CN119811121A - 一种交通信号灯监测方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供了一种交通信号灯监测方法、装置、电子设备及存储介质，涉及交通信号灯监测技术领域，其技术方案要点是：获取交通信号灯所在路口的环境光线强度信息和交通流量信息；根据所述环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率；根据计算得到的采样频率对所述交通信号灯进行监测。本申请提供的一种交通信号灯监测方法、装置、电子设备及存储介质具有能够根据环境变化动态调整采样频率，从而在保证监测效果的同时降低能耗的优点。

Description

一种交通信号灯监测方法、装置、电子设备及存储介质

技术领域

本申请涉及交通信号灯监测技术领域，具体而言，涉及一种交通信号灯监测方法、装置、电子设备及存储介质。

背景技术

在现代城市交通管理中，交通信号灯的实时监测对于维护交通秩序、提高道路通行效率至关重要。然而，在一些城市环境中，如供电不稳定、阳光照射受限的繁忙路口，传统的交通信号灯监测系统面临着诸多挑战。

以一个城市交叉路口为例，该路口不仅是城市交通的重要节点，还是应急通道的关键位置。由于位于供电网络的边缘地带，该路口经常遭遇短暂断电。为解决供电问题，管理部门采用了太阳能供电方案。然而，周围高楼林立导致阳光照射时间有限，严重影响了太阳能板的发电效率。这种情况下，如何在有限的电力供应条件下实现全天候、高效率的交通信号灯监测成为一个亟待解决的问题。

现有的交通信号灯监测系统通常采用固定频率的持续采样方法。这种方法虽然在保证监测精度和实时性方面表现良好，但存在能耗过高的问题。在电力供应有限的情况下，难以满足全天候监测的需求。此外，传统系统缺乏对环境变化的适应能力，无法根据实际情况动态调整工作模式，导致在低需求期间仍然维持高功耗运行，造成能源浪费。

针对上述问题，本申请提出了一种新的技术方案。

发明内容

本申请的目的在于提供一种交通信号灯监测方法、装置、电子设备及存储介质，具有能够根据环境变化动态调整采样频率，从而在保证监测效果的同时降低能耗的优点。

本申请提供了一种交通信号灯监测方法，技术方案如下：

包括：获取交通信号灯所在路口的环境光线强度信息和交通流量信息；根据所述环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率；根据计算得到的采样频率对所述交通信号灯进行监测。

进一步地，本申请还提出了，所述根据所述环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率的步骤包括：使所述交通流量信息的计算权重大于所述环境光线强度信息的计算权重；根据所述交通流量信息计算监测交通信号灯状态的采样频率，所述交通流量信息越大，计算得到的采样频率越高；根据所述环境光线强度信息计算监测交通信号灯状态的采样频率，所述环境光线强度信息越暗，计算得到的采样频率越高。

进一步地，本申请还提出了，所述根据所述环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率的步骤包括：获取预设时间段内的环境光线强度信息和交通流量信息，并预测下一时间段的环境光线强度和交通流量；根据预测的下一时间段环境光线强度和交通流量，计算下一时间段的交通信号灯状态采样频率，以实现对环境变化的提前响应。

进一步地，本申请还提出了，所述根据预测的下一时间段环境光线强度和交通流量，计算下一时间段的交通信号灯状态采样频率的步骤包括：获取预测的下一时间段环境光线强度和交通流量与当前时间段环境光线强度和交通流量的差异值；判断所述差异值是否超过预设阈值；在超过预设阈值时，在计算得到的下一时间段采样频率的基础上增加缓冲采样频率，以避免环境突变导致的监测盲区。

进一步地，本申请还提出了，所述根据预测的下一时间段环境光线强度和交通流量，计算下一时间段的交通信号灯状态采样频率的步骤包括：获取当前时间段t和前一时间段t-1的环境光线强度L(t)、L(t-1)和交通流量F(t)、F(t-1)，以及预测的下一时间段t+1的环境光线强度L(t+1)和交通流量F(t+1)；计算环境变化差异值D，其中D=|L(t+1)-L(t)|+|F(t+1)-F(t)|；计算环境变化趋势T，其中T=sign((L(t+1)-L(t))*(L(t)-L(t-1))+(F(t+1)-F(t))*(F(t)-F(t-1)))；计算环境变化速率R，其中R=(|L(t+1)-L(t)|/|L(t)-L(t-1)|+|F(t+1)-F(t)|/|F(t)-F(t-1)|)/2；根据环境变化速率R确定增益系数f(R)，当R>R1时，f(R)=α；当R2<R≤R1时，f(R)=β；当R≤R2时，f(R)=γ；其中R1和R2为预设的变化速率阈值，且R1>R2，α、β、γ为预设的增益系数，且α>β>γ；计算下一时间段的交通信号灯状态采样频率S，其中S=S_base+k1*max(0,D-D_threshold)*(1+k2*T)*f(R)；其中，S_base为基础采样频率，k1为第一调整系数，k2为第二调整系数，D_threshold为差异值阈值；确保计算得到的采样频率S满足约束条件S_min≤S≤S_max，其中S_min为最小采样频率，S_max为最大采样频率；将计算得到的采样频率S作为下一时间段的交通信号灯状态采样频率。

进一步地，本申请还提出了，获取预设时间段内的环境光线强度信息和交通流量信息，并预测下一时间段的环境光线强度和交通流量的步骤包括：根据预设的时间周期，获取需要预测的下一时间段在预设的时间周期中对应的历史环境光线强度信息和历史交通流量信息；获取基于历史环境光线强度信息和历史交通流量信息的突变点及其对应的时间信息；根据所检测到的光线强度和交通流量突变点的时间信息，预测下一时间段的环境光线强度和交通流量。

进一步地，本申请还提出了，所述根据所检测到的光线强度和交通流量突变点的时间信息，预测下一时间段的环境光线强度和交通流量的步骤包括：统计预设的时间周期内，在多个历史时间段中检测到的光线强度和交通流量突变点在时间周期内的发生频率；基于所述突变点在时间周期内的发生频率，计算下一时间段发生光线强度和交通流量突变的概率；根据所述下一时间段发生光线强度和交通流量突变的概率，调整预测的下一时间段的环境光线强度和交通流量值。

