該頁無縮略圖
中科智城 AI 路燈運維上路驗證報告
2025 年 4 月
摘要
2025 年 4 月 1 日到 4 月 3 日，中科智城團隊和廣州路燈所組成聯合運維團隊，對廣州市海珠區5 萬盞路燈進行了實際上路驗證，將AI 運維方式和傳統方式（包括：人工巡檢、系統監控 + 運維專家、市民上報）從準確率和查全率兩個維度進行了對比。結果顯示，AI 方式準確率為 95.8% ，并將“系統監控 + 運維專家”的查全率 28.6% （加上人工巡檢和市民上報，查全率為 57.1% ）提升至 82.1% ，發現了大量系統漏報，同時解決了傳統系統不能發現零星熄燈故障的問題，取得了良好的實驗效果。
1. 傳統的路燈運維方式
傳統方式下，路燈的運維工單來源包括 3 種：人工巡檢、“傳統路燈監控系統 ^+ 運維專家”、市民上報，根據廣州市 2024 年 8 月的歷史數據顯示，3 種方式分別占運維工單總數的 30% 、 30% 和 40% 。
第1 種方式是人工巡檢，是典型的被動運維方式，由人和車去巡檢發現，成本很高。以廣州市為例，32 萬盞路燈，每年運維成本 1.3 億元。
第2 種方式是“傳統路燈監控系統 + 運維專家”聯合的方式，通過傳統的路燈監控系統獲取節點控制器和集中控制器的電流、電壓等參數，由經驗豐富的運維專家為每個路燈場景、環境設定告警閾值，產生的告警結果還需由運維專家來進行人工判斷，最后派發工單給前線運維人員。這種方式依賴“老司機”的專業經驗，同時根據廣州市 2024 年 9 月的歷史工單數據顯示，存在 15% 的誤報率。另外，在不同地方的判斷標準也不一樣，難以復制推廣。
第3 種方式是市民上報，市民通過12345 等熱線電話投訴，形成工單派發給運維人員。這種方式往往存在嚴重滯后性，常常是路燈壞了十天半個月后才被上報，導致市民投訴率很高。
2. 上路驗證情況和數據分析
主要驗證的指標是準確率和查全率。
準確率（Accuracy）：模型對所有樣本的預測中，正確預測的比例。查全率（Recall）：關注模型對故障的覆蓋能力。
比如，整個區域共有 200 個設備故障，派發了 100 個工單，其中 10 個工單為誤派，對應設備并無故障。則準確率為 90/100{=}90% ，查全率為 90/200{=}45% 。
2.1.驗證范圍和訓練數據
廣州市海珠區289 個集中控制器，覆蓋5 萬盞路燈。
AI 算法訓練階段，利用了3 個月的歷史數據，對AI 系統進行訓練。從原路燈監控平臺獲取了從 2025 年 1 月 1 日到 2025 年 3 月 30 日共 3 個月，總計約 627 萬條數據（包括電流、電壓等）以及期間路燈運維團隊的運維工單信息。
AI 算法驗證階段：從2025 年4 月1 日到3 日，廣州路燈所每日提供前三日全廣州市的路燈運維工單數據。AI 運維系統每日早上 9 點生成預警列表，由此派發工單，晚上由聯合運維團隊上路驗證。
2.2.驗證結果和分析
如表1 所示，驗證期間，傳統方式共派發了 17 個工單，其中第一天數量較多，是因為累計了過去一周多的未處理數據。
| 日期 | 传统方式派发工单数 | AI方式 派发 工单数 | |||
| 系统监控+运 维专家 | 人工巡 检 | 市民上 报 | 汇总 | ||
| 4月1日 | 7/7 | 0 | 5/6 | 12/13= 92. 3% | 18/19= 94. 7% |
| 4月2日 | 0 | 1/1 | 0 | 1/1= | 1/1= |
| 100% | 100% | ||||
| 4月3日 | 1/1 | 2/2 | 0 | 3/3= 100% | 4/4= 100% |
| 汇总 | 8/8 | 3/3 | 5/6 | 16/17= 94. 1% | 23/24= 95. 8% |
備注：其中 5/6 表示：共派發6 個工單，其中5 個為準確工單，1 個誤派工單。驗證期間，傳統方式共派發 17 個工單，其中 1 個“市民上報”驗證為誤報，并無故障，準確率為 94.1% 。
