基于BP神經(jīng)網(wǎng)絡(luò)的城市智慧照明基礎(chǔ)分級研究

王 超，張明宇，王錫銘，吳傳德

(天津大學(xué)天津市建筑物理環(huán)境與生態(tài)技術(shù)重點實驗室，天津 300072)

引言

現(xiàn)階段我國城市智慧照明規(guī)劃尚處在摸索階段，各地區(qū)基礎(chǔ)建設(shè)與智慧化發(fā)展程度均不盡相同，判斷出一個非樣本城市(或者城市片區(qū))的智慧照明發(fā)展基礎(chǔ)的分級尤為重要[1]。隨著大數(shù)據(jù)的發(fā)展及計算機(jī)優(yōu)化算法的利用技術(shù)成熟，龐大的城市數(shù)據(jù)更依賴于一個成熟的算法優(yōu)化方案，而BP神經(jīng)網(wǎng)絡(luò)在處理城市數(shù)據(jù)方面的優(yōu)勢十分顯著，城市智慧照明分級作為一個非線性分類問題，契合BP神經(jīng)網(wǎng)絡(luò)的工作特點。

1 城市樣本的選取及數(shù)據(jù)的收集

1.1 城市樣本的選取

本文選取的評價對象來自三部分：

1)基于國家前三批智慧城市試點：2012年12月，國務(wù)院發(fā)布了《關(guān)于開展國家智慧城市試點工作的通知》[2]，選擇了90個城市作為國家首批智慧城市試點。2013年8月至2014年4月，我國陸續(xù)公布了國家智慧城市第二批、第三批試點，隨后更多的城市(區(qū)、縣)陸續(xù)開展智慧城市建設(shè)；

2)基于中國信息化研究與促進(jìn)網(wǎng)發(fā)布，由互聯(lián)網(wǎng)權(quán)威機(jī)構(gòu)太昊國際互聯(lián)網(wǎng)大數(shù)據(jù)評級機(jī)構(gòu)(簡稱Tahaoo指數(shù))給出的“2018-2019中國新型智慧城市建設(shè)與發(fā)展綜合影響力”評估結(jié)果中各個分值段的代表性城市[3]；

3)基于杭州G20峰會后，全國各個主要城市均相繼開始編制新一版本的城市照明規(guī)劃導(dǎo)則，其中大多數(shù)導(dǎo)則均在不同程度上對智慧城市予以了配合與輔助，在研究城市中有比例地加入一部分完成了新一版城市照明規(guī)劃導(dǎo)則的城市，有助于增加整個指標(biāo)評價體系的全面性。具體城市名單詳見表1。

表1 智慧照明規(guī)劃基礎(chǔ)指標(biāo)分級神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分組表

為了數(shù)據(jù)的均勻度與驗證的準(zhǔn)確性，每六組數(shù)據(jù)中隨機(jī)抽取一個數(shù)據(jù)作為評價組，共取10組數(shù)據(jù)，并且這10組數(shù)據(jù)全程不參與神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，其余50組作為實驗數(shù)據(jù)。為了防止神經(jīng)網(wǎng)絡(luò)發(fā)生過擬合，本文將這50組數(shù)據(jù)分為training(訓(xùn)練)、validation(驗證)、test(測試)三組，其比例以70%、15%、15%為宜。

1.2 基礎(chǔ)類指標(biāo)的選取及依據(jù)

在從城市智慧照明指標(biāo)體系中選擇用以確定照明分級的基礎(chǔ)類指標(biāo)時，有以下幾類原則：

1)指標(biāo)的基礎(chǔ)性

考慮到基礎(chǔ)類指標(biāo)取值主體差異較大，有城市有地區(qū)，發(fā)展情況行政建制，以及是否有編制城市照明規(guī)劃均有所差異。同時基礎(chǔ)指標(biāo)主要考察的是研究主體的綜合發(fā)展水平，以便有針對性地確定城市智慧照明規(guī)劃的編制基礎(chǔ)以及編制目標(biāo)。

2)指標(biāo)的可操作性

可操作性體現(xiàn)在三方面：一是指標(biāo)的代表性和簡潔性，首先基礎(chǔ)類指標(biāo)本身不宜過多，從指標(biāo)體系中篩選具有代表性的指標(biāo)，選取的指標(biāo)務(wù)必要展示評價內(nèi)容的整體，其次基礎(chǔ)類指標(biāo)系要不繁雜，選取的指標(biāo)要簡潔明了，應(yīng)選取與研究內(nèi)容最貼合的指標(biāo)；二是要求該指標(biāo)易得且準(zhǔn)確，可從國家或國家主管當(dāng)局或官方統(tǒng)計數(shù)據(jù)中獲得。三是可對比性，指標(biāo)的選取應(yīng)基于相同維度，如盡量選取人均指標(biāo)或者占比情況作為基本指標(biāo)[4]。

