[0001] 本发明属于隧道照明技术领域，特别是指一种融合传感器数据与数据迁移的隧道时序调光系统。

[0002] 随着智慧城市和智能交通系统的快速发展，隧道作为交通基础设施的重要组成部分，尤其针对山区、丘陵等地区，隧道占比极大，逐渐成为交通安全与管理的重点区域。隧道内的照明系统对行车安全至关重要，合理的隧道照明不仅能确保司机的视野清晰，还能有效减少交通事故的发生。然而，传统隧道照明系统大多采用恒定亮度控制方式，忽略了车速、车流量、天气状况等动态变化的因素，导致能源浪费和系统维护成本的增加；同时，传统的调光方式未能针对现场实际环境进行智能调光，洞内外光强差值较大的情况普遍存在，容易给司机造成“白洞”和“黑洞”效应，存在安全隐患；此外，隧道内不同区域的光照需求也不尽相同，固定光强度的照明模式无法为司机提供舒适的驾驶体验，如个别地方太亮导致格外刺眼，而个别地方又不亮导致视线模糊。

[0003] 为了解决上述问题，基于时序分析和智能调光技术的隧道时序调光系统应运而生。该系统通过实时采集隧道内外的传感器数据，包括车流量、环境光强、天气状况等多维信息，结合数据分析和智能预测模型，对隧道内的灯光进行精细化、动态化调节。在不同的时段及特定条件下，系统能够自动调整照明亮度，以达到节能降耗的目的，同时确保行车安全。通过异常值检测、数据验证和预测模型生成，系统具备智能化、自适应和高效响应的特点，为隧道照明提供了智能化的解决方案。

[0004] 现有专利中，公开号为CN113840432A的专利公开了《一种隧道智能照明自适应时序控制方法》，包括：一、建立隧道智能照明自适应时序控制系统；二、隧道入口外侧环境数据采集；三、隧道智能照明实时控制及隧道入口外侧环境数据积累；四、构建隧道智能照明自适应时序控制模型并更新模型；五、隧道智能照明自适应时序控制。该专利公开的时序控制方法，利用隧道外亮度、车流量、车速等多维信息，建立或更新时序调光模型，在环境采集机构中存在损坏设备的情况下依然能自适应时序控制照明。该方法能达到改善照明、节约照明能耗的效果，但该方法存在以下缺陷：1、模型泛化能力有限
该方法的模型仅适用于单一隧道，未充分考虑相似环境下数据的迁移与复用。例
如，对于高速公路中交通与环境条件相似的相邻隧道，其数据与模型无法共享，导致每个隧道均需独立建立完整的设备系统和调光模型，这不仅增加了数据存储与管理的复杂性，也显著提高了硬件投入与运行成本，限制了系统的推广和应用。

[0005] 2、缺乏数据清洗步骤未对采集数据进行清洗和处理，直接将可能存在噪声或错误的数据用于模型训
练，容易导致模型性能下降，并增加过拟合风险，从而影响系统的实际运行效果。

