JP6605488B2 - 予測保全スケジューリングを用いたインテリジェント照明システム及びその動作方法 - Google Patents

Description

本発明は、インテリジェント照明システムに関し、より詳細には、保全業務を予測しスケジューリングするために複数の情報空間からの情報を処理する照明システム、及びその動作方法に関する。

典型的には、街路照明システムでは、ランプが機能していないことを報告する修理要請電話に応えて、機能していないランプが整備員によって新たなランプと交換される。この過程はランプが交換される前にランプが動作しなくなることを必要とし、利用者の不便さを高め得る。更に、ランプが故障前に早めに交換される場合はランプの寿命が幾らか失われる場合があり、そのことは全体的な保全費を高め得る。

データを記憶することがより安価になり且つ満ち溢れているが、膨大なデータセットを管理し、保全し、処理するには依然として費用がかかる。更に、典型的にはデータの多くが無関係であること、ノイズを発生させること、又は解析を遅くすることを理由に処理前に除去される。ノイズ、欠落データ、及び誤ったデータは、大規模データベースにはよくある。データ品質が十分でなければ、データ解析アプリケーションは所要の高品質の結論を供給することができない。最後に、屋外照明システムから大量のデータを送信することは、結果として生じる高ネットワークトラフィック及び記憶域の要件に対処できるより複雑且つ高価な照明システム設計を必要とする。

本明細書に記載のシステム、装置、方法、ユーザインタフェース、コンピュータプログラム、処理等（以下、別段の定めがない限りそのそれぞれがシステムと呼ばれる）は、従来技術のシステムにおける問題に対処する。

本システムの実施形態によれば、照明システムの特徴に関係し、複数の特徴空間から得られる特徴情報を含む照明ロギングデータを取得すること、照明ロギングデータに従って未来時の照明システム内の少なくとも１つのコンポーネント故障を予測し、少なくとも１つの複合特徴を含む照明予測データを求めること、照明予測データに従って未来時に起こると予測される、予測されたコンポーネント故障及び保全費をモデリングすること、並びにモデリング済みの予測されたコンポーネント故障をメモリ内に記憶することを行うように構成される少なくとも１つのコントローラを含む、照明システムが開示される。

コントローラは、モデリング済みの予測されたコンポーネント故障を照明システムのディスプレイ上にレンダリングするように更に構成されることが更に想定される。コントローラは、ランプの電気的部分、システム動作情報部分、センサ、設置構成部分、気象情報部分、交通部分、及び犯罪部分の少なくとも１つから照明ロギングデータを得るように更に構成されることも想定される。照明システムが複数のランプを更に含んでも良く、モデリング済みの予測されたコンポーネント故障が複数のランプのうちの２つ以上のランプの予測されたランプ故障、及び対応する予測故障時間を含むことも想定される。コントローラは、予測されたランプ故障の少なくとも２つを対応するランプの地球物理学的位置及び予測故障時間に従ってクラスタ化するように更に構成されることが更に想定される。しかし更に他の実施形態では、クラスタだけが少なくとも１つのランプを含む。更に、コントローラは、クラスタに関して最適だと判定される決定された時間においてクラスタのランプを交換する保全をスケジューリングするように更に構成されることが想定される。

例えば、システムが（例えば１つ又は複数の未来時における）予測されたランプ故障の或る予測数を有すると仮定し、システムはクラスタリング（及びランプ交換のインタイムのスケジューリング）を行い、費用関数として知られる数学モデルに従って保全費を最小限に抑えることができる。次いで、費用関数を使用し、交換の巡回を行う固定費（ランプの数／位置に無関係と見なされる（例えば修理道具の費用や人件費（固定給）等を含む））、交換の巡回を行う変動費（例えばトラックの燃料費や従業員の給料（例えば時給や残業代）等を含む場合があり）修理されるランプの数及び位置の少なくとも一方に依存する）、（例えば故障が予測される複数のランプの）ランプを時期尚早に交換する（例えば寿命が無駄にされる）費用、（例えば複数のランプの）ランプをあまりに遅く交換する（例えば性能に不利な条件、市民の不満、ブランドを傷つける等の）費用、ハードウェアを交換する費用等、様々な種類の費用がシステムによって数学的に考慮される。この費用関数を所与として、システムは（例えばクラスタリングによって）１つ又は複数のクラスタ、及び少なくとも１つの対応するクラスタのランプを交換する費用が最適に最小化されると判定される時間（例えば未来の日、日付、時間）を決定することができる。システムは、クラスタリングを行うために発見的方法を使用しても良い。

本システムの更に他の実施形態によれば、照明システムの性能を決定する方法が開示されており、この方法は照明システムの少なくとも１つのコントローラによって実行されても良く、照明システムの特徴に関係し、複数の特徴空間から得られる特徴情報を含む照明ロギングデータを取得するステップ、照明ロギングデータに従って未来時の照明システム内の少なくとも１つのコンポーネント故障を予測し、少なくとも１つの複合特徴を含む照明予測データを求めるステップ、照明予測データに従って未来時に起こると予測される、予測されたコンポーネント故障及び保全費をモデリングするステップ、並びにモデリング済みの予測されたコンポーネント故障をメモリ内に記憶するステップのうちの１つ又は複数の動作を含む。

この方法は、モデリング済みの予測されたコンポーネント故障を照明システムのディスプレイ上にレンダリングする動作を更に含むことも想定される。この方法は、ランプの電気的部分、システム動作情報部分、センサ、設置構成部分、気象情報部分、交通部分、及び犯罪部分の少なくとも１つから照明ロギングデータを得る動作を更に含むことも想定される。一部の実施形態によれば、照明システムが複数のランプを更に含んでも良く、モデリング済みの予測されたコンポーネント故障が複数のランプのうちの２つ以上のランプの予測されたランプ故障、及び対応する予測故障時間を含む。この方法は、予測されたランプ故障の少なくとも２つを対応するランプの地球物理学的位置及び予測故障時間に従ってクラスタ化する動作を更に含む。一部の実施形態によれば、この方法は、クラスタに関して最適だと判定される決定された時間においてクラスタのランプを交換する保全をスケジューリングする動作を更に含む。

本システムの更に他の実施形態によれば、コンピュータ可読メモリ媒体上に記憶されるコンピュータプログラムが開示されており、このコンピュータプログラムは照明システムの性能を決定するように構成され、照明システムの特徴に関係し、複数の特徴空間から得られる特徴情報を含む照明ロギングデータを取得すること、照明ロギングデータに従って未来時の照明システム内の少なくとも１つのコンポーネント故障を予測し、少なくとも１つの複合特徴を含む照明予測データを求めること、照明予測データに従って未来時に起こると予測される、予測されたコンポーネント故障及び保全費をモデリングすること、並びにモデリング済みの予測されたコンポーネント故障を照明システムのメモリ内に記憶することを行うように構成されるプログラム部分を含む。

一部の実施形態によれば、プログラム部分は、モデリング済みの予測されたコンポーネント故障を照明システムのディスプレイ上にレンダリングするように更に構成される。プログラム部分は、ランプの電気的部分、システム動作情報部分、センサ、設置構成部分、気象情報部分、交通部分、及び犯罪部分の少なくとも１つから照明ロギングデータを得るように更に構成されることも想定される。照明システムが複数のランプを更に含んでも良く、モデリング済みの予測されたコンポーネント故障が複数のランプのうちの２つ以上のランプの予測されたランプ故障、及び対応する予測故障時間を含むことも想定される。一部の実施形態によれば、プログラム部分は、予測されたランプ故障の少なくとも２つを対応するランプの地球物理学的位置及び予測故障時間に従ってクラスタ化するように更に構成される。更に、プログラム部分は、クラスタに関して最適だと判定される決定された時間においてクラスタのランプを交換する保全をスケジューリングするように更に構成される。

本システムのまた更なる実施形態によれば、現時点における照明システムの特徴に関係する照明ロギングデータを取得すること、現時点における照明システムの特徴に関係する照明ロギングデータによる、少なくとも１つの複合特徴を含む照明予測データを求めること、求められた照明予測データに従って未来時に起こると予測される、照明システム内の予測されたコンポーネント故障のモデルを形成すること、及び予測されたコンポーネント故障のモデルをメモリ内に記憶することを行うように構成される少なくとも１つのコントローラを含む、照明システムが開示されている。コントローラは、未来時に照明ロギングデータを収集し、未来時に収集される照明ロギングデータ及び予測されたコンポーネント故障のモデルに基づいて予測の本当の結果を明らかにし、予測されたコンポーネント故障のモデルを予測の本当の結果に従って更新するように更に構成されることも想定される。コントローラは、未来時における照明システムの特徴に関係する照明ロギングデータに従い、少なくとも１つの複合特徴を含む最新の照明予測データを更に求め、且つ／又は求められた最新の照明予測データ及び更新されたモデルに従い、未来時に対して別の未来時に起こると予測される照明システム内の予測されたコンポーネント故障のモデルを形成することも想定される。

本発明が添付図面に関して例として更に詳細に説明される。

本システムの実施形態による照明システム１００の概略図を示す。 本システムの実施形態による照明システムの一部の概略図を示す。 本システムの実施形態に従って動作する照明システムによって実行されるプロセス２００を示す流れ図である。 本システムの実施形態によるＳＯＮランプに関する変数の重要度を決定するための試験結果の出力を図示するグラフを示す。 本システムの実施形態によるＬＥＤランプに関する変数の重要度を決定するための試験結果の出力を図示するグラフを示す。 本システムの実施形態に従って形成されるグラフィカルユーザインタフェース（ＧＵＩ）のスクリーンショットを示す。 本システムの実施形態に従って動作する照明システムによって実行されるプロセスを示す流れ図である。 本システムの実施形態によるシステムの一部を示す。 本システムの実施形態に従って生成されるランダムフォレスト予測モデルからの単一ツリーを示す。

以下は、添付図面と共に解釈されるときに上記の並びに更なる特徴及び利点を実証する例示的実施形態についての説明である。以下の説明では、限定ではなく説明目的でアーキテクチャ、インタフェース、技法、要素の特質等の例示的詳細が記載されている。しかし、それらの詳細から逸脱する他の実施形態も依然として添付の特許請求の範囲に含まれると理解されることが当業者には明らかである。更に、明瞭にするために、良く知られている装置、回路、ツール、技法、及び方法の詳細な説明は本システムの説明を不明瞭にしないよう省略される。図面は解説目的で含められており、本システムの全範囲を表すものではないことが明確に理解されるべきである。添付図面では、異なる図中の同様の参照番号が同様の要素を指す。

図１Ａは、本システムの実施形態による照明システム１００の概略図を示す。照明システム１００は、コントローラ１０２、照明箇所１０６−１〜１０６−Ｎ（全般的に１０６−ｘ）、センサ１０８、ネットワーク１１０、メモリ１１２、情報コンソリデータ１１４−１から１１４−Ｐ（全般的に１１４−ｘ）等を含む。照明箇所１０６−ｘの１つ又は複数が、所望の場合は１つ又は複数の対応する照明器群１０４−１〜１０４−Ｍを形成することができ、センサ１０８の関連するセンサを含む。

コントローラ１０２は、システム１００の全体的な動作を制御することができ、照明箇所１０６−ｘ、センサ１０８、メモリ１１２、コンソリデータ１１４等の１つ又は複数とネットワーク１１０を介して通信する。コントローラ１０２は、プロセッサ（例えばマイクロプロセッサ）や論理スイッチ等の１つ又は複数の論理装置を含むことができ、本システムの実施形態に従って動作するように（例えばハードウェア、ソフトウェア、及び／又はファームウェアを使用して）構成される。

メモリ１１２は、任意の適切な非一時的メモリを含むことができ、局所メモリ及び／又は分散メモリを含む。例えばメモリ１１２は、以下で論じられる（Ａ）屋外照明データベース、（Ｂ）公開データベース、（Ｃ）信頼性モデルデータベース、及び／又は（Ｄ）予測モデルデータベース等の複数のデータベースを含む。それらのデータベースの１つ又は複数が互いに切り離され、又は一体に形成され、任意の適切な形式で情報を記憶することができる。