进一步地，本申请还提出了一种交通信号灯监测装置，包括：获取模块，用于获取交通信号灯所在路口的环境光线强度信息和交通流量信息；计算模块，用于根据所述环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率；监测模块，用于根据计算得到的采样频率对所述交通信号灯进行监测。

进一步地，本申请还提出了一种电子设备，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行上述方法中的步骤。

进一步地，本申请还提出了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时运行上述方法中的步骤。

由上可知，本申请提供的一种交通信号灯监测方法、装置、电子设备及存储介质，通过根据环境光线强度和交通流量动态调整采样频率，在保证监测效果的同时降低了能耗，具有能够根据环境变化动态调整采样频率，从而在保证监测效果的同时降低能耗的优点。

附图说明

图1为本申请提供的一种交通信号灯监测方法的流程示意图。

图2为本申请提供的一种交通信号灯监测方法的结构示意图。

图中：210、获取模块；220、计算模块；230、监测模块。

具体实施方式

下面将结合本申请中附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在繁忙的城市交叉路口，交通信号灯监测系统面临着能源消耗与监测效率之间的权衡问题。现有的固定频率持续采样方法虽然能够保证监测精度和实时性，但在电力供应有限的情况下难以满足全天候监测需求。这种方法无法根据实际环境变化动态调整工作模式，导致在低需求期间仍维持高功耗运行，造成能源浪费。同时，系统缺乏对突发情况的快速响应能力，难以在保证日常低功耗运行的同时，迅速切换到高频采样模式以满足紧急监测需求。

对此，参照图1，本申请提出了一种交通信号灯监测方法，包括：

S110、获取交通信号灯所在路口的环境光线强度信息和交通流量信息；

S120、根据环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率；

S130、根据计算得到的采样频率对交通信号灯进行监测。

其中，环境光线强度信息是指交通信号灯所在路口的光照强度数据，具体可以采用光照传感器来实现实时测量，该信息用于评估当前光线条件对信号灯监测的影响程度。

其中，交通流量信息是指经过该路口的车辆数量和密度，具体可以采用车辆检测器或摄像头来实现统计，该信息用于判断当前路口的交通状况和监测需求。

其中，采样频率是指监测系统对交通信号灯状态进行采样的时间间隔，具体可以采用可调节的定时器来实现动态控制，该频率的调整直接影响系统的能耗和监测精度。

在一些具体实施方式中，监测系统具体可以是摄像头，通过摄像头对准交通信号灯，基于图像识别来对交通信号灯的状态进行监测，并且基于该摄像头可以同时完成交通流量信息的采集。

本申请的核心创新点在于提出了一种基于环境光线强度和交通流量动态调整采样频率的交通信号灯监测方法，这种方法通过实时获取环境数据，计算最优采样频率，从而在保证监测效果的同时显著降低系统能耗。

本申请的工作原理可以详细描述如下：

首先，实时获取环境光线强度信息和交通流量信息。

接下来，将获取的数据输入到预设的计算算法中，该算法考虑光线强度对信号灯识别难度的影响，以及交通流量对监测重要性的影响。例如，在光线较暗时，需要提高采样频率以确保准确识别信号灯状态；而在交通流量较大时，需要提高采样频率以及时捕捉信号灯变化。

计算得到的采样频率随后被应用到监测系统中。系统会根据计算结果动态调整其采样时间间隔。例如，当光线突然变暗或交通流量急剧增加时，系统能够迅速提高采样频率，以确保监测质量。

选择环境光线强度和交通流量作为关键参数，是因为这两个因素直接影响了信号灯监测的重要性。通过动态调整采样频率，系统能够在保证监测效果的同时，最大限度地节省能源，从而延长系统的工作时间，提高整体效率。

作为一种优选的实施方式，本申请可以在一个繁忙的十字路口实施。该路口配备有四个方向的交通信号灯，每个方向安装一个高清摄像头用于信号灯状态识别，一个光照传感器用于测量环境光线强度，利用摄像头统计交通流量。

系统的中央处理单元被设置为每5秒钟获取一次环境数据。例如，在某一时刻，光照传感器测得的光线强度为500lux，统计的5分钟内通过车辆数为300辆，基于预设的算法，可以考虑历史数据和当前趋势，计算出最优采样频率为2Hz。

随后，系统将采样频率调整为2Hz，即每0.5秒对信号灯状态进行一次采样。摄像头按照这个频率捕获图像，通过图像处理算法识别信号灯的当前状态（红、黄、绿）。如果检测到信号灯状态发生变化，系统会立即记录并上报。

在接下来的监测过程中，如果光线强度突然下降到100lux（例如天气变为阴天），系统会迅速重新计算采样频率。新的计算结果可能会将采样频率提高到4Hz，以应对光线变暗带来的识别难度增加。

在本申请的方案中，环境光线强度信息和交通流量信息计算采样频率主要是为了降低功耗和优化监测效率。

其中，环境光强和采样频率之间的关系体现在人眼视觉特性与交通信号灯可见性，在环境光强高，由于环境光线较强，交通信号灯的亮度相对来说不那么突出。为了让人眼清晰辨识，信号灯通常会以较高的亮度工作。此时，即使采样频率略低一些，由于信号灯亮度高、对比度好，人眼也不容易错过信号灯状态的变化。

在环境光强低，由于环境光线弱，交通信号灯即使亮度较低也相对比较显眼。但是，如果信号灯出现故障（例如亮度突然降低、闪烁等），在低亮度下可能更难被人眼察觉。因此，在环境光线较暗时，适当提高采样频率可以更及时地捕捉到信号灯的异常状态。

对于交通流量与监测需求，通常情况下，白天交通流量较大，对交通信号灯的实时性和可靠性要求更高。虽然白天环境光强高，但结合交通流量信息，可能仍然需要较高的采样频率来保证及时发现信号灯故障，避免交通拥堵或事故。

夜间交通流量较小，对信号灯的监测压力相对较小，可以适当降低采样频率。

通过这种动态调整，系统能够在光线充足、交通流量较小时降低采样频率以节省能源，而在光线不足或交通繁忙时提高采样频率以确保监测质量。这种自适应方法不仅提高了能源利用效率，还增强了系统对复杂环境变化的适应能力。

