CN106315319B - 一种电梯智能预调度方法及系统 - Google Patents

Abstract

本发明实施例公开了一种电梯智能预调度方法及系统。该方法包括：获取电梯的历史运行状态数据；采用机器学习算法对所述运行状态数据进行学习，形成预测模型；按照所述预测模型进行召梯预测；根据预测结果进行电梯预调度操作。本发明实施例的技术方案，通过采用机器学习提取出隐藏在电梯历史运行状态数据中的规律，对用户召梯进行预测，进行电梯预调度，从而减少用户等待时间，提高电梯友好性，同时达到电梯节能的目的。

Description

一种电梯智能预调度方法及系统

技术领域

本发明实施例涉及电梯控制技术，尤其涉及一种电梯智能预调度方法及系统。

背景技术

电梯是高层建筑中不可缺少的垂直交通运输工具，随着科技的发展，人们对电梯系统的性能提出了越来越高的要求。近年来，电梯控制技术得到了快速的发展，许多先进的控制技术被应用于电梯控制系统中。

在目前的电梯调度系统中，受计算能力及存储能力的限制，电梯群控或主控往往只进行实时调度，即实时根据召梯情况及电梯分布情况通过某种特定的算法确定调度方案。

实际上，在住宅小区或商业办公楼中，用户使用电梯往往具备某些规律，而这些规律隐藏在电梯运行历史数据中，提取出这些规律，就能够对用户召梯进行预测，进行电梯预调度，从而减少用户等待时间，提高电梯友好性，同时达到电梯节能的目的。

