具有预测性维护调度的智能照明系统及其操作的方法与流程

本系统涉及智能照明系统，并且更特别地说，涉及处理来自多个信息空间的信息以预测和调度维护操作的照明系统及其操作的方法。
背景技术：
：通常，在街道照明系统中，非功能性灯被维护员工响应于报告所述非功能性灯的服务调用而用新灯进行更换。该过程要求灯在它们被更换之前被吹灭，这可能增加用户不便。此外，如果灯在它们出故障之前早早地被更换，则某些灯寿命可能会被损失，这可能增加总体维护成本。尽管数据存储正变得更便宜和丰富，但管理、维护和处理大型数据集仍然是昂贵的。此外，数据中的大部分数据在处理之前因为它不是相关的、引入噪声或者使分析缓慢而被移除。噪声、丢失的数据和错误的数据是大型数据库中非常常见的。在没有充足的数据质量的情况下，数据分析型应用不能提供必要的高质量结论。最后，从室外照明系统发送大量数据需要可以处置产生的高网络业务量和存储需求的更复杂和昂贵的照明系统设计。本文中描述的（一个或者多个）系统、（一个或者多个）设备、（一个或者多个）方法、（一个或者多个）用户界面、（一个或者多个）计算机程序、进程等（除非上下文以其他方式指出，否则在下文中这些项中的每项都将被称为系统）解决现有技术的系统中的问题。技术实现要素：根据本系统的实施例，公开了可以包括被配置为执行以下操作的至少一个控制器的照明系统：获得照明日志记录数据，所述照明日志记录数据包括与所述照明系统的特征相关并且从多个特征空间获得的特征信息；确定照明预测数据，所述照明预测数据根据所述照明日志记录数据，预测未来时间处所述照明系统中的至少一个部件故障，并且包括至少一个复杂特征；根据所述照明预测数据和维护成本，对被预测为在未来时间处发生的所预测的部件故障进行建模；以及，将经建模的所预测的部件故障存储在存储器中。进一步设想了所述控制器可以被进一步配置为，将经建模的所预测部件故障渲染在所述照明系统的显示器上。还设想了所述控制器可以被进一步配置为，从以下各项中的至少一项获得所述照明日志记录数据：灯电气部分、系统操作信息部分、传感器、安装配置部分、气象信息部分、交通部分和犯罪部分。还设想了所述照明系统可以进一步包括多个灯，并且经建模的所预测部件故障可以包括所述多个灯中的两个或更多个灯的所预测的灯故障以及对应的所预测的故障时间。进一步设想了所述控制器可以被进一步配置为，根据对应的灯的地球物理位置和所预测的故障时间，对所预测的灯故障中的至少两个所预测的灯故障进行聚类。然而，在另一其它的实施例中，仅一个聚类可以包括至少一个灯。此外，设想了所述控制器可以被进一步配置为，调度维护，以在被确定为就所述聚类而言是最优的所确定的时间处更换所述聚类的所述灯。例如，假设所述系统已预测许多所预测的灯故障（例如，在一个或多个未来时间处），则所述系统可以然后根据可以已知为成本函数的数学模型执行聚类（以及对灯更换的及时调度）以最小化维护成本。因而，通过使用成本函数，不同成本类型可以被所述系统在数学上考虑，所述不同成本类型诸如是进行更换回合的固定成本（（例如，其可以包括修理设备成本、人员成本（固定薪水）等），其可以独立于灯的数量/位置地被考虑）、进行更换回合的可变成本（（例如，其可以包括卡车的燃料成本、人员的薪水（例如，按钟点计算的、加班的）等），并且其可以是取决于将被修理的灯的数量和位置中的至少一项的）、太早对（例如，被预测为故障的多个灯的）灯进行更换的成本（例如，被浪费的寿命）、太迟对（例如，所述多个灯的）灯进行更换的成本（例如，性能下降、市民的投诉、品牌受损等）以及对硬件进行更换的成本。给定该成本函数，所述系统可以确定一个或多个聚类（例如，通过进行聚类）和时间（例如，未来的一天、日期、时间），对于所述一个或多个聚类和时间，成本可以被确定为是针对更换至少一个对应聚类的灯被最优地最小化的。所述系统可以使用启发法以执行所述聚类。根据本系统的另一其它的实施例，公开了确定照明系统的性能的方法，所述方法可以被所述照明系统的至少一个控制器执行，并且可以包括以下动作中的一个或多个动作：获得照明日志记录数据，所述照明日志记录数据包括与所述照明系统的特征相关并且从多个特征空间获得的特征信息；确定照明预测数据，所述照明预测数据根据所述照明日志记录数据，预测未来时间处所述照明系统中的至少一个部件故障，并且包括至少一个复杂特征；根据所述照明预测数据和维护成本，对被预测为在未来时间处发生的所预测的部件故障进行建模；以及，将经建模的所预测的部件故障存储在存储器中。还设想了所述方法可以进一步包括以下动作：将经建模的所预测的部件故障渲染在所述照明系统的显示器上。还设想了所述方法可以进一步包括从以下各项中的至少一项获得所述照明日志记录数据的动作：灯电气部分、系统操作信息部分、传感器、安装配置部分、气象信息部分、交通部分和犯罪部分。根据某些实施例，所述照明系统可以进一步包括多个灯，并且经建模的所预测部件故障可以包括所述多个灯中的两个或更多个灯的所预测的灯故障以及对应的所预测的故障时间。所述方法可以进一步包括以下动作：根据对应的灯的地球物理位置和所预测的故障时间，对所预测的灯故障中的至少两个所预测的灯故障进行聚类。根据某些实施例，所述方法可以进一步包括以下动作：调度维护，以在被确定为就所述聚类而言是最优的所确定的时间处更换所述聚类的所述灯。根据本系统的另一其它的实施例，公开了被存储在计算机可读存储器介质上的计算机程序，所述计算机程序被配置为确定照明系统的性能，所述计算机程序包括被配置为执行以下操作的程序部分：获得照明日志记录数据，所述照明日志记录数据包括与所述照明系统的特征相关并且从多个特征空间获得的特征信息；确定照明预测数据，所述照明预测数据根据所述照明日志记录数据，预测未来时间处所述照明系统中的至少一个部件故障，并且包括至少一个复杂特征；根据所述照明预测数据和维护成本，对被预测为在未来时间处发生的所预测的部件故障进行建模；以及，将经建模的所预测的部件故障存储在所述照明系统的存储器中。根据某些实施例，所述程序部分可以被进一步配置为，将经建模的所预测的部件故障渲染在所述照明系统的显示器上。还设想了所述程序部分可以被进一步配置为，从以下各项中的至少一项获得所述照明日志记录数据：灯电气部分、系统操作信息部分、传感器、安装配置部分、气象信息部分、交通部分和犯罪部分。还设想了所述照明系统可以进一步包括多个灯，并且经建模的所预测部件故障可以包括所述多个灯中的两个或更多个灯的所预测的灯故障以及对应的所预测的故障时间。根据某些实施例，所述程序部分可以被进一步配置为，根据对应的灯的地球物理位置和所预测的故障时间，对所预测的灯故障中的至少两个所预测的灯故障进行聚类。进一步地，所述程序部分可以被进一步配置为，调度维护，以在被确定为就所述聚类而言是最优的所确定的时间处更换所述聚类的所述灯。根据本系统的另一进一步的实施例，公开了照明系统，所述照明系统可以包括可以被配置为执行以下操作的至少一个控制器：获得与当前时间处的照明系统的特征相关的照明日志记录数据；根据与所述当前时间处的所述照明系统的特征相关的所述照明日志记录数据，确定包括至少一个复杂特征的照明预测数据；根据所确定的照明预测数据，形成被预测为在未来时间处发生的所述照明系统中的所预测的部件故障的模型；以及，将所预测的部件故障模型存储在存储器中。还设想了所述控制器可以被进一步配置为：收集所述未来时间处的照明日志记录数据；基于所述未来时间处的所收集的所述照明日志记录数据和所预测的部件故障的所述模型，确定预测的真实结果；以及，根据预测的所述真实结果，更新所预测的部件故障的所述模型。还设想了所述控制器可以进一步地：根据与所述未来时间处的所述照明系统的特征相关的所述照明日志记录数据，确定包括至少一个复杂特征的最新照明预测数据；和/或根据所确定的最新照明预测数据和所更新的模型，形成被预测为在相对于所述未来时间的另一个未来时间处发生的所述照明系统中的所预测的部件故障的模型。附图说明参考附图详细并且作为示例地阐述了本发明，其中：图1A示出了根据本系统的实施例的照明系统100的示意图；图1B示出了根据本系统的实施例的照明系统的一部分的示意图；图2是图示出由根据本系统的实施例操作的光系统执行的过程200的流程图；图3A示出了图示出根据本系统的实施例的用于确定SON灯的变量重要性的测试结果的输出的图表；图3B示出了图示出根据本系统的实施例的用于确定LED灯的变量重要性的测试结果的输出的图表；图4示出了根据本系统的实施例所形成的图形用户界面（GUI）的屏幕截图；图5是图示出由根据本系统的实施例操作的光系统执行的过程的流程图；图6示出了根据本系统的实施例的系统的一部分；以及图7示出了来自根据本系统的实施例生成的随机森林预测模型的单一的树。具体实施方式下面是对当结合以下附图考虑时将演示上面指出的特征和优点以及进一步的特征和优点的图示性实施例的描述。在下面的描述中，出于解释而非限制的目的，阐述了诸如是架构、接口、技术、元素属性等的图示性细节。然而，对于本领域的技术人员将显而易见，脱离这些细节的其它实施例将仍然被理解为处在所附权利要求的范围内。