān)聯(lián)規(guī)則為數(shù)據(jù)挖掘技術(shù)中的一個重要分支,是搜索數(shù)據(jù)項之間隱含關(guān)系、對數(shù)據(jù)之間的密切程度進行描述的一種方法[7,8].

3.1 關(guān)聯(lián)規(guī)則

設(shè)有事務(wù)類型的數(shù)據(jù)庫D={T1,T2,···,Tj,···,Tn},Tj(j=1,2,···,n)為事務(wù)T,ik(k=1,2,3,···,p)稱為項,為T中所包含的元素,I=(i1,i2,···,in)為D中所有項的集合,T?I.關(guān)聯(lián)規(guī)則如“A?B”的蘊含式,其中A?I,B?I,A≠?,B≠?,A∩B=?,A稱為規(guī)則前件,B稱為規(guī)則的后件.關(guān)聯(lián)規(guī)則用支持度和置信度進行度量,描述A與B同時出現(xiàn)的可能性[9].

1)支持度

如關(guān)聯(lián)規(guī)則“A?B”在數(shù)據(jù)集T中成立,則具有支持度(Support),用T中包含A和B的數(shù)據(jù)記錄條數(shù)與T的數(shù)據(jù)記錄總條數(shù)之比表示,如式(1)所示.

2)置信度

關(guān)聯(lián)規(guī)則“A?B”在數(shù)據(jù)集T中具有置信度(Confidence),用T中包含A和B的數(shù)據(jù)記錄條數(shù)與包含A的數(shù)據(jù)記錄條數(shù)之比表示,如式(2)所示.

支持度和置信度越高,說明規(guī)則的關(guān)聯(lián)強度越強.關(guān)聯(lián)規(guī)則要求項集必須滿足的最小支持閾值,稱為項集的最小支持度.滿足最小支持度的項集稱為頻繁項集,同時滿足最小置信度和最小支持度的關(guān)聯(lián)規(guī)則被稱為強關(guān)聯(lián)規(guī)則[10-12].

3.2 Apriori算法

Apriori算法是搜索關(guān)聯(lián)規(guī)則的頻繁項集的重要算法,其挖掘關(guān)聯(lián)規(guī)則可分為兩個步驟：1)利用迭代方式獲取頻繁項集,通過計算得到1-頻繁項集L1,利用L1生成候選集C1,判斷是否滿足最小支持度,獲取2-頻繁項集L2,依次類推,直至獲取最大頻繁項集；2)利用最小置信度,挖掘頻繁項集,構(gòu)造關(guān)聯(lián)規(guī)則[13-15].

Apriori算法核心步驟如圖3所示.

圖3 算法流程圖

4 基于關(guān)聯(lián)規(guī)則的控制模型設(shè)計

將關(guān)聯(lián)規(guī)則應(yīng)用于智慧照明控制模型中,通過對數(shù)據(jù)庫中各類控制命令進行關(guān)聯(lián)分析,可以挖掘到控制命令之間存在的隱含關(guān)聯(lián)性.關(guān)聯(lián)規(guī)則挖掘概念模型如圖4所示.

圖4 關(guān)聯(lián)規(guī)則挖掘概念模型

Apriori算法計算復(fù)雜度主要受如下因素影響：

1)支持度閾值：低支持度閾值產(chǎn)生更多的頻繁項集,算法的掃描次數(shù)將隨之增多；高支持度閾值降低頻繁項集數(shù),但候選集數(shù)量降低一定程度上降低了Apriori算法的穩(wěn)定性.

2)項數(shù)(維度)：項數(shù)的增加將提高算法的空間復(fù)雜度.

3)事務(wù)數(shù)：隨著事務(wù)數(shù)的增加,Apriori算法掃描次數(shù)增加,時間復(fù)雜度也隨之增加.

4)事務(wù)的平均寬度：事務(wù)的平均寬度的增加將導(dǎo)致頻繁項集的最大長度的增加,因此也增加了遍歷次數(shù).