ネットワーク１１０は、有線通信方式及び／又は無線通信方式等の任意の適切な伝送方式を使用し、コントローラ１０２、照明箇所１０６−ｘ、センサ１０８、メモリ１１２、コンソリデータ１１４−ｘ等の１つ又は複数の間の通信を可能にする１つ又は複数のネットワークを含む。従って、ネットワーク１１０は、広域ネットワーク（ＷＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、電話網（例えば３Ｇや４Ｇ等、符号分割多元接続（ＣＤＭＡ）、グローバルシステムフォーモバイル（ＧＳＭ（登録商標））ネットワーク、単純旧式電話サービス（ＰＯＴｓ）ネットワーク）、ピアツーピア（Ｐ２Ｐ）ネットワーク、ワイファイ（WiFi（商標））ネットワーク、Bluetooth（登録商標）ネットワーク、固有ネットワーク、臨時ネットワーク等の１つ又は複数のネットワークを含む。

センサ１０８は、照明システム１００の全体にわたって分散されても良く、図１Ｂ及び図２の解説に関して以下で説明されるように照明システム１００に関係する情報を感知することができ、対応するセンサ情報を任意の適切な形式で形成することができるセンサを含む。例えば、センサ情報は、更に処理するために１つ又は複数の対応するコンソリデータ１１４−ｘ及び／又はコントローラ１０２に与えられる。センサ１０８の１つ又は複数が、対応する照明箇所１０６−ｘと一体に（例えば局所）又は対応する照明箇所１０６−ｘから隔てて配置される。更に他の実施形態では、照明箇所１０６−ｘとのグループ化及び／若しくはネットワーク、又は照明箇所１０６−ｘの１つ若しくは複数との地球物理学的な近さに基づき、センサ１０８の１つ又は複数がそれらの照明箇所１０６−ｘの１つ又は複数に関連する。例えば、センサ１０８は、地球物理学的な位置情報を使用して決定される１つ又は複数の最も近い照明箇所１０６−ｘに関連付けられる。センサ情報は、報告側センサ１０８又はセンサ１０８を識別する情報を含む。

照明箇所１０６−ｘは、１つ又は複数のランプ等の任意の適切な照明源を含む。照明箇所１０６−ｘの１つ又は複数は、他の照明箇所１０６−ｘと同じでも異なっても良く、照明器具等の適切なハウジングを含む。明瞭にするために、照明箇所１０６−ｘの全てが互いに似ており、対応する単一のランプを含むと仮定する。ランプは、アーク型ランプ（例えばＳＯＮランプ、ＭＨランプ、蛍光灯等）、発光ダイオード（ＬＥＤ）ランプ、フィラメント型ランプ（例えば石英灯等）等の任意の適切な照明源を含む。但し、明瞭にするために、各照明箇所１０６−ｘは単一のランプしか含まないと仮定する。更に、照明箇所１０６−ｘのそれぞれはランプ１０６−ｘと呼ばれる。照明箇所１０６−ｘの１つ又は複数が、屋内及び／又は屋外の位置における柱（例えば照明柱）、壁、床、天井、橋等の適切な位置に実装されても良く、任意の適切な照明器具を含む。例えば一部の実施形態では、照明箇所１０６−ｘ群が、都市照明システムの一定の地球物理学的位置内に実装される道路／歩道の照明器具を含む。固定及び／又は可変強度の照明、固定及び／又は可変焦点の照明、固定及び／又は可変持続時間の照明、固定及び／又は可変スペクトル（例えば色）の照明等の所望の照明特性を出力するために、照明箇所１０６−ｘの１つ又は複数がコントローラ１０２によって制御されても良く、対応する照明情報を提供すると更に考えられる。照明箇所１０６−ｘの１つ又は複数は、対応する照明箇所１０６−ｘの照明源（例えばランプ）に与えられる電力を制御するためのスイッチ等のアクチュエータを含む。例えば一部の実施形態では、複数の照明箇所１０６−ｘを活性化するための電力を制御するために単一のスイッチが使用される。

コンソリデータ１１４−ｘは、対応する照明箇所１０６−ｘから照明ロギングデータ（ＬＬＤ：lighting logging data）を得ることができ、対応するＬＬＤを処理して、更に処理するためにコントローラ１０２に与えられる移送情報（ｔｉ）を形成することができる。ＬＬＤは、対応する情報源（ＩＳ）から処理されていない形式で受信されても良く、照明システムの特徴（ｆ）に関係する特徴情報（ｆｉ）等の情報を含む。他の箇所で論じられるように、コンソリデータ１１４−ｘの１つ又は複数がＬＬＤを処理し、対応する移送情報（ＴＩ）を形成することができる。他の箇所で論じられるように、概してコンソリデータ１１４−ｘはＬＬＤを解析して誤った情報及び／又は欠落した情報を突き止め、誤っている及び／又は欠落していると判定される情報を（例えば推定されるデータを用いて）訂正し且つ／又は置換することができる。一部の実施形態では、コントローラ１０２が１つ又は複数のアキュムレータ１１４−ｘを含むと考えられる。明瞭にするために、欠落データ及び誤っているデータは、誤っているデータと共通して呼ばれる。

図１Ｂは、本システムの実施形態による照明システム１００の一部の概略図を示す。照明システム１００は、照明ロギングデータ（ＬＬＤ）部分１２０及びコンソリデータ１１４を含む。ＬＬＤ部分１２０は、ランプの電気的情報を与えることができるランプの電気的情報部分１２０−１、システムの動作情報を与えることができるシステム動作情報部分１２０−２、センサ情報を与えることができるセンサ１２０−３、設置構成情報を与えることができる設置構成部分１２０−４、気象情報を与えることができる気象情報部分１２０−５、交通情報を与えることができる交通部分１２０−６、及び犯罪情報を与えることができる犯罪部分１２０−７等、複数の情報源を含む。各情報源１２０−ｘは、異なる特徴空間に対応する情報を与えることができる。従って、例えばセンサ情報は第１の特徴空間の情報を含むことができ、気象情報は異なる特徴空間の情報を含む。ランプの電気的情報は、照明システム１００の１つ又は複数のランプ１０６−ｘに関する電圧、電力、電流、力率、エネルギ消費量、実現される調光レベル、カラーポイント、色調、飽和度、輝度の１つ又は複数に関係する情報を含む。システムの動作情報は、照明システム１００の幹線電圧、ランプ制御誤り（例えばランプを制御する際の誤り）、ランプの動作スケジュール、及び所要の調光レベルの１つ又は複数に関係する情報を含む。センサ情報は、システム１００の光レベル、周囲温度、ランプ内温度、湿度、存在、及び感知される交通の１つ又は複数に関係する情報を含む。構成情報は、システム１００の１つ又は複数のランプ１０６−ｘのランプの位置（例えば全地球測位システム（ＧＰＳ）の使用等、任意の適切な態様を使用して明らかにされる）、ランプの種類（例えばＳＯＮ、ＬＥＤ、蛍光、白熱等）、ブランド名（例えばXitanium（商標）、80led350mA 96W Speedstar（商標）、BGP322GRN84）、ランプのワット数、ランプの設置日、及び平均寿命の１つ又は複数に関係する情報を含む。気象情報は、照明システム内の１つ又は複数の位置について求められる周囲温度、降雨、湿度、気圧、及び風速の１つ又は複数に関係する情報を含む。提供される交通情報は、システム１００の１つ又は複数の位置に関係する交通密度、交通の種類、交通速度、事故、道路の種類の１つ又は複数に関係する情報を含む。犯罪情報は、システム１００内の１つ又は複数の位置に関係する捜査報告、盗難、強盗、事故、及び窃盗の１つ又は複数に関係する情報を含む。

気象部分１２０−５は、例えばインターネットを介し、Accuweather（商標）等の任意の適切な情報源から気象情報を得ることができる。気象情報は、過去の、現在の、及び／又は未来の気象（予報）情報を含む。同様に、犯罪部分１２０−ｘは、例えばインターネットを介し、警察機関や法執行機関等の任意の適切な情報源から犯罪情報を得ることができる。犯罪情報は、過去の、現在の、及び／又は未来の（例えば予報された）犯罪情報を含む。更に、交通情報が、例えばインターネットを介して交通情報の情報源等の任意の適切な情報源から取得される。交通情報は、過去の、現在の、及び／又は未来の（例えば予報された）交通情報を含む。

照明ロギングデータ（ＬＬＤ）は、ランプの電気的情報、動作情報、センサ情報、設置構成情報、気象情報、交通情報、及び犯罪情報の１つ又は複数を含むことができ、そのそれぞれは、システムの特徴（ｆ）に関係する情報を含む特徴情報（ＦＩ）の一部を形成する。従って、ＬＬＤはシステムの特徴（ｆ）に関係する情報を含む。ランプの電気的情報、動作情報、センサ情報、設置構成情報、気象情報、交通情報、及び犯罪情報の１つ又は複数が、１つ又は複数の時点において時間的に（例えば毎秒、毎分、毎時、毎日、毎月等）集められる。例えば、犯罪情報は１カ月に１度集められても良い。しかし、センサ情報は２０秒ごとに集められても良い。従って、例えばこのプロセスは、対応する情報が集められる時間及び／又はスケジュールを規定することができる収集時間情報を含む。収集時間情報は、システム及び／又は利用者によって設定されても良く、後で使用するためにシステムのメモリ内に記憶される。

コンソリデータ１１４は、照明システムの対応する部分からＬＬＤの対応する部分を受信する１つ又は複数のコンソリデータ１１４−ｘを含むことができ、以下で論じられるようにＬＬＤを処理してＬＬＤを統合し且つ／又はクリーニングし、それにより移送情報（ＴＩ）等の移送する価値のある情報を形成することができる。

図２は、本システムの実施形態に従って動作する照明システムによって実行されるプロセス２００を示す流れ図である。プロセス２００は、ネットワーク上で通信する１台又は複数台のコンピュータを使用して実行されても良く、互いに局所的であり得る及び／又は互いに隔てられる１つ又は複数のメモリから情報を取得し、且つ／又はかかるメモリに情報を記憶することができる。プロセス２００は、以下の動作の１つ又は複数を含む。更に、所望の場合はそれらの動作の１つ又は複数が組み合わせられ、且つ／又は下位動作に分けられても良い。更に、それらの動作の１つ又は複数が設定に応じて飛ばされても良い。動作面では、このプロセスは動作２０１の間に開始し、動作２０３に進むことができる。

動作２０３の間、このプロセスは初期設定プロセスを実行することができる。初期設定プロセスは、照明箇所（以下、明瞭にするためにランプ）やセンサ等のシステムの１つ又は複数の部分を初期設定することができる。このプロセスは更に、初期設定プロセスの前に又はその後で発見プロセスを実行し、ランプ、センサ、メモリ、電力供給（例えば幹線電力やバックアップ電源等）、ネットワーク等のシステムの一部を発見することができる。更にこのプロセスは、ランプ及び／又はセンサ等のシステムの一部に動作命令（例えば動作コマンド等）を与えることができる。初期設定中、このプロセスは動作データや時間データ等のデータを同期することができる。発見プロセス中、このプロセスはシステムのメモリからシステム動作情報を取得し、且つ／又はネットワーク接続及び／若しくはメモリアクセスを確立することができる。動作２０３の完了後、このプロセスは動作２０５に進むことができる。

動作２０５の間、このプロセスは、照明箇所（例えばランプ）のデータ収集プロセスを実行することができ、そのプロセス中、ＬＬＤ部分１２０からＬＬＤが取得される。ＬＬＤは、特徴情報（ｆｉ）を含むことができる。ＬＬＤ又はその一部は、周期的及び／又は非周期的間隔（例えば時間的に）等の様々な時点（例えばそのそれぞれが時間ステップと見なされる）において時間的に、並びに／又は例えばコンソリデータ１１４−ｘ及び／若しくはコントローラ１０２からのクエリに応答して決定され且つ／又は伝送される。一部の実施形態では、センサ（例えば１２０−３）等のＬＬＤ部分の一部が、（例えばｆｉの少なくとも一部を形成する）対応するセンサ情報を５分（時間ステップに対応する各時点）ごとに求め、その後、センサ情報を対応するコンソリデータ１１４−ｘに伝送することができる。動作２０５の完了後、このプロセスは動作２０７に進むことができる。

動作２０７の間、このプロセスは時間的なデータ統合プロセスを実行し、ｆｉを含む収集済みのＬＬＤを統合することができる。明瞭にするために、ＬＬＤではなくｆｉ及びそこに含まれる特徴ｆが以下で論じられる。但し、ｆｉに対して行われる操作はＬＬＤに対して行われる操作として見なされても良く、その逆も同様である。統合に関して、以下で論じられるようにこのプロセスは入力されるｆｉに基づいてｆｉを統合し、フル入力データセットＸを形成することができる。このデータ統合プロセスは、任意の適切な方法を使用して実行される。例えば一部の実施形態では、以下のようにｆｉに基づく対応するフル入力データセットＸを形成するために以下の数学的方法を使用してｆｉが統合される。