3)指標(biāo)的全面性

目前城市智慧照明指標(biāo)體系包含八個方面：網(wǎng)絡(luò)與信息能力、綜合創(chuàng)新能力、行政管理能力、基礎(chǔ)設(shè)施評價、惠民服務(wù)評價、城市夜經(jīng)濟(jì)、交通輔助類評價、照明空間結(jié)構(gòu)優(yōu)化。這八個方面均需要有指標(biāo)被選擇為基礎(chǔ)性指標(biāo)，才能使得BP神經(jīng)網(wǎng)絡(luò)模型具有足夠的全面性和代表性。根據(jù)以上三點原則在城市智慧照明指標(biāo)體系中進(jìn)行篩選，得到城市智慧照明分級指標(biāo)體系表(表2)。

1.3 數(shù)據(jù)的收集

本文數(shù)據(jù)大部分來自于《2019年中國信息社會發(fā)展報告》(國家信息中心發(fā)布)、各市的《2019年信息化發(fā)展報告》、各市的《2019年信息化年鑒》、各市的《2019年統(tǒng)計年鑒》、各市的《2019年國民經(jīng)濟(jì)和社會發(fā)展統(tǒng)計公報》、各市政府通過官網(wǎng)發(fā)布的政務(wù)信息公共年度報告、各市路燈管理局公布的相關(guān)統(tǒng)計數(shù)據(jù)等，其中也有部分?jǐn)?shù)據(jù)來源于網(wǎng)絡(luò)或其他途徑搜集，在查詢大量前述數(shù)據(jù)基礎(chǔ)上得到原始數(shù)據(jù)。將部分?jǐn)?shù)據(jù)展示于表3。

1.4 城市星級分類

考慮到我國現(xiàn)階段的城市智慧照明規(guī)劃尚處在摸索階段，各地區(qū)基礎(chǔ)設(shè)施建設(shè)基礎(chǔ)與智慧度均不盡相同，所以在現(xiàn)有條件下，所有的城市均使用同一套評價指標(biāo)體系是不合理的，因此本文提出的城市智慧照明評價指標(biāo)體系在構(gòu)建之初便根據(jù)智慧城市基礎(chǔ)指標(biāo)發(fā)展程度的不同，將子指標(biāo)分為了三類，即：基礎(chǔ)類指標(biāo)、提升類指標(biāo)、優(yōu)選類指標(biāo)，對應(yīng)評價智慧城市建設(shè)基礎(chǔ)較差的城市(一星級城市)、智慧城市建設(shè)基礎(chǔ)一般的城市(二星級城市)與智慧城市建設(shè)基礎(chǔ)較好的城市(三星級城市)。其具體對應(yīng)關(guān)系見表4。

表2 城市智慧照明分級指標(biāo)體系表

表3 城市智慧照明分級指標(biāo)數(shù)據(jù)表(樣表)

表4 城市評級與適用指標(biāo)對應(yīng)表

2 BP神經(jīng)網(wǎng)絡(luò)實驗設(shè)置

2.1 BP神經(jīng)網(wǎng)絡(luò)介紹

BP神經(jīng)網(wǎng)絡(luò)，就是其在模擬人的大腦，把每一個節(jié)點當(dāng)作一個神經(jīng)元，這些“神經(jīng)元”組成的網(wǎng)絡(luò)就是神經(jīng)網(wǎng)絡(luò)。由于計算機(jī)出色的計算能力和細(xì)節(jié)把握能力，在城市數(shù)據(jù)統(tǒng)計這樣的大數(shù)據(jù)的基礎(chǔ)上，神經(jīng)網(wǎng)絡(luò)往往有比人更出色的表現(xiàn)[5]。只需明確輸入、輸出，系統(tǒng)即可學(xué)到輸入與輸出的函數(shù)關(guān)系。神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)之一是三層的神經(jīng)網(wǎng)絡(luò)，可以逼近任意的函數(shù)，所以理論上，只要數(shù)據(jù)量夠大，“箱子容量”夠大(神經(jīng)元數(shù)量)，便可以對任何和歸類性數(shù)學(xué)問題進(jìn)行分析[6]。城市數(shù)據(jù)的統(tǒng)計分析紛繁復(fù)雜，利用機(jī)器學(xué)習(xí)進(jìn)行城市照明的分區(qū)與分級，可以極大節(jié)約規(guī)劃設(shè)計師分析理解數(shù)據(jù)的時間成本。城市智慧照明分級作為一個非線性分類問題，契合BP神經(jīng)網(wǎng)絡(luò)的工作特點。完成學(xué)習(xí)訓(xùn)練后的系統(tǒng)就可以快速判斷出一個非樣本城市(或者城市片區(qū))的智慧照明發(fā)展基礎(chǔ)的分級，從而提供一套在智慧城市背景下的城市照明分區(qū)以及分級的方法。