由于智慧控制系統(tǒng)中控制項數(shù)比較大,傳統(tǒng)Apriori算法需要多次掃描每條數(shù)據(jù)記錄,產(chǎn)生候選集的執(zhí)行效率低,對頻繁項集Lk-1進行連接得到候選集Ck的時間復(fù)雜度為 O((k-1)×n2).因此,對Apriori算法進行改進,對控制模式數(shù)據(jù)集中的數(shù)據(jù)進行分類,分別對子集以加權(quán)圖的形式進行描述,加權(quán)圖以鄰接表的形式存儲,節(jié)點中存儲頂點間的權(quán)值即為控制方式的支持度,此方法減少掃描的次數(shù),通過廣度優(yōu)先算法遍歷加權(quán)圖創(chuàng)建頻繁項集.對頻繁項集Lk-1進行連接得到候選集Ck的時間復(fù)雜度為 O(n+e),其中e為圖中邊的個數(shù),算法執(zhí)行效率得到提高.主要算法步驟如下：

步驟1.實際控制過程中會存在一些重復(fù)控制命名,為排除此類數(shù)據(jù)對搜索的影響,根據(jù)操作時間的關(guān)聯(lián)性,對控制模式數(shù)據(jù)集進行篩選,排除干擾項,產(chǎn)生數(shù)據(jù)項集T.

步驟2.根據(jù)照明設(shè)備控制方式將控制模式數(shù)據(jù)分為四類：單燈級別控制T1,回路級別控制T2,主控箱級別控制T3,綜合級別控制T4.初始化控制模式數(shù)據(jù)集Ti(i=1,2,3,4),搜索數(shù)據(jù)項,以無向加權(quán)圖的形式保存各個命令節(jié)點的聯(lián)系及支持度,無向圖記為：Gj(j=1,2,3,4),以鄰接表存儲,分別建立類似如圖5所示的加權(quán)圖,每個命令保存為1個節(jié)點,節(jié)點之間的權(quán)值Weight即為兩數(shù)據(jù)的支持數(shù),支持度如式(3)所示.

圖5 無向加權(quán)圖

步驟3.遍歷圖Gj,刪除支持度小于支持度閾值的邊及度為0的節(jié)點,生成滿足最小支持度的2-頻繁集L2,設(shè)i=2.

步驟4.遍歷Gj,生成i+1-候選集Ci+1,,對于不滿足支持度閾值項進行剪枝操作,生成滿足最小支持度的i+1-頻繁項集,記為Li+1.重復(fù)步驟4,直至搜索到最大頻繁項集.

步驟5.重復(fù)步驟3,4分別完成T2、T3及T4的頻繁項集搜索.

步驟6.計算頻繁項集中的置信度,如式(4)所示,若該項集的置信度大于最小置信閾值則為符合條件的關(guān)聯(lián)規(guī)則.

算法流程如圖6所示.

5 系統(tǒng)的實現(xiàn)及分析

本系統(tǒng)經(jīng)過大量的數(shù)據(jù)測試后已成功運用在實際應(yīng)用中,系統(tǒng)首頁界面如圖7所示,系統(tǒng)可以實現(xiàn)對于每個照明設(shè)備的監(jiān)控,故障及狀態(tài)信息在界面中以實時顯示.表1所示為系統(tǒng)數(shù)據(jù)庫中的控制命令集合,由表中數(shù)據(jù)可發(fā)現(xiàn)相關(guān)聯(lián)的動作發(fā)生的間隔時間比較短,因此在數(shù)據(jù)處理時將時間間隔在1分鐘內(nèi)的控制數(shù)據(jù)作為一條記錄.對部分數(shù)據(jù)列表進行篩選處理后,形成T=(Ii,I2,···,I10)如表2所示數(shù)據(jù)集,Ij(j=1,2,···,10)記錄了控制組合方式,其中數(shù)字表示設(shè)備編號,B代表開燈,C代表關(guān)燈.