例えば、１日の時間ｈを
ｈ∈Ｈ＝［０，２３］ ．．．等式（１）
として表すことができ、日数（１９７０年１月１日以降のカウント日）を
ｄ∈Ｄ＝［０，∞） ．．．等式（２）
として表すことができると仮定する。
その場合、時間ｔは次式として定められる。

従って、このプロセスはｈが１２未満かどうかを判定し、ｈが１２未満だと判定される場合に時間ｔをｄに等しく設定することができる。しかし、ｈが１２未満ではないと判定される（例えばｈが１２以上である）場合、このプロセスは時間ｔをｄ＋１に等しく設定することができる。

Ｔが全ての時間ｔの組だと仮定し：
Ｔ⊂［０，∞）
Ｆはシステム内でログを取られる１組の特徴ｆとすることができ、
Ｆ＝｛ｆ_１，．．．，ｆ_ｎＦ｝ ．．．等式（４）
ｎＦは、組Ｆ内の特徴の数を表す。

特徴ｆに関して、特徴ｆは、燃焼時間、ランプの電圧、電流、電力、力率、幹線電圧、エネルギ使用量、ランプのスイッチ数、調光レベルの変化回数、調光コマンドと調光結果との差異、調光コマンドと調光動作との間の遅延、調光レベル、各調光レベルに設定されている持続時間、調光要求の成功（例えば成功、不成功）、コンポーネントの温度、ルーメン出力、周囲温度、気圧、風速、風向き、雨量、太陽エネルギ、雲量、月相、日出時間、日没時間、自然光強度、高度、ランプの故障、安定器の故障、ランプコントローラの故障（例えば対応するランプを制御する電子機器の故障）、光電池の故障、保全のための訪問、交通手段ごとの交通数、及び／又は犯罪率等、システム又はシステムの一部に関する様々な情報を表す。但し、特徴ｆは照明システムの種類及び／又は構成に基づいて異なる。更に、特徴ｆを統合するとき、時間的データは同じ時間ステップ内の特徴の算術的統合である。

特徴ｆの一部は、ランプと天気予報等の対応する特徴ｆとの間の地球物理学的な近さ等の近さに基づき、１つ又は複数のランプに結び付けられ（例えば関連付けられ）る。従ってこのプロセスは、或る領域の天気予報を、その特定の領域内にあると判定される１つ又は複数のランプに結び付けることができる。このプロセスは、突き止められたランプの地球物理学的位置をそのランプの位置に対応する天気予報にマッチさせること等、任意の適切な方法を使用してかかる結び付けを行うことができる。更に、全地球測位システム（ＧＰＳ）座標、地球物理学的なグリッド座標、システムの位置等を使用することによって等、システムの１つ又は複数の部分（システムの１つ又は複数のランプ及び／又はセンサ等）の地球物理学的位置を明らかにするために任意の適切な方法が使用される。

ｆｉを受信すると、ｆｉは以下のように処理される。例えば、観測値ｏがこのプロセスによって形成され、或る時間ｔにおける特定のランプの特定の特徴の或る特定の実現値を表すことができ、
によって表わすことができると仮定し、
ｖ∈Ｒは、特徴ｆからの時間ｔにおける（照明箇所の）ランプ
の観測値を示し、ｉｄはランプの固有識別子であり、
は、以下の等式（１４）に関して説明されるように照明システムのｎＬランプ柱のうちの或るランプ柱を数学的に定めることができ、Ｌは、以下の等式（１５）に定められているように全ｎＬランプ柱の組であり、Ｒは全ての実数の組を表す。従って、
は１組のランプＬの要素と見なされる。観測値ｏの全組は、
によって表わすことができ、Ｔ及びＦについては上記で説明した。

ランプ
、時間ｔ、及び特徴ｆの固有の組合せごとに複数の観測値ｏがある。単一の時間ｔ、ランプ
、及び特徴ｆに関する１組の全てのｎの観測値が関数Ω：Ｔ×Ｌ×Ｆ→Ｒ^ｎ
によって与えられるとし、
が成立する。

１組の観測値Ｏを所与とし、データ点ｘが
として定められる。

その場合、フル入力データセットＸは、
によって与えられる。

ξ（ｘ，ｉ）が組ｘのｉ＋３番目の要素を表すと仮定し、即ちξ（ｘ，１）は観測値Ｏの平均値を示し、ξ（ｘ，５）はデータ点ｘを作成するのに使用される観測値の数を表す。中間値、標準偏差、最大値、最小値、及び／又は観測値の数が、ランプ、時間、及び／又は特徴の固有の組合せごとに明らかにされる。このプロセスは、かかる固有の組合せごとにそれらを要求することができる。

所与の時間ｔ、ランプ
、及び特徴ｆのデータ点は、関数
Ξ：Ｔ×Ｌ×Ｆ→Ｘ ．．．等式（１０）
によって与えられる。

動作２０７の完了後、このプロセスは動作２０９に進むことができる。

動作２０９の間、このプロセスは、欠落していると判定される任意のデータを訂正し且つ／又は誤っていると判定される任意のデータを置換するために、フル入力データセットＸをクリーニングするためのクリーニングプロセスを実行することができる。

例えば動作２０９の間、このプロセスはフル入力データセットＸを前処理し、誤っていると判定される全てのデータを訂正し且つ欠落していると判定される任意のデータを置換することができる。従って、フル入力データセットＸ内で認識される誤りが訂正される。

例えば、フル入力データセットＸのデータを訂正するために、このプロセスは、対応する特徴ｆの適切なデータ範囲を示す上限（例えば上限閾値）ｆ_ｕｐ及び下限（例えば下限閾値）ｆ_ｌｏｗのそれぞれを各特徴ｆ∈Ｆについて定めることができる。つまり各特徴ｆ∈Ｆについて、上限閾値及び下限閾値内の正常範囲が定められる。一部の特徴では正常範囲が予め定められても良く、例えば力率が０から１の間にあることが予期される。特徴、例えば幹線電力や温度に関して、正常範囲が学習されても良い。まず、ｖ≦ｆ_ｌｏｗ又はｖ≧ｆ_ｕｐだと判定される全ての観測値
が除去され、且つ／又は近似値によってさもなければ訂正される。例えば本システムの一部の実施形態によれば、除去される値が欠落しているとラベル付けされ、他の欠落値と共に訂正（例えば近似値によって置換）されても良く、これは単一のステップ内でも行われる。

一部の特徴ｆ、例えば累積燃焼時間では、上限及び下限が動的である。その場合、
について、このプロセスはｆ_ｌｏｗ＝ｖ_ｉ−１及びｆ_ｕｐ＝ｖ_{ｉ−１＋２４}を使用することができる。上限及び下限は、入手可能である他の観測値に基づいて導出されても良い。例えばそれらの他の観測値は、対応するランプがオンにされているかオフにされているかに関する情報を含む。燃焼時間、ランプのオン時間、ランプのオフ時間のうちの１つの値が残りの２つの値を用いて検証される。従って、燃焼時間、ランプのオン時間、及びランプのオフ時間等の３つの特徴が関係する（例えば燃焼時間＝ランプのオン時間＋ランプのオフ時間）と仮定し、それらの３つの特徴の何れか１つが間違っている又は欠落していると判定される場合、このプロセスは、学習された正常挙動の方法等の任意の適切な方法を使用し、間違っている又は欠落している値を３つの特徴の残りの２つの特徴に従って訂正することができる。

試験結果
本システムの実施形態に従って動作するシステムの特徴のデータセットＦに対して行われる試験中の、（Ａ）エネルギ値又は燃焼時間の減少（これらは絶えず累積されるので減少すべきではない）、（Ｂ）０未満又は１を上回る力率値、（Ｃ）０未満又は一定の閾値（例えば現在６００Ｖに設定されている）を上回る幹線電圧値、（Ｄ）幹線電圧を上回るランプ電圧、及び（Ｅ）０未満の電流が最も一般的な誤りであることが分かっている。

本システムの一部の実施形態によれば、このプロセスは、（例えばシステムのメモリから得られる）既存の大型装置に関する統計的データを使用し、特徴のデータセットＦ内のノイズを減らし、誤りを見つけて訂正し、且つ／又は欠落値を埋める（例えば概算して置換する）ことができる。

従って、システムの特徴のデータセットＦを処理した後、そのデータセットがクリーニングされ、欠落していると判定されるデータを置換し、誤っていると判定されるデータを訂正する。処理（例えばクリーニング等）後の特徴のデータセットＦは、特徴の処理済みデータセットＦと呼ばれる場合があり、移送情報（ＴＩ）として移送される移送の準備が整ったデータセットと呼ばれる。従って、ＴＩは移送の準備が整ったデータセット、よって特徴の処理済み（例えばクリーニング済み）データセットＦを含むことができる。

一部の実施形態によれば、移送の準備が整ったデータセットは誤っているデータを除くことができ、欠落データを置換するための概算データを含むことができ、且つ／又は誤っている及び／若しくは欠落していると判定されるデータを置換するための他の概算データを含む。更に、ＴＩは、同じ時間スタンプを有する（例えばＬＬＤ内に含まれる）複数の未処理のデータ要素の算術的統合を含む。

しかし更に他の実施形態では、ＴＩが（例えばＬＬＤによって与えられる）所与の未処理のデータフィードについて、選択されたタイムスタンプだけを含む。加えて、更に他の実施形態では、システムのサーバ等のコントローラの一部内の処理資源及び記憶域資源の可用性に基づいてＴＩが絶えず更新される。更に他の実施形態では、ＴＩが（例えば保全契約のサービス内容合意書に記載される）性能閾値を満たすために必要とされる情報を含む。

動作２０９の完了後、このプロセスは動作２１１に進むことができる。

動作２１１の間、このプロセスは特徴の処理済み（クリーニング済み）データセットＦを、屋外照明データベース２１３等のシステムの任意の適切なメモリに記憶するために伝送することができる。例えば一部の実施形態によれば、このプロセスは、特徴の処理済みデータセットＦを取得することができ、特徴のデータセットＦを記憶するために屋外照明データベース２１３に伝送することができる。この屋外照明データベース２１３は、本システムの一部を解析し且つ／又は制御するための１つ若しくは複数のプロセス又はその一部を実行するための、バックエンドシステムの一部を形成する。従って、特徴のデータセットＦが処理（例えばクリーニングされ、時間ｔごとに（即ち夜ごとに）グループ化）されると、そのデータセットが、記憶するためにバックエンドシステムに伝送される。動作２１１の完了後、このプロセスは動作２１７に進むことができる。

動作２１７の間、このプロセスは、屋外照明データベース２１３等のシステムのメモリから取得される記憶済みの特徴のデータセットＦに対してクリーニングプロセスを実行する。クリーニングプロセスは、過去のデータ、公開データ、特徴間の関係、学習された正常挙動等の情報に基づく。この動作は、動作２０９に使用可能な情報及び／又は処理能力が所望の精度でデータを保護するのに不十分だと判定される場合に実行される。結果的に、このプロセスは対応するクリーニングされた特徴の処理済みデータセットＦを形成することができる。動作２１７の完了後、このプロセスは動作２１９に進むことができる。

動作２１９の間、このプロセスは任意の適切な方法を使用して情報伝達的データ特徴を求めることができる。例えば、情報伝達的データ特徴は、情報伝達的データ特徴を形成する複合特徴（ＣＦ：complex feature）を導出するための複合特徴抽出プロセスを実行することによって求められる。情報伝達的データ特徴は、ランプ故障を含むコンポーネント故障等、解析されている照明システムの未来の動作性能を明らかにするためにプロセスによって使用されても良く、対応する複合特徴を含む。例えば、情報伝達的データ特徴は、ランプ故障等の照明システムのコンポーネント故障を予測することができる。この動作の間、このプロセスは任意の適切な方法を使用して情報伝達的データ特徴を計算し、又は他の方法で求めることができる。例えば、情報伝達的データ特徴は関数：
Ψ：Ｘ×Ｌ→Ｒ^ｍ ．．．等式（１１）
によって表わされても良く、この関数は１つ又は複数のランプ柱パラメータ（ＬＰＰ：lamp pole parameter）（例えば等式（１２）参照）、及びフル入力データセットＸの１つ又は複数の特徴（ｆ）に応じて１つ又は複数の情報伝達的データ特徴を計算するために処理される。従って、ＡがＸ及びＬに基づいて決定される１組の情報伝達的データ特徴として定められる場合、Ａは次式で定義される。
Ａ＝Ψ（Ｘ，Ｌ） ．．．等式（１２）
このプロセスは、等式１１及び等式１２を使用し、フル入力データセットＸ及び情報伝達的データ特徴Ａを含むデータセットＤを計算することができ、Ｄは次式で定義される。
Ｄ＝Ｘ∪Ａ ．．．等式（１３）