在本申请上述的一些实施例中，提出了根据环境光线强度信息和交通流量信息计算监测交通信号灯状态的采样频率用以动态调整采样频率，然而，在这个过程中，如何合理分配环境光线强度信息和交通流量信息的权重，以及如何根据这两种信息计算采样频率，仍然存在优化空间。

对此，本申请进一步提出了根据环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率的步骤包括：使交通流量信息的计算权重大于环境光线强度信息的计算权重；根据交通流量信息计算监测交通信号灯状态的采样频率，交通流量信息越大，计算得到的采样频率越高；根据环境光线强度信息计算监测交通信号灯状态的采样频率，环境光线强度信息越暗，计算得到的采样频率越高。

本申请的技术方案通过合理分配环境光线强度信息和交通流量信息的权重，并建立这两种信息与采样频率之间的关系，有效解决了如何优化采样频率计算的问题。具体来说，该方案优先考虑交通流量信息，这符合实际交通管理的需求，因为交通流量直接反映了路口的繁忙程度。

在实际应用中，交通流量信息的计算权重可以设置为0.7，而环境光线强度信息的计算权重可以设置为0.3。这种权重分配确保了在计算采样频率时，交通流量信息的影响更大，从而更好地反映实际交通状况的需求。

根据交通流量信息计算采样频率时，可以采用线性或非线性映射关系。例如，可以设定一个基础采样频率，然后根据交通流量的增加而线性增加采样频率。具体来说，可以使用公式：采样频率=基础频率+k*交通流量，其中k为一个预设的系数。这样，当交通流量增加时，采样频率会相应提高，保证了在交通繁忙时期，系统能够更频繁地监测信号灯状态，提高监测的实时性和准确性。

对于环境光线强度信息，可以采用反比例关系来计算采样频率。例如，可以使用公式：采样频率=c/(光线强度+ε)，其中c为一个常数，ε为一个很小的正数，用于避免除以零的情况。这种计算方式确保了在光线较暗的情况下，采样频率会相应提高，以应对可能的识别困难，提高监测质量。

这两种计算方式可以通过加权平均的方式结合起来，形成最终的采样频率计算公式：最终采样频率=0.7*(基础频率+k*交通流量)+0.3*(c/(光线强度+ε))。

通过这种方式，本申请的技术方案实现了对采样频率的动态调整。在交通繁忙时期，系统会提高采样频率，增加监测精度和实时性。在光线条件较差时，系统也会适当提高采样频率，以保证监测质量。而在其他情况下，系统可以降低采样频率以节省能源。这种动态调整机制实现了监测精度、实时响应能力和能源效率的平衡。

具体来说，通过结合环境光强和交通流量信息，该方法可以智能地调整采样频率：

在弱光照、大流量时：保持较高采样频率，确保及时发现故障。

在强光照、大流量时:适当提高采样频率。

弱光照、小流量时：可以适当降低采样频率，因为此时对信号灯实时性要求不高，优先考虑降低功耗。但降低的幅度不能太大，仍需保证一定的监测频率，以防信号灯出现较为隐蔽的故障（例如轻微闪烁）而未能及时发现。

强光照，小流量时：可以降低采样频率，因为此时对信号灯实时性要求不高,且强光照下信号灯可见度高,故障容易被发现。

即，在一些优选实施例中，在计算得到的采样频率的各种情况中，弱光照、大流量＞强光照、大流量＞弱光照、小流量。

在本申请上述的一些实施例中，提出了根据环境光线强度信息和交通流量信息动态计算交通信号灯状态采样频率用以适应不同环境条件下的监测需求，然而，在这个过程中可能存在对环境变化反应不够及时的问题。由于环境条件可能会突然发生变化，如天气骤变或交通流量突增，仅依靠当前时刻的环境信息来计算采样频率可能会导致监测系统无法及时调整，从而影响监测效果。

对此，本申请进一步提出了根据环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率的步骤包括：获取预设时间段内的环境光线强度信息和交通流量信息，并预测下一时间段的环境光线强度和交通流量；根据预测的下一时间段环境光线强度和交通流量，计算下一时间段的交通信号灯状态采样频率，以实现对环境变化的提前响应。

本申请引入了预测机制，通过获取预设时间段内的环境光线强度信息和交通流量信息，并预测下一时间段的环境条件，来计算下一时间段的采样频率。这种预测机制能够提前应对可能发生的环境变化，从而使监测系统更加灵活和高效。

具体来说，首先获取一段时间内的环境数据，包括光线强度和交通流量。这些历史数据为预测未来环境变化提供了基础。然后，利用这些数据预测下一时间段的环境条件。

预测机制的实现可以采用多种方式。例如，可以使用移动平均法，该方法通过计算过去几个时间段的平均值来预测下一时间段的值。另一种方法是指数平滑法，它给予最近的数据更高的权重，从而更好地捕捉最新的趋势。

在获得预测结果后，系统根据预测的下一时间段环境光线强度和交通流量计算相应的采样频率。这一步骤可以通过设定一系列阈值和对应的频率来实现。例如，当预测的光线强度低于某个阈值或交通流量高于某个阈值时，系统会相应地提高采样频率。

上述的一些实施例提供了根据当前环境条件动态调整采样频率的能力，而本实施例的预测机制则进一步增强了系统的前瞻性。通过结合这两个方面，能够在保持对当前环境响应的同时，也为即将到来的变化做好准备。这种协同作用使得在面对复杂多变的环境时表现出更强的适应性和稳定性。

作为一种优选的实施方式，本申请的技术方案可以在一个交叉路口实施。该路口配备有多个交通信号灯，以及用于监测环境光线强度和交通流量的传感器。系统首先设定一个预设时间段，例如30分钟。在这30分钟内，系统每5分钟记录一次环境光线强度和交通流量数据。

具体来说，光线强度可以用流明（lm）为单位，范围可能从100lm（黄昏时分）到100,000lm（晴天正午）。交通流量可以用车辆数/小时为单位，范围可能从50辆/小时（深夜）到2000辆/小时（高峰期）。