2.2 對訓(xùn)練樣本的篩選與預(yù)處理

1)數(shù)據(jù)歸一化處理

選擇2019年北京、沈陽、大連、哈爾濱、石家莊等60個城市的互聯(lián)網(wǎng)普及率、寬帶互聯(lián)網(wǎng)用戶占比、信息產(chǎn)業(yè)GDP占比等15個指標(biāo)的具體數(shù)據(jù)進(jìn)行歸一化處理，預(yù)測數(shù)據(jù)再根據(jù)反歸一化處理得出與實際輸出值比較。

2)設(shè)計網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

根據(jù)城市智慧照明分級的問題特點，選用具有隱含層的LM-BP神經(jīng)網(wǎng)絡(luò)。在這個網(wǎng)絡(luò)中，顯示參數(shù)的輸入數(shù)15，可以根據(jù)colmogorov定律定義的隱藏層數(shù)，一般設(shè)置為輸入層的2n+1,即31；輸出層數(shù)對應(yīng)于分類一星級城市、二星級城市、三星級城市，因此輸出層數(shù)為3。

3)網(wǎng)絡(luò)主要參數(shù)的確定

網(wǎng)絡(luò)的初始權(quán)闊值設(shè)范圍在(-1,1)之間，LM學(xué)習(xí)方法作為網(wǎng)絡(luò)學(xué)習(xí)方法的代表方式，網(wǎng)絡(luò)訓(xùn)練誤差不設(shè)下限，以梯度指標(biāo)作為訓(xùn)練限定，設(shè)為1e-7，學(xué)習(xí)率取0.001。網(wǎng)絡(luò)訓(xùn)練結(jié)果采用均方誤差(MSE)進(jìn)行衡量，即網(wǎng)絡(luò)訓(xùn)練誤差。

圖1 LM-BP神經(jīng)網(wǎng)絡(luò)工作流程Fig.1 LM-BP neural network workflow

4)數(shù)據(jù)分組及防止過擬合

為了使訓(xùn)練數(shù)據(jù)與訓(xùn)練標(biāo)簽一致，而對模型過度訓(xùn)練，從而使得模型出現(xiàn)過擬合(over-fitting)現(xiàn)象。具體表現(xiàn)為，訓(xùn)練后的模型在訓(xùn)練集中正確率很高，但是在測試集中的變現(xiàn)與訓(xùn)練集相差懸殊，也可以叫做模型的泛化能力差。

如前文所述本研究將實驗組數(shù)據(jù)分為三組，training、validation、test，其比例分別為70%、15%、15%，以此方法對應(yīng)MATLAB防止過擬合的方法。只有training數(shù)據(jù)參加訓(xùn)練，其他兩組數(shù)據(jù)不參加訓(xùn)練，用于檢驗[7]。

2.3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)定

對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，各參數(shù)設(shè)定如圖2所示，對設(shè)定各個參數(shù)進(jìn)行解析：

圖2 LM-BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)定圖Fig.2 LM-BP neural network parameter setting diagram

1)Neural Network神經(jīng)網(wǎng)絡(luò)

圖2顯示了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖，神經(jīng)網(wǎng)絡(luò)有一層隱含的輸出架構(gòu)，前文有述，此處不詳細(xì)展開。

2)Algorithms訓(xùn)練算法

第二部分顯示的是訓(xùn)練算法，這里為LM-BP算法；誤差指標(biāo)為mse即采用均方誤差計算法計算誤差。

3)Progress訓(xùn)練進(jìn)度

Epoch：數(shù)量的訓(xùn)練;右邊顯示可以設(shè)置的最大訓(xùn)練量，圖2顯示了實際訓(xùn)練的數(shù)量，實際上是6。

Time：訓(xùn)練時間，也就是本次訓(xùn)練中使用的時間。

Gradient：該網(wǎng)絡(luò)的最大梯度為1.91，閾值梯度為1e-71e^{-7}1e-7，實際梯度為0.033?？稍赑lots中的Training State中詳細(xì)查看。