ランプ柱ｌ_ｎごとに、照明システムに対するランプ柱ｌ_ｎの種類及び（地球物理学的）位置を定める幾つかの変数（例えばランプ柱パラメータ（ＬＰＰ））があると仮定する。その場合、ランプ柱ｌ_ｎは
として数学的に定義されても良く、ｌ_ｉｄはランプの識別情報（ＩＤ）、ｌ_ｔｙｐｅはランプの種類、ｌ_ＯＬＣは屋外照明コントローラ（ＯＬＣ：outdoor lighting controller）の種類、ｌ_ｌｏｃは位置の種類、ｌ_ｐｏｗは電力、ｌ_{ｐｏｗ＿ｃｏｒ}は電力補正、ｌ_ｉｎｓｔは設置日（例えば設置された日付）、ｌ_ｌｉｆｅは寿命、ｌ_{ｂｒａｎｄ}はブランド、ｌ_ｘはランプの緯度、ｌ_ｙはランプの経度を示す。位置の種類に関して、この変数は対応するランプ柱の地球物理学的位置を定めるために使用される方法を規定する。例えば一部の実施形態では、位置の種類がＧＰＳ位置情報を含む。しかし、更に他の実施形態では、位置の種類が（例えば行／列形式を使用する）グリッドタイプのものである。しかし更に他の実施形態では、位置の種類は、以下の表１に示されているように（例えば位置の種類を参照されたい）照明システム又はランプ等のその一部が設置されている位置によって定められる、都心、地方、ビーチ、空地、競技場、都市の横町、都市の高速道路、郊外の高速道路、田舎の高速道路、駐車場、市街地、郊外地域等の記述的な値を使用して位置を定義できると想定される。等式（１４）に示されている変数（例えばｌ_ｉｄ、ｌ_ｔｙｐｅ、ｌ_ＯＬＣ、ｌ_ｌｏｃ、ｌ_ｐｏｗ、ｌ_{ｐｏｗ＿ｃｏｒ}、ｌ_ｉｎｓｔ、ｌ_ｌｉｆｅ、ｌ_{ｂｒａｎｄ}、ｌ_ｘ、及び／又はｌ_ｙ）は、システム及び／又は利用者によって定められる。様々なパラメータに関する幾つかのあり得る値が以下の表１に定められている。

Ｌに関して、Ｌが照明システムの全ｎＬランプ柱の組であると設定される場合、Ｌは次式で定義される。

フル入力データセットＸ及びランプ柱パラメータＬを所与とし、このプロセスは情報伝達的データ特徴を求めることができる。このプロセスによって求められる情報伝達的データ特徴は、照明システムの未来の性能を予測するために使用される場合、実働時間（例えば８００時間）や寿命時間（例えば９５０時間）等の標準データよりも多くの情報を与える。

一部の実施形態によれば、このプロセスは、ランプの寿命末期を予測するために使用される以下の表２に示されている下記の情報伝達的データ特徴を求めることができる。情報伝達的データ特徴は、照明システムが構成され、照明システムに関係する情報が後で使用するためにシステムのメモリ内に記憶される場合に求められると仮定される。しかし、更に他の実施形態では、情報伝達的データ特徴が時間的に（例えば周期的に、非周期的に、利用者の要求時に等）求められても良いと想定される。

更に他の実施形態では、このプロセスは以下の表３内に挙げられているような情報伝達的データ特徴を求めることができる。例えば一部の実施形態によれば、このプロセスはランプの電圧の二次関数トレンドを（例えば或る期間にわたって、特定の時点において）求めることができる。

更に他の実施形態によれば、情報伝達的データ特徴は、メインサーバ内の処理資源及び記憶域資源の可用性に基づいて絶えず更新される。情報伝達的データ特徴は、やがて起こる故障を予測するのに最も有用であり、従って記憶域の可用性が限られている場合はそれらの特徴だけが記憶され、情報伝達的特徴が計算されるとフル入力セットＸが記憶域から除去される。加えて、情報伝達的特徴及び／又は入力セットＸは、後で使用するために重要度に応じて順位付けされる。記憶域の可用性に応じて、最も高い順位の特徴が最初に記憶される。処理の可用性が限られている場合、情報伝達的特徴の計算はその順位に従って行われる。処理が一時的に限られているだけの場合は計算が遅延される。

更に他の実施形態では、情報伝達的データ特徴が、保全契約内で概要が説明されるサービス内容合意書を守るのに必要且つ十分なデータを含む。

一部の実施形態によれば、サービス内容合意書は、性能を測定するための少なくとも１つのパラメータを含むことができ、一覧として表わされる。例えばそれらのパラメータは、情報伝達的特徴の一覧内に含まれる。更に、情報伝達的データ特徴は、サービスを実行する（即ち保全を計画して実行する）ために保全業者によって使用される特徴であり得る。更に、以下で論じられる追加の情報伝達的データ特徴がサービス内容合意書を守るために必要とされる一覧に含まれても良い。

更に多くの追加の情報伝達的データ特徴が、このプロセスにより関数Ψ：Ｘ×Ｌ→Ｒ^ｍに従って求められても良く、この関数は上記の１つ又は複数のランプパラメータ（例えばＬ）及び１つ又は複数のデータ特徴（例えばＸ）に応じて新たな複合特徴を計算するためのプロセスである。次いで、上記のように情報伝達的データ特徴Ａが計算されても良く、且つ／又はデータセットＤが定義されても良く、後で使用するために屋外照明データベース２１３等のシステムのメモリ内に記憶される。従って、情報伝達的データ特徴は、求められた複合特徴を含む照明予測データを形成する。それらの複合特徴は、ランプの電気的情報、システムの動作情報、センサ情報、設置構成情報、気象情報、交通情報、及び犯罪情報に少なくとも部分的に基づく。屋外照明予測データは、未来日における予測されたランプ故障等、照明システムのコンポーネント故障を予測する情報を含む。

動作２１９の完了後、このプロセスは動作２２１に進むことができる。

動作２２１の間、このプロセスはデータセットＤの変数の重要度を決定することができる。このプロセスは、ランダムフォレスト法等の任意の適切な統計的方法を使用し、（例えばＤのデータセット内の）最も重要な特徴を決定することができる。最も重要な特徴ｆを決定する前に、データから説明され又は予測される必要がある特徴ＤＰを選択することが大切である。従って、Ｄ^ＰはＤの１つの要素、即ち予測対象である１つの特徴である。

例えば、特定のランプについて特定の種類の故障が選択期間中に起こったかどうかを示すブール値。ｖａｒをＤ^Ｈ＝Ｄ＼Ｄ^Ｐ内の変数の数とする。Ｄ^Ｐは実数値のデータ、カテゴリカルデータ、ブールデータ、又は整数データである。データ（例えばＤ^ｐ）がブール又は整数である場合、そのデータはカテゴリカルとしても見なされる。データＤ^ｐがカテゴリカルである場合、このプロセスはＤ^Ｐ内のそれぞれの固有値を別々のクラスとして示すことができる。１組のクラスが次式によって与えられるとする。
Ｃ＝｛ｃ_１，．．．，ｃ_ｎＣ｝ ．．．等式（１６）

実数値のデータを予測するためにランダムフォレストも使用されるが、明瞭にするためにクラスを予測することについて言及する。但し、実数値のデータを予測するためにＲＦが拡張されても良いことが理解されるべきである。

概して、ランダムフォレストＲＦはＮのツリーで構成され：
ＲＦ＝｛ＴＲ_１，．．．，ＴＲ_Ｎ｝ ．．．等式（１７）
各ツリーＴＲ_ｉは、全ての入力データを含む根ノードη_０で始まり、即ちη_０＝Ｄ^Ｈが成立し、その後、データセット内の特徴の１つに沿ってノード
をより小さい２つのノード
に分け、
が成立する。対応するノードが単一のクラスに属するデータしか含まないと判定される場合、そのノードはそれ以上分けられず、葉ノードと呼ばれる。このように、ツリーはノードの集まりによって形成される。
ＴＲ_ｉ＝｛η_０，η_１，．．．，η_ｑ｝ ．．．等式（１８）

次いでｓ（η_ｉ）がノードη_ｉのサイズを示すとし、即ち次式が成立する。
ノードの予測γ（η_ｉ）は、そのデータセット内で最も起こると決定されるクラスによって与えられる。

次いで、或るデータ点ｙのクラスを予測するために、データ点ｙが葉ノードまでＮツリーのそれぞれにプットダウン（put down）され、ツリーごとに葉ノードの予測を返し、それによりｙに関するＮの分類がもたらされる。関数ｘがデータ点ｙに関するツリーの予測を与えるとし、即ち次式が成立する。
ｘ：ＲＦ×Ｒ^ｖａｒ→Ｃ ．．．等式（２１）

更に、データ点ｙに関するフォレストＲＦの１組のクラス予測が
Λ（ｙ）＝｛ｘ（ＲＦ_１，ｙ），．．．，ｘ（ＲＦ_Ｎ，ｙ）｝ ．．．等式（２２）
によって与えられ、データ点ｙがクラスｃに属する確率が
によって与えられると仮定し、その場合、フォレストは最も高い確率、即ち最も多い票を有する分類ｃ（ｙ）を選択する。
ｃ（ｙ）＝ｍａｘ（｛Ｐｒ（ｃ，ｙ）｜ｃ∈Ｃ｝） ．．．等式（２４）

ランダムフォレストを作成するために、元のデータＤ^Ｈと同じ大きさの入力データＤ^Ｈのブートストラップサンプルから開始して各ツリーが作成される。ブートストラップサンプルは、入力データＤ^Ｈから１つのデータ点ｙを繰り返し無作為に選択することによって作成される。従って、各ツリーは異なるブートストラップサンプルから作成される。ｉ番目のツリーを作成するために使用されるブートストラップサンプルがＢ_ｉによって与えられるとする。その場合、次式が成立する。
Ｂ_ｉ⊂Ｄ^Ｈ ．．．等式（２５）
加えて、フォレストを作成するための１組の総ブートストラップサンプルは
Ｂ＝｛Ｂ_１，．．．，Ｂ_Ｎ｝ ．．．等式（２６）
によって与えられる。

ツリーを作成するために、標準方式では、各ノードにおいて変数のうちのＫが（例えばこのプロセスによって）無作為に選択され、最良の分割を得るためにそれらの変数だけが探索される。例えば、このプロセスは
を選択することができる。

但し、屋外照明システムの試験結果から、ビーチの近くにあるランプと内陸にあるランプとではランプの故障挙動にかなりの違いがあることが明らかにされている。具体的には、ビーチの位置では、内陸の位置よりも気象データが故障予測に重要であることが明らかにされている。従って故障を予測するために、内陸のランプに比べてビーチのランプの場合は気象データの重みが強い確率分布関数（ｐｄｆ：probability distribution function）を使用する。その結果、このことはプロセスが変数のうちのＫを均一に（即ち完全に無作為に）選択しなくても良く、確率ベクトルｖに従って選択することを意味する。確率ベクトルｖを求めるために、このプロセスは以下で論じられる変数の重要度の測度の正規化バージョンを使用することができる。確率の各要素が０から１の間にあり、全ての要素を合計すると１になるように、変数の重要度の測度が正規化される必要がある。

次いで、このプロセスは最良の分割を求めることができ、最良の分割を求めるために、このプロセスは
として定義されるジニ不純度を使用することができ、ｐ_ｉはクラスｉからのノードη内のデータ点の比率である。

これ（例えばジニ）は、無作為に選択される要素が部分集合内のラベルの分布に従って無作為にラベル付けされる場合、組から無作為に選択される要素がどの程度頻繁に間違ってラベル付けされるのかを測る。全てのデータ点が単一のクラス内にあるノードではジニ不純度が０に等しく、２つのクラス内のデータ点が等量のノードではジニ不純度が０．５に等しい。

２つの子ｎ_１及びｎ_２へのノードの最良の分割は、最も低いジニ不純度の値、即ち
ａｒｇ ｍｉｎ ｇ（ｎ_１）＋ｇ（ｎ_２） ．．．等式（２９）
をもたらす分割であることが分かっている。