发明内容

本发明实施例提供一种电梯智能预调度方法及系统，以实现对用户召梯进行预测，进行电梯预调度。

第一方面，本发明实施例提供了一种电梯智能预调度方法，该方法包括：

获取电梯的历史运行状态数据；

采用机器学习算法对所述运行状态数据进行学习，形成预测模型；

按照所述预测模型进行召梯预测；

根据预测结果进行电梯预调度操作。

进一步地，采用机器学习算法对所述运行状态数据进行学习，形成预测模型包括：

预设至少两种预测召梯模式，作为神经网络的标签值；

将各类运行状态数据作为神经网络的神经元；

随机初始化神经网络各神经元权值，所述权值用于表征各类运行状态数据与标签值之间的关联程度；

根据所述电梯运行状态历史数据进行神经网络学习，以更新各神经元权值；

达到预设停止条件时确定各所述神经元权值；

按照所述各神经元权值输出神经网络模型作为预测模型。

进一步地，采用机器学习算法对所述运行状态数据进行学习，进而形成预测模型包括：

对运行状态数据中，单次采集的各类运行状态数据进行无量纲转换，得到单次采集的无量纲数据；

按照各次采集的无量纲数据之间的相似度关系，识别各次采集时的召梯模式，并形成模式集作为预测模型。

进一步地，所述运行状态数据包括下述至少一类：天气状况、召梯时刻、召梯楼层、电梯称重和假期状态。

进一步地，所述预测召梯模式包括：召梯时刻、召梯楼层及外召类型。

进一步地，采用机器学习算法对所述运行状态数据进行学习，形成预测模型之前，还包括：根据预设机器学习时钟，周期性触发启动机器学习过程。

第二方面，本发明实施例还提供了一种电梯智能预调度系统，该系统包括：

数据获取模块，用于获取电梯的历史运行状态数据；

机器学习模块，用于采用机器学习算法对所述预处理后数据进行学习，形成预测模型；

召梯预测模块，用于按照所述预测模型进行召梯预测；

电梯预调度模块，用于根据预测结果进行电梯预调度操作。

进一步地，机器学习模块包括：

召梯模式预设单元，用于预设至少两种预测召梯模式，作为神经网络的标签值；

神经元设定单元，用于将各类运行状态数据作为神经网络的神经元；

权值初始化单元，用于随机初始化神经网络各神经元权值，所述权值用于表征各类运行状态数据与标签值之间的关联程度；

神经网络学习单元，用于根据所述电梯运行状态历史数据进行神经网络学习，以更新各神经元权值；

神经元确定单元，用于达到预设停止条件时确定各所述神经元权值；

模型输出单元，用于按照所述各神经元权值输出神经网络模型作为预测模型。

进一步地，机器学习模块包括：

无量纲转换单元，用于对运行状态数据中，单次采集的各类运行状态数据进行无量纲转换，得到单次采集的无量纲数据；

召梯模式识别单元，用于按照各次采集的无量纲数据之间的相似度关系，识别各次采集时的召梯模式，并形成模式集作为预测模型。

进一步地，所述运行状态数据包括下述至少一类：天气状况、召梯时刻、召梯楼层、电梯称重和假期状态。

进一步地，所述预测召梯模式包括：召梯时刻、召梯楼层及外召类型。

进一步地，包括机器学习时钟预设模块，用于在机器学习模块之前，根据预设机器学习时钟，周期性触发启动机器学习过程。

本发明实施例通过采用机器学习提取出隐藏在电梯历史运行状态数据中的规律，对用户召梯进行预测，进行电梯预调度，从而减少用户等待时间，提高电梯友好性，同时达到电梯节能的目的。

附图说明

图1是本发明实施例一提供的一种电梯智能预调度方法的流程图；

图2是本发明实施例二提供的一种电梯智能预调度方法的流程图；

图3是本发明实施例三提供的一种电梯智能预调度方法的流程图；

图4是本发明实施例四提供的一种电梯智能预调度系统的示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一提供的一种电梯智能预调度方法的流程图，本发明实施例可适用于对电梯进行预调度的情况，该方法可以由电梯智能预调度系统来执行，该系统可采用软件和/或硬件的方式来实现，一般部署在云端服务器中。该方法具体包括：

S110、获取电梯的历史运行状态数据。

其中，系统启动时启动服务接口，服务接口用于接收电梯运行状态数据，每部电梯的运行状态数据通过通信控制单元发送到云端服务器，云端服务器对运行状态数据进行解析并存储到存储服务器中。从存储服务器中获取电梯的历史运行状态数据，并对获取的数据进行数据预处理，对数据进行筛选及变换等，目的是将数据处理成机器学习算法需要的格式。

S120、采用机器学习算法对所述运行状态数据进行学习，形成预测模型。

其中，机器学习模块支持多种学习算法，提供统一的算法接口模型方便算法扩展，可在不改变整体架构的情况下增加算法类型。采用机器学习算法对运行状态数据进行学习，能够获得电梯调度情况的规律和运行状态数据之间的关系，从而形成预测模型。将机器学习部署在云端，避免了学习过程中占用电梯系统的运算能力及存储空间的问题，机器学习过程不影响电梯系统的正常运行。其具备强大的运算能力及存储能力，同时具有极强的扩展性，弥补了电梯系统运算及存储能力不足的问题，能够运行复杂的机器学习算法对大量的数据进行机器学习，为电梯系统提供了强大的机器学习能力，使电梯智能预调度更加准确有效。将机器学习算法部署在云端有利于机器学习算法的更新升级及算法参数调整。

可选地，采用机器学习算法对所述运行状态数据进行学习，形成预测模型之前，还包括：根据预设机器学习时钟，周期性触发启动机器学习过程。

其中，预设机器学习时钟用于检测是否到达某个学习任务的启动时间，能够配置周期性定时启动学习，从而及时地对新样本进行学习，在不断地学习中持续对预测模型进行修正，一般学习的启动的时间会设置在电梯的使用率较低的时间点，例如深夜十二点以后等，避免在电梯使用率较高时处理的数据量过大而给设备带来压力。