Mu：該網(wǎng)絡(luò)所使用Levenberg-Marquardt算法中的阻尼因子最小值為0.001，閾值為1e101e^{10}1e10，實際值為1e-61e^{-6}1e-6，Mu值越大意味著算法收斂效果越好。可在Plots中的Training State中詳細(xì)查看。

Validation Checks：該網(wǎng)絡(luò)的泛化能力檢查標(biāo)準(zhǔn)，實際值為0表示在訓(xùn)練過程中誤差在持續(xù)降低，若連續(xù)6次訓(xùn)練誤差無法降低，則結(jié)束訓(xùn)練任務(wù)。可在Plots中的Training State中詳細(xì)查看。

4)Plots看板

Performance：該網(wǎng)絡(luò)訓(xùn)練過程中的誤差變換可視化。

Training State：該網(wǎng)絡(luò)訓(xùn)練過程中的梯度、Mu因子和泛化能力變換等信息的可視化。

Regression：該網(wǎng)絡(luò)訓(xùn)練集、驗證集、測試集的回歸能力可視化。

Plot Interval：圖中橫坐標(biāo)的刻度[8]。

3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果與實證分析

3.1 訓(xùn)練結(jié)果

以上參數(shù)對城市智慧照明基礎(chǔ)指標(biāo)分級BP神經(jīng)網(wǎng)絡(luò)進(jìn)行6次訓(xùn)練，其結(jié)果如下：

圖3 城市智慧照明基礎(chǔ)指標(biāo)分級BP神經(jīng)網(wǎng)絡(luò)性能圖Fig.3 Classification of BP neural network performance graph of basic indicators of urban smart lighting

圖3中給出了城市智慧照明基礎(chǔ)指分級BP神經(jīng)網(wǎng)絡(luò)性能，圖中Train表示網(wǎng)絡(luò)訓(xùn)練的性能狀態(tài)，Validation表示用于驗證樣本的性能狀態(tài)，Test表示用于測試樣本的性能狀態(tài)，BEST表示網(wǎng)絡(luò)實際達(dá)到的性能，使用網(wǎng)絡(luò)的均方誤差(Mean Squared Error，MSE)來衡量網(wǎng)絡(luò)的性能水平。由圖3可得訓(xùn)練曲線的誤差已經(jīng)降至10-19以下。受筆者精力有限，導(dǎo)致城市基礎(chǔ)指標(biāo)總樣本量有限，以至于用于驗證組與測試組的樣本量不足，紅線與綠線未顯示出明顯的誤差下降，但考慮到這兩條曲線亦沒有明顯上升，同時影響神經(jīng)網(wǎng)絡(luò)真實準(zhǔn)確度的是網(wǎng)絡(luò)訓(xùn)練時表現(xiàn)出的性能，故而系統(tǒng)整體表現(xiàn)出的性能是在研究可接受范圍內(nèi)的。

圖4為LM-BP的網(wǎng)絡(luò)訓(xùn)練狀態(tài)圖，由圖可見取得了較好的訓(xùn)練效果Gradient為梯度下降法的函數(shù)，Mu指的是LM算法中的調(diào)整參數(shù)，二者均在6次訓(xùn)練后取得了較低的誤差。

圖4 城市智慧照明基礎(chǔ)指標(biāo)分級網(wǎng)絡(luò)訓(xùn)練狀態(tài)圖Fig.4 Network training status diagram of urban smart lighting basic indicators classification