変数ｉによるη_１及びη_２への最良の分割によるノードηのジニ不純度の減少Δ（ｉ）は
に等しい。

データ点ｙのマージンＭは、真のクラスに対する票の比率から他のクラスに対する票の最大比率を引いたもの、即ち
Ｍ（ｙ）＝Ｐｒ（ｙ，Ｄ^Ｐ（ｙ））−ｍａｘ｛Ｐｒ（ｙ，ｃ）｜ｃ≠Ｄ^Ｐ（ｙ）｝ ．．．等式（３１）
である。

マージンＭの大きさは、分類がどの程度確信的であるのかの測度を与える。この実施形態では、２つのクラス及び真のクラスｃだけを想定し、それにより次式が成立する。

ランダムフォレストは、どの変数が予測に最も重要かを決定するために使用可能な４つの手段を与える。これらの手段を定めるために、まず幾つかの追加の定義を紹介する。

関数Π：Ｒ^ｎ→Ｒ^ｎが入力値Ｄ^Ｈを無作為に並べ替えるものとし、即ち値の順序が無作為に変えられる。Ｄ^Ｈ（ｉ）がＤ^Ｈのｉ番目の変数を示すものとする。するとＤ^Ｈのｉ番目の変数の値の無作為の並べ替えがΠ（Ｄ^Ｈ（ｉ））によって与えられる。更に次式が定義される。

は、ｉ番目の変数が並べ替えられた状態のｙ∈Ｄ^Ｈのマッチングデータ点を示すものとする。その場合、個々のツリーの分類が
によって与えられ、クラスの確率が
によって与えられ、最終的な分類が
によって与えられる。

その結果生じる試験エラーは
になり、マージンは
になる。

次に４つの試験手段１から４（Ｍ_１からＭ_４のそれぞれ）が定義され、それぞれの試験に関する変数の重要度を決定するために使用される。

手段１．ｋ番目のツリーの残されたデータ点内で、ｉ番目の変数の全ての値を無作為に並べ替え、それらの新たなデータ点を分類し、新たな試験セットの誤り率を求める。この新たな試験セットの誤りが元の試験セットの誤りを超える量がｉ番目の変数の重要度として定められる。公式的に、この手段は次式で定義される。

手段２．ｋ番目のツリーの残されたデータ点についてｉ番目の変数が無作為に並べ替えられる場合の、全てのデータ点にわたるマージンの平均の低下。公式的に、この手段は次式で定義される。

手段３．ｋ番目のツリーの残されたデータ点についてｉ番目の変数が無作為に並べ替えられる場合の、下げられたマージンの数引く上げられたマージンの数。

手段４．全ての分割において、分割を形成するためにＫｔｒｙ変数の１つが使用され、結果としてジニ値の低下が生じる。ツリーの数によって正規化される、所与の変数によるフォレスト内の全ての低下の和が手段４、即ち
を形成する。

故障を予測する問題では、典型的には非故障（例えばクラス０）と比較した故障数（例えばクラス１）は非常に少ない。これは不均衡予測問題と呼ばれる。クラスが不均衡なので（即ち或るクラスからの要素の数が別のクラスからの要素の数よりもはるかに多い）、データを無作為に並べ替えることは誤解を与える結果を招く。例えば、クラス１のインスタンスが１０個あり、クラス２のインスタンスが９０個ある場合、そのデータを無作為に並べ替えることは依然としてクラス２内にあるクラス２の９０％^＊９０＝８１個のインスタンスを平均して与え、９個のインスタンスがクラス１に変わっている。古いクラス１では、平均して９個のインスタンスがクラス２になる一方、クラス１には１個のインスタンスしか残らない。従って、クラス２の新たなデータを分類することは精度の面で僅かに（１０％）低下するだけだが、クラス１の新たなデータの精度は９０％低下する可能性がある。最初の３つの手段（例えばＭ_１からＭ_３）はそれぞれこの問題に見舞われるので、手段４（例えばＭ_４）を参照する。

手段４（Ｍ_４）はこの問題に見舞われないが、使用される比率がツリーの根において既に不均衡問題に関して大きく又は小さい（例えば不均衡問題では或るクラスのデータの比率が小さく、そのため他のクラスのデータの比率が定義上大きい）。所与の例における根について、このプロセスは（例えば単一ノードツリーでは）ｇ（ｒｏｏｔ）＝１−０．９^２−０．１^２＝１−０．８１−０．０１＝０．１８等の根を得ることができる。次いで、根が（例えば２ノードツリーを得るために）２つのノードに分割され、ノード１はクラス１のインスタンスを９個及びクラス２のインスタンスを８個有し、ノード２はクラス１のインスタンスを１個及びクラス２のインスタンスを８２個有する。この場合、
となる。目標は２つのジニ値の和、即ち０．０２３８＋０．４９８３＝０．５２２１を最小化することなのでこの分割は劣化と見なされる。このことはジニ値の変化によって判定されても良く、ジニ値の変化はこの例では０．１８−０．４９８３−０．０２３８＝−０．３４２１、即ち０未満である。実際には、このツリーはノード２ではクラス２を予測することになり、クラス１のデータ点がクラス２として予測されるインスタンスは１つだけとなる。ノード１ではクラス１を予測することになり、クラス１として誤って予測されるインスタンスは８個となる。合計して誤った予測は９個になり、根ノードは全てのデータをクラス２として予測する（即ち１０個の誤った予測）。従って、このツリー（例えば２ノードツリー）の感度及び特定性が前のツリー（例えば単一ノードツリー）と比較される場合、精度は９０％から９１％へとほんの少し改善し、感度は１００％から９２％へと低下し、特定性は０％から９０％へと劇的に改善していると判定される。従って、根ノードだけで構成されるツリー（例えば単一ノードツリー）は本質的に無益であるのに対し、新たなツリー（例えば２ノードツリー）は優れた品質を有する。

従って、以下で説明されるように、最良の分割を選択するための新たな基準並びに最も重要な特徴を選択するための新たな基準が定義される。

最良の分割及び最も重要な特徴の選択
ｗ_ｉがデータセットＤ^Ｈ内のクラスｉのデータ点の小数（fraction）を示すとする。この例では、データＤ^ｐからｗ_１＝０．１、ｗ_２＝０．９である。
とした場合、次式が成立する。

次いで、この例の実施形態による等式（４３）を使用してｇ^ＮＥＷについて解くことでｇ（ｒｏｏｔ）、ｇ（ｎｏｄｅ１）、ｇ（ｎｏｄｅ２）の以下の結果をもたらす。
ｇ（ｒｏｏｔ）＝１−（１／２）^２−（１／２）^２＝０．５

この新しい（例えば等式（４３）によって定められる）方法を使用し、ジニ値が０．５から０．１６２０＋０．１７８２＝０．３４０２に下がる。今度は、変数の重要度の測度（Ｍ_５）（例えば変数の重要度）が次式の通りとなる。
但し

従って動作２２１の間、このプロセスは、変数の重要度を等式（４４）等の上記の等式の少なくとも１つを使用して、及び入力データＤに応じて決定することができる。次いで、動作２１９の間に決定された複合特徴ごとに変数の重要度が決定される。動作２２１の完了後、このプロセスは動作２２３に進むことができる。

動作２２３の間、このプロセスは最も高い重要度を有する（１つ又は複数の）変数を選択することができる。従って、このプロセスは変数の重要度値のそれぞれを比較し、任意の適切な方法を使用して最も大きい変数の重要度値を決定し、対応する複合特徴を選択することができる。例えば一部の実施形態では、このプロセスは最も大きい変数の重要度値のうちの選択された数（例えば２等）だけを選択することができ、選択される数は整数とすることができ、利用者及び／又はシステムによって選択される。例えば一部の実施形態では、このプロセスは最も大きい変数の重要度値を２つ、及び関連する情報伝達的データ特徴を選択することができる。しかし、更に他の実施形態では、このプロセスは変数の重要度値のそれぞれを対応する閾値と比較し、対応する閾値以上だと判定される変数の重要度値だけを選択することができる。従って、例えば一部の実施形態では、このプロセスは０．２等を上回る変数の重要度値を選択することができる。

試験結果
図３Ａは、本システムの実施形態によるＳＯＮランプに関する変数の重要度を決定するための試験結果の出力を図示するグラフ３００Ａを示し、図３Ｂは、本システムの実施形態によるＬＥＤランプに関する変数の重要度を決定するための試験結果の出力を図示するグラフ３００Ｂを示す。グラフ３００Ａ及び３００Ｂは、特徴（例えば動作２１９の間に決定される複合特徴）に応じた変数の重要度を示す。グラフ３００Ａ及び３００Ｂ内の複合特徴は、明瞭にするために３次元の棒グラフを用いて表されている。しかし更に他の実施形態では、所望の場合は複合特徴が同じ軸上に配置されても良い。グラフ３００Ａ及び３００Ｂは次のように読まれるものとする。「データの種類」の軸上で例えば「エネルギ」と述べられ、「特徴」の軸上で例えば「線形トレンド」と述べられ、それらの２つのラベルが一緒になって「エネルギの線形トレンド」という複合特徴の名称を形成し、関連する変数の重要度は垂直軸上にある。

例えばＳＯＮランプに関して、グラフ３００Ａは、最も重要な複合特徴がエネルギ及び稼働時間（例えば「エネルギ割る燃焼時間」）３０３Ａ、及びランプの調光コマンドとその実行との間の遅延（例えば「ランプコマンドに対するランプレベルの遅延」）３０５Ａだと示す一方、ＬＥＤランプの故障については、最も重要な特徴は平均気温（「平均気温」）３０３Ｂ及び最低気圧（「最低気圧」）３０５Ｂである。但し、グラフ３０３Ｂに関して、括弧３０７Ｂによって示されているように最も重要な特徴が概して天候に関係していることが見て取れる。一部の実施形態では、データの種類の情報が所定の順序で順に配置される。例えば、天候関連のデータの種類がまとめられても良い。例えば他のグループは、構成関連のグループ、ランプのスイッチング／調光のスケジュール関連のグループ、犯罪関連のグループ、交通関連のグループ等を含むと考えられる。動作２２３の完了後、このプロセスは動作２２５に進むことができる。

動作２２５の間、このプロセスは予測モデルを作成することができる。本システムの実施形態によれば、このプロセスは保全計画の結果（例えば保全のスケジューリング）に従って予測モデルを適合させることができる。以下で論じられ、次に更に詳細に説明されるように、予測モデルは分類を決定することができる。

使用される予測精度の定義
本実施形態の少なくとも一部に関係する精度の主な概念は、Ｂとして表わされるバイアスの概念である。Ｔ（その平均値がＥ［Ｔ］で表わされる無作為の量）が故障時間を表すランプを検討されたい。このプロセスの実施形態は、計算手順を利用して故障時間Ｔを予測することができ、対応する予測値はＴ_ｐｒｅｄである。このプロセスは、バイアスＢを次式で定めることができる。
Ｂ＝Ｅ［Ｔ］−Ｔ_ｐｒｅｄ ．．．等式（４５）

バイアスＢが正の場合、そのことはランプが予想よりも早く故障すると予測されることを示すのに対し、バイアスＢが負の場合、ランプは予想よりも遅く故障すると予測される。つまり、ランプの予想寿命が過大評価される場合がある。

保全計画アルゴリズム及び性能結果
このプロセスは、以下の表４に示されているような、本システムの実施形態による照明システム内のランプの保全に関連する１つ又は複数の費用を考慮に入れることができる。

屋外照明システムのランプを最適に保全する問題は興味深い複雑性を示す。つまり、照明システムの各ランプが故障後に交換される最も単純な保全アルゴリズムは、多くの異なる保全の往訪が必要になる可能性があるので運営費が高くなり過ぎる原因となる。この費用をなし崩しにするために、ランプの（例えばクラスタの）集合の交換を同時に行うことが有益だと分かっている。照明システムの全てのランプが同時に故障する確率は低いので、このことは一部のランプが時期尚早に交換され（無駄なランプ寿命の費用を招く）、一部のランプの交換が遅すぎる可能性がある（利用者の不便さの費用を招く）ことを必然的に意味する。