圖6 改進算法流程圖

圖7 系統(tǒng)主控界面

為減少傳統(tǒng)的Apriori算法遍歷數(shù)據(jù)集的次數(shù),遍歷控制數(shù)據(jù)集生成命令節(jié)點的無向加權(quán)圖,如圖8(a)所示,圖中共計10個頂點代表數(shù)據(jù)集中10項控制命令,頂點之間的權(quán)值代表支持數(shù),設(shè)最小支持度為2/10=0.2,即最小支持數(shù)為2,初始化加權(quán)圖即為2-候選集.遍歷C2刪除所有小于支持度閾值的邊,刪除由此產(chǎn)生的度為0的頂點,形成如圖8(b)所示的2-頻繁項,刪除無回路節(jié)點形成如圖8(c)所示3-候選集,最終形成如圖8(d)所示的頻繁項.

表1 控制命令集

表2 控制數(shù)據(jù)集

圖9為傳統(tǒng)Apriori算法的執(zhí)行過程,與傳統(tǒng)算法相比改進算法利用無向加權(quán)圖的形式保存了節(jié)點之間的支持度,無需多次掃描原始數(shù)據(jù)集,只需遍歷當(dāng)前加權(quán)圖,利用權(quán)值篩選出滿足最小支持度閾值的頻繁項集,效率明顯優(yōu)于傳統(tǒng)Apriori算法.

圖8 控制聯(lián)系無向加權(quán)圖

圖9 傳統(tǒng)Apriori算法執(zhí)行步驟圖

表3記錄了關(guān)聯(lián)規(guī)則及其置信度.

在系統(tǒng)應(yīng)用環(huán)境中,經(jīng)多次測試,將最小置信度為0.6時,關(guān)聯(lián)規(guī)則用戶體驗效果最好.根據(jù)設(shè)置的最小置信度,篩選出強關(guān)聯(lián)規(guī)則如表4所示.

由此可推出3號,4號及5號燈在開燈的時候具關(guān)聯(lián)性,系統(tǒng)提示開燈關(guān)聯(lián)提醒,提醒界面如圖10所示,用戶可利用此界面直接設(shè)置控制命令,或微調(diào)后設(shè)置,減少用戶手動選擇操作的步驟及經(jīng)驗依賴值,提高工作效率.

表3 關(guān)聯(lián)規(guī)則及置信度

表4 強關(guān)聯(lián)規(guī)則表

圖10 智能提示界面圖

在實際應(yīng)用中,對歷史控制數(shù)據(jù)中的進行分類處理,得出關(guān)聯(lián)規(guī)則后的照明控制模型,工作效率明顯優(yōu)于傳統(tǒng)的手工操作,控制執(zhí)行效率比較圖如圖11所示.

6 總結(jié)

智慧照明監(jiān)控系統(tǒng)可實現(xiàn)對于照明設(shè)備的實時監(jiān)測及控制管理,基于關(guān)聯(lián)規(guī)則的控制模塊可減少系統(tǒng)對管理人員經(jīng)驗的依賴程度,利用關(guān)聯(lián)規(guī)則挖掘出控制命令之間的隱藏聯(lián)系,在人工操作過程中對于強關(guān)聯(lián)規(guī)則給予一定的智能提示,提高工作人員操作的效率,進一步提高了整個智慧照明監(jiān)控系統(tǒng)的智能化程度.鑒于Apriori算法多次搜索數(shù)據(jù)集效率低下,利用加權(quán)圖給出改進算法,將控制命令設(shè)置為圖中節(jié)點,權(quán)值設(shè)置為節(jié)點間的支持數(shù),通過遍歷圖的方式對數(shù)據(jù)集進行掃描,最終找出控制命令之間的強關(guān)聯(lián)規(guī)則,該算法減少數(shù)據(jù)集搜索次數(shù),提高挖掘效率,應(yīng)用在智慧照明監(jiān)控系統(tǒng)中具有一定的社會推廣價值.

圖11 控制執(zhí)行效率比較圖