此外，出于清楚的目的，省略了对公知的设备、电路、工具、技术和方法的详细描述，以不使对本系统的描述模糊不清。应当明确地理解，附图出于图示的目的被包括，并且不表示本系统的完整范围。在附图中，不同图中的相似参考数字可以指定相似的元素。图1A示出了根据本系统的实施例的照明系统100的示意图。照明系统100包括控制器102、灯点106-1-106-N（概括地说，106-x）、传感器108、网络110、存储器112、信息整合器114-1直到114-P（概括地说，114-x）等。如果需要，灯点106-x中的多个灯点中的一个灯点可以形成照亮器104-1-104-M的一个或多个对应的组，并且可以包括传感器108的关联的传感器。控制器102可以控制系统100的总体操作，并且可以经由网络110与灯点106-x、传感器108、存储器112、整合器114等中的多项中的一项通信。控制器102可以包括一个或多个诸如是处理器（例如，微处理器）、逻辑开关等的并且可以被配置（例如，使用硬件、软件和/或固件）为根据本系统的实施例操作的逻辑设备。存储器112可以包括任何合适的非暂时性存储器，并且可以包括本地和/或分布式的存储器。例如，存储器112可以包括多个诸如是以下各项的数据库：（A）室外照明数据库；（B）公共数据库；（C）可靠性模型数据库；和/或（D）如将在下面讨论的预测模型数据库。这些数据库中的一个或多个数据库可以与彼此是分隔的或者地整体被形成，并且可以以任何合适的形式存储信息。网络110可以包括一个或多个这样的网络，所述网络可以使能使用诸如是有线和/或无线通信方案之类的任何合适的传输方案进行控制器102、灯点106-x、传感器108、存储器112、整合器114-x等之间或者多项的通信。相应地，网络110可以包括一个或多个这样的网络，所述网络诸如是广域网（WAN）、局域网（LAN）、电话网络（例如，3G、4G等、码分多址（CDMA）、全球移动系统（GSM）网络、普通老式电话服务（POTs）网络）、对等（P2P）网络、无线保真（WiFiTM）网络、蓝牙TM网络、专有网络、自组织网络等。传感器108可以被分布到照明系统100的各处，并且可以包括这样的传感器，所述传感器可以感应如下面将就图1B和2的讨论被描述的与照明系统100相关的信息，并且形成采用任何合适的格式的对应的传感器信息。例如，可以被提供给一个或多个对应的整合器114-x和/或控制器102进行进一步处理的传感器信息。传感器108中的一个或多个传感器可以与对应的灯点106-x整体地（例如，在本地）或者远程地被放置。在另一其它实施例中，传感器108中的一个或多个传感器可以是基于灯点106-x中的一个或多个灯点的分组和/或网络或者与灯点106-x中的一个或多个灯点的地理接近度而与这些灯点106-x中的一个或多个灯点相关联的。例如，传感器108可以是与如可以使用地球物理位置信息来确定的一个或多个最接近的灯点106-x相关联的。传感器信息可以包括标识报告传感器108或者传感器108的信息。灯点106x可以包括诸如是一个或多个灯之类的任何合适的照亮源。灯点106-x中的一个或多个灯点106-x可以是与其它灯点106-x相同或者不同的，并且可以包括诸如是灯具之类的合适的外壳。为清楚起见，将假设灯点106-x中的全部灯点是与彼此相似的，并且包括单一的对应的灯。所述灯可以包括诸如是弧型灯（例如，SON灯、MH灯、荧光灯等）、发光二极管（LED）灯、灯丝型灯（例如，石英灯等）之类的任何合适的（一个或者多个）照亮源。然而，为清楚起见，将假设每个灯点106-x包括仅单一的灯。进一步地，灯点106-x中的每个灯点106-x可以被称为灯106-x。灯点106-x中的一个或多个灯点106-x可以被安装在室内和/或室外位置中的诸如是杆（例如，灯杆）、墙、地板、天花板、桥等的合适位置处，并且可以包括任何合适的灯具。例如，在某些实施例中，灯点106-x的组可以包括被安装在市政照明系统的特定地球物理位置中的车行道/人行道灯具。进一步设想了灯点106-x中的一个或多个灯点106-x可以被控制器102控制为输出诸如是固定和/或可变强度照亮、固定和/或可变焦点照亮、固定和/或可变持续时间照亮、固定和/或可变光谱（例如，颜色）照亮等的期望的照明特性，并且可以提供对应的照亮信息。灯点106-x中的一个或多个灯点106-x可以包括用于控制被提供给对应的灯点106-x的照亮源（例如，灯）的功率的促动器，诸如是开关。例如，在某些实施例中，单一的开关可以用于控制用于激活多个灯点106-x的功率。整合器114-x可以从对应的灯点106-x获得照明日志记录数据（LLD），并且可以处理对应的LLD以形成可以被提供给控制器102进行进一步处理的传输信息（ti）。LLD可以以原始格式被接收，并且可以包括诸如是来自对应的信息源（IS）的与照明系统的特征（f）相关的特征信息（fi）之类的信息。因此，整合器114-x中的一个或多个整合器114-x可以如将在其它地方讨论的那样处理LLD并且形成对应的传输信息（TI）。概括地说，整合器114-x可以如将在其它地方讨论的那样分析LLD以确定错误和/或丢失的信息，并且纠正和/或更换被确定为是错误和/或丢失的（例如，利用所估计的数据）的信息。在某些实施例中，设想了控制器102可以包括一个或多个累加器114-x。为清楚起见，丢失和错误的数据可以被一般地称为错误的数据。图1B示出了根据本系统的实施例的照明系统100的一部分的示意图。照明系统100可以包括照明日志记录数据（LLD）部分120和整合器114。LLD部分120可以包括多个信息源，所述信息源诸如是可以提供灯电气信息的灯电气信息部分120-1、可以提供系统操作信息的系统操作信息部分120-2、可以提供传感器信息的传感器120-3、可以提供安装配置信息的安装配置部分120-4、可以提供气象信息的气象信息部分120-5、可以提供交通信息的交通部分120-6和可以提供犯罪信息的犯罪部分120-7。每个信息源120-x可以与不同的特征空间相对应的信息。因此，例如，传感器信息可以包括第一特征空间的信息，并且气象信息可以包括不同的特征空间的信息。灯电气信息可以包括与照明系统100的一个或多个灯106-x的电压、功率、电流、功率因子、能耗、所实现的调光水平、色点、色调、饱和度、亮度中的一项或多项相关的信息。系统操作信息可以包括与照明系统100的主电压、灯控制错误（例如，在对灯进行控制时的错误）、灯操作调度和所请求的调光水平中的一项或多项相关的信息。传感器信息可以包括与系统100的光水平、环境温度、灯内部温度、湿度和存在性以及所感应的交通中的一项或多项相关的信息。配置信息可以包括与系统100的一个或多个灯106-x的灯位置（例如，使用任何合适的方法被确定，诸如是通过使用全球定位系统（GPS））、灯类型（例如，SON、LED、荧光灯、白炽灯等）、品牌名称（例如，XitaniumTM80led350mA96WSpeedstarTMBGP322GRN84）、灯瓦数、灯安装日期和平均寿命中的一项或多项相关的信息。气象信息可以包括与针对照明系统中的一个或多个位置所确定的环境温度、降雨量、湿度、气压和风速中的一项或多项相关的信息。所提供的交通信息可以包括与系统100的一个或多个位置相关的交通密度、交通类型、交通速度、事故、道路类型中的一项或多项相关的信息。犯罪信息可以包括与系统100中的一个或多个位置相关的警方报告、抢劫、夜盗、事故和盗窃中的一项或多项相关的信息。气象部分120-5可以经由例如互联网从诸如是AccuweatherTM等的任何合适的源获得气象信息。气象信息可以包括过去的、当前的和/或未来的气象（所预报的）信息。相似地，犯罪部分120-x可以经由例如互联网从诸如是警方或者执法机构之类的任何合适的源获得犯罪信息。进一步地，可以经由例如互联网从诸如是交通报告源之类的任何合适的源获得交通信息。交通信息可以包括过去的、当前的和/或未来的（例如，所预报的）交通信息。照明日志记录数据（LLD）可以包括灯电气信息、操作信息、传感器信息、安装配置信息、气象信息、交通信息和犯罪信息中的一项或多项，所述各项信息中的每项可以形成可以包括与系统的特征（f）相关的信息的特征信息（FI）的一部分。因此，LLD可以包括与系统的特征（f）相关的信息。可以时间上（例如，每秒、每分、每小时、每天、每月等）在一个或多个时间处收集灯电气信息、操作信息、传感器信息、安装配置信息、气象信息、交通信息和犯罪信息中的一项或多项。例如，可以一月一次地收集犯罪信息。然而，可以每隔20秒地收集传感器信息。因此，例如，所述过程可以包括收集时间信息，所述收集时间信息可以阐明对应的信息将在其处被收集的时间和/或调度。收集时间信息可以由系统和/或用户设置，并且可以被存储在系统的存储器中以便稍后使用。整合器114可以包括一个或多个这样的整合器114-x，所述整合器114-x可以从照明系统的对应部分接收LLD的对应部分，并且可以处理LLD以整合和/或清理LLD，以便形成诸如是如将在下面讨论的传输信息（TI）之类的有传输价值的信息。