该页无缩略图
中科智城 AI 路灯运维上路验证报告
2025 年 4 月
摘要
2025 年 4 月 1 日到 4 月 3 日，中科智城团队和广州路灯所组成联合运维团队，对广州市海珠区5 万盏路灯进行了实际上路验证，将AI 运维方式和传统方式（包括：人工巡检、系统监控 + 运维专家、市民上报）从准确率和查全率两个维度进行了对比。结果显示，AI 方式准确率为 95.8% ，并将“系统监控 + 运维专家”的查全率 28.6% （加上人工巡检和市民上报，查全率为 57.1% ）提升至 82.1% ，发现了大量系统漏报，同时解决了传统系统不能发现零星熄灯故障的问题，取得了良好的实验效果。
1. 传统的路灯运维方式
传统方式下，路灯的运维工单来源包括 3 种：人工巡检、“传统路灯监控系统 ^+ 运维专家”、市民上报，根据广州市 2024 年 8 月的历史数据显示，3 种方式分别占运维工单总数的 30% 、 30% 和 40% 。
第1 种方式是人工巡检，是典型的被动运维方式，由人和车去巡检发现，成本很高。以广州市为例，32 万盏路灯，每年运维成本 1.3 亿元。
第2 种方式是“传统路灯监控系统 + 运维专家”联合的方式，通过传统的路灯监控系统获取节点控制器和集中控制器的电流、电压等参数，由经验丰富的运维专家为每个路灯场景、环境设定告警阈值，产生的告警结果还需由运维专家来进行人工判断，最后派发工单给前线运维人员。这种方式依赖“老司机”的专业经验，同时根据广州市 2024 年 9 月的历史工单数据显示，存在 15% 的误报率。另外，在不同地方的判断标准也不一样，难以复制推广。
第3 种方式是市民上报，市民通过12345 等热线电话投诉，形成工单派发给运维人员。这种方式往往存在严重滞后性，常常是路灯坏了十天半个月后才被上报，导致市民投诉率很高。
2. 上路验证情况和数据分析
主要验证的指标是准确率和查全率。
准确率（Accuracy）：模型对所有样本的预测中，正确预测的比例。查全率（Recall）：关注模型对故障的覆盖能力。
比如，整个区域共有 200 个设备故障，派发了 100 个工单，其中 10 个工单为误派，对应设备并无故障。则准确率为 90/100{=}90% ，查全率为 90/200{=}45% 。
2.1.验证范围和训练数据
广州市海珠区289 个集中控制器，覆盖5 万盏路灯。
AI 算法训练阶段，利用了3 个月的历史数据，对AI 系统进行训练。从原路灯监控平台获取了从 2025 年 1 月 1 日到 2025 年 3 月 30 日共 3 个月，总计约 627 万条数据（包括电流、电压等）以及期间路灯运维团队的运维工单信息。
AI 算法验证阶段：从2025 年4 月1 日到3 日，广州路灯所每日提供前三日全广州市的路灯运维工单数据。AI 运维系统每日早上 9 点生成预警列表，由此派发工单，晚上由联合运维团队上路验证。
2.2.验证结果和分析
如表1 所示，验证期间，传统方式共派发了 17 个工单，其中第一天数量较多，是因为累计了过去一周多的未处理数据。
| 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% |
备注：其中 5/6 表示：共派发6 个工单，其中5 个为准确工单，1 个误派工单。验证期间，传统方式共派发 17 个工单，其中 1 个“市民上报”验证为误报，并无故障，准确率为 94.1% 。
根据广州市的的历史工单数据（2024 年9 月）显示，传统方式中的“系统监控 ^+ 运维专家”方式存在 15% 的误报率，准确率为 85% 左右。
验证期间，AI 方式共派发24 个工单，其中误派1 个，准确率为 95.8% 。
接下来进行查全率的分析。在验证期间，联合运维团队通过上路验证，共发现28 个故障设备。同样，第一天数量较多，是因为累计了过去一周多的未处理数据。
| 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 方式和传统方式告警并不是完全重合的。存在通过人工巡检和市民上报方式派发工单，但AI 方式漏报的。验证期间，传统方式中“系统监控 + 运维专家”方式派发的 8 个工单，AI 方式全覆盖。另外，AI 方式发现了 7 个传统方式没有发现的，降低了漏报。
通过验证数据可以看到，传统方式的查全率为 57.1% ，其中“系统监控 + 运维专家”的查全率为 * ，AI 方式提升到 82.1% 。
需要指出的是，因为没有对全区域的设备进行完整验证，因此整体故障设备应该是超过 28 个，由于目前没有经过验证的全量故障数据，所以本报告中的查全率并不是最终数据。
3. AI 方式的优势和未来
由实际上路验证结果可以看到，相比较传统方式，AI 方式的优点明显。
1. 运维成本有望大幅降低
对应传统方式中的人工巡检，可以大大降低成本。根据另一个城市的数据，对应5 万盏路灯，运维团队有 130 人，30 台巡检车辆，如果可以通过 AI 方式把被动运维变为主动运维，运维成本有望大幅降低。
2. 减少对“老司机”的经验依赖
对应传统方式中的“系统监控 + 运维专家”方式，AI 方式可以减少人工介入和误报。同时减少对经验丰富的运维人员"老司机"的依赖。另外，在系统应用到不同地方的时候，AI 方式也可以通过对历史数据的训练，快速学习适配，不受环境的影响，解决了专家经验在不同地方不适用的问题。
3. 减少误报，减少市民投诉，提升市民满意度
通过AI 方式，在市民发现路灯故障上报之前，就检测到问题并发出告警。同时减少误报，可以减轻管理压力，同时 AI 方式的及时发现可以避免安全隐患，提升市民满意度。
4. 发现零星熄灯
过去的“系统监控 + 运维专家”方式发现的是大片熄灯，对应一个集中控制器下面的路灯大面积故障。如果没有安装单灯控制器的情况下，一般无法发现零星熄灯的故障。验证发现，AI 方式可以有效发现零星熄灯，这对于路灯运维工作是非常重要的支持。
总结来说，对比传统的路灯运维方式（包括：人工巡检、“传统路灯监控系统+运维专家”、市民上报），AI 方式可以覆盖“传统路灯监控系统 + 运维专家”方式发现的几乎全部故障（验证期间为 100%) ），并通过精准预测的方式，大幅降低人工巡检的成本，提前和及时发现路灯故障，减少市民投诉，提升运维效果和市民满意度。
随着训练数据和样本数据的累积，以及特征库的不断迭代，AI 方式的准确率和查全率还可以持续优化和提升，经过更大范围更长时间的验证，未来有望取代传统的运维方式，从“被动运维”走向“主动运维”，实现路灯运维工作较大幅度的降本增效。