圖5為LM-BP算法的網(wǎng)絡(luò)線性回歸圖，其中左上方是訓(xùn)練，右上方是驗證，左下方為測試，右下方為總體，該圖表示期望輸出和實際輸出的擬合同時顯示了兩者的相關(guān)系數(shù)[9]，觀察圖像可得訓(xùn)練部分的相關(guān)系數(shù)為1，擬合結(jié)果為輸出=輸入+2.1e-11。為避免發(fā)生過擬合，訓(xùn)練時系統(tǒng)將全部數(shù)據(jù)分為三個部分，即訓(xùn)練、驗證及測試，其中僅訓(xùn)練部分進(jìn)行訓(xùn)練，其他用以對網(wǎng)絡(luò)性能進(jìn)行評估。訓(xùn)練時訓(xùn)練部分與目標(biāo)的誤差會降低，測試和驗證兩部分與目標(biāo)的誤差也會降低。隨著訓(xùn)練的進(jìn)行，測試部分與目標(biāo)的誤差降低，但驗證部分與目標(biāo)的誤差反而會提高。當(dāng)驗證部分誤差連續(xù)增大指定次數(shù)時，網(wǎng)絡(luò)訓(xùn)練中止，因此時可能擬合不正確，發(fā)生過擬合問題，從而提前終止訓(xùn)練。線性回歸可判斷是否發(fā)生過擬合，并可分析神經(jīng)網(wǎng)絡(luò)的擬合情況[10]。相關(guān)系數(shù)越接近于1，網(wǎng)絡(luò)訓(xùn)練結(jié)果擬合越好。由圖可知訓(xùn)練組的相關(guān)系數(shù)接近于1，而驗證和測試由于前文提過的樣布量不足的關(guān)系面板數(shù)值不夠理想，但鑒于其向1收斂的趨勢隨著訓(xùn)練的進(jìn)行一直沒有變化，可得沒有發(fā)生過擬合現(xiàn)象，同時也表明隨著今后智慧照明數(shù)據(jù)統(tǒng)計工作的開展，訓(xùn)練與驗證的樣本量增加后，系統(tǒng)誤差有進(jìn)一步降低的趨勢。

圖5 城市智慧照明基礎(chǔ)指標(biāo)分級網(wǎng)絡(luò)線型回歸圖Fig.5 Linear regression graph of urban smart lighting basic indicators classification network

3.2 實證分析

訓(xùn)練完成后需要進(jìn)行實證測試，本文選取從未參與測試的十個城市：天津、青島、無錫、西安、昆明、蘇州、泉州、溫州、呼和浩特、中山，將這十個城市的15項指標(biāo)輸入系統(tǒng)中，由于本文是間隔六個城市取得一個城市作為評價組，這十組數(shù)據(jù)也同時涵蓋了一星級、二星級、三星級這三個評級，保證了數(shù)據(jù)的隨機(jī)性與代表性，將系統(tǒng)通過之前的學(xué)習(xí)積累的經(jīng)驗值評級與本文預(yù)先對這些城市進(jìn)行的評級進(jìn)行對應(yīng)，結(jié)果如圖6所示。

圖6 BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出結(jié)果Fig.6 BP neural network prediction output results

從圖6看出，預(yù)測數(shù)據(jù)結(jié)果與期望輸出結(jié)果完全對應(yīng)，就這10組數(shù)據(jù)而言，預(yù)測準(zhǔn)確性達(dá)到100%，符合預(yù)先神經(jīng)網(wǎng)絡(luò)的設(shè)計要求，該結(jié)果表明此次城市智慧照明分級體神經(jīng)網(wǎng)絡(luò)構(gòu)建基本完成。由此將其他城市或地區(qū)的15項基礎(chǔ)指標(biāo)輸入城市智慧照明分析BP神經(jīng)網(wǎng)絡(luò)后，可以快速準(zhǔn)確地得到與此前分級要求一致的預(yù)測輸出值。

4 結(jié)語

本文通過梳理城市智慧照明指標(biāo)，利用BP神經(jīng)網(wǎng)絡(luò)對指標(biāo)的數(shù)據(jù)及其評級結(jié)果進(jìn)行機(jī)器學(xué)習(xí)，對10組未進(jìn)行學(xué)習(xí)的數(shù)據(jù)進(jìn)行預(yù)測，準(zhǔn)確率達(dá)到100%。完成訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)系統(tǒng)便可以進(jìn)行城市智慧照明等級的劃分，便于快速匹配與城市基礎(chǔ)現(xiàn)狀特點相對應(yīng)的評價體系進(jìn)行指導(dǎo)建設(shè)。

研究成果對于城市智慧照明基礎(chǔ)分級理論研究方法具有重大意義，本系統(tǒng)可具備對城市智慧照明建設(shè)進(jìn)行基礎(chǔ)信息判斷和發(fā)展階段預(yù)判，可實現(xiàn)與待研究城市當(dāng)前階段城市的發(fā)展階段進(jìn)行匹配，為進(jìn)一步提出城市智慧照明規(guī)劃的發(fā)展目標(biāo)與實現(xiàn)途徑提供基礎(chǔ)研究手段。如在將來對于基礎(chǔ)指標(biāo)或者分級的顆粒度進(jìn)行調(diào)整，仍可利用本文的數(shù)據(jù)分析以及神經(jīng)網(wǎng)絡(luò)構(gòu)建的方法進(jìn)行推導(dǎo)。