一、智慧照明的架构设想
建设智慧照明，应致力于照明数据资源“聚、通、用”， “聚”为基础， “通”为手段， “用”为目的。架构图（设想）见图1。
图1智慧照明架构图（设想）
二、“聚”的实现“聚”是指数据资源集聚能力建设，其核心目的是聚合原有分散在各系统中的数据，保证在进行大数据“通”和“用”的时候，需要使用到的本身具有相关性的各类数据都被聚合。现阶段城市照明常用的信息化系统中有的数据类型见图2～4。
图3“三遥”系统中数据类型
图4“单灯”系统中数据类型
从上面数据可以看出，目前城市照明信息化系统中数据类型相互之间有重复，导致使用者无法判断哪个系统中数据是真正正确且能够直接使用的。三、 “通”的实现
“通”是指通过数据清洗、挖掘、分析和建模等处理后，保证在智慧照明平台中数据的准确性、标准化和可用性。
（一）数据清洗
各信息化系统产生的城市照明数据，应通过数据清洗，保证其准确性。要实现数据的清洗，应分两步进行，第一步应先建立数据清洗的标准，第二步建立数据清洗模型。
1．清洗标准
城市照明指标清洗的标准包含定义、数据格式和计算方法三要素，以功能照明总功率为例。其定义是指城市功能照明设施功率的总量，为各类灯具单灯系统功率之和。数据格式应符合单位为千瓦，保留两位小数的要求。计算方法明确系统功率指光源功率与电器附件功耗之和。先根据使用的电器附件实际功耗计算，若不能确定，则可根据《城市道路照明设计标准》(CJJ 45-2015)7.1.3条款规定：“当不能确定灯具的电器附件功耗时，高强度气体放电灯灯具的电器附件功耗可按光源功率的15%计算，发光二极管灯具的电器附件功耗可按光源功率的10%计算”。
2．清洗模型
“清洗”顾名思义是去除掉杂质，保留正确有用的部分。以功能照明单灯功率为例，明确模型+人的经验，建立的模型如下：
（二）数据挖掘
数据挖掘是指从大量数据中挖掘出隐含的、未知的、对决策有潜在价值的关系、模式和趋势，并利用这些知识和规则建立用于决策支持的模型，提供预测性决策支持的方法、工具和过程。
对于城市照明数据挖掘，笔者认为具体可以分为近期和远期，近期是针对城市照明目前的内部数据进行进一步的挖掘，远期是利用城市照明数据结合其他的因素来进行更深层次的挖掘。
1．城市照明近期数据挖掘
以日均修灯率为例，如图5。首先要定义日均修灯率，其次给出日均修灯率的计算方法。
图5日均修灯率
2．远期挖掘远期可实现的挖掘在于如何将城市照明与当地的社会经济数据、人的因素或地域因素相结合，研究建立更复杂、更高阶的数学模型。见图6。
图6远期挖掘
（三）数据分析数据分析是指将城市照明数据按照使用者的习惯和爱好进行排列、组合或合并等操作。具体可以分为原始数据分析和挖掘数据分析。
原始数据分析是指通过数据“清洗”后的城市照明数据，对这些数据利用不同的图表形式进行处理，见图7。挖掘数据分析是指对城市照明挖掘出的数据进行进一步分析，见图8，让使用者可以快速、准确地接受城市照明信息。
图7城市照明总盏数分析图
图8功能照明单灯功率分析图
数据建模是指利用机器学习的方式，对海量的数据进行类似人脑的判断过程，利用人类的思维对数据趋势走向进行测算。数据建模最典型的应用是趋势的预判，核心在于快和准，其要求建立的数学模式要准确、科学、合理。只有这样才能做出相对准确的预判，见图9。
图9城市照明灯具故障预判因素图
四、 “用”的实现“用”是指对数据的应用问题，数据作为新的战略资源，只有被应用了才能体现出价值。才能为政策制定、行业指导和产业发展提供准确的依据。见图10～12。
图10城市照明设施维护政策制定依据
图12多功能杆产业发展依据
五、智慧照明后续工作建议通过对城市照明架构中“聚”、“通”、“用”的研究，可以得到未来一段时期智慧照明研究工作的方向，见图13。
图13智慧照明研究工作方向
首先应该是对目前现有城市照明信息化系统进行优化升级，利用各系统的优势，将“聚”的环节做得更加精准。其次重点在于“用”，城市照明主管部门应研究并明确管理的需求、政策的需求等。最后在于“通”，通过技术的手段，打破各系统的数据壁垒，清洗出精准的数据。最终形成应该以用促通，以通促聚，形成良好的上升循环。