使用这些数据来预测下一个30分钟的环境条件。预测算法可以采用指数平滑法，给予最近的数据更高的权重。例如，如果当前30分钟内的平均光线强度为5000lm，交通流量为1000辆/小时，而预测算法考虑到即将到来的黄昏时段，可能会预测下一个30分钟的平均光线强度为3000lm，交通流量为1200辆/小时（考虑到可能的晚高峰）。

基于这些预测值，系统计算下一时间段的采样频率。假设系统设定了以下规则：

当预测光线强度<2000lm或交通流量>1500辆/小时时，采样频率设为每秒2次。

当2000lm≤预测光线强度<5000lm且1000辆/小时<交通流量≤1500辆/小时时，采样频率设为每秒1次。

其他情况下，采样频率设为每2秒1次。

在这个例子中，基于预测的3000lm光线强度和1200辆/小时交通流量，系统会将下一个30分钟的采样频率设置为每秒1次。这样，系统就能够在光线开始变暗和交通流量增加之前，提前调整到更高的采样频率，确保在环境条件变化时仍能保持准确的监测。

通过这种方式，在保证监测质量的前提下优化能源使用，为电力供应不稳定或有限的场景提供了一种高效的解决方案。

在本申请上述的一些实施例中，提出了根据预测的下一时间段环境光线强度和交通流量，计算下一时间段的交通信号灯状态采样频率用以实现对环境变化的提前响应。然而，在这个过程中，如果环境突变，可能影响监测的准确性和实时性。

对此，本申请进一步提出了获取预测的下一时间段环境光线强度和交通流量与当前时间段环境光线强度和交通流量的差异值；判断差异值是否超过预设阈值；在超过预设阈值时，在计算得到的下一时间段采样频率的基础上增加缓冲采样频率，以避免环境突变导致的监测盲区。

本申请通过获取预测的下一时间段环境光线强度和交通流量与当前时间段的差异值，并判断差异值是否超过预设阈值，来识别可能发生的环境突变。当差异值超过预设阈值时，系统会在原本计算得到的下一时间段采样频率基础上增加缓冲采样频率。这种方法能够在环境发生显著变化时提高采样频率，从而避免因环境突变而导致的监测盲区。

具体来说，差异值的计算可以采用多种方式。例如，可以分别计算环境光线强度和交通流量的差值，然后将两个差值相加或取其中的最大值作为最终的差异值。预设阈值的设定可以基于历史数据分析或专家经验。

判断差异值是否超过预设阈值的步骤可以进一步细化。例如，可以设置多个阈值级别，根据差异值落入的区间采取不同程度的频率调整。这种分级处理可以实现更精细的采样频率控制。

在超过预设阈值时增加的缓冲采样频率，其大小可以与差异值的程度成正比。例如，可以设定一个基础增量，然后根据差异值超过阈值的程度，线性或非线性地增加缓冲采样频率。这种动态调整方法能够更好地适应不同程度的环境变化。

通过这种动态调整采样频率的方法，系统能够在保持低功耗运行的同时，及时响应环境变化，提高监测的准确性和实时性。当环境相对稳定时，系统维持较低的采样频率以节省能源；而在预测到环境可能发生显著变化时，系统会提前增加采样频率，确保不会错过重要的信号灯状态变化。

作为一种优选的实施方式，本申请的技术方案可以在以下具体场景中实现：

假设在一个十字路口，系统预测下一个10分钟时段的平均环境光线强度为500lux，平均交通流量为200辆/小时，而当前时段的实际数据分别为450lux和180辆/小时。

系统首先计算差异值。假设采用简单的线性加权方法，环境光线强度和交通流量的权重分别为0.4和0.6。那么差异值计算如下：

差异值=0.4*|500-450|/450+0.6*|200-180|/180≈0.16

假设预设阈值为0.15，那么系统判断差异值超过了预设阈值。

接下来，系统计算缓冲采样频率。假设采用线性增加方法，基础增量为10%，每超过阈值1%增加1%，最大不超过50%。在这个例子中，差异值超过阈值约6.7%，假设预测的下一时间段采样频率为每秒1次，所以系统决定增加16.7%的采样频率。

因此，系统将下一时间段的采样频率调整为每秒1.167次（原频率的116.7%）。这种调整能够在预期环境变化较大时提前增加采样频率，有效避免了可能出现的监测盲区，同时又不会过度增加系统负担。

通过这种方式，本申请的技术方案能够有效解决环境突变导致的监测盲区问题，提高了交通信号灯监测系统的准确性和实时性，同时保持了系统的低功耗特性。这种自适应机制使系统能够在各种复杂环境下保持高效稳定的运行，为交通管理提供了更可靠的技术支持。

在本申请上述的一些实施例中，提出了根据预测的下一时间段环境光线强度和交通流量，计算下一时间段的交通信号灯状态采样频率用以实现对环境变化的提前响应。然而，在这个过程中，仅仅根据预测值计算采样频率可能无法充分考虑环境变化的速率和趋势，导致采样频率的调整不够精确和灵活。此外，缺乏对突发环境变化的快速响应机制，可能会在环境急剧变化时出现监测盲区。

对此，本申请进一步提出了获取当前时间段t和前一时间段t-1的环境光线强度L(t)、L(t-1)和交通流量F(t)、F(t-1)，以及预测的下一时间段t+1的环境光线强度L(t+1)和交通流量F(t+1)；

计算环境变化差异值D，其中

D=|L(t+1)-L(t)|+|F(t+1)-F(t)|；

计算环境变化趋势T，其中

T=sign((L(t+1)-L(t))*(L(t)-L(t-1))+(F(t+1)-F(t))*(F(t)-F(t-1)))；

计算环境变化速率R，其中

R=(|L(t+1)-L(t)|/|L(t)-L(t-1)|+|F(t+1)-F(t)|/|F(t)-F(t-1)|)/2；

根据环境变化速率R确定增益系数f(R)，当R>R1时，f(R)=α；当R2<R≤R1时，f(R)=β；当R≤R2时，f(R)=γ；其中R1和R2为预设的变化速率阈值，且R1>R2，α、β、γ为预设的增益系数，且α>β>γ；