图2是图示出由根据本系统的实施例操作的照明系统执行的过程200的流程图。过程200可以使用通过网络进行通信的一个或多个计算机来执行，并且可以从一个或多个存储器获得信息和/或向一个或多个存储器存储信息，所述一个或多个存储器可以是在彼此的本地和/或远程的。过程200可以包括以下动作中的一个或多个动作。进一步地，如果需要，这些动作中的一个或多个动作可以被合并和/或分隔成子动作。进一步地，取决于设置，这些动作中的一个或多个动作可以被跳过。在操作中，所述过程可以在动作201期间开始，并且然后前进到动作203。在动作203期间，所述过程可以执行初始化过程。初始化过程可以初始化诸如是灯点（为清楚起见，在下文中称为灯）、传感器等的系统的一个或多个部分。所述过程可以进一步在初始化过程之前或者之后执行发现过程以发现诸如是灯、传感器、存储器、电源（例如，主电源、备用电源等）、网络等的系统的部分。进一步地，所述过程可以向诸如是灯和/或传感器之类的系统的部分提供操作指令（例如，操作命令等）。在初始化期间，所述过程可以对诸如是操作数据、时间数据等的数据进行同步。在发现过程期间，所述过程可以从系统的存储器检索系统操作信息，和/或建立网络连接和/或存储器访问。在完成动作203之后，所述过程可以继续去往动作205。在动作205期间，所述过程可以执行在其中可以从LLD部分120获得LLD的灯点（例如，灯）数据收集过程。LLD可以包括特征信息（fi）。可以诸如是以定期和/或非定期的间隔（例如，在时间上）地和/或响应于例如来自整合器114-x和/或控制器102的查询地时间上在各种时间处（例如，其中的每个时间可以被看作一个时间步骤）确定和/或传输LLD或者其部分。在某些实施例中，诸如是传感器（例如，120-3）之类的LLD部分的部分可以每5分钟一次（每个时间与一个时间步骤相对应）地确定对应的传感器信息（例如，其可以形成fi的至少一部分）并且其后将传感器信息传输给对应的整合器114-x。在完成动作205之后，所述过程可以继续去往动作207。在动作207期间，所述过程可以执行时间数据整合过程以整合包括fi的所收集的LLD。为清楚起见，可以在下面讨论fi和包含在其内的特征f而非LLD。然而，对fi所执行的操作也可以被看作对LLD所执行的操作，并且反之亦然。提到整合，所述过程可以如将在下面讨论的那样整合fi并且形成基于输入的fi的完整输入数据集X。该数据整合过程可以使用任何合适的方法来执行。例如，在某些实施例中，可以使用下面的数学方法来整合fi以如下地形成基于fi的对应的完整输入数据集X。例如，假设一天中的小时h可以被表示为：方程（1）天数（对自从1970年1月1日起的天进行计数）可以被表示为：方程（2）然后，时间t可以被定义为：方程（3）因此，所述过程可以确定h是否小于12，并且如果确定了h小于12的话则设置等于d的时间t。然而，如果确定了h不小于12（例如，h大于或者等于12），则所述过程可以设置等于d+1的时间t。然后，假设T是所有时间t的集合：，并且F是在系统中被记录日志的特征f的集合：方程（4）其中，nF表示集合F中的特征的数量。就特征f而言，特征f可以表示诸如是以下各项的与系统或者其部分相关的各种信息：燃烧小时、灯电压、电流、功率、功率因子、主电压、能量使用率、灯开关的数量、调光水平变更的数量、调光命令与调光结果之间的差异、调光命令与调光行动之间的延迟、调光水平、被设置在每个调光水平处的持续时间、调光请求的成功（例如，成功的、不成功的）、部件温度、流明输出、环境温度、气压、风速、风向、降雨量、太阳功率、云量、月相、日出时间、日落时间、自然光强度、海拔高度、灯故障、镇流器故障、灯控制器故障（例如，控制对应的灯的电子装置的故障）、光电池故障、维护访问、每种交通类型的交通计数和/或犯罪率。然而，特征f可以基于照明系统类型和/或配置改变。进一步地，当整合特征f时，时间数据可以是相同时间步骤内的特征的算术整合。特征f中的某些特征可以被基于接近度链接（例如，关联）到一个或多个灯，所述接近度诸如是灯与诸如是气象报告之类的对应特征f之间的地球物理接近度。因此，所述过程可以将特定区域的气象报告与被确定为在该特定区域内的一个或多个灯链接。所述过程可以使用任何合适的方法完成此，所述方法诸如是将灯的所确定的地球物理位置和与该灯的位置相对应的气象信息进行匹配。进一步地，任何合适的方法可以被用于确定系统的一个或多个部分（诸如是系统的一个或多个灯和/或传感器）的（一个或多个）地球物理位置，所述方法诸如是通过使用全球定位系统（GPS）坐标、地球物理网格坐标、系统位置等。当接收fi时，fi可以被如下地处理。例如，假设观察o，该观察由所述过程形成，并且其可以表示特定时间t处特定灯的特定特征的一个特定实现值，并且可以由以下方程指代：方程（5）其中，指示来自特征f的时间t处的灯（灯点的）的观察值，id是该灯的唯一标识符，并且可以数学上定义如下面参考方程（14）描述的照明系统的nL个灯杆中的一个灯杆，并且L是如下面在方程（15）中定义的nL个灯杆中的全部灯杆的集合，并且R表示全部实数的集合。因此，可以被看作灯L的集合的元素。因此，观察o的整个集合可以由以下方程指代：方程（6）其中，T和F在上面被描述。对于灯、时间t和特征f的每个唯一的组合，可以存在多个观察o。假设针对单一时间t、灯和特征f的全部n个观察的集合由函数给出，其中：方程（7）给定观察O的集合，则数据点x可以被定义为：方程（8）因此，完整输入数据集X可以由以下方程给出：方程（9）因此，假设表示元组x的第i+3个元素，即，指示观察O的平均值，并且指代被用于创建数据点x的观察的数量。可以对于灯、时间和/或特征的每个唯一的组合确定观察的平均值、标准差、最大值、最小值和/或数量。所述过程可以对于每个这样的唯一组合请求这些项。针对给定时间t、灯和特征f的数据点可以由以下函数给出：方程（10）在完成动作207之后，所述过程可以继续去往动作209。在动作209期间，所述过程可以执行清理过程以清理完整输入数据集X，以便纠正任何被确定为是丢失的数据和/或更换任何被确定为是错误的数据。例如，在动作209期间，所述过程可以对完整输入数据集X进行预处理以纠正全部被确定为是错误的数据和更换任何被确定为是丢失的数据。因此，完整输入数据集X中的所识别出的错误可以被纠正。例如，为纠正完整输入数据集X的数据，所述过程可以对于每个特征分别定义指示对应特征f的正确数据范围的上界（例如，上阈值）和下界（例如，下阈值）fup和flow。换句话说，对于每个特征，可以定义上阈值和下阈值内的正常范围。对于某些特征，正常范围可以是预定义的，例如，可以预期功率因子在0和1之间。对于特征，正常范围可以被习得，例如对于主电源、温度。首先，移除和/或利用近似值纠正对于其来说确定了或者的全部观察。例如，根据本系统的某些实施例，被移除的值可以被标记为是丢失的，并且然后与其它丢失的值一起被纠正（例如，利用近似值进行更换）；这也可以在单一的步骤中被完成。对于某些特征f，上界和下界可以是动态的，例如，对于累积燃烧小时。在此情况下，对于、，所述过程可以使用和。也可以基于其它观察（当可以是可用的时）导出上界和下界。例如，这些其它观察可以包括与对应的灯是被打开的还是关闭的相关的信息。燃烧时间、灯打开时间和灯关闭时间中的一个值可以使用剩余的两个值来验证。因此，假设诸如是燃烧时间、灯打开时间和灯关闭时间之类的三个特征是相关的（例如，燃烧时间=灯打开时间+灯关闭时间），如果这三个特征中的任何一个特征被确定为是不正确的或者丢失的，则所述过程可以使用诸如是习得正常行为方法等的任何合适的方法根据三个特征中的其它两个特征纠正所述不正确的或者丢失的值。测试结果在对于根据本系统的实施例操作的系统的特征F的数据集所执行的测试期间，已发现最常见的错误是：（A）能量值或者燃烧小时的减少（这些应当是非减的，因为它们被不断地累积）；（B）0以下或者1以上的功率因子值；（C）0以下或者特定阈值（例如，当前被设置在600V处）以上的主电压值；（D）主电压以上的灯电压；以及（E）0以下的电流。根据本系统的某些实施例，所述过程可以使用大型现有安装的统计数据（例如，从系统的存储器来获得）以在特征F的数据集中减少噪声、找到和纠正错误和/或填充（例如，近似和更换）丢失的值。因此，在对系统的特征F的数据集进行处理之后，该数据集可以被清理，以更换被确定为是丢失的数据和纠正被确定为是错误的数据。处理（例如，用于清理等）之后的特征F的数据集可以被称为特征F的经处理的数据集，并且可以被称为可以作为传送信息（TI）被传输的传送准备就绪的数据集。因此，TI可以包括传送准备就绪的数据集，并且因此包括特征F的经处理的（例如，经清理的）数据集。根据某些实施例，传送准备就绪的数据集可以排除错误的数据，可以包括用于更换丢失的数据的近似数据，和/或可以包括用于替代被确定为是错误的和/或丢失的数据的其它近似数据。进一步地，TI可以包括具有相同时间戳的多个原始数据元素（例如，如可以被包括在LLD中的）的算术整合。