[发明专利]一种边缘化数据处理的城市公共设施调控方法和系统

说明书

本发明提出了一种边缘化数据处理的城市公共设施调控方法和系统，其方法包括如下步骤：S1、采集环境参量，并上传至后台服务器；S2、根据环境参量，选取匹配的样本环境参量和样本调控参数的集合，并完成对虚拟神经网络调控器的训练；S3、导出虚拟神经网络调控器的一组神经网络配置表，并传输给公共设施自身的神经网络调控器；S4、根据神经网络配置表，对神经网络调控器的内部权重参数进行调试；S5、输入采集的环境参量，并由神经网络调控器自动生成调控参数，控制公共设施工作。能够有效的减弱城市公共设施对网络的依赖，转移神经网络调控器训练过程中所需的大量的计算量，从而降低城市公共设施对自身芯片的要求。

技术领域

本发明涉及人工智能技术领域，更具体的说是涉及一种边缘化数据处理的城市公共设施调控方法和系统。

背景技术

城市中的路灯、景观灯、交通灯、喷水器等公共设施需要按照一定的规则对其进行调控，例如调控路灯、景观灯的亮度，调控交通灯的允许通行和阻止通行时间，调控喷水器对绿植的喷水时段和喷水量等。调控规则的设计除了发挥这些城市公共设施应有的功能以外，还需要考虑节能、环保、效益最大化等方面因素；例如路灯或景观灯的亮度可以根据环境光照以及人车通行量来调控，环境光照强或者通行人车量少的时候路灯或景观灯的亮度可以适当下降，交通灯允许通行和阻止通行的时段也可以根据各个方向的车流量大小来灵活调控，喷水器的喷水时段和喷水量可以根据环境温度、湿度等因素来调控，以达到节能的目的。但是，城市公共设施的数量较多，分布的空间范围也非常广阔，导致每个公共设施的工作环境都存在差别，因此，每个公共设施的调控规则必须个性化设定才能实现节能、环保、效益最大化的目标。

随着以神经网络为基础的人工智能技术的发展，将公共设施的调控器与神经网络结合，通过不同样本的训练，实现对每个公共设施调控器的调控规则的个性化设定已成为现实；但是目前，神经网络调控器的训练过程需要较大的计算量，城市公共设施自身搭载的计算芯片无法承担，另外，数据的上下行传输过程过于依赖网络覆盖，网络信号的中断将导致城市公共设施的瘫痪。

因此，如何对现有技术进行改进，转移神经网络调控器训练过程中所需的大量的计算量，并且减弱城市公共设施对网络的依赖，以期降低城市公共设施对自身芯片要求，减少城市公共设施的投入成本，并保证其在网络信号较差的情况下的正常工作，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种边缘化数据处理的城市公共设施调控方法和系统，以改变神经网络调控器训练过程的执行场所，并在城市公共设施自身增加神经网络调控器的方式，达到降低城市公共设施对自身搭载的计算芯片的要求，减少城市公共设施工作状态对网络信号的依赖的目的。

为了实现上述目的，本发明采用如下技术方案：

一种边缘化数据处理的城市公共设施调控方法，包括如下步骤：

S1、采集环境参量，并上传至后台服务器；

S2、根据环境参量，选取匹配的样本环境参量和样本调控参数的集合，并完成对虚拟神经网络调控器的训练；

S3、导出虚拟神经网络调控器的一组神经网络配置表，并传输给公共设施自身的神经网络调控器；

S4、根据神经网络配置表，对神经网络调控器的内部权重参数进行调试；

S5、输入采集的环境参量，并由神经网络调控器自动生成调控参数，控制公共设施工作。

优选的，所述S1利用传感器、计数器、感应器采集环境参量；具体的，例如：针对路灯或者观景灯而言，可以利用光照传感器或者人车视频计数器对环境参量进行采集；针对交通灯而言，可以利用车流量感应器对车的流量进行采集；针对喷水器而言，可以利用温度传感器和湿度传感器对该环境下的温度湿度进行采集，每种公共设施，设置不同种类的环境采集器，有利于针对不同作用的公共设施，制定个性化的具有针对性的调控规则。