计算下一时间段的交通信号灯状态采样频率S，其中

S=S_base+k1*max(0,D-D_threshold)*(1+k2*T)*f(R)；

其中，S_base为基础采样频率，k1为第一调整系数，k2为第二调整系数，D_threshold为差异值阈值；确保计算得到的采样频率S满足约束条件S_min≤S≤S_max，其中S_min为最小采样频率，S_max为最大采样频率；将计算得到的采样频率S作为下一时间段的交通信号灯状态采样频率。

本申请提出的技术方案引入了多个关键特征，每个特征都有其特定的实现方式和作用。

环境变化差异值D的计算采用了绝对值之和的方法。这种方法可以有多种变体，例如可以使用欧几里得距离或曼哈顿距离来计算差异值。选择绝对值之和的优势在于计算简单，同时能够反映环境变化的总体幅度。

环境变化趋势T的计算使用了sign函数。这里可以考虑其他方法，如使用斜率或者加权平均来计算趋势。sign函数的优点是能够清晰地区分正向、负向和无明显趋势三种情况，有利于后续的采样频率调整。

环境变化速率R的计算采用了相对变化率的平均值。可以考虑使用加权平均或指数平滑等方法来计算速率。当前方法的优势在于能够同时考虑光线强度和交通流量的变化速率，并且通过平均化处理减少了单一因素的极端值对结果的影响。

增益系数f(R)的确定采用了分段函数的形式。这种方法可以根据实际需求设置更多的阈值和对应的增益系数。分段函数的优点是能够根据环境变化速率的不同程度，灵活地调整增益系数，从而实现对采样频率的精细化控制。

采样频率S的计算公式综合考虑了基础频率、环境变化差异、趋势和速率。这个公式可以进行进一步的优化，例如引入非线性函数或者自适应权重。当前公式的优势在于各个因素之间的关系清晰，便于理解和调整。

约束条件S_min和S_max的设置确保了采样频率在合理范围内。可以考虑根据系统硬件性能和实际应用场景动态调整这两个阈值。这种约束机制的好处是能够防止采样频率过高导致系统负荷过重，或过低导致监测精度不足。

环境变化差异值D反映了环境变化的幅度，趋势T指示了变化的方向，速率R表示了变化的快慢。这三个因素共同决定了采样频率的调整方向和幅度。增益系数f(R)则根据速率的不同提供了不同程度的调整力度，使得系统能够更灵敏地响应快速变化的环境。最终，采样频率的计算公式将这些因素整合在一起，实现了对采样频率的综合调整。

在实际应用中，可以根据具体场景设置合适的参数值。例如，对于光线变化较大的路口，可以将光线强度的权重设置得更高；对于交通流量波动频繁的路口，可以降低R1和R2的阈值，使系统对速率变化更敏感。具体的参数设置需要通过实际测试和优化来确定。

本申请的技术方案通过引入环境变化差异值、变化趋势和变化速率三个维度，实现了对采样频率的精细化动态调整。这种方法能够更准确地捕捉环境变化的特征，从而实现对采样频率的精确控制。

具体来说，环境变化差异值D反映了环境变化的幅度，使系统能够对显著的环境变化做出响应。变化趋势T则指示了环境变化的方向，使系统能够预判环境变化的持续性，从而提前调整采样策略。变化速率R进一步细化了环境变化的特征，使系统能够区分渐变和突变情况，并做出相应的调整。

增益系数f(R)的引入使得系统能够根据环境变化的速率灵活调整采样频率的变化幅度。这种机制能够在环境快速变化时提高系统的响应速度，同时在环境相对稳定时避免过度调整。

采样频率计算公式S=S_base+k1*max(0,D-D_threshold)*(1+k2*T)*f(R)综合考虑了上述所有因素。基础采样频率S_base确保了系统的基本监测能力。差异值超过阈值D_threshold时才触发调整，避免了对微小变化的过度响应。趋势T通过(1+k2*T)项影响调整幅度，使系统能够根据变化趋势进行前瞻性调整。最后，增益系数f(R)根据变化速率进一步调整采样频率，实现了对环境变化速度的精确响应。

约束条件S_min≤S≤S_max确保了采样频率始终保持在系统可接受的范围内，避免了因过高或过低的采样频率导致的系统问题。

这种综合考虑多个因素的方法相比于简单的预测值计算，能够更全面地捕捉环境变化的特征，从而实现更精确和灵活的采样频率调整。系统能够在环境急剧变化时快速提高采样频率，减少监测盲区的出现；同时在环境相对稳定时适当降低采样频率，节省系统资源。

作为一种优选的实施方式，可以考虑以下具体参数设置：

设定基础采样频率S_base=1Hz，最小采样频率S_min=0.5Hz，最大采样频率S_max=10Hz。

环境光线强度L使用勒克斯(lux)作为单位，交通流量F使用每分钟通过的车辆数作为单位。

设定差异值阈值D_threshold=100，这个值表示环境光线强度变化100勒克斯或交通流量变化100辆/分钟时开始触发采样频率调整。

设定第一调整系数k1=0.01，第二调整系数k2=0.5。

对于增益系数f(R)，设定R1=2，R2=1，α=2，β=1.5，γ=1。这意味着当环境变化速率R>2时，采用最大增益系数2；当1<R≤2时，采用中等增益系数1.5；当R≤1时，采用最小增益系数1。

假设在某个时刻，系统获取到以下数据：

L(t-1)=1000lux,F(t-1)=200辆/分钟；

L(t)=1200lux,F(t)=250辆/分钟；

预测的L(t+1)=1500lux,F(t+1)=320辆/分钟。

根据这些数据，系统进行如下计算：

计算环境变化差异值D=|1500-1200|+|320-250|=370；

计算环境变化趋势

T=sign((1500-1200)*(1200-1000)+(320-250)*(250-200))=1；

计算环境变化速率

R=(|1500-1200|/|1200-1000|+|320-250|/|250-200|)/2=1.75；

由于1<R≤2，确定增益系数f(R)=β=1.5；

计算采样频率S=1+0.01*max(0,370-100)*(1+0.5*1)*1.5=5.55Hz；

最终采样频率S=5.55Hz，满足S_min≤S≤S_max的约束条件。

通过这个实例，可以看出系统如何根据环境变化的差异值、趋势和速率动态调整采样频率。在这个场景中，由于环境变化显著（差异值远超阈值），且呈现正向趋势，同时变化速率较快，系统将采样频率从基础的1Hz提高到了5.55Hz，以更好地捕捉环境的快速变化。