本システムの実施形態によれば、保全スケジューリングアルゴリズムが以下の動作を使用して保全スケジュールを計算する。
（ｉ）照明システムのランプの故障時間を（ことによると幾らかのバイアスＢと共に）予測する。
（ｉｉ）予測された故障時間及び地理的位置に基づいてランプをクラスタ化する。共通のクラスタ内にあると判定される全てのランプは、そのクラスタに関して最適な時点における保全の同一往訪内での交換がスケジュールされる。
（ｉｉｉ）本システムの実施形態に従ってクラスタのそれぞれを交換するために保全トラックが辿るのに最適な経路を計算する。

保全スケジューリングアルゴリズムの全体的性能は、ランプの故障時間が予測される精度によって決まる。とりわけ、バイアスＢが最終的な解に影響を及ぼす。全体的費用に対するバイアスＢの影響は、本システムの実施形態に従ってシミュレートされる。それらのシミュレーションの結果として、ランプを遅く交換することに関する利用者の不便さの費用がランプの費用に比べて低い場合、負バイアスがより低い全体的費用をもたらすのに対し、ランプを遅く交換することに関する利用者の不便さの費用が高い場合は正バイアスがより低い全体的費用をもたらすことが実験的に明らかにされている。

所望のバイアスは、保全業務に関与する費用に基づいて適合される。例えば、ランプを遅く交換することに関する利用者の不便さの費用がランプの費用に比べて低い（例えば費用の閾値を下回る）場合、負バイアス（例えば０未満）がより低い全体的費用をもたらすのに対し、ランプを遅く交換することに関する利用者の不便さの費用が高い場合は正バイアス（例えば０を上回る）がより低い全体的費用をもたらす。そのため、最初の事例では（例えば不便さの費用がランプの費用に比べて低いとプロセスが判定する場合）、所望のバイアスが（０である）正常に比べて負の値に設定され（且つ／又は現在値から下げられ）、第２の事例では、所望のバイアスが正常に比べて正の値に設定される（且つ／又は現在値から上げられる）。上記の事例を判定するために、このプロセスは（例えばランプを遅く交換することを示す）費用の閾値を設定することができる。次いで、このプロセスは不便さの費用を費用の閾値と比較することができる。不便さの費用が費用の閾値を下回ると判定される場合、このプロセスはバイアス値Ｂを０未満（例えば負の値）に設定することができる。その場合、所望のバイアスＢは（０である）正常に比べて下げられる。しかし、不便さの費用が費用の閾値以上だと判定される場合、このプロセスはバイアス値Ｂを０超に（例えば正の値）に設定することができる。その場合、所望のバイアスＢは正常に比べて上げられる。従ってこのプロセスは、全体的費用を下げるために、費用の決定に従ってバイアスＢを決定しさもなければ調節することができる。バイアス値Ｂは、所望の結果が得られるまで漸進的に上げられ又は下げられることに留意すべきである。実例として、バイアス値ｂの大きさを設定するために、何らかの既定値に設定された、例えば１日や１週間に設定された固定された大きさの漸進的変更を使用することができる。既定値は、典型的には利用者がシステム内で使用する粒度によって決まる。従って、例えば最適な保全スケジュールが毎週決定される場合、１週間の既定値が概して使用される。

費用に基づくモデル訓練の適合
予測モデルの作成時に誤分類の費用を考慮に入れるために、ランダムフォレストの手法は訓練セット内のクラス分布を調節するものである。しかし、照明の故障を予測する際に不均衡なデータセットが通常はあると考え、この手法（例えば訓練セット内のクラス分布を調節する上記の方法）には問題があり、それはかかる方法が２つの効果を同時に実行させるからであり、２つの効果とはつまり費用の影響及び不均衡の問題である。費用の影響及び不均衡の問題は１つずつ影響されることが好ましい。従って本システムの実施形態は、訓練セットではなく分類を決定するための方法又はノードを分割するための方法を適合させ、後者は照明故障予測問題の重要な変数を決定するように最適化されている（例えば上記の動作２２１及び２２３参照）。従って、本システムの実施形態に従って分類を決定するための方法が次に論じられる。

まず、上記の等式（１７）〜（２０）のそれぞれによって定められているように、１組のクラスＣ、ランダムフォレストＲＦ、ツリーＴＲ_ｉ、ｓ（η_ｉ）、及び標準予測ノードγ（η_ｉ）が与えられると仮定する。

次いで、（例えば動作２２１〜２２３に関して論じられた何らかのデータ点ｙのクラスとは対照的に）誤分類の費用を考慮に入れるためにこの予測（例えば標準予測ノードγ（η_ｉ））が適合される。α_ｉｊは、α_ｉｉ＝０，ｉ∈Ｃとしながらクラスｉをクラスｊとして分類する費用だと仮定する。このプロセスは、（最も高い確率を有するクラス、例えばマジョリティクラスではなく）最も低い費用をもたらすクラスをノードの予測として解釈することができる。次いで、ｋ^ｉ _ｊをノードη_ｉにおけるクラスｊのデータ点の数、即ち
とすると、次式が成立する。

次いで、或るデータ点ｙのクラスを予測するために、データ点ｙが葉ノードまでＮツリーのそれぞれにプットダウンされ、ツリーごとに葉ノードの予測γ（η_ｉ）を返し、それによりｙに関するＮの分類がもたらされる。関数ｘがデータ点ｙに関するツリーの予測を与えるとし、即ち次式が成立する。
ｘ：ＲＦ×Ｒ^ｖａｒ→Ｃ ．．．等式（４７）

更に、データ点ｙに関するフォレストＲＦの１組のクラス予測が
Λ（ｙ）＝｛ｘ（ＲＦ_１，ｙ），．．．，ｘ（ＲＦ_Ｎ，ｙ）｝ ．．．等式（４８）
によって与えられ、データ点ｙがクラスｃに属する確率が
によって与えられると仮定する。

その場合、フォレストは最も高い確率、即ち最も多い票を有する分類ｃ（ｙ）を選択する。
ｃ（ｙ）＝ｍａｘ（｛Ｐｒ（ｃ，ｙ）｜ｃ∈Ｃ｝） ．．．等式（５０）

次いで、プロセスはこの予測を適合させて誤分類の費用を考慮に入れることができる。但し、最も多い票を有するクラスを選択するのではなく、このプロセスは最小費用をもたらすクラスを選択することができる。

従って、動作２２５の上記の等式を解くことにより、このプロセスは最小費用をもたらすクラスを選択することができる。予測は予測モデルを形成することができ、その後、後で使用するために予測モデルデータベース２２７等のシステムのメモリ内にプロセスによって記憶される。

図７は、本システムの実施形態に従って生成されるランダムフォレスト予測モデルの単一ツリーのグラフ７００を示す。グラフ７００の予測モデルは、照明システムのランプが現時点から４週間以内に故障するかどうかを予測する。この予測は本システムの実施形態に従ってモデリングされても良く、照明システムの対応するランプごとの特徴に応じて少なくとも部分的に基づく。照明システムの複数のランプのランプごとに、ランダムフォレストツリーは、今後４週間以内に故障が予測されない場合は０に等しい値を出力し、又は故障が予測される場合は１に等しい値を出力する。

動作２２５の完了後、このプロセスは動作２２９及び／又は動作２３９に進むことができる。

再び動作２２５を参照し、この動作の間、一部の実施形態によればこのプロセスは、一定の予測精度を所与として最適な保全計画に従って予測モデルを最適化することができる。更に他の実施形態では、予測精度が予測内のバイアスとして定義される。更に他の実施形態では、保全計画の費用がランプの費用、早く交換する費用、遅く交換する費用、交換作業隊の費用、（交換作業隊の）移動費用を含む。また更なる実施形態では、予測モデルを最適化するために最小費用の保全計画のバイアスが使用される。他の実施形態では、所望のバイアスをもたらすために予測モデルの決定境界が作成される。また更なる実施形態では、コントローラのサーバ等、照明システムの一部の処理資源及び記憶域資源の可用性に基づいて保全計画及び／又は所望のバイアスが絶えず更新される。更に他の実施形態では、コントローラによって取得される最新情報に基づいて予測モデルの決定境界が絶えず更新される。また更なる実施形態では、サービスレベル閾値を維持するのに十分であるように予測モデルが決定される（例えば閾値は保全契約内で概要が説明される合意内に記載され、システムのメモリ内に記憶される）。保全契約は性能に関する合意を含む。この保全の性能が予測モデルの所要の性能ということになる。本システムの実施形態によれば、この所要の性能は、必要とされる感度及び特定性（以下参照）並びに／又はどの程度先の時点まで（例えばどれ位先まで）故障が予測されなければならないのかを含む。予測モデルは、性能要件等の要件が満たされるようにバイアス及び／又は決定境界を適合させることによって作成される。従って、例えばサービスレベル閾値が満たされ又は超えられるように、予測モデルがこのプロセスによって形成される。

動作２２９の間、このプロセスは、動作２２５の間に作成された予測モデルに基づいて故障予測を形成することができる。例えば、予測モデル内に含まれる複合特徴が計算され、作成済みの予測モデルによって供給されても良く、所望の通りに真又は偽或いは故障確率に等しい故障予測がもたらされる。動作２２９の完了後、このプロセスは動作２３１及び２３５の一方又は両方に進むことができる。例えば、故障予測のレンダリングを利用者が閲覧したいと判定される場合、このプロセスは動作２３５に進むことができる。しかし、保全スケジュールが望まれると判定される場合（例えばプロセス及び／又は利用者によって要求される）、このプロセスは動作２３１に進むことができる。

動作２３９の間、このプロセスは動作２２５の間に作成された予測モデルを改善することができる。従って、このプロセスは信頼性モデルデータベース２３７から信頼性モデルを得ることができる。信頼性モデルデータベースは、ランプのブランド及び種類ごとに寿命の統計的分布を含む。この情報は、とりわけ予測モデルの精度がより低い可能性があるより遠い未来の比較的広範囲の予測について、予測モデルを向上させるために使用される。

動作２３１の間、このプロセスは動作２２９の間に形成された故障予測モデルに従って保全スケジュールを形成することができる。例えばこのプロセスは、或る日付までに交換されるべき特定のクラスタの全てのランプの位置を求めることができる。その後、このプロセスは、交換が必要なクラスタのそれらのランプを交換するために使用される経路を明らかにすることができる。この経路は（例えば移動時間や移動距離等の所望の変数を最小限にするための）最小費用の経路とすることができ、ランプを交換するために使用される経路を規定することができる。経路を決定するために、巡回セールスマン式の方法がこのプロセスによって適用される。動作２３１の完了後、このプロセスは動作２３３に進むことができる。

動作２３３の間、このプロセスは現地の保全情報を実時間で得ることができる。例えばランプが交換されると、その情報が（例えば特徴情報ｆｉとして）システムのコントローラに伝送される。その後、コントローラは交換を反映させるために照明システムの特徴ｆを更新することができる。より具体的には、一部の実施形態によれば、後で使用するための適切な情報を提供するために、構成及び／又はランプ柱のパラメータに関係する少なくとも幾つかの特徴ｆが交換に応じて更新される。動作２３３の完了後、このプロセスは動作２３５に進むことができる。

動作２３５の間、このプロセスは利用者の便宜のために、システムのディスプレイ等のユーザインタフェース上にシステムの視覚化をレンダリングすることができる。従ってこのプロセスは、一目で分かる最も重要な側面の明確な概要を維持し、更に利用者が照明システムの任意の特定の部分に関する更なる詳細を望む場合は十分な自由度を認めながら、このプロセスの決定（例えば計算）の何れかによって生成されるデータ等、照明システムに関するデータを視覚化できるようにするグラフィカルユーザインタフェース（ＧＵＩ）を生成する。特に一部の実施形態によれば、このプロセスは、システム設定及び／又はユーザ選択に応じてレンダリング時に１つ又は複数の（例えば選択された又は全ての）ランプを市街地図、衛星画像、ストリートビュー画像等の所望の背景上に示すことができるＧＵＩを生成する。更に、利用者が例えば未来時、現時点、過去の時点、或る時間範囲等の所望の時間や時間範囲にスクロールできるようにするために、１つ又は複数のメニュー及び／又は他の選択手段（例えばスライダ等）が生成され且つ／又は提供される。次いでこのプロセスは、システムのメモリから情報を取得して選択された時間に対応する所望の情報の視覚化を生成し、その視覚化をレンダリングすることができる。所望の情報は、所望の時間に故障すると（例えばこのプロセスによって）予測されるシステムの１つ又は複数のランプ等、システムの１つ又は複数の部分に関する情報を含む。