根據廣州市的的歷史工單數據（2024 年9 月）顯示，傳統方式中的“系統監控 ^+ 運維專家”方式存在 15% 的誤報率，準確率為 85% 左右。
驗證期間，AI 方式共派發24 個工單，其中誤派1 個，準確率為 95.8% 。
接下來進行查全率的分析。在驗證期間，聯合運維團隊通過上路驗證，共發現28 個故障設備。同樣，第一天數量較多，是因為累計了過去一周多的未處理數據。
| 日期 | 故障 设备 总数 | 传统方式查全率 | AI方式 查全率 | |||
| 系统监控 +运维专 家 | 人工巡检 | 市民上报 | 汇总 | |||
| 4月1日 | 20 | 7/20= 35% | 0 | 5/6 | 12/20= 60% | 18/20= 90% |
| 4月2日 | 2 | 0 | 1/1 | 0 | 1/2= 50% | 1/2= 50% |
| 4月3日 | 6 | 1/6= 16. 7% | 2/2 | 0 | 3/6= 50% | 4/6= 66. 7% |
| 汇总 | 28 | 8/28= 28. 6% | 3/3 | 5/6 | 16/28= 57.1% | 23/28= 82.1% |
AI 方式和傳統方式告警并不是完全重合的。存在通過人工巡檢和市民上報方式派發工單，但AI 方式漏報的。驗證期間，傳統方式中“系統監控 + 運維專家”方式派發的 8 個工單，AI 方式全覆蓋。另外，AI 方式發現了 7 個傳統方式沒有發現的，降低了漏報。
通過驗證數據可以看到，傳統方式的查全率為 57.1% ，其中“系統監控 + 運維專家”的查全率為 * ，AI 方式提升到 82.1% 。
需要指出的是，因為沒有對全區域的設備進行完整驗證，因此整體故障設備應該是超過 28 個，由于目前沒有經過驗證的全量故障數據，所以本報告中的查全率并不是最終數據。
3. AI 方式的優勢和未來
由實際上路驗證結果可以看到，相比較傳統方式，AI 方式的優點明顯。
1. 運維成本有望大幅降低
對應傳統方式中的人工巡檢，可以大大降低成本。根據另一個城市的數據，對應5 萬盞路燈，運維團隊有 130 人，30 臺巡檢車輛，如果可以通過 AI 方式把被動運維變為主動運維，運維成本有望大幅降低。
2. 減少對“老司機”的經驗依賴
對應傳統方式中的“系統監控 + 運維專家”方式，AI 方式可以減少人工介入和誤報。同時減少對經驗豐富的運維人員"老司機"的依賴。另外，在系統應用到不同地方的時候，AI 方式也可以通過對歷史數據的訓練，快速學習適配，不受環境的影響，解決了專家經驗在不同地方不適用的問題。
3. 減少誤報，減少市民投訴，提升市民滿意度
通過AI 方式，在市民發現路燈故障上報之前，就檢測到問題并發出告警。同時減少誤報，可以減輕管理壓力，同時 AI 方式的及時發現可以避免安全隱患，提升市民滿意度。
4. 發現零星熄燈
過去的“系統監控 + 運維專家”方式發現的是大片熄燈，對應一個集中控制器下面的路燈大面積故障。如果沒有安裝單燈控制器的情況下，一般無法發現零星熄燈的故障。驗證發現，AI 方式可以有效發現零星熄燈，這對于路燈運維工作是非常重要的支持。
總結來說，對比傳統的路燈運維方式（包括：人工巡檢、“傳統路燈監控系統+運維專家”、市民上報），AI 方式可以覆蓋“傳統路燈監控系統 + 運維專家”方式發現的幾乎全部故障（驗證期間為 100%) ），并通過精準預測的方式，大幅降低人工巡檢的成本，提前和及時發現路燈故障，減少市民投訴，提升運維效果和市民滿意度。
隨著訓練數據和樣本數據的累積，以及特征庫的不斷迭代，AI 方式的準確率和查全率還可以持續優化和提升，經過更大范圍更長時間的驗證，未來有望取代傳統的運維方式，從“被動運維”走向“主動運維”，實現路燈運維工作較大幅度的降本增效。