然而，在另一其它实施例中，TI可以仅包括给定原始数据馈入（例如，如由LLD提供的）的所选时间戳。此外，在另一其它实施例中，可以基于诸如是系统的服务器之类的控制器的一部分的处理和存储资源可用性不断地更新TI。在另一其它实施例中，TI可以包括可能是对于满足性能阈值所需要的信息（例如，如可以在维护合同的服务级别协定中被阐述）。在完成动作209之后，所述过程可以继续前往动作211。在动作211期间，所述过程可以将特征F的经处理的（例如，经清理的）数据集传输给诸如是室外照明数据库213之类的系统的任何合适的存储器进行存储。例如，根据某些实施例，所述过程可以获得特征F的经处理的数据集，并且可以将特征F的数据集传输给室外照明数据库213进行存储。该室外照明数据库213可以形成用于执行用于分析和/或控制本系统的部分的一个或多个过程或者其部分的后端系统的部分。因此，一旦特征F的数据集被处理（例如，被清理或者被依据时间t（即，每夜）进行分组），则其被传输给后端系统进行存储。在完成动作211之后，所述过程可以继续前往动作217。在动作217期间，所述过程可以对可以从诸如是室外照明数据库213之类的系统的存储器被获得的特征F的所存储的数据集执行清理过程。清理过程可以是基于诸如是过去的数据、公开的数据、特征之间的关系和习得正常行为之类的信息的。如果确定了对于动作209是可用的信息和/或处理能力不足以确保数据具有期望的准确度，则可以执行该动作。相应地，所述过程可以形成特征F的对应的经清理的经处理数据集。在完成动作217之后，所述过程可以继续前往动作219。在动作219期间，所述过程可以使用任何合适的方法确定提供信息的数据特征。例如，可以通过执行用于导出形成提供信息的数据特征的复杂特征（CF）的复杂特征提取过程来确定提供信息的数据特征。提供信息的数据特征可以被所述过程用于确定被分析的照明系统的未来操作性能，诸如是可以包括灯故障并且可以包括对应的复杂特征的部件故障。例如，提供信息的数据特征可以预测诸如是灯故障之类的照明系统部件故障。在该动作期间，所述过程可以使用任何合适的方法计算或者以其它方式确定提供信息的数据特征。例如，提供信息的数据特征可以由以下函数表示：方程（11）该函数可以被处理以根据一个或多个灯杆参数（LPP）（例如，见方程（12））和完整输入数据集X的一个或多个特征（f）计算一个或多个提供信息的数据特征。因此，如果A被定义为基于X和L所确定的提供信息的数据特征的集合，则A可以被定义为：方程（12）所述过程可以使用方程11和12来计算可以包括完整输入数据集X和提供信息的数据特征A的数据集D，其中，D可以被定义为：方程（13）假设对于每个灯杆存在定义相对于照明系统的灯杆的类型和（地球物理）位置的一些变量（例如，灯杆参数（LPP））。则灯杆可以在数学上被定义为：方程（14）其中，指代灯的灯标识（ID），指代灯的灯类型，指代灯的室外照明控制器（OLC）类型，指代灯的位置类型，指代灯的功率，指代灯的功率纠正，指代灯的安装日期（例如，安装日期），指代灯的寿命，指代灯的品牌，指代灯的维度，指代灯的经度。就位置类型而言，该变量定义用于定义对应的灯杆的地球物理位置的方法。例如，在某些实施例中，位置类型可以包括GPS位置信息。然而，在另一其它的实施例中，位置信息可以是网格类型（例如，使用行和列形式）的。然而，在另一其它的实施例中，设想了位置类型可以使用描述性值定义位置，所述描述性值诸如是市中心、乡村、海滨、开放空间、体育场、城市街道、城市公路、郊区公路、农村公路、停车场、城区、郊区等，所述描述性值如可以由照明系统或者诸如是灯之类的其部分被安装在其处的位置定义，诸如在下面的表1中被示出（例如，见位置类型）。方程（14）中所示的变量（例如，、、、、、、、、、和/或）可以由系统和/或用户定义。在下面的表1中定义了不同参数的一些可能值。表1变量选项灯类型发光二极管（LED）、钠汽灯（SON）、金属卤化物灯（MH）、荧光灯、灯丝等OLC类型7020等位置GPS位置位置类型（例如，被定位在此处）海滨、内陆、城镇、市中心、乡村等功率和功率纠正72和14.4安装日期2010-03-2515:27:34寿命14400小时品牌MasterCityWhiteTMCDO-xT70W-dim1-10V就L而言，如果L被设置为照明系统的全部nL个灯杆的集合，则L可以被定义为：方程（15）因而，给定完整输入数据集X和灯杆参数L，则所述过程可以确定提供信息的数据特征。由所述过程确定的提供信息的数据特征当用于预测未来照明系统性能时可以比诸如是实际小时（例如，800小时）和寿命小时（例如，950小时）之类的标准数据提供更多信息。根据某些实施例，所述过程可以确定如下面的表2中所示的以下的可以用于预测灯的寿命终止的提供信息的数据特征。将假设提供信息的数据特征可以在照明系统被配置时被确定，并且与其相关的信息可以被存储在系统的存储器中以便稍后使用。然而，在另一其它的实施例中，设想了提供信息的数据特征可以在时间上（例如，定期地、非定期地、在用户请求时等）被确定。表2在另一其它的实施例中，所述过程可以确定提供信息的数据特征，诸如在以下表3中列出的那些。例如，根据一些实施例，所述过程可以确定灯的二次电压趋势（例如，随时间的、在具体时间点处的）。表3对应的灯的提供信息的数据特征灯的二次电压趋势（例如，随时间的、在具体时间点处的）所确定的内部和环境温度的相对差异点燃尝试的所确定的数量及其二次趋势当进行点燃和调光时的自发灯熄灭事件的所确定的数量及其二次趋势调光命令与结果之间的所确定的差异和延迟，以及调光行动的累积数量相比于静态的取决于灯的变暖时段的从点燃到第一个调光请求之间的所确定的相对延迟相对于部件（诸如是灯）的预期寿命的所确定的总操作小时数每天的（例如，灯的）能量使用率根据另一其它的实施例，可以基于主服务器中的处理和存储资源可用性不断更新提供信息的数据特征。提供信息的数据特征对于预测即将出现的故障最有用，因此，如果存储器可用性受限，则仅这些特征被存储，并且一旦提供信息的特征被计算则从存储装置中移除完整输入集X。附加地，可以根据重要性对提供信息的特征和/或输入集X进行排名以便稍后使用。取决于存储器可用性，排名最高的特征被首先存储。如果处理可用性受限，则对提供信息的特征的计算根据它们的排名被执行。如果处理仅暂时地受限，则计算可以被延迟。在另一其它的实施例中，提供信息的数据特征可以包括对于维持在维护合同中所概述的服务级别协定既是必要的也是充分的数据。根据某些实施例，服务级别协定可以包括至少一个用于测量性能并且可以被表示为列表的参数。例如，这些（一个或者多个）参数可以被包括在提供信息的特征的列表中。进一步地，提供信息的数据特征可以是被维护提供商用于执行服务（即，计划和履行维护）的那些特征。此外，如下文中讨论的附加的提供信息的数据特征可以被包括在为支持服务级别协定所需要的列表中。更多附加的提供信息的数据特征可以被所述过程根据函数确定，所述函数可以是如上面讨论的根据一个或多个灯参数（例如，L）和多个数据特征（例如，X）之一计算新的复杂特征的过程。因此，如上面讨论的那样，提供信息的数据特征A可以被计算和/或数据集D可以被定义，并且可以被存储在诸如是室外照明数据库213之类的系统的存储器中以便稍后使用。因此，提供信息的数据特征可以形成包括所确定的复杂特征的照明预测数据。这些复杂特征可以是至少部分上基于灯电气信息、系统操作信息、传感器信息、安装配置信息、气象信息、交通信息和犯罪信息的。室外照明预测数据可以包括对未来日期处的诸如是所预测的灯故障之类的照明系统部件故障进行预测的信息。在完成动作219之后，所述过程可以继续前往动作221。在动作221期间，所述过程可以确定数据集D的变量重要性。所述过程可以使用诸如是随机森林方法的任何合适的统计方法确定最重要的特征（例如，在D的数据集中）。在确定最重要的特征f之前，从数据中选择需要被解释或者预测的特征DP是重要的。因此，DP可以是D的一个元素，即，作为预测的目标的一个特征。例如，指示对于特定的灯来说特定类型的故障在所选时段期间是否已发生的布尔值。假设var是中的变量的数量。DP可以是实值的数据、分类型、布尔型或者整数型数据。假如数据是（例如，DP）布尔型或者整数型的，其也可以被看作分类型的。假如数据DP是分类型的，所述过程可以将DP中的每个唯一的值指代为单独的类。假设类的集合由以下方程给出：方程（16）尽管随机森林也可以用于预测实值的数据，但为清楚起见将参考对类进行预测。然而，应当理解，RF也可以被扩展到预测实值数据。概括地说，随机森林RF由N个树组成：方程（17）其中，每个树以包含全部输入数据的根节点开始，即，，并且随后沿数据集中的特征中的一个特征将节点分裂成2个更小的节点和，其中，。当对应的节点被确定为包含仅属于单一的类的数据时，该节点不再被分裂，并且被称为叶节点。因此，树由以下节点的集体形成：方程（18）然后，假设指代节点的规模，即：方程（19）对节点的预测由被确定为在其数据集中出现最多的类给出：方程（20）然后，为预测某个数据点y的类，数据点y被放在N个树中的每个树的叶节点下面，返回针对每个树的对叶节点的预测，这产生y的N个分类。