这种动态调整机制能够在保证监测精度的同时，有效降低系统的平均功耗。在环境相对稳定时，系统可以维持较低的采样频率，节省能源；而在环境快速变化时，系统能够及时提高采样频率，确保不会错过重要的环境变化。这种自适应能力使得系统特别适合应用在电力供应有限的场景，如使用太阳能供电的交通信号灯监测系统。同时，通过精确控制采样频率，系统能够在紧急情况下快速响应，满足作为城市重要应急通道的需求。

在本申请上述的一些实施例中，提出了获取预设时间段内的环境光线强度信息和交通流量信息，并预测下一时间段的环境光线强度和交通流量用以计算下一时间段的交通信号灯状态采样频率，以实现对环境变化的提前响应。然而，在这个过程中，仅仅依靠当前和预测的环境信息可能无法准确反映环境变化的规律性和周期性，从而影响预测的准确性和采样频率的合理性。

对此，本申请进一步提出了根据预设的时间周期，获取需要预测的下一时间段在预设的时间周期中对应的历史环境光线强度信息和历史交通流量信息；获取基于历史环境光线强度信息和历史交通流量信息的突变点及其对应的时间信息；根据检测到的光线强度和交通流量突变点的时间信息，预测下一时间段的环境光线强度和交通流量。

该技术方案通过引入历史数据分析和突变点检测，提高了环境变化预测的准确性。具体来说，方案首先根据预设的时间周期获取历史数据，这有助于捕捉环境变化的周期性规律。预设的时间周期可以是一天、一周或一个月等，具体取决于交通信号灯所在路口的特性。例如，对于工作日和周末交通模式差异明显的路口，可以选择一周作为预设时间周期。

获取历史数据时，系统可以采用多种方式。一种方法是直接从数据库中提取过去相同时间段的数据。另一种方法是使用滑动窗口技术，动态获取最近几个周期的数据。这样可以确保使用的历史数据既能反映长期趋势，又能捕捉到最近的变化。

接下来，分析历史数据中的突变点及其时间信息。突变点检测可以采用多种算法，如基于统计的方法（如CUSUM算法），能够识别出环境变化的关键节点和异常情况。例如，系统可能检测到每天早晨7点到9点之间存在一个交通流量的突变点，这可能对应于早高峰的开始。

突变点检测不仅限于单一变量，还可以考虑环境光线强度和交通流量的联合分布。这样可以捕捉到两个因素之间的相互影响，如雨天导致的光线变暗和交通流量减少的综合效应。

基于检测到的突变点时间信息，系统可以更准确地预测下一时间段的环境状况。预测方法可以采用时间序列分析技术，通过历史数据中的模式，并结合突变点信息进行预测。

通过这种方法，能够更好地应对周期性变化和突发事件。例如，如果历史数据显示每周五下午4点到6点之间经常出现交通流量突变，系统可以提前调整采样频率，以应对可能的交通拥堵。同样，如果检测到特定天气条件下光线强度的突变模式，系统可以相应地调整预测策略。

此外，该方法还可以与实时数据相结合，进一步提高预测的准确性。例如，系统可以比较实时观测到的数据与历史模式的差异，如果发现显著偏离，可以及时调整预测结果。

通过采用这种基于历史数据和突变点分析的预测方法，该技术方案能够更准确地预测下一时间段的环境光线强度和交通流量。这种改进使得系统能够更加精确地调整采样频率，从而在保证监测精度的同时优化能源使用。特别是在面对周期性变化和突发事件时，该方法能够提供更可靠的预测结果，进而支持系统做出更智能的决策，提高了整个交通信号灯监测系统的适应性和效率。

为了更好地理解本申请的技术方案，下面提供一个具体的实施例：

假设一个交通信号灯监测系统部署在一个繁忙的城市交叉路口。系统设置预设时间周期为一周，因为该路口的交通模式在工作日和周末有明显差异。系统每15分钟收集一次环境光线强度和交通流量数据。

首先，系统获取历史数据。例如，如果当前是周三下午3点，系统会提取过去4周的周三下午3点到4点的数据。这些数据包括每15分钟的环境光线强度（以勒克斯为单位）和交通流量（以车辆数/小时为单位）。

接下来，检测突变点。假设系统检测到在过去4周的数据中，周三下午3:30到3:45之间经常出现交通流量的突变点，平均增加约30%。同时，系统也注意到在阴天时，这个时间段的光线强度会突然下降约20%。

基于这些信息，预测下一个小时的环境状况。考虑历史数据的周期性模式、检测到的突变点，以及当前的天气预报。

假设当前时间是周三下午3点，天气预报显示可能有阴天。系统预测在3:30到3:45之间，交通流量可能从1000车辆/小时增加到1300车辆/小时，而光线强度可能从5000勒克斯降低到4000勒克斯。

基于这个预测，决定在3:25开始逐步提高采样频率，从每分钟1次增加到每15秒1次，以应对即将到来的交通高峰和光线变化。这样，系统能够在环境变化发生时及时捕捉到交通信号灯的状态变化，同时在其他时间段保持较低的采样频率以节省能源。

通过这种方式，本申请的技术方案能够在保证监测精度的同时显著降低系统的平均功耗，同时仍然能够及时响应突发事件和环境变化。这不仅延长了系统的续航时间，还提高了其在复杂环境下的适应能力和可靠性。

在本申请上述的一些实施例中，提出了根据所检测到的光线强度和交通流量突变点的时间信息，预测下一时间段的环境光线强度和交通流量用以计算下一时间段的交通信号灯状态采样频率。然而，在这个过程中，仅仅依赖单一时间段的突变点信息可能导致预测结果不够准确和稳定。环境光线强度和交通流量的变化可能具有一定的周期性和规律性，而单一时间段的数据无法充分反映这些长期变化趋势。此外，突发事件或异常情况可能导致某一时间段的数据出现异常波动，如果仅基于这一时间段的数据进行预测，可能会造成采样频率的不必要波动，影响系统的稳定性和能效。

