[发明专利]一种基于自适应模糊决策树的灯光动态调控方法

摘要

本发明提供一种基于自适应模糊决策树的灯光动态调控方法，包括步骤一，参数数据的采集：根据影响路灯照度的因素，确定车流量、环境照度、PM2.5和时间点为影响路灯照度的参数，且上述参数分为若干个参数等级；步骤二，参数数据的隶属度计算：将车流量、环境照度、PM2.5和时间点的值带入隶属度函数，计算出上述参数的隶属度数据；步骤三，模糊决策树模型的建立：分别建立车流量、环境照度、PM2.5和时间点与路灯照度之间的模糊决策树模型；步骤四，将当前参数的隶属度数据带入步骤三建立的模糊决策树模型中，获得满足当前照明要求的路灯照度等级信息。

主权项

1.一种基于自适应模糊决策树的灯光动态调控方法，其特征在于包括以下步骤：步骤一，参数数据的采集：根据影响路灯照度的因素，确定车流量、环境照度、PM2.5和时间点为影响路灯照度的参数，且上述参数分为若干个参数等级；步骤二，参数数据的隶属度计算：将车流量、环境照度、PM2.5和时间点的值带入隶属度函数，计算出上述参数的隶属度数据；步骤三，模糊决策树模型的建立：分别建立车流量、环境照度、PM2.5和时间点与路灯照度之间的模糊决策树模型，具体过程如下：3.1分别以车流量、环境照度、PM2.5和时间点的参数数据作为训练样本，计算模糊信息熵H(D)：上式中，D为训练样本的模糊集，n为路灯照度等级的类别数，pi为模糊集中不同路灯照度等级的样本数与样本总数的比值；3.2模糊信息增益率的计算；以时间点划分模糊集D，假设时间点为属性A，计算时间点对模糊集的划分信息熵HA(D)：式中，|Di|为属性A在傍晚或午夜每个取值对应的样本数，|D|为模糊集D样本总数，H(Di)为属性A的每个取值的模糊信息熵；计算属性A即时间点划分模糊集D的模糊信息增益Gain(A)：Gain(A)＝H(D)‑HA(D)引入时间点的分裂信息调节信息增益，得到调节后的模糊信息增益S(A)：计算属性A划分模糊集的模糊信息增益率GainRatio(A)：同理，计算出车流量、环境照度和PM2.5的模糊信息增益率，并按信息增益率的大小对属性进行排序，按信息增益率由大到小依次称为第一属性、第二属性、第三属性和第四属性，然后选取第一属性作为模糊决策树的根节点；3.3首先，对根节点按照参数等级进行分裂，得到第一属性的各个参数等级分支，然后对当前属性的隶属度值进行计算，当隶属度值大于参数等级分支的显著性水平值α时，则当前属性被划分至该参数等级分支中；然后，计算各个参数等级分支所述参数等级的分类置信水平，当分类置信水平大于其真实水平值β时，则该第参数等级分支作为叶子节点，停止分裂；否则，继续分裂；继续分裂的参数等级分支以第二属性的参数等级进行分裂，得到第二属性的各个参数等级分支，继续上述过程，直至每个参数等级分支均为叶子节点，如此，完成模糊决策树模型的建立；步骤四，将当前参数的隶属度数据带入步骤三建立的模糊决策树模型中，获得满足当前照明要求的路灯照度等级信息。