假设函数给出对数据点y的树的预测，即：方程（21）此外，假设数据点y的森林RF的类预测的集合由以下方程给出：方程（22）则数据点y属于类c的概率由以下方程给出：方程（23）然后，森林选择具有最高概率的分类c(y)，即最多的票数：方程（24）为创建随机森林，从与原始数据DH规模相同的输入数据DH的自助样本（bootstrapsample）开始创建每个树。经由重复地从输入数据DH中随机选择一个数据点y来创建自助样本。因此，从不同的自助样本创建每个树。假设用于创建第i个树的自助样本由给出。则：方程（25）并且，用于创建森林的自助样本的总集合可以由以下方程给出：方程（26）为创建树，在标准方法中，在每个节点处，（例如，由所述过程）随机地选择变量中的K个变量，并且仅这些变量被搜遍以进行最佳分裂。例如，所述过程可以选择：方程（27）然而，从室外照明系统的测试结果中，已确定相当多的差异存在于被放置在接近海滨处的灯与被放置在内陆处的灯的故障行为之间。特别地，已确定，对于海滨位置来说，气象数据对于故障预测来说比对于内陆位置更重要。因此，对于故障预测来说，我们使用假设海滨灯的情况下的具有比内陆灯更高的针对气象数据的权重的概率分布函数（pdf）。于是，这意味着所述过程不是均匀地（即，完全随机地）而是根据概率向量v选择变量中的K个变量。为确定概率向量v，所述过程可以使用在下面讨论的（一个或者多个）变量重要性度量的经归一化的版本。（一个或者多个）变量重要性度量然后需要被归一化，以使得概率的每个元素在0和1之间，并且全部元素加起来是1。所述过程可以然后确定最佳分裂，为确定最佳分裂，所述过程可以使用可以被定义为以下方程的基尼不纯度：方程（28）其中，是来自类i的节点中的数据点的比例。其（例如，基尼）度量如果随机选择的元素根据子集中的标签的分布随机地标记，则从集合中随机选择的元素将如何频繁地被不正确地标记。对于具有单一类中的全部数据点的节点，基尼不纯度等于0，而对于具有两个类中的相等量的数据点的节点，基尼不纯度等于0.5。已发现一个节点被分裂成2个子节点n1和n2的最佳分裂是产生最低基尼不纯度值的分裂，即：方程（29）由于被最佳分裂成和产生的节点的基尼不纯度的减量根据变量i等于：方程（30）数据点y的差额M是真实类的票数的比例减其它类的票数的最大比例，即：方程（31）差额M的规模给出对分类有多么确信的度量。在本实施例中，假设仅两个类和真实类c，这给出：方程（32）随机森林提供四个可以用于确定哪些变量对于预测最重要的度量。为定义这些度量，我们首先引入一些附加的定义。假设函数随机地转置输入值，即，值的排序被随机地改变。假设指代的第i个变量。的第i个变量的值的随机转置因而由给出。此外，定义：方程（33）假设指代与经转置的第i个变量相匹配的的数据点。各个树分类因而由以下方程给出：方程（34）类概率由以下方程给出：方程（35）并且，最终分类可以由以下方程给出：方程（36）产生的测试误差因而变成：方程（37）并且差额变成：方程（38）四个测试度量1到4（分别地，M1到M4）现在将被定义，并且将被用于确定各自测试的变量重要性。度量1.在第k个树的被略去的数据点中，随机地转置第i个变量的全部值，对这些新数据点进行分类，并且确定新的测试集误差率。该新的测试集误差超过原始测试集误差的量被定义为第i个变量的重要性。正式地说，该度量可以被定义为以下方程：方程（39）度量2.当对于第k个树的被略去的数据点随机地转置第i个变量时，跨全部数据点的差额的平均降低。正式地说，该度量可以被定义为以下方程：方程（40）度量3.当对于第k个树的被略去的数据点随机地转置第i个变量时，多少个差额被降低减被升高的差额的数量：方程（41）度量4.在每次分裂时，K个尝试变量中的一个尝试变量被用于形成该分裂，并且存在基尼值中的产生的减量。通过树的数量进行归一化的由于给定变量产生的森林中的全部减量的和形成度量4，即，方程（42）对于对故障进行预测的问题，通常，故障（例如，类1）相比于非故障（例如，类0）的数量非常小。这被称为非平衡的预测问题。因为类是非平衡的（即，来自一个类的元素的数量比另一个类的元素的数量大得多），对数据的随机转置可以导致误导性的结果。例如，当存在类1的仅10个实例和类2的90个实例时，则随机地转置数据给出平均上仍然在类2中的类2的90%*90=81个实例，并且9个实例已变更为类例1。对于旧的类1，9个实例将平均上变成类2，而仅单一的实例仍然是类1。因此，对类2的新数据进行分类可以在准确度上仅降低一点（10%），而类1的新数据的准确度可以降低90%。因为前3个度量（例如，M1到M3）每个都受该问题的困扰，所以现在将参考度量4（例如，M4）。尽管度量4（M4）不受该问题的困扰，但已在树的根处所使用的比例对于非平衡的问题要么大要么小（例如，对于非平衡的问题，一个类的数据的比例小，因此按定义来说其对于其它类大）。对于给定示例中的根，所述过程可以获得诸如是g(根)=的根（例如，对于单一节点树）。然后，如果根被分裂成2个节点（例如，对于两节点树），其中，节点1具有类1的9个实例和类2的8个实例，并且节点2具有类1的1个实例和类2的82个实例。因而，g(节点1)=并且g(节点2)=。由于目标是最小化两个基尼值的和，即，0.0238+0.4983=0.5221，所以该分裂被认为是衰退的。这可以通过基尼值的变更来确定，所述变更在当前的示例中是0.18-0.4983-0.0238=-0.3421，即，小于0。实际上，该树将在节点2中产生预测类2，这导致其中类1的数据点被预测为类2的仅1个实例。对于节点1，其将产生预测类1，导致8个实例被错误的预测为类1。总计说来，存在9个错误的预测，其中在根节点将全部数据预测为类2，即10个错误的预测。相应地，当将该树（例如，两节点树）的灵敏度和特异度相对于前一个树（例如，单一节点树）进行比较时，可以确定准确度已从90%到91%地提升了仅一点，并且灵敏度从100%降低到92%，特异度从0%急剧提升到90%。因此，尽管仅由根节点组成的树（例如，单一节点树）基本上是无用的，但新树（例如，两节点树）具有良好的质量。因此，如将在下面描述的，将定义用于选择最佳分裂的新准则，以及用于选择最重要特征的新准则。选择最佳分裂和最重要特征假设指代数据集中的类i的数据点的组分。在本示例中，从数据中，并且。假设，则：方程（43）然后，根据本示例的实施例使用方程（43）求解，导致g(根)、g(节点1)、g(节点2)的以下结果。g(根)=，g(节点1)=，并且g(节点2)=。通过使用该新方法（例如，如由方程（43）定义的），基尼值从0.5降低到0.1620+0.1782=0.3402。变量重要性度量（M5）（例如，变量重要性）现在变成：，其中，　方程（44）相应地，在动作221期间，所述过程可以诸如是利用方程（44）地使用上面阐述的方程集中的至少一个方程并且根据输入数据D确定变量重要性。然后可以对于在动作219期间所确定的已定义的每个复杂特征确定变量重要性。在完成动作221之后，所述过程可以继续前往动作223。在动作223期间，所述过程可以选择具有最高重要性的（一个或多个）变量。相应地，所述过程可以对所述变量重要性值中的每个变量重要性值进行比较，并且使用任何合适的方法确定最大变量重要性值，并且然后选择对应的（一个或多个）复杂特征。例如，在某些实施例中，所述过程可以仅选择所选数量（例如，2等）的最大变量重要性值，其中，所选数量可以是整数，并且可以由用户和/或系统选择。例如，在某些实施例中，所述过程可以选择两个最大变量重要性值和关联的提供信息的数据特征。然而，在另一其它的实施例中，所述过程可以将变量重要性值中的每个变量重要性值与对应的阈值进行比较，并且确定和选择仅被确定为大于或者等于对应的阈值的变量重要性值。因此。例如，在某些实施例中，所述过程可以选择大于0.2等的变量重要性值。测试结果图3A示出了图示出根据本系统的实施例的用于确定SON灯的变量重要性的测试结果的输出的图表300A；并且图3B示出了图示出根据本系统的实施例的用于确定LED灯的变量重要性的测试结果的输出的图表300B。图表300A和300B根据（例如，在动作219期间所确定的复杂特征）特征示出了变量重要性。为清楚起见，使用三维柱状图表示图表300A和300B中的复杂特征。然而，在另一其它的实施例中，如果需要，复杂特征可以被放置在相同轴上。应当如下地阅读图表300A和300B：在“数据类型”轴上，其声明例如“能量”，在“特征”轴上，其声明例如“线性趋势”，这两个标签共同形成复杂特征“能量的线性趋势”的名称，其中，关联的变量重要性在纵轴上。例如，就SON灯而言，图表300A图示出最重要的复杂特征是能量和运行小时（例如，“能量除以运行小时”303A以及灯调光命令与其执行之间的延迟（例如，“灯水平比灯命令延迟”）305A，而对于LED灯故障，最重要的特征是平均温度（“平均温度”）303B和最小气压（“最小气压”）305B。