従って例えばこのプロセスは、本システムの実施形態に従い、システムの１つ又は複数のランプの将来の故障が予測されるときを示すグラフィカル表現をレンダリングすることができる。従ってこのプロセスは、利用者が未来に向けてスクロールし（例えばスライダを使用して選択された日付及び／又は日付の範囲にスクロールし）、様々なランプの故障が予測されるときを観察するための任意選択機能を与えるＧＵＩをレンダリングすることができる。この予測は、動作２２９の間に形成され、予測モデルデータベース２２７から取得される故障予測に従って決定される。ランプ又はランプ群が選択されると、このプロセスは選択されたランプ又はランプ群（例えばクラスタ）に関する現在の状態及び／又は将来予測される状態（例えば電圧、電流、電力、燃焼時間等）、並びに設定点（例えば使用スケジュール及び／又は正常動作範囲）を示すＧＵＩを生成することができる。例えば一部の実施形態では、選択された対応するランプ又はランプ群の１つ又は複数の特徴が、選択されたランプ又はランプ群に関連して取得され且つ／又はレンダリングされる。

図４は、本システムの実施形態に従って形成されるグラフィカルユーザインタフェース（ＧＵＩ）４００のスクリーンショットを示す。ＧＵＩ４００は、本発明の実施形態による、システムの１つ又は複数のランプが将来故障することが予測されるときを示す情報を含む。このＧＵＩは、日付情報を含む日付領域４１３と、日付及び／又は日付の範囲を選択するために利用者によって選択されるスライダ４１２とを含む。日付は時間尺度を使って表わされる。日付又は日付の範囲は、過去の、現在の、及び／又は未来の日付若しくは日付の範囲を含む。例えばこの実施形態では、選択された日付から、利用者が２０２０年２月２０日等の未来の日付を選択していると見なされる。ＧＵＩ４００はマップ４０２を含むことができ、マップ４０２は、マップ４０２の表示部分内の道４０６沿いにあるシステムの設置ランプ４０４等、照明システムの１つ又は複数の部分の説明を含む。このプロセスは、選択された日付についての予測された（累積的な）ランプ故障に関する情報を得ることができ、選択された日付に故障していると予測されるランプを示す外枠のみの円４０９を使用すること等、任意の適切な方法を使用してその情報をレンダリングすることができる。同様に、選択された日付に機能していると予測されるランプ４０４は、塗潰された円４０８を使用して示される。更に、ＧＵＩ４００は、利用者が所望の場合にズームイン及び／又はズームアウトしてマップ４０２のより広い部分及び／又はより狭い部分をそれぞれ見ることができるように構成される。従って、例えば閲覧者がマップ４０２をズームアウトする場合、照明システムの更に多くのランプ４０４が表示される。予測されるランプ故障は累積的であるので、その数は利用者が更に先の日付を選択するとき増加する。但し、更に他の実施形態では、予測されるランプ故障が、選択された日付に故障するランプについてのみ示されても良い。

スライダ４１２はシステムによって生成されても良く、選択された日付の照明システムの予測された状態を利用者が観察することを可能にする。選択された日付を利用者が更に先に設定すると、故障することが予測されるランプの数が増加し、故障しているますます多くのランプ４０９が示される。従って利用者は、ランプが故障すると予測されるときを明らかにし、その情報に基づいて保全及び／又は交換の労力を調節することができる。このＧＵＩは、ランプの総数、（現在の日付の）現在のランプ故障数、選択された日付（例えば２０２７年１１月２０日）までに予測されるランプ故障数、新たなシステム及びランプに関する情報へのリンク、並びに予測される交換費のうちの１つ又は複数等、照明システムに関する情報４１０を更に含む。

利用者がマップ４０２上のランプ４０４又はランプ群を選択すると、このプロセスは、実際の及び要求された調光状態４１６、燃焼時間、ランプ電圧４１８、電流４１４、力率４２２、幹線電圧４２４、安定器の温度４２０等、選択されたランプに関する主要パラメータをレンダリングすることができる。このプロセスは、選択されたランプ全てのパラメータの平均値を更に求めることができる。例えば、群のランプのそれぞれによって使用される電流の平均値（群全体にわたって算出される）が明らかにされ、利用者の便宜を図ってシステムのディスプレイ上にレンダリングされる。このプロセスは、実際の及び要求された調光状態４１６、燃焼時間、ランプ電圧４１８、電流４１４、力率４２２、幹線電圧４２４、安定器の温度４２０等の選択された値についてそれを行うことができる。

このプロセスは、複数のランプの利用者又はシステムによって選択されるランプ群（１つ又は複数のランプを含む）の実際の及び要求された調光状態、燃焼時間、ランプ電圧、電流、電力、幹線電圧、及び平均レベル（例えば実際の及び要求された調光状態、燃焼時間、ランプ電圧、電流、電力、幹線電圧の平均値）の少なくとも１つのグラフィック表現を含むようにＧＵＩを更に生成することも決定されている。所望の場合、このプロセスは、対応する値の平均がランプ群の対応する平均値を上回る又は下回るランプを強調表示することができる。

少なくとも１つのパラメータについて品質測度が求められ、レンダリングされる。例えば、要求された調光状態と実際の調光状態との差が大きいことは低品質の現れである。従って、赤色の強調表示等の対応する色を使って品質測度が示される。燃焼時間では、統計的寿命と比較された現在のランプの寿命が示される。更に（幹線）電圧、電流、及び電力では、実際の（予測）値と共に示される通常の適切な動作範囲がある。主要パラメータの隣に、右パネルはランプの種類、及び例えばランプの色温度や位置等の主要な静的情報も示すことができる。従って、本システムの実施形態は、照明システムの予測される将来の展望を利用者に与えることができ、それによりパラメータがそれに応じて調節されても良く、保全がしかるべくスケジューリングされ且つ／又は実行される。

図５は、本システムの実施形態に従って動作する照明システムによって実行されるプロセス５００を示す流れ図である。プロセス５００は、ネットワーク上で通信する１台又は複数台のコンピュータを使用して実行されても良く、互いに局所的であり得る及び／又は互いから隔てられる１つ又は複数のメモリから情報を取得し、且つ／又はかかるメモリに情報を記憶することができる。プロセス５００は、以下の動作の１つ又は複数を含む。更に、所望の場合はそれらの動作の１つ又は複数が組み合わせられ、且つ／又は下位動作に分けられても良い。更に、それらの動作の１つ又は複数が設定に応じて飛ばされても良い。動作面では、このプロセスは動作５０１中に開始し、動作５０３に進むことができる。

動作５０３の間、このプロセスは、照明システムの特徴（ｆ）に関係し、複数の特徴空間から得られる特徴情報を含む照明ロギングデータを得ることができる。従ってこのプロセスは、図２の動作２０５に関して説明された照明箇所データ収集プロセスを使用して照明ロギングデータを得ることができる。次いで、上記の動作２０７に関して説明されている可能性があるように、このプロセスは照明ロギングデータを処理してデータの統合を実行し、欠落している及び／又は間違っている値を識別し且つ／又は訂正することができる。更にこのプロセスは、入力データセットＸを形成することによって等、照明ロギングデータから１つ又は複数のデータセットを任意の適切な形式で形成することができる。このプロセスは、クリーニング操作を１回又は複数回実行し、例えば入力データセットＸを更にクリーニングして脱落している及び／又は間違っていると判定される情報を置換することができる。動作５０３の完了後、このプロセスは動作５０５に進むことができる。

動作５０５の間、このプロセスは、照明ロギングデータに従って未来時の照明システム内の少なくとも１つのコンポーネント故障を予測し、少なくとも１つの複合特徴を含む照明予測データを求めることができる。この動作は任意の適切な方法を使用して実行される。例えば一部の実施形態によれば、このプロセスは、上記の動作２１９に関して説明された方法等の任意の適切な方法を使用し、複合特徴等の入力データセットＸ内の情報伝達的データ特徴を識別することができる。その後このプロセスは、動作２２１及び２２３のそれぞれに関して説明された方法等の任意の適切な方法を使用して変数の重要度を決定し、変数を選択することができる。動作５０５の完了後、このプロセスは動作５０７に進むことができる。

動作５０７の間、このプロセスは、照明予測データに従って未来時に起こると予測される、予測されたコンポーネント故障及び保全費をモデリングすることができる。この動作は、上記の動作２２５に関して説明された方法等の任意の適切な方法を使用して実行される。従ってこのプロセスは、未来の期間（例えば現時点から２０４０年１月１日等の何らかの未来時）における照明システム内のランプ故障等のコンポーネント故障を保全費等の費用に照らして予測し、予測されたコンポーネント故障の対応するモデルを形成することができ、そのモデルは後で使用するためにシステムのメモリ内に任意選択的に記憶される。動作５０７の完了後、このプロセスは動作５０９に進むことができる。

動作５０９の間、このプロセスは、モデリング済みの予測されたコンポーネント故障を照明システムのディスプレイ等のシステムのレンダリング装置上にレンダリングすることができる。このプロセスはメニューを更に提供することができ、利用者はプロセスによって生成される情報を閲覧するためにそのメニューを使用してプロセスと対話することができる。動作５０９の完了後、このプロセスは、プロセスが終了する動作５１１に進むことができる。

従って、本システムの実施形態は、本システムの実施形態に従って実行されるデータマイニング技法に基づいて照明サービスを提供することができる。本システムは、照明システムの予測保全のスケジューリングを可能にするために、保全への洞察等、屋外照明システムへのより優れた事実に基づく洞察を生成するための優れたツールとしてデータ解析を使用することができる（Ｒ１及びＲ２）。

屋外照明の予測保全は、現場から収集される屋外照明データに基づく保全サービス及びシステム（Ｒ３）を使用可能にする。本システムの実施形態によれば、このプロセスはまず、保全の観点から最も重要であるパラメータを識別することができる。このことはインテリジェント屋外照明システムの最適化を可能にする。第２に、このプロセスは、最も重要なパラメータの解析に基づいてシステムの動作中の故障時間を予測することができる。予測された故障時間は、故障の修理を最適化し、（例えば性能保証書に記載の）性能閾値を設定してモニタし、屋外照明システムの現在の及び未来の予測された状態を視覚化するために使用される。上記のステップのどちらでも、このプロセスは、本システムの実施形態に従って適合されるランダムフォレスト（Ｒ７）技法等の統計に基づく技法を使用することができる。ランダムフォレストは、医療、例えば（Ｒ４）、配電網（Ｒ５）、金融（Ｒ６）等の領域で決定を行うために使用されている。しかし、照明動作への応用は新規であり、本システムの実施形態において克服される特定の困難を引き起こす。

図６は、本システムの実施形態によるシステムの一部６００を示す。例えば、本システムの一部６００は、メモリ６２０に動作可能に結合されるプロセッサ６１０（例えばコントローラ）、ユーザインタフェース６３０、センサ６４０、及びユーザ入力装置６７０を含む。メモリ６２０は、説明された動作に関係するアプリケーションデータ並びに他のデータを記憶するための任意の種類の装置とすることができる。本システムによる稼働動作を実行するようにプロセッサ６１０を構成（例えばプログラミング）するために、アプリケーションデータ及び他のデータがプロセッサ６１０によって受信される。そのように構成されるプロセッサ６１０は、本システムの実施形態に従って動作するのにとりわけ適した専用マシンになる。センサは、本システムの実施形態に従って対応する情報を検出し、その情報を更に処理するためにプロセッサ６１０に与えることができる、ランプの電気センサ、調光レベルセンサ、電圧センサ、電流センサ、電力センサ、色センサ、光出力（ルーメン）センサ、温度センサ、振動センサ、交通（速さ、速度、流量等の）センサ、気象センサ（例えば気温、湿度、降雨、気圧、レーダ、衛星）、レーダセンサ、超音波センサ等のセンサを含む。

可動動作は、例えばユーザ入力、センサ６４０、及び／又はメモリ６２０から情報を取得するようにプロセッサ６１０を構成することによってシステム６００を構成すること、及びその情報を本システムの実施形態に従って処理し、本システムの実施形態に従って動作可能な照明システムに関する情報を得ることを含む。ユーザ入力部６７０は、キーボード、マウス、トラックボール、及び／又はタッチセンスディスプレイを含む他の装置を含むことができ、これらは独立型とすることができ、又は任意の動作可能なリンクを介してプロセッサ６１０と通信するためのパーソナルコンピュータ、ノートブックコンピュータ、ネットブック、タブレット、スマートフォン、携帯情報端末（ＰＤＡ）、携帯電話や他の装置の一部のようにシステムの一部とすることができる。ユーザ入力部６７０は、本明細書に記載のＵＩ内での対話を可能にすることを含め、プロセッサ６１０と対話するために動作可能である。明らかに、プロセッサ６１０、メモリ６２０、ＵＩ６３０、及び／又はユーザ入力装置６７０は全て若しくは部分的に、本明細書に記載のクライアント及び／又はサーバ等の、コンピュータシステム又は他の装置の一部である。