对此，本申请进一步提出了统计预设的时间周期内，在多个历史时间段中检测到的光线强度和交通流量突变点在时间周期内的发生频率；基于突变点在时间周期内的发生频率，计算下一时间段发生光线强度和交通流量突变的概率；根据下一时间段发生光线强度和交通流量突变的概率，调整预测的下一时间段的环境光线强度和交通流量值。

本申请引入了统计分析和概率预测的方法，通过分析多个历史时间段的数据来预测未来的环境变化。具体来说，首先统计预设时间周期内多个历史时间段的数据，统计光线强度和交通流量突变点的发生频率。这一步骤能够捕捉环境变化的长期趋势和周期性模式。可以选择不同的时间周期进行统计，例如24小时、7天或30天，以适应不同尺度的环境变化规律。

进一步地，基于统计得到的突变点发生频率，计算下一时间段发生突变的概率。例如使用简单的频率统计法，或者采用更复杂的时间序列分析。

最后，根据计算得到的突变概率，对预测的下一时间段的环境光线强度和交通流量值进行调整。这一步骤能够根据突变可能性的大小，对预测结果进行相应的修正。调整可以采用线性或非线性的方式，例如，当突变概率较高时，可以将预测值向历史突变值方向调整，而当突变概率较低时，则可以保持原预测值不变或仅做微小调整。

这种方法通过引入统计分析和概率预测，有效解决了单一时间段数据预测的局限性。它能够更好地捕捉环境变化的长期趋势和周期性模式，提高预测的准确性和稳定性。同时，能够更好地应对突发事件和异常情况，避免因单一时间段的异常数据导致的预测偏差。

通过结合历史数据分析和实时数据采集，能够更准确地预测环境变化，从而更合理地调整采样频率。这不仅提高了监测精度，还优化了能源使用效率。例如，在预测到下一时间段可能发生突变的情况下，系统可以提前增加采样频率，以确保不会错过重要的交通信号灯状态变化。相反，在预测环境较为稳定的时期，系统可以适当降低采样频率，从而节省能源。

在具体实现过程中，可以采用滑动时间窗口的方法来处理历史数据。例如，设置一个30天的滑动窗口，每天更新一次统计数据，这样可以保证始终使用最新的历史数据，同时又能捕捉到较长时间跨度的变化规律。此外，可以引入权重因子，使得较近时间的数据对预测结果有更大的影响，从而提高模型对近期变化的敏感度。

为了进一步提高预测的准确性，可以将环境光线强度和交通流量分别进行建模。由于这两个因素可能具有不同的变化规律和周期性，分别建模可以更精确地捕捉各自的特征。例如，环境光线强度可能主要受自然日照周期的影响，而交通流量则可能更多地受到工作日和节假日等因素的影响。

在实际应用中，可以设置多个阈值来细化突变概率的影响。例如，当突变概率低于20%时，保持原预测值不变；当突变概率在20%到50%之间时，对预测值进行小幅调整；当突变概率在50%到80%之间时，进行中等程度的调整；当突变概率高于80%时，进行大幅调整。这种分层调整策略可以使系统更灵活地应对不同程度的环境变化可能性。

作为一种优选的实施方式，可以在系统中设置一个反馈机制。通过比较实际观测到的环境变化与预测结果的差异，系统可以动态调整预测模型的参数，如突变点判定阈值、概率计算方法等。这种自适应机制可以使系统在不同的环境条件下都能保持高效的运行状态。

在一个具体的实施例中，假设在一个城市交叉路口，预设的时间周期为7天。系统每10分钟采集一次环境光线强度和交通流量数据，并将这些数据存储在本地数据库中。每天午夜12点，系统会对过去7天的数据进行一次全面分析，统计突变点的发生频率。

突变点的判定标准可以设置为：环境光线强度变化超过50lux，或交通流量变化超过每小时100辆车。系统会记录每个突变点发生的具体时间。例如，在过去7天中，系统可能观察到以下模式：

环境光线强度突变：

清晨5:30到6:00之间，有6次突变（对应日出）；

傍晚18:00到18:30之间，有5次突变（对应日落）；

交通流量突变：

工作日早晨7:30到8:00之间，有5次突变（对应早高峰）；

工作日下午17:30到18:00之间，有5次突变（对应晚高峰）；

周末中午11:30到12:00之间，有2次突变（对应周末购物高峰）；

基于这些统计数据，系统可以计算下一个时间段发生突变的概率。例如，如果下一个时间段是工作日的早晨7:45，系统会计算出这个时间段发生交通流量突变的概率为71.4%（5次/7天）。

根据这个概率，相应地调整预测的交通流量值。假设原本预测的交通流量为每小时300辆车，考虑到71.4%的突变概率，系统可能会将预测值调整为每小时450辆车。这个调整后的预测值将用于计算下一时间段的交通信号灯状态采样频率。

通过这种方法，系统能够更准确地预测环境变化，从而更合理地分配能源资源。在预测到可能发生突变的时间段，系统会提高采样频率，确保不会错过重要的交通信号变化。而在预测环境较为稳定的时期，系统则可以降低采样频率，节省能源。

第二方面，参照图2，本申请进一步提出了一种交通信号灯监测装置，包括：

获取模块210，用于获取交通信号灯所在路口的环境光线强度信息和交通流量信息；

计算模块220，用于根据环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率；

监测模块230，用于根据计算得到的采样频率对所述交通信号灯进行监测。

通过根据环境光线强度和交通流量动态调整采样频率，在保证监测效果的同时降低了能耗，具有能够根据环境变化动态调整采样频率，从而在保证监测效果的同时降低能耗的优点。

此外，在一些优选的实施例中，本申请提出的一种交通信号灯监测装置可以执行上述方法中的任意一项步骤。

第三方面，本申请还提供一种电子设备，包括处理器以及存储器，存储器存储有计算机可读取指令，当计算机可读取指令由处理器执行时，运行上述方法中的步骤。

通过上述技术方案，处理器和存储器通过通信总线和/或其他形式的连接机构（未标出）互连并相互通讯，存储器存储有处理器可执行的计算机可读取指令，当电子设备运行时，处理器执行该计算机可读取指令，以执行时执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：获取交通信号灯所在路口的环境光线强度信息和交通流量信息；根据环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率；根据计算得到的采样频率对交通信号灯进行监测。