然而，就图表303B而言，可以看见，最重要的特征概括地说是如由括号307B图示出的与气象相关的。在某些实施例中，可以按预定的次序有序地安排数据类型信息。例如，与气象相关的数据类型可以被分组到一起。例如，设想了其它组可以包括与配置相关的组、与灯开关/调光调度相关的组、与犯罪相关的组、与交通相关的组等。在完成动作223之后，所述过程可以继续前往动作225。在动作225期间，所述过程可以创建预测模型。根据本系统的实施例，所述过程可以根据维护计划结果（例如，维护调度）调整预测模型。预测模型可以如将在下面讨论和如现在将详细描述的那样关于分类进行决策。所使用的预测准确度定义将与当前的实施例中的至少一些实施例相关的准确度的主要概念是可以被表示为B的偏差的概念。考虑具有表示故障时间的T（其平均值由E[T]指代的随机量）的灯。所述过程的实施例可以使用计算过程来预测故障时间T，并且对应的所预测的值为。所述过程可以然后将偏差B定义为：方程（45）如果偏差B是正的，则其指示灯被预测为比预期的更早出故障，而如果偏差B是负的，则灯被预测为比预期的更晚出故障。换句话说，灯的预期寿命可能是被估计过高的。维护计划算法和性能结果所述过程可以考虑诸如在下面的表4中图示出的与根据本系统的实施例的照明系统中的灯的维护相关联的一个或多个成本。表4灯更换的成本表灯安装成本：这与在照明系统中安装新灯的成本相关。由于早的更换产生的被浪费的灯寿命：如果灯被太早地更换，其寿命的某个比例被浪费，并且被看作成本。用户不便性成本：如果灯被太晚地更换，则在某个时间内场地上没有光，产生某些成本。维护员工成本：在场地上放置维护员工的成本。维护卡车的燃料和操作成本，该成本可能是与每个维护任务（事件）中所覆盖的距离成比例的。最优地维护室外照明系统的灯的问题呈现有趣的复杂性：其中照明系统的每个灯在故障后被更换的最简单的维护算法可能产生太大的操作成本，因为将很可能需要许多不同的维护旅行。为分摊该成本，已发现同时执行对灯的集体（例如，聚类）的更换是有优势的。由于照明系统的全部灯不可能同时出故障，所以这必然意味着某些灯将被太早地更换（产生被浪费的灯寿命成本），并且某些灯很可能被太晚地更换（产生用户不便性成本）。根据本系统的实施例，维护调度算法使用下面的动作来计算维护调度：（i）预测照明系统的灯的故障时间（可能具有某个偏差B）；（ii）基于所预测的故障时间和地理位置对灯进行聚类。全部被确定为在共同聚类中的灯将被调度为在就该聚类而言最优的时间处的相同维护旅行中被更换；以及（iii）计算维护卡车为更换根据本系统的实施例的聚类中的每个聚类将遵循的最优路线。维护调度算法的总体性能可以取决于灯的故障时间被预测所具有的准确度。具体地说，偏差B将影响最终解决方案。可以根据本系统的实施例模拟偏差B对总体成本的影响。由于这些模拟，已经验上确定，当由于灯的晚更换产生的用户不便性成本比灯的成本小时，负的偏差产生较低总体成本，而当由于灯的晚更换产生的用户不便性成本高时，正的偏差产生较低总体成本。可以基于维护操作中涉及的成本调整期望的偏差。当例如由于灯的晚更换产生的用户不便性成本比灯的成本小（例如，小于成本阈值）时，负的偏差（例如，0以下）产生较低总体成本，而当由于灯的晚更换产生的用户不便性成本高时，正的偏差（例如，0以上）产生较低总体成本。因此，在第一种情况下（例如，当所述过程确定不便性成本比灯的成本小时），期望的偏差被设置为相比于正常情况（其是0）的负值（和/或从当前值起被减小），并且在第二种情况下，期望的偏差被设置为相比于正常情况的正值（和/或从当前值起被增大）。为确定上面的情况，所述过程可以设置成本阈值（例如，指示灯的晚替换的）。然后，所述过程可以将不便性成本与成本阈值进行比较。如果确定了不便性成本小于成本阈值，则所述过程可以将偏差值B设置得小于0（例如，负值）。在此情况下，期望的偏差B可以相比于正常情况（其是0）被减小。然而，如果确定了不便性成本大于或者等于成本阈值，则所述过程可以将偏差值B设置得大于0（例如，正值）。在此情况下，期望的偏差B可以相比于正常情况被增大。因此，所述过程可以根据成本确定来确定或者调整偏差B，以降低总体成本。应当指出，偏差值B可以被递增地增大或者减小直到获得期望的结果为止。图示性地，为设置偏差值b的幅度，可以使用例如被设置为1天或者1周的被设置为某个默认值的固定幅度的递增的变更。默认值通常取决于在系统中使用的粒度。因此，例如，如果每周确定最佳维护调度，则通常将使用1周的默认值。基于成本对模型训练的调整为考虑当创建预测模型时的误分类成本，一种随机森林的方法将调整训练集中的类分布。然而，考虑到照明故障预测中通常存在非平衡的数据集，该方法（例如，上面提到的调整训练集中的类分布的方法）因为其导致两个效应同时起作用而是有问题的：成本影响和非平衡问题。优选地，成本影响和非平衡问题一次被影响一个。因此，本系统的实施例调整用于对分类而非训练集作出决策的方法或者用于分裂节点的方法，因为后者已被最优化为确定照明故障预测问题的重要变量（例如，见上面的动作221和223）。相应地，现在将讨论根据本系统的实施例的用于对分类作出决策的方法。首先，假设类C、随机森林RF、树TRi、和标准预测节点的集合如上面分别由方程（17）-（20）定义的那样被给出。该预测（例如，标准预测节点）可以然后被调整为考虑误分类的成本（例如，如与某个数据点y的如就动作221-223而言所讨论的类相对的）。假设是将类i分类为类j的成本，其中，，。所述过程可以将导致最低成本的类（取代例如是多数类的具有最高概率的类）取作对节点的预测。然后，假设是节点处的类j的数据点的数量，即，，则，方程（46）然后，为预测某个数据点y的类，该数据点y被放在N个树中的每个树的叶节点下面，返回每个树的叶节点的预测，这产生y的N个分类。假设函数给出对数据点y的树的预测，即：方程（47）此外，假设对数据点y的森林RF的类预测的集合由以下方程给出：方程（48）数据点y属于类c的概率由以下方程给出：方程（49）然后，森林选择具有最高概率即最多票数的分类c(y)：方程（50）然后，所述过程可以调整该预测以考虑误分类的成本。然而，并非选择具有最多票数的类，所述过程可以选择导致最少量的成本的类：方程（51）因此，经由求解上面声明的动作225的方程，所述过程可以选择导致最少量的成本的类。预测可以形成预测模型，并且此后被所述过程存储在诸如是预测模型数据库227之类的系统的存储器中以便稍后使用。图7示出了根据本系统的实施例生成的随机森林预测模型的单一的树的图表700。图表700的预测模型预测照明系统的灯在从当前时间起的未来四周内是否会出故障。所述预测可以根据本系统的实施例被建模，并且可以至少部分上基于根据照明系统的每个对应的灯的特征。对于照明系统的多个灯中的每个灯，随机森林树如果在接下来的四周内没有任何故障被预测则输出0，或者如果在接下来的四周内故障被预测则输出1。在完成动作225之后，所述过程可以继续前往动作229和/或动作239。返回参考动作225，在该动作期间，根据某些实施例，所述过程可以根据给定了特定预测准确度的最优维护计划来最优化预测模型。在另一其它的实施例中，预测准确度可以被定义为预测中的偏差。在另一其它的实施例中，维护计划的成本可以包括：灯成本、早更换成本、晚更换成本、更换员工成本、（更换员工）旅行成本。在另一进一步的实施例中，最小成本维护计划的偏差被用于最优化预测模型。在其它实施例中，预测模型的决策边界可以被创建为导致期望的偏差。在另一进一步的实施例中，可以基于诸如是控制器之类的服务的照明系统的部分的处理和存储资源可用性不断更新维护计划和/或期望的偏差。在另一其它的实施例中，可以基于由控制器获得的最新信息不断更新预测模型的决策边界。在另一进一步的实施例中，预测模型可以被确定为使得其足以维持（一个或者多个）服务级别阈值（例如，其中，（一个或者多个）阈值可以在维护合同中所概述的协定中被阐明，并且被存储在系统的存储器中）。维护合同可以包括对性能的协定。该维护性能转换成预测模型的所需的性能。根据本系统的实施例，这可以包括所需的灵敏度和特异度（见下面）和/或故障需要提前多久（例如，在未来的多远处）被预测。可以通过调整偏差和/或决策边界以使得诸如是性能需求之类的需求可以被满足来创建预测模型。因此，例如，可以由所述过程形成预测模型，以使得服务级别阈值被满足或者超过。在动作229期间，所述过程可以基于在动作225期间创建的预测模型形成故障预测。例如，可以被包括在预测模型中的复杂特征可以被计算，并且通过所创建的预测模型被馈入，根据需要导致产生等于真或者假或者可替换地等于故障概率的故障预测。在完成动作229之后，所述过程可以继续前往动作231和235中的任一项或者两项。例如，如果确定了用户期望查看故障预测的渲染，则所述过程可以继续前往动作235。然而，如果确定了维护调度被期望（例如，一个维护调度可以被所述过程和/或用户请求），则所述过程可以继续前往动作231。在动作239期间，所述过程可以改进在动作225期间创建的预测模型。