S130、按照所述预测模型进行召梯预测。

其中，按照预测数据和预测模型得到召梯预测结果，召梯预测结果包括电梯运行状态，可以是召梯楼层和召梯时刻等。示例性地，召梯预测结果可以是周五上午八点钟八楼有用户召梯。召梯预测支持两种模式，分别是批量预测及即时预测。批量预测是指机器学习完成后一次性预测后续一段时间的预测结果并存入数据库以供其它应用查询；即时预测是指向预测模块输入数据后预测模块立即输出该输入数据对应的预测结果。可以理解成批量预测是主动预测，预测结果已存入数据库中，使用时调用即可。而即时预测是被动预测，需要触发才会开始预测。示例性地，想要知道下午三点到四点的预测结果，而数据库中没有这个时间段的预测结果，则输入数据后便可得到所需结果。采用这种方法使得召梯预测过程更好地满足实际需求。

S140、根据预测结果进行电梯预调度操作。

其中，将召梯预测结果通过通信服务器发送到相应的电梯群控或主控，电梯或主控可根据召梯预测结果结合自身运行状态进行预调度。示例性地，预测结果为周五上午八点钟八楼有用户召梯，则在周五上午七点五十八分调度电梯提前到八楼等客，减少用户的等待时间。预调度过程是充分利用电梯的空闲时间，提高设备的利用率，因此在优先级方面，实际召梯优先于预调度，预调度不影响电梯系统的实时调度过程。

本发明实施例的技术方案，通过采用机器学习提取出隐藏在电梯历史运行状态数据中的规律，对用户召梯进行预测，进行电梯预调度，从而减少用户等待时间，提高电梯友好性，同时达到电梯节能的目的。

实施例二

图2是本发明实施例二提供的一种电梯智能预调度方法的流程图，本发明实施例以前述实施例为基础，对其中的“采用机器学习算法对所述运行状态数据进行学习，形成预测模型”进行了进一步细化，相应的，本实施例的方法具体包括：

S210、获取电梯的历史运行状态数据。

其中，运行状态数据可以是电梯运行中的相关因素中的一类或多类。

优选地，所述运行状态数据包括下述至少一类：天气状况、召梯时刻、召梯楼层、载重量和假期状态。

其中，天气状况可通过读取互联网的天气预报获得，假期状态包括工作日或公休日。

S220、预设至少两种预测召梯模式，作为神经网络的标签值。

其中，我们认为用户召梯规律符合某种函数规律的，该函数对于我们是未知的，通过对历史运行状态数据的学习去尽可能逼近该函数。神经网络具有逼近任何函数的能力，因此，可以采用神经网络进行规律提取。首先预设至少两种预测召梯模式，召梯模式是电梯运行状态的一种体现，在数据预处理时根据样本情况生成该样本数据对应的召梯模式，将其作为标签值，标签值相当于一种索引形式，每个标签值对应着一个电梯运行状态。示例性地，标签值可以是上午八点钟在八楼有用户召梯。

优选地，所述预测召梯模式包括：召梯时刻、召梯楼层及外召类型。

其中外召类型包括上行或下行。

S230、将各类运行状态数据作为神经网络的神经元。

其中，由于召梯模式与各类运行状态数据相关，将这些数据作为神经网络的神经元，进行机器学习。

S240、随机初始化神经网络各神经元权值，所述权值用于表征各类运行状态数据与标签值之间的关联程度。

S250、根据所述电梯运行状态历史数据进行神经网络学习，以更新各神经元权值。

其中，每类运行状态数据与标签值之间的关联程度不同，因此各神经元的权值也不同，利用神经网络学习，实现对权值的不断更新，以获得与真实情况最接近的权值。

S260、达到预设停止条件时确定各所述神经元权值。

其中，预设停止条件包括误差阈值和迭代次数阈值，误差是神经网络学习精度的一种体现，误差阈值一般选取一个较小的值，例如可以是10^-5，当误差等于或小于误差阈值时，停止迭代。迭代次数阈值的设定是为了避免神经网络的学习陷入死循环，此时无法获得准确结果，应及时地跳出迭代过程，当迭代次数等于或大于迭代次数阈值时，结束迭代过程。一般选取一个较大的值作为迭代次数阈值，既能保证神经网络学习的正常进行，也能及时避免无休止地迭代状况出现，例如可以是10万次。