[0006] 3、设备异常无预警功能对于出现异常的采集设备，未关联相应的预警模块，无法实现实时检测与故障播
报，不利于设备的及时维护和系统的长期稳定运行。

[0021] 为了进一步解释本发明的技术方案，下面通过具体实施例来对本发明进行详细阐述。

[0022] 参考图1所示，本发明公开了一种融合传感器数据与数据迁移的隧道时序调光系统，包括传感器模块、数据存储模块、数据处理与验证模块、调光模块、照明控制模块、数据监控与告警模块和数据接口模块；传感器模块用于监测数据，实现采集调光所需数据 ；
数据存储模块用于执行数据分类和数据存储的功能；数据分类将调光所需数据
分别标记为洞口亮度 、降水量 、云量 、照度 、车流量 、车速 、天文时间 和节假日标签 八个数据类别；数据存储包括本地存储单元和云存储单元，并存储有隧道基础信息表；
数据处理与验证模块包括异常检测单元和数据修正单元；异常检测单元通过算法
识别调光所需数据 中的异常值并进行预警，数据修正单元通过调光模型对异常值进行修正或丢弃；
调光模块包括调光策略和调光模型；调光策略将调光所需数据 与隧道基础信息
表中的隧道基础信息结合实现计算隧道不同区域所需亮度，并通过照明控制模块实现智能调光；调光模型的基础是长短期记忆网络（LSTM，LongShort‑TermMemory，是一种特殊的递归神经网络，特别适合处理和预测时间序列数据，LSTM通过引入记忆单元和门控机制来解决传统递归神经网络在处理长序列时的梯度消失和爆炸问题），根据数据来源分为：第一模型——基于历史监测数据的误差修正LSTM模型、第二模型——基于监测数据的实时调光模型、第三模型——基于历史监测数据的LSTM时序调光模型，以及第四模型——基于迁移数据的LSTM时序调光模型；
当采集数据超过1个月时，进行训练第一模型：第一模型包括与数据存储模块的数据类别数量对应的子模型，子模型的输入为 ，输入特征为该
异常值 ，输入数据的维度为 ，子模型的输出为异常值 修正后的预测值 ，
输出数据维度为 ；其中， 代表数据类别，其取值为 ； 代表样本数量，其值
为对应数据类别的总数据量与时间步长 的差值；时间步长 的值为采集数据的天数与监测频率（次/天）的乘积；
当某一类数据被判定为异常值 后，由数据修正单元调用第一模型中与该类数
据相关的子模型，将异常值 输入对应的子模型并预测得到预测值 ，再将预测值 代入第一模型中的其他子模型进行预测得到预测结果，如果预测结果与采集的调光所需数据（即传感器模块的实际监测效果）的差值不超过预设的预测阈值，则判定该预测值 符合历史规律，用预测值 替换调光所需数据 中的异常值，否则丢弃该预测值 ；
第二模型基于传感器模块或第四模型获取调光所需数据，并计算隧道不同区域所
需亮度；
第三模型在传感器模块失灵或关闭时，利用历史监测数据进行学习（详见下述的
实施例1），并计算隧道不同区域所需亮度；
当两个隧道具有相同信息时，进行数据迁移（详见下述的实施例2），并由迁移后隧道的历史监测数据与迁移数据构成数据集对第四模型进行训练，由第四模型预测得到预测的调光所需数据 ；
数据监控与告警模块用于监测照明系统的运行状态，并在异常时发出警报、记录
日志；
数据接口模块用于对接其他交通管理系统，并允许管理员远程调控。

[0023] 通过上述方案，本发明为了克服上述现有的技术缺陷构建更加完善的隧道时序调光系统：1、添加了数据处理与验证模块，对检测数据进行判断、修正、填补等，确保数据真实可靠，从而提高调光模型的泛化能力；
2、添加数据监控与告警模块，对传感器状态进行判断，发出设备异常播报，提醒维养人员进行检修或更换；
3、添加了迁移策略，使得环境、车流等信息相似的隧道可以依托已建立的调光模型进行迁移训练，生成适合本隧道的时序调光模型，从而有效利用数据，减少传感器布置以降低成本。

[0024] 以下示出了上述隧道时序调光系统的具体实施细节。

[0025] 上述传感器模块包括洞口亮度计、降水监测仪、全天空成像仪、照度计、车流量与车速监测仪和天文定时器；洞口亮度计用于监测隧道洞口的光照强度，降水监测仪用于监测是否下雨以及降水量，全天空成像仪用于监测天空的云量状态（即监测天空状态，是否晴天、阴天等），照度计用于监测照度，车流量与车速监测仪用于监测车流量和车速，天文定时器用于记录天文时间。

[0026] 上述本地存储单元用于暂存处理后的数据，可以存储一定量的数据，避免由于断网而导致数据丢失，待网络恢复后可将数据上传到云端；照明系统所使用的各模型也可保存在本地存储单元中。上述数据存储模块采用SQL数据库；隧道基础信息表中除了保存各隧道的长度、设计时速、车道数等基础信息外，还应包含各隧道在地图上的位置，便于后面将其他相似隧道采集到的数据迁移到目标隧道中。

[0027] 上述异常检测单元采用IQR（四分位距）方法检测异常点或错误数据，当调光所需数据 中的某一类数据的检测值高于第三四分位数 或者低于第一四分位数 时被判定为异常值，其计算公式为：；
；
其中， 、 分别代表某一类数据被判定为正常值时的下限、上限，代表倍数系数
（ 可设定为1.5，当检测值在 与 范围内时认为该值为正常，否则认为数据异常）；
上述数据处理与验证模块中，当检测到异常值 后，异常检测单元将异常值 标
记并保存到本地存储单元中，以便由数据修正单元调用该异常值 。