第四方面，本申请还提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时，运行上述方法中的步骤。

通过上述技术方案，计算机程序被处理器执行时，执行上述实施例的任一可选的实现方式中的方法，以实现以下功能：获取交通信号灯所在路口的环境光线强度信息和交通流量信息；根据环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率；根据计算得到的采样频率对交通信号灯进行监测。

其中，计算机可读存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器（Static Random Access Memory, 简称SRAM），电可擦除可编程只读存储器（Electrically Erasable Programmable Read-Only Memory, 简称EEPROM），可擦除可编程只读存储器（Erasable Programmable Read Only Memory, 简称EPROM），可编程只读存储器（Programmable Red-Only Memory, 简称PROM），只读存储器（Read-Only Memory, 简称ROM），磁存储器，快闪存储器，磁盘或光盘。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

另外，作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，既可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种交通信号灯监测方法，其特征在于，包括：

获取交通信号灯所在路口的环境光线强度信息和交通流量信息；

根据所述环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率；

根据计算得到的采样频率对所述交通信号灯进行监测。

2.根据权利要求1所述的一种交通信号灯监测方法，其特征在于，所述根据所述环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率的步骤包括：

使所述交通流量信息的计算权重大于所述环境光线强度信息的计算权重；

根据所述交通流量信息计算监测交通信号灯状态的采样频率，所述交通流量信息越大，计算得到的采样频率越高；

根据所述环境光线强度信息计算监测交通信号灯状态的采样频率，所述环境光线强度信息越暗，计算得到的采样频率越高。

3.根据权利要求1所述的一种交通信号灯监测方法，其特征在于，所述根据所述环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率的步骤包括：

获取预设时间段内的环境光线强度信息和交通流量信息，并预测下一时间段的环境光线强度和交通流量；

根据预测的下一时间段环境光线强度和交通流量，计算下一时间段的交通信号灯状态采样频率，以实现对环境变化的提前响应。

4.根据权利要求3所述的一种交通信号灯监测方法，其特征在于，所述根据预测的下一时间段环境光线强度和交通流量，计算下一时间段的交通信号灯状态采样频率的步骤包括：

获取预测的下一时间段环境光线强度和交通流量与当前时间段环境光线强度和交通流量的差异值；

判断所述差异值是否超过预设阈值；

在超过预设阈值时，在计算得到的下一时间段采样频率的基础上增加缓冲采样频率，以避免环境突变导致的监测盲区。

5.根据权利要求3所述的一种交通信号灯监测方法，其特征在于，所述根据预测的下一时间段环境光线强度和交通流量，计算下一时间段的交通信号灯状态采样频率的步骤包括：

获取当前时间段t和前一时间段t-1的环境光线强度L(t)、L(t-1)和交通流量F(t)、F(t-1)，以及预测的下一时间段t+1的环境光线强度L(t+1)和交通流量F(t+1)；

计算环境变化差异值D，其中D=|L(t+1)-L(t)|+|F(t+1)-F(t)|；

计算环境变化趋势T，其中

T=sign((L(t+1)-L(t))*(L(t)-L(t-1))+(F(t+1)-F(t))*(F(t)-F(t-1)))；

计算环境变化速率R，其中

R=(|L(t+1)-L(t)|/|L(t)-L(t-1)|+|F(t+1)-F(t)|/|F(t)-F(t-1)|)/2；

根据环境变化速率R确定增益系数f(R)，当R>R1时，f(R)=α；当R2<R≤R1时，f(R)=β；当R≤R2时，f(R)=γ；其中R1和R2为预设的变化速率阈值，且R1>R2，α、β、γ为预设的增益系数，且α>β>γ；

计算下一时间段的交通信号灯状态采样频率S，其中

S=S_base+k1*max(0,D-D_threshold)*(1+k2*T)*f(R)；

其中，S_base为基础采样频率，k1为第一调整系数，k2为第二调整系数，D_threshold为差异值阈值；

确保计算得到的采样频率S满足约束条件S_min≤S≤S_max，其中S_min为最小采样频率，S_max为最大采样频率；

将计算得到的采样频率S作为下一时间段的交通信号灯状态采样频率。

6.根据权利要求3所述的一种交通信号灯监测方法，其特征在于，获取预设时间段内的环境光线强度信息和交通流量信息，并预测下一时间段的环境光线强度和交通流量的步骤包括：

根据预设的时间周期，获取需要预测的下一时间段在预设的时间周期中对应的历史环境光线强度信息和历史交通流量信息；

获取基于历史环境光线强度信息和历史交通流量信息的突变点及其对应的时间信息；

根据所检测到的光线强度和交通流量突变点的时间信息，预测下一时间段的环境光线强度和交通流量。

7.根据权利要求6所述的一种交通信号灯监测方法，其特征在于，所述根据所检测到的光线强度和交通流量突变点的时间信息，预测下一时间段的环境光线强度和交通流量的步骤包括：

统计预设的时间周期内，在多个历史时间段中检测到的光线强度和交通流量突变点在时间周期内的发生频率；

基于所述突变点在时间周期内的发生频率，计算下一时间段发生光线强度和交通流量突变的概率；

根据所述下一时间段发生光线强度和交通流量突变的概率，调整预测的下一时间段的环境光线强度和交通流量值。

8.一种交通信号灯监测装置，其特征在于，包括：

获取模块，用于获取交通信号灯所在路口的环境光线强度信息和交通流量信息；

计算模块，用于根据所述环境光线强度信息和交通流量信息，计算监测交通信号灯状态的采样频率；

监测模块，用于根据计算得到的采样频率对所述交通信号灯进行监测。

9.一种电子设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机可读取指令，当所述计算机可读取指令由所述处理器执行时，运行如权利要求1-7任一所述方法中的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时运行如权利要求1-7任一所述方法中的步骤。