S270、按照所述各神经元权值输出神经网络模型作为预测模型。

S280、按照所述预测模型进行召梯预测。

其中，预测模型为神经网络模型，体现各神经元与神经网络标签值之间的关联关系，根据输入各神经元获得神经网络标签值，按照标签值进行召梯预测。

S290、根据预测结果进行电梯预调度操作。

本发明实施例的技术方案，通过采用神经网络作为机器学习算法，利用神经网络具有逼近任何函数的能力等优点，采用神经网络逼近规律函数，使得机器学习过程更加准确。对用户召梯进行预测，进行电梯预调度，从而减少用户等待时间，提高电梯友好性，同时达到电梯节能的目的。

实施例三

图3是本发明实施例三提供的一种电梯智能预调度方法的流程图，本发明实施例以前述实施例为基础，对其中的“采用机器学习算法对所述运行状态数据进行学习，形成预测模型”进行了进一步细化，相应的，本实施例的方法具体包括：

S310、获取电梯的历史运行状态数据。

其中，运行状态数据可以是电梯运行中的相关因素中的一类或多类。

优选地，所述运行状态数据包括下述至少一类：天气状况、召梯时刻、召梯楼层、电梯称重和假期状态。

其中，天气状况可通过读取互联网的天气预报获得，假期状态包括工作日或公休日。

S320、对运行状态数据中，单次采集的各类运行状态数据进行无量纲转换，得到单次采集的无量纲数据。

其中，由于各类运行状态数据的范围以及单位等均不相同，为了使各运行状态数据以同一尺度来进行衡量，将各运行状态数据进行无量纲转换，得到单次采集的无量纲数据。

S330、按照各次采集的无量纲数据之间的相似度关系，识别各次采集时的召梯模式，并形成模式集作为预测模型。

其中，按照各次采集的无量纲数据之间的关系，例如可以是无量纲数据呈现出的不同远近的位置关系，确定各次采集的无量纲数据之间的相似度关系，从而确定各次采集时的召梯模式，示例性地，例如召梯模式可以是上午八点钟在八层有用户召梯。多个召梯模式就构成了模式集。

S340、按照所述预测模型进行召梯预测。

其中，在召梯预测时，根据输入数据对应的无量纲数据与已有的无量纲数据之间的相似度关系，判断其属于模式集中的哪个模式，选取相似度关系最大的作为预测召梯模式，进而得出预测结果。

S350、根据预测结果进行电梯预调度操作。

本发明实施例的技术方案，通过采用模式识别作为机器学习算法，利用模式识别学习规则简单等优点，采用模式识别方法将召梯模式分为多个模式，形成模式集以供系统对输入数据进行模式匹配，使机器学习过程更简单便捷。对用户召梯进行预测，进行电梯预调度，从而减少用户等待时间，提高电梯友好性，同时达到电梯节能的目的。