[0028] 上述调光模块中调光策略的调光公式如下：；
其中， 代表洞外亮度； 、 代表分别代表入口段1、2的亮度；
代表与交通量 （单位：veh/(h.ln)）、车速 （单位：km/h）相关的函数，其值决定了亮度在入口段的折减系数，按照《公路隧道照明细则》（JTG/T D70/2‑01—2014）的表4.1.1进行取值；
、 、 分别代表过渡段1、2、3的亮度； 代表中间段的亮度； 代表与交
通量 、车速 相关的函数，按照《公路隧道照明细则》（JTG/T D70/2‑01—2014）的表6.1.1进行取值； 代表出口段亮度； 代表与隧道长度 相关的函数，按照《公路隧道照明细则》（JTG/T D70/2‑01—2014）的表7.0.1与7.0.2进行取值。

[0029] 进一步地，上述调光模块中预设有调光阈值，当某一时刻计算的亮度值与之前的亮度值之差超过该调光阈值时系统才执行调光策略，可以在运用过程中避免过度调光而导致的LED灯使用寿命下降。

[0030] 同时，当隧道为单向交通时，插值边点取值如下：时按 计算； 时按 计算； 时按 计
算； 时按 计算；则有 ， ，
， ， ， ，
， ， ， ；
当隧道为双向交通时，插值边点取值如下：
时按 计算； 时按 计算； 时按 计
算； 时按 计 算；则有 ， ，
， ， ， ，
， ， ， 。

[0031] 上述第四模型中，基于隧道的天气、洞口亮度和车流量等信息进行判定，并设置有判定阈值，当每项信息的差值都不超过预设的判定阈值时，则认为两个隧道具有相同信息。如隧道1与隧道2两隧道具有相似的天气、洞口亮度和车流量等，隧道1布置了传感器模块，而隧道2并没有布置传感器模块或者只布置其中的一部分，则可以通过一定修正，将隧道1的数据信息迁移到隧道2上。这种迁移策略使得隧道2的传感器模块缺少某一监测项（如洞口亮度计未布置或失灵）时也可以正常运行该照明系统；并且，在数据迁移时，若隧道2已布置某项监测时，如已布置降水监测仪，则使用隧道2的监测数据 与隧道1的迁移数据（除外的其他项）组成数据集，进行预测，流程如图2。

[0032] 上述调光模块预设有数据量阈值或时间阈值，当新增数据量超过数据量阈值或累计时间超过时间阈值时，重新训练调光模型，并保存到各隧道的本地存储单元中。

[0033] 上述照明控制模块包括调光控制器、区域照明控制单元、亮度渐变控制模块和应急照明控制单元；调光控制器执行调光策略，实现控制灯光的亮度变化；区域照明控制单元进行分区域地调节隧道照明强度，确保不同区域的适宜亮度；亮度渐变控制模块实现光照的渐变过渡，防止亮度突变引发驾驶不适；应急照明控制单元在系统异常或紧急情况下启动应急照明。

[0034] 上述数据监控与告警模块包括状态监控单元、告警系统和日志存储与回溯模块；状态监控单元用于实时监控系统运行状态，确保传感器和控制器正常工作；告警系统在系统检测到异常或故障时发出警报并记录日志；日志存储与回溯模块用于记录所有系统操作和异常情况，便于后续维护和故障分析。

[0035] 上述数据接口模块包括外部系统接口和远程控制接口；外部系统接口与其他交通管理系统对接，实现数据共享与联动控制；远程控制接口允许管理员远程调节系统参数及监控系统状态。

[0036] 以下示出了本发明的两个具体实施例。

[0037] 背景如下：（1）在某高速线路中，存在两个相邻隧道，按顺车向分为隧道A、B，相隔3km，中间没有出入口和休息区；在A隧道中布置了完整的传感器模块，B隧道中布置了部分的传感器模块。

[0038] （2）完整的传感器模块包括：洞口亮度计、降水监测仪、全天空成像仪、照度计、车流量与车速监测仪和天文定时器。

[0039] （3）采集到隧道A的数据分别标记为洞口亮度 、降水量 、云量 、照度 、车流量 、车速 、天文时间 和节假日标签 ，得到调光所需数据 。

[0040] 实施例1：1‑1. 在隧道A建立调光系统：系统包括监控主机、洞口亮度计、降水监测仪、全天空成像仪、照度计、车流量与车速监测仪、天文定时器，以及隧道内与调光系统关联的照明单元；照明单元应包含：微控制器模块（作为核心处理单元）、总线模块（连接微控制器模块与监控主机）、调光式照明灯（由微控制器模块输出控制信号进行亮度调节），微控制器模块通过总线模块实现与监控主机的通信。