可動動作は、例えば本システムの実施形態に従って動作する照明システムに関する情報等の情報を要求すること、提供すること、形成すること、及び／又はレンダリングすることを含む。プロセッサ６１０は、システムのディスプレイ上等、ＵＩ６３０上に情報をレンダリングすることができる。センサは、本システムの実施形態に従って更に処理するために所望のセンサ情報をプロセッサ６１０に与えるのに適したセンサを更に含む。

本システムの方法は、コンピュータソフトウェアプログラムによってプログラムされたプロセッサによって実行されるのに特に適しており、かかるプログラムは、記載され且つ／又は本システムによって想定される個々のステップ又は動作のうちの１つ又は複数に対応するモジュールを含む。

プロセッサ６１０は、ユーザ入力装置６７０からの入力信号に応答して、並びにネットワークの他の装置に応答して制御信号を提供し且つ／又は操作を実行するように、及びメモリ６２０内に記憶された命令を実行するように動作可能である。例えばプロセッサ６１０は、センサ６４０からセンサ情報を取得することができ、その情報を処理してシステムの状態を少なくとも部分的に明らかにすることができる。センサは、照明ロギングデータを更に処理するためにプロセッサ６１０に与えることができる照明ロギングデータ部の一部である。プロセッサ６１０は、マイクロプロセッサ、特定用途向け集積回路、汎用集積回路、論理装置等の１つ又は複数を含む。更に、プロセッサ６１０は、本システムに従って機能するための専用プロセッサとすることができ、又は本システムに従って機能するために多くの機能のうちの１つしか動作しない汎用プロセッサでも良い。プロセッサ６１０は、プログラム部分、複数のプログラムセグメントを利用して動作することができ、又は専用集積回路若しくは多目的集積回路を利用するハードウェア装置とすることができる。

本システムの更なる改変形態が当業者に容易に思い付き、添付の特許請求の範囲に包含される。

最後に、上記の解説は本システムの例示に過ぎないことが意図され、添付の特許請求の範囲を或る特定の実施形態又は実施形態群に限定するものとして解釈されるべきではない。従って、本発明が例示的実施形態に関して説明されてきたが、添付の特許請求の範囲に記載の本システムのより広範且つ意図される趣旨及び範囲から逸脱することなく、数多くの修正形態及び代替的実施形態が当業者によって考案されることも理解されるべきである。加えて、本明細書に含まれる節の見出しは、検討を容易にすることを意図するが本システムの範囲を限定することは意図しない。従って、本明細書及び図面は説明的方法で考慮されるべきであり、添付の特許請求の範囲を限定することは意図しない。

本明細書に含まれる節の見出しは検討を容易にすることを意図するが本システムの範囲を限定することは意図しない。従って、本明細書及び図面は説明的方法で考慮されるべきであり、添付の特許請求の範囲を限定することは意図しない。

添付の特許請求の範囲を解釈する際は以下を理解すべきである。
ａ）「含む」という語は、所与の請求項の中で列挙されている以外の要素又は動作があることを除外しない。
ｂ）或る要素の前に来る語「a」又は「an」は、その要素が複数あることを除外しない。
ｃ）特許請求の範囲の中の如何なる参照記号もその範囲を限定しない。
ｄ）同一のアイテム、ハードウェア、又はソフトウェアによって実装される構造若しくは機能によって幾つかの「手段」が表わされる。
ｅ）開示された要素のどれもハードウェア部分（例えばディスクリート電子回路及び集積電子回路を含む）、ソフトウェア部分（例えばコンピュータプログラミング）、及びそれらの任意の組合せで構成される。
ｆ）ハードウェア部分は、アナログ部分及びデジタル部分の一方又は両方で構成される。
ｇ）開示された装置又はその一部の何れも、別段の定めがない限り一緒に組み合わせられ又は更なる部分に分けられる。
ｈ）明確な指示がない限り、動作又はステップの如何なる特定の順序も必要とされることを意図しない。
ｉ）「複数の」要素という語は、主張された要素を２つ以上含み、要素の如何なる特定の数値範囲も含意せず、つまり複数の要素は僅か２つの要素とすることができ、膨大な数の要素も含む。

参考文献：
以下に記載の参考文献１〜７は参照により本明細書に援用され、参照番号Ｒ１からＲ７のそれぞれを使用して本明細書の全体を通して言及されている。例えばＲ１は、第１の参考文献（例えばAccenture Technology Vision 2013）に言及する。
（１）Accenture Technology Vision 2013（www.accenture.com/SiteCollectionDocuments/PDF/Accenture-Technology-Vision-2013で入手可能）
（２）Big data: The next frontier for innovation, competition, and productivity（www.mckinsey.com/insights/business_technology/big_data_the_next_frontier_for_innovationで入手可能）
（３）Philips Starsense Outdoor Lighting System（www.lighting.philips.nl/pwc_li/nl_nl/connect/Assets/downloads/online-documentatie/Brochure_starsense_NL.pdfで入手可能）
（４）E. Hsich et al, Identifying Important Risk Factors for Survival in Patient With Systolic Heart Failure Using Random Survival Forests, Circulation: Cardiovascular Quality and Outcomes, vol. 4, pp. 39-45, 2011
（５）Dutta, Haimonti, et al. “Estimating the Time Between Failures of Electrical Feeders in the New York Power Grid.” Next Generation Data Mining Summit, NGDM (2009)
（６）Chi, Der-Jang, Ching-Chiang Yeh, and Ming-Cheng Lai. “A Hybrid Approach of DEA, rough set theory and random forests for credit rating.” International Journal of Innovative Computing, Information and Control 7.8 (2011): 4885-4897
（７）Breiman, Manual--Setting Up, Using, And Understanding Random Forests V4.0（ftp.stat.berkeley.edu/pub/users/breiman/Using random forests v4.0.pdf ,2003で入手可能）

Claims (15)

1. 照明システムの特徴に関係し、複数の情報源から得られる特徴情報を含む照明ロギングデータを取得すること、
   前記照明ロギングデータを使用して、照明システム故障トレンドを求めること、
   前記照明システム故障トレンドを使用して、未来時の前記照明システム内の少なくとも１つのコンポーネント故障を予測するために少なくとも１つの複合特徴を導出すること、
   予測された前記コンポーネント故障を計算するために前記複数の情報源から照明ロギングデータを選択すること、
   前記少なくとも１つの複合特徴に従って、予測されたコンポーネント故障のモデルを形成すること、及び
   前記モデルをメモリ内に記憶することを行う、
   少なくとも１つのコントローラを含む、照明システム。
2. 前記コントローラは、前記モデルを形成済みの予測されたコンポーネント故障を前記照明システムのディスプレイ上にレンダリングする、請求項１に記載のシステム。
3. 前記コントローラは、ランプの電気的部分、システム動作情報部分、センサ、設置構成部分、気象情報部分、交通部分、及び犯罪部分の少なくとも１つから前記照明ロギングデータを得る、請求項１に記載のシステム。
4. 前記照明システムが複数のランプを更に含み、前記モデルを形成済みの予測されたコンポーネント故障が前記複数のランプのうちの２つ以上のランプの予測されたランプ故障、及び対応する予測故障時間を含み、前記コントローラは、前記予測されたランプ故障の少なくとも２つのクラスタを、対応するランプの地球物理学的位置及び前記予測故障時間に従って形成し、前記コントローラは、前記クラスタに関して最適だと判定される決定された時間において前記クラスタのランプを交換する保全をスケジューリングする、請求項１に記載のシステム。
5. 照明システムの性能を決定する方法であって、前記方法は、前記照明システムの少なくとも１つのコントローラによって実行され、
   照明システムの特徴に関係し、複数の情報源から得られる特徴情報を含む照明ロギングデータを取得するステップ、
   前記照明ロギングデータを使用して、照明システム故障トレンドを求めるステップ、
   前記照明システム故障トレンドを使用して、未来時の前記照明システム内の少なくとも１つのコンポーネント故障を予測するために少なくとも１つの複合特徴を導出するステップ、
   予測された前記コンポーネント故障を計算するために前記複数の情報源から照明ロギングデータを選択するステップ、
   前記少なくとも１つの複合特徴に従って、予測されたコンポーネント故障のモデルを形成するステップ、及び
   前記モデルをメモリ内に記憶するステップを含む、方法。
6. 前記モデルを形成済みの予測されたコンポーネント故障を前記照明システムのディスプレイ上にレンダリングするステップを更に含む、請求項５に記載の方法。
7. ランプの電気的部分、システム動作情報部分、センサ、設置構成部分、気象情報部分、交通部分、及び犯罪部分の少なくとも１つから前記照明ロギングデータを得る動作を更に含む、請求項５に記載の方法。
8. 前記照明システムは複数のランプを更に含み、モデルを形成済みの予測されたコンポーネント故障が前記複数のランプのうちの２つ以上のランプの予測されたランプ故障、及び対応する予測故障時間を含み、前記方法は、
   前記予測されたランプ故障の少なくとも２つを、対応するランプの地球物理学的位置及び予測故障時間に従ってクラスタへとクラスタ化するステップ、並びに
   前記モデルに従って、前記クラスタに関して最適だと判定される決定された時間において前記クラスタのランプを交換する保全をスケジューリングするステップを更に含む、請求項５に記載の方法。
9. コンピュータ可読メモリ媒体上に記憶され、照明システムの動作を決定するコンピュータプログラムであって、前記コンピュータプログラムは、
   前記照明システムの特徴に関係し、複数の情報源から得られる特徴情報を含む照明ロギングデータを取得すること、
   前記照明ロギングデータを使用して、照明システム故障トレンドを求めること、
   前記照明システム故障トレンドを使用して、未来時の前記照明システム内の少なくとも１つのコンポーネント故障を予測するために少なくとも１つの複合特徴を導出すること、
   予測された前記コンポーネント故障を計算するために前記複数の情報源から照明ロギングデータを選択すること、
   少なくとも１つの複合特徴に従って、予測されたコンポーネント故障のモデルを形成すること、及び
   前記モデルをメモリ内に記憶することを行うためのプログラム部分を含む、コンピュータプログラム。
10. 前記プログラム部分は、前記予測されたコンポーネント故障を前記照明システムのディスプレイ上にレンダリングする、請求項９に記載のコンピュータプログラム。
11. 前記プログラム部分は、ランプの電気的部分、システム動作情報部分、センサ、設置構成部分、気象情報部分、交通部分、及び犯罪部分の少なくとも１つから前記照明ロギングデータを得る、請求項９に記載のコンピュータプログラム。
12. 前記照明システムが複数のランプを更に含み、モデルを形成済みの予測されたコンポーネント故障が前記複数のランプのうちの２つ以上のランプの予測されたランプ故障、及び対応する予測故障時間を含み、前記プログラム部分は、前記予測されたランプ故障の少なくとも２つを、対応するランプの地球物理学的位置及び前記予測故障時間に従って、クラスタを形成するようにクラスタ化し、前記プログラム部分は、前記モデルに従って、前記クラスタに関して最適だと判定される決定された時間において前記クラスタのランプを交換する保全をスケジューリングする、請求項９に記載のコンピュータプログラム。
13. 多項式は２次であり、前記少なくとも１つの複合特徴が、特定の時点におけるランプの電圧の二次関数トレンド、別の点火指示が与えられる前に前記ランプが点火しようと試みる回数の二次関数トレンド、及び前記ランプが自然に消える回数の二次関数トレンドのうちの少なくとも１つを含む、請求項１に記載のシステム。
14. 多項式は２次であり、前記少なくとも１つの複合特徴が、特定の時点におけるランプの電圧の二次関数トレンド、別の点火指示が与えられる前に前記ランプが点火しようと試みる回数の二次関数トレンド、及び前記ランプが自然に消える回数の二次関数トレンドのうちの少なくとも１つを含む、請求項５に記載の方法。
15. 多項式は２次であり、前記少なくとも１つの複合特徴が、特定の時点におけるランプの電圧の二次関数トレンド、別の点火指示が与えられる前に前記ランプが点火しようと試みる回数の二次関数トレンド、及び前記ランプが自然に消える回数の二次関数トレンドのうちの少なくとも１つを含む、請求項９に記載のコンピュータプログラム。