实施例四

图4为本发明实施例四提供的一种电梯预调度系统的示意图，该系统包括：

数据获取模块410，用于获取电梯的历史运行状态数据；

机器学习模块420，用于采用机器学习算法对所述预处理后数据进行学习，形成预测模型；

召梯预测模块430，用于按照所述预测模型进行召梯预测；

电梯预调度模块440，用于根据预测结果进行电梯预调度操作。

可选地，机器学习模块420包括：

召梯模式预设单元，用于预设至少两种预测电梯工作模式，作为神经网络的标签值；

神经元设定单元，用于将各类运行状态数据作为神经网络的神经元；

权值初始化单元，用于随机初始化神经网络各神经元权值，所述权值用于表征各类运行状态数据与标签值之间的关联程度；

神经网络学习单元，用于根据所述电梯运行状态历史数据进行神经网络学习，以更新各神经元权值；

神经元确定单元，用于达到预设停止条件时确定各所述神经元权值；

模型输出单元，用于按照所述各神经元权值输出神经网络模型作为预测模型。

进一步具体地，所述预测召梯模式包括：召梯时刻、召梯楼层及外召类型。

可选地，机器学习模块420包括：

无量纲转换单元，用于对运行状态数据中，单次采集的各类运行状态数据进行无量纲转换，得到单次采集的无量纲数据；

召梯模式识别单元，用于按照各次采集的无量纲数据之间的相似度关系，识别各次采集时的召梯模式，并形成模式集作为预测模型。

进一步具体地，所述运行状态数据包括下述至少一类：天气状况、召梯时刻、召梯楼层、电梯称重和假期状态。

具体地，包括机器学习时钟预设模块，用于在机器学习模块420之前，根据预设机器学习时钟，周期性触发启动机器学习过程。

上述电梯预调度系统可执行本发明任意实施例所提供电梯预调度的方法，具备执行方法相应的功能模块和有益效果。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种电梯智能预调度方法，其特征在于，包括：

获取电梯的历史运行状态数据；

采用机器学习算法对所述历史运行状态数据进行学习，形成预测模型；

按照所述预测模型进行召梯预测；

根据预测结果进行电梯预调度操作；

其中，所述采用机器学习算法对所述历史运行状态数据进行学习，形成预测模型，具体为：

预设至少两种预测召梯模式，作为神经网络的标签值；

将各类运行状态数据作为神经网络的神经元；

随机初始化神经网络各神经元权值，所述权值用于表征各类运行状态数据与标签值之间的关联程度；

根据所述历史运行状态数据进行神经网络学习，以更新各神经元权值；

达到预设停止条件时确定各所述神经元权值；

按照所述各神经元权值输出神经网络模型作为预测模型。

2.根据权利要求1所述的方法，其特征在于，所述历史运行状态数据包括下述至少一类：天气状况、召梯时刻、召梯楼层、电梯称重和假期状态。

3.根据权利要求1所述的方法，其特征在于，所述预测召梯模式包括：召梯时刻、召梯楼层及外召类型。

4.根据权利要求1所述的方法，其特征在于，采用机器学习算法对所述历史运行状态数据进行学习，形成预测模型之前，还包括：

根据预设机器学习时钟，周期性触发启动机器学习过程。

5.一种电梯智能预调度系统，其特征在于，包括：

数据获取模块，用于获取电梯的历史运行状态数据；

机器学习模块，用于采用机器学习算法对预处理后数据进行学习，形成预测模型；

机器学习模块，包括：

召梯模式预设单元，用于预设至少两种预测召梯模式，作为神经网络的标签值；

神经元设定单元，用于将各类运行状态数据作为神经网络的神经元；

权值初始化单元，用于随机初始化神经网络各神经元权值，所述权值用于表征各类运行状态数据与标签值之间的关联程度；

神经网络学习单元，用于根据所述历史运行状态数据进行神经网络学习，以更新各神经元权值；

神经元确定单元，用于达到预设停止条件时确定各所述神经元权值；

模型输出单元，用于按照所述各神经元权值输出神经网络模型作为预测模型；

召梯预测模块，用于按照所述预测模型进行召梯预测；

电梯预调度模块，用于根据预测结果进行电梯预调度操作。

6.根据权利要求5所述的系统，其特征在于，所述历史运行状态数据包括下述至少一类：天气状况、召梯时刻、召梯楼层、电梯称重和假期状态。

7.根据权利要求5所述的系统，其特征在于，所述预测召梯模式包括：召梯时刻、召梯楼层及外召类型。

8.根据权利要求5所述的系统，其特征在于，包括机器学习时钟预设模块，用于在采用机器学习算法对预处理后数据进行学习，形成预测模型之前，根据预设机器学习时钟，周期性触发启动机器学习过程。