相应地，所述过程可以从可靠性模型数据库237获得可靠性模型。可靠性模型数据库可以包括针对每个灯品牌和类型的寿命的统计分布。该信息可以用于增强预测模型，特别是对于在其中预测模型可能是较不准确的较远未来处的较大范围的预测。在动作231期间，所述过程可以根据在动作229期间形成的故障预测模型形成维护调度。例如，所述过程可以确定将在特定日期之前被更换的特定聚类的全部灯的位置。此后，所述过程可以确定将被用于更换需要被更换的聚类的这些灯的路线。该路线可以是最低成本路线（例如，用以最小化诸如是旅行的时间和/或距离之类的期望的变量），并且可以阐明将被用于灯更换的路线。为确定路线，旅行推销员型方法可以被所述过程应用。在完成动作231之后，所述过程可以继续前往动作233。在动作233期间，所述过程可以实时地获得现场维护信息。例如，当灯被更换时，这样的信息可以被传输（例如，作为特征信息fi）给系统的控制器。此后，控制器可以更新照明系统的特征f以反映该更换。特别地，根据某些实施例，至少一些与配置和/或灯杆参数相关的特征f可以根据更换被更新，以提供正确的信息以便稍后使用。在完成动作233之后，所述过程可以继续前往动作235。在动作235期间，所述过程可以将系统的可视化渲染在诸如是系统的显示器的用户界面上以便于用户的便利性。相应地，所述过程可以生成图形用户界面（GUI），使能够可视化诸如是由所述过程的确定（例如，计算）中的任何确定生成的数据之类的与照明系统相关的数据，在维持仅一瞥就可看见的最重要方面的清晰概览的同时，仍然允许在用户期望关于照明系统的任何具体部分的更多细节的情况下的充分灵活性。具体地说，根据某些实施例，所述过程可以生成GUI，该GUI当被渲染时可以取决于系统设置和/或用户选择在诸如是街道地图、卫星图像、街景图像等的期望背景上图示出一个或多个（例如，所选的或者全部）灯。进一步地，一个或多个菜单和/或其它选择（例如，滑块等）可以被生成和/或提供以使用户能够例如滚动到诸如是未来的时间、当前的时间、过去的时间和/或时间的范围之类的期望的时间或者时间的范围。所述过程可以然后从系统的存储器获得信息，以生成与所选时间相对应的期望的信息的可视化，并且对该可视化进行渲染。期望的信息可以包括与诸如是被预测（例如，由所述过程）为在期望的时间出故障的系统的一个或多个灯的系统的一个或多个部分相关的信息。因此，例如，所述过程可以渲染图形描绘，该图形描绘图示出根据本系统的实施例系统的一个或多个灯何时被预测为在未来出故障。相应地，所述过程可以渲染GUI，该GUI可以为用户提供用于向未来滚动（例如，使用用于滚到所选日期和/或日期的范围的滑块）和观察何时不同的灯被预测为出故障的选项。预测可以根据在动作229期间形成的故障预测被确定，并且可以从预测模型数据库227被获得。当灯或者灯的组被选择时，所述过程可以生成GUI，该GUI图示出所选灯或者灯的组（例如，聚类）的当前状态和/或未来预测状态（例如，电压、电流、功率、燃烧小时等）以及设置点（例如，使用时刻表和/或正常操作范围）。例如，在某些实施例中，可以与所选灯或者灯的组相关联地获得和/或渲染对应的所选灯或者灯的组的一个或多个特征。图4示出了根据本系统的实施例形成的图形用户界面（GUI）400的屏幕截图。GUI400包括这样的信息，所述信息指示根据本系统的实施例系统的一个或多个灯被预测为在未来何时会出故障。GUI可以包括：日期区域413，其可以包括日期信息；以及滑块412，其可以被用户选择，以选择日期和/或日期的范围。可以使用时间标度表示日期。日期或者日期的范围可以包括过去的、当前的和/或未来的日期或者日期的范围。例如，在本实施例中，将假设所选日期是用户已选择的未来的日期，诸如是2020年2月2日。GUI400可以包括地图402，地图402可以包括对照明系统的一个或多个部分的描绘，照明系统的所述一个或多个部分诸如是沿地图402的被显示部分内的街道406的系统的全部已安装的灯404。所述过程可以获得与所选日期处的所预测的（累积的）灯故障相关的信息，并且可以使用任何合适的方法渲染该信息，诸如是使用指示被预测为已在所选日期出故障的灯的开放圆环409。相似地，可以使用实心圆环408图示出被预测为在所选日期正常工作的灯404。进一步地，GUI400可以被配置为，如果需要，使得用户可以放大或者缩小以分别查看地图402的更大和/或更小的部分。相应地，例如，当查看者缩小地图402时，照明系统的更多灯404可以被显示。由于所预测的灯故障可以是累积的，所以它们随着用户选择更远的未来的日期而增加。然而，在另一其它的实施例中，可以对于仅在所选日期出故障的灯图示出所预测的灯故障。滑块412可以被系统生成，并且可以使用户能够观察所选日期处的照明系统的所预测的状态。随着用户将所选择的日期设置到更远的未来，被预测为出故障的灯的数量将增加，并且已出故障的灯409的增加的数量将被图示。相应地，用户可以确定灯被预测为何时出故障，并且基于该信息调整维护和/或更换工作。GUI可以进一步包括诸如是以下各项中的一项或多项的与照明系统410相关的信息：灯的总数、（当前日期处的）灯故障的当前数量、由所选日期（例如，11-20-2027）预测的灯故障的数量、对于关于新的系统和灯的信息的链接以及更换的所预测的成本。当用户在地图402上选择灯404或者灯的组时，所述过程可以渲染诸如是以下各项的与所选灯相关的关键参数：实际和所请求的调光状态416、燃烧小时、灯电压418、电流414和功率因子422以及主电压424、镇流器温度420。所述过程可以进一步确定所选灯中的全部灯的参数的平均值。例如，被灯的组中的每个灯使用的电流的平均值（在整个组上被确定）可以被确定，并且被渲染在系统的显示器上以便于用户的便利性。所述过程可以对于诸如是以下各项的所选值完成此：实际和所请求的调光状态416、燃烧小时、灯电压418、电流414和功率因子422以及主电压424、镇流器温度420等。还确定了所述过程可以进一步生成这样的GUI，该GUI用于包括对于被用户或者多个灯中的系统选择的灯的组（包括一个或多个灯）的以下各项中的至少一项的图形描绘：实际和所请求的调光状态、燃烧小时、灯电压、电流、功率、主电压和平均水平（例如，实际和所请求的调光状态、燃烧小时、灯电压、电流、功率、主电压的平均值）。如果需要，所述过程可以然后高亮这样的灯，即：所述灯的对应值的平均在灯的组的对应平均值以上或者以下。对于至少一个参数，可以确定并且渲染质量度量。例如，所请求的和实际的调光状态之间的较大差异是低质量标志。相应地，这可以使用诸如是红色高亮之类的对应颜色被图示。对于燃烧小时，与统计寿命相比的灯的当前寿命可以被指示。此外对于（主）电压、电流和功率，可以存在与实际（所预测的）值一起被指示的正常、正确操作范围。紧接在关键参数之后，右面板可以还图示（一个或者多个）灯类型和诸如是灯色温和位置之类的关键静态信息。因此，本系统的实施例可以为用户提供照明系统的所预测的未来视图，以使得参数可以被相应地调整，并且维护可以是调度和/或被相应地执行。图5是图示出由根据本系统的实施例操作的照明系统执行的过程500的流程图。过程500可以使用通过网络进行通信的一个或多个计算机被执行，并且可以从和/或向一个或多个存储器获得信息和/或存储信息，所述一个或多个存储器可以在彼此的本地和/或远程处。过程500可以包括以下动作中的一个或多个动作。进一步地，如果需要，这些动作中的一个或多个动作可以被合并和/或分隔成子动作。进一步地，取决于设置，这些动作中的一个或多个动作可以被跳过。在操作中，所述过程可以在动作501期间开始，并且然后前进到动作503。在动作503期间，所述过程可以获得照明日志记录数据，所述照明日志记录数据可以包括多个特征空间的与照明系统的特征（f）相关的特征信息。相应地，所述过程可以使用如参考图2的动作205描述的灯点数据收集过程获得照明日志记录数据。然后，所述过程可以如可以在上面就动作207而言所描述的那样处理照明日志记录数据，以执行数据整合并且标识和/或纠正丢失的和/或不正确的值。进一步地，所述过程可以诸如是通过形成输入数据集X地以任何合适的格式从照明日志记录数据形成一个或多个数据集。所述过程可以一次或多次地执行清理操作，用以例如进一步清理输入数据集X，以更换可以被确定为是丢失的和/或不正确的信息。在完成动作503之后，所述过程可以继续前往动作505。在动作505期间，所述过程可以确定照明预测数据，所述照明预测数据根据照明日志记录数据预测未来时间处照明系统中的至少一个部件故障，并且可以包括至少一个复杂特征。该动作可以使用任何一个或多个合适的方法来执行。例如，根据某些实施例，所述过程可以使用诸如是上面就动作219而言所描述的方法之类的任何合适的方法标识输入数据集X中的提供信息的数据特征，诸如是复杂特征之类。此后，所述过程可以使用诸如是分别就动作221和223而言所描述的方法之类的任何一个或多个合适的方法确定变量重要性并且选择变量。在完成动作505之后，所述过程可以继续前往动作507。