[0041] 1‑2. 隧道分区：根据《公路隧道照明设计细则》（JTG/T DXX‑2010）将隧道A分为入口段（TH1）、入口现阶段（TH2）、第一过渡段（TR1）、第二过渡段（TR2）、第三过渡段（TR3）、中间段（IN）、出口衔接段（EX1）、出口段（EX2）。

[0042] 各分段长度按下列公式计算：；
；
；
；
；
其中， 代表照明停车视距，单位m；代表隧道内净高度，单位m； 代表隧道的设
计时速。

[0043] 1‑3.  数据采集：将同一时刻采集到的数据打包为隧道A的数据集 ，，此时数据处理与验证模块会对数据集 进行验证。

[0044] 1‑4. 当洞口亮度 或 时，该条数据会被标记会异常，并记录到数据监控与告警模块中；随后系统会调用第三模型对该条数据进行预测，得到预测值 ；随后将预测值 作为真实值，代入第三模型的预测其它因素（如预测降水量 ）的子模型中进行预测，得到的预测值（ ）与实际监测值( )在阈值之内，则递归到下个( )预测子模型中，以此类推，如果预测结果都在阈值内，则认为该条数据（ ）的预测值（ ）符合规律，进行补全，否则丢弃该条数据。

[0045] 1‑5. 当某个传感器（洞口亮度计）的监测数据连续出现异常，超过阈值（5次），或多个传感器同时出现异常（3个及以上），此时数据监控与告警模块将得到反应，向相关人员播报异常信息，并自动切换到传统调光模式，后续工作人员可进行手动切换以恢复至时序调光模型。

[0046] 1‑6. 使用修正后的数据（ ）替换原异常数据，组成修正后的数据集 ，根据调光公式计算得到各分段的亮度值 ，随后照明控制模块控制各照明单元实行调光；此外，当新计算的亮度值和上阶段的亮度值之差超过调光阈值时，系统才通过照明控制模块发出调光指令，从而可避免过渡调光，降低照明单元使用寿命。该数据集 与亮度值 将被存储到数据存储模块中，作为后续数据迁移和LSTM模型训练的基础数据。

[0047] 1‑7. 当有超过1个月的数据时，可进行第一模型的训练，当有1年以上的存储数据时，可进行第三模型的训练。

[0048] 1‑8. 操作人员可选择关闭传感器模块而采用第三模型进行时序调光。例如，需要预测未来30天的调光值，此时LSTM模型输入的特征数为9（ ），输入数据为：时间步长为7*监测频率（次/天）；样本数量：总数据量‑时间步长；特征数据、数据维度为（样本数量，时间步长，9）。输出数据维度为：（样本数量，30*监测频率，1），即输出未来30天的调光预测值。系统根据对应时间与预测值进行调光，若当前亮度与计算调光值之差超过调光阈值，进行调光，若该情况下可适当增大调光阈值，以降低系统敏感性。

[0049] 实施例2：2‑1. 对于隧道B，其数据用 表示，下标含义相同；隧道B与隧道A相距3km，A‑B间没有出入口和且为同一线路，二者设计时速相同，天气情况相似。

[0050] 2‑2. 不布置洞口亮度计，其洞口亮度采用设计洞口亮度比值 与隧道A监测值的乘积 ；不布置降水监测仪， ；不布置全天空成像仪， ；不布置车流量与车速监测仪，车流量 与车速 ，相应数据应该在时间上进行平
移；不布置天文定时器， ；节假日标签相同 ；布置照度计，测量 。

[0051] 2‑3. 通过2‑2，获得了隧道B的数据集 。

[0052] 2‑4. 参照实施例1的1‑4、1‑5、1‑6，对照度 进行异常判定、修正与数据存储。

[0053] 2‑5. 参照实施例1的1‑7，进行隧道B的模型训练。

[0054] 2‑6. 参照实施例1的1‑8，可手动开启时序调光系统，对隧道B进行时序预测，此时的模型为第四模型，即基于迁移数据的LSTM预测模型。

[0055] 需要说明的是，若两隧道并没有那么多相似之处，则可以对无法使用迁移测量的因素单独布置传感器，其他数据用迁移策略补齐，对迁移数据的特征数量，第四模型并没有严格限制，可根据具体情况，灵活调整，这一方面有助于保证数据准确性，又在一定程度上降低了费用。

[0056] 上述实施例和图式并非限定本发明的产品形态和式样，任何所属技术领域的普通技术人员对其所做的适当变化或修饰，皆应视为不脱离本发明的专利范畴。