在动作507期间，所述过程可以根据照明预测数据和维护成本对被预测为在未来时间发生的所预测的部件故障进行建模。该动作可以使用诸如是上面就动作225而言所描述的方法之类的任何合适的方法来执行。相应地，所述过程可以根据诸如是维护成本之类的成本预测未来时段（例如，从当前时间到诸如是2040年1月1日的某个未来时间）中照明系统中的诸如是灯故障之类的部件故障，并且形成可以可选地被存储在系统的存储器中以便稍后使用的所预测的部件故障的对应的模型。在完成动作507之后，所述过程可以继续前往动作509。在动作509期间，所述过程可以将经建模的所预测部件故障渲染在诸如是照明系统的显示器之类的系统的渲染设备上。所述过程可以进一步提供菜单，用户可以利用该菜单与所述过程交互，以查看由所述过程生成的信息。在完成动作509之后，所述过程可以继续前往动作511，所述过程在动作511处结束。相应地，本系统的实施例可以基于根据本系统的实施例被执行的数据挖掘技术提供照明服务。本系统可以使用数据分析学作为良好的工具，以便生成诸如是对维护的洞见之类的对室外照明系统的更好的基于事实的洞见（R1和R2），以使能进行对预测性的照明系统维护的调度。对于室外照明的预测性维护可以使能实现基于从现场（R3）收集的室外照明数据的维护服务和系统。根据本系统的实施例，所述过程可以首先从维护的角度标识最重要的参数。这使能最优化智能室外照明系统。其次，所述过程可以基于对最重要参数进行的分析预测系统操作期间的故障时间。所预测的故障时间可以然后被用于最优化故障维修、设置和监控性能阈值（例如，如在性能担保中所阐述的）以及可视化室外照明系统的当前和未来所预测的状态。在前述步骤中的全部两个步骤中，所述过程可以使用可以根据本系统的实施例被调整的基于统计的技术，诸如是随机森林（R7）。随机森林已被用于在诸如是保健（例如（R4））、电网（R5）和金融（R6）的领域中作出确定。然而，向照明操作的应用是新的，并且带来在本系统的实施例中被克服的具体挑战。图6示出了根据本系统的实施例的系统600的一部分。例如，本系统600的一部分可以包括操作地耦合到存储器620、用户界面630、传感器640和用户输入设备670的处理器610（例如，控制器）。存储器620可以是任何类型的用于存储应用数据以及与所描述的操作相关的其它数据的设备。应用数据和其它数据被处理器610接收，以便将处理器610配置（例如，编程）为执行根据本系统的操作动作。经如此配置的处理器610变成特别适于根据本系统的实施例进行执行的专用机器。传感器可以包括诸如是灯电气传感器、调光水平传感器、电压传感器、电流传感器、功率传感器、颜色传感器、光输出（流明）传感器、温度传感器、振动传感器、交通（速度、速率、流动等）传感器、气象传感器（例如，温度、湿度、降雨量、气压、雷达、卫星）、雷达传感器、超声传感器等的传感器，所述传感器可以检测对应的信息，并且向处理器610提供该信息以便根据本系统的实施例进行进一步处理。操作动作可以包括：通过例如将处理器610配置为从用户输入、传感器640和/或存储器620获得信息来对系统600进行配置；以及根据本系统的实施例处理该信息，以获得与根据本系统的实施例操作的照明系统相关的信息。用户输入部分670可以包括键盘、鼠标、轨迹球和/或包括触摸敏感显示器的其它设备，其可以是独立的或者是系统的一部分，诸如是个人计算机、笔记本计算机、上网本、平板电脑、智能电话、个人数字助理（PDA）、移动电话和/或用于经由任何可操作的链路与处理器610通信的其它设备的部分。用户输入部分670可以可操作为与处理器610进行交互（包括使能进行如本文中描述的UI内的交互）。显而易见，处理器610、存储器620、UI630和/或用户输入设备670可以全部或者部分上是计算机系统或者如本文中描述的诸如是客户端和/或服务器之类的其它设备的一部分。操作动作可以包括对信息的请求、提供、形成和/或渲染，所述信息诸如是与根据本系统的实施例操作的照明系统相关的信息。处理器610可以在诸如系统的显示器上之类的UI630上渲染信息。传感器可以进一步包括用于向处理器610提供期望的传感器信息以便根据本系统的实施例进行进一步处理的合适传感器。本系统的方法特别适于被由计算机软件程序进行编程的处理器实现，这样的程序包含与由本系统描述和/或设想的各个步骤或者动作中的一个或多个步骤或者动作相对应的模块。处理器610可操作为，响应于来自用户输入设备670的输入信号以及响应于网络的其它设备提供控制信号和/或执行操作，以及执行存储在存储器620中的指令。例如，处理器610可以从传感器640获得传感器信息，并且可以处理该信息以至少部分上确定系统的状态。传感器可以是照明日志记录数据部分的一部分，其可以向处理器610提供照明日志记录数据以便进行进一步处理。处理器610可以包括微处理器、（一个或者多个）专用或者通用集成电路、逻辑设备等中的一项或多项。进一步地，处理器610可以是用于根据本系统进行执行的专用处理器，或者可以是在其中许多功能中的仅一个功能操作为根据本系统进行执行的通用处理器。处理器610可以使用程序部分、多个程序段操作，或者可以是使用专用或者多用途集成电路的硬件设备。本系统的进一步的变型对于本领域的技术人员将是显而易见的，并且被下面的权利要求涵盖。最后，上面的讨论旨在仅说明了本系统，并且不应当理解为将所附权利要求限于任何特定的实施例或者实施例的组。因此，尽管已参考示例性实施例描述了本系统，但也应当认识到，许多修改和可替换实施例可以被本领域的技术人员设想，而不脱离如在下面的权利要求中阐述的本系统的较宽和预期的精神和范围。另外，被包括在本文中的小节标题旨在便利回顾，而不旨在限制本系统的范围。相应地，本说明书和附图应当以说明性的方式被看待，而不旨在限制所附权利要求的范围。被包括在本文中的小节标题旨在便利回顾，而不旨在限制本系统的范围。相应地，本说明书和附图应当以说明性的方式被看待，而不旨在限制所附权利要求的范围。在理解所附权利要求时，应当理解：a）词语“包括”不排除除在给定的权利要求中列出的那些元素或者动作之外的元素或者动作的出现；b）出现在元素前面的词语“一”或者“一个”不排除多个这样的元素的出现；c）权利要求中的任何标号不限制它们的范围；d）几个“装置”可以由相同的物品、或者硬件或者用软件实现的结构或者功能来表示；e）所公开的元素中的任何元素可以由硬件部分（例如，包括分立的和集成的电子电路）、软件部分（例如，计算机编程）和其任意组合组成；f）硬件部分可以由模拟和数字部分中的一项或者两项组成；g）除非另外专门指出，否则所公开的设备中的任何设备或者其部分可以被合并到一起或者分隔成另外的部分；h）除非专门指出，否则没有任何具体的动作或者步骤的顺序旨在是必需的；以及i）术语“多个”元素包括所要求权利的元素中的两个或更多个元素，并且不暗示元素的数量的任何特定范围；即，多个元素可以是只有两个元素，并且可以包括无法计量的数量的元素。引用文献：下面列出的引用文献1-7通过引用被并入本文，并且贯穿本说明书分别使用标号R1到R7被引用。例如，R1可以引用第一个引用文献（例如，埃森哲技术展望2013）。（1）埃森哲技术展望2013；在下面的地址可得：www.accenture.com/SiteCollectionDocuments/PDF/Accenture-Technology-Vision-2013。（2）大数据：创新、竞争和生产力的下一个前沿；在下面的地址可得：www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovation。（3）飞利浦斯塔森室外照明系统；在下面的地址可得：www.lighting.philips.nl/pwc_li/nl_nl/connect/Assets/downloads/online-documentatie/Brochure_starsense_NL.pdf（4）E.Hsich等人，使用随机生存森林标识具有收缩性心力衰竭的患者生存的重要风险因素，循环：心血管质量和结果，第4卷，第39-45页，2011。（5）Dutta、Haimonti等人，“EstimatingtheTimeBetweenFailuresofElectricalFeedersintheNewYorkPowerGrid”，下一代数据挖掘峰会，NGDM（2009）。（6）Chi、Der-Jang、Ching-ChiangYeh和Ming-ChengLai，“AHybridApproachofDEA,roughsettheoryandrandomforestsforcreditrating”，创新计算国际期刊，信息和控制7.8（2011）：4885-4897。（7）Breiman，手册——建立、使用和理解随机森林V4.0，在下面的地址可得：ftp.stat.berkeley.edu/pub/users/breiman/Usingrandomforestsv4.0.pdf，2003。当前第1页1 2 3