CN108290704A - 用于为至少一个电梯确定分配决策的方法和设备 - Google Patents

用于为至少一个电梯确定分配决策的方法和设备 Download PDF

Info

Publication number
CN108290704A
CN108290704A CN201580084555.1A CN201580084555A CN108290704A CN 108290704 A CN108290704 A CN 108290704A CN 201580084555 A CN201580084555 A CN 201580084555A CN 108290704 A CN108290704 A CN 108290704A
Authority
CN
China
Prior art keywords
module
decision
allocation
machine learning
elevator
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201580084555.1A
Other languages
English (en)
Other versions
CN108290704B (zh
Inventor
S·基托夫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kone Corp
Original Assignee
Kone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kone Corp filed Critical Kone Corp
Publication of CN108290704A publication Critical patent/CN108290704A/zh
Application granted granted Critical
Publication of CN108290704B publication Critical patent/CN108290704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B1/00—Control systems of elevators in general
    • B66B1/24—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration
    • B66B1/2408—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration where the allocation of a call to an elevator car is of importance, i.e. by means of a supervisory or group controller
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B2201/00—Aspects of control systems of elevators
    • B66B2201/20—Details of the evaluation method for the allocation of a call to an elevator car
    • B66B2201/231—Sequential evaluation of plurality of criteria
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B2201/00—Aspects of control systems of elevators
    • B66B2201/20—Details of the evaluation method for the allocation of a call to an elevator car
    • B66B2201/235—Taking into account predicted future events, e.g. predicted future call inputs
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B2201/00—Aspects of control systems of elevators
    • B66B2201/40—Details of the change of control mode
    • B66B2201/402—Details of the change of control mode by historical, statistical or predicted traffic data, e.g. by learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Elevator Control (AREA)

Abstract

根据一个方面，提供了一种用于为至少一个电梯确定分配决策的方法和设备(200)。在解决方案中，在机器学习模块(202)中将电梯系统中的现有呼叫用作第一输入。利用所述机器学习模块(202)对所述第一输入进行处理以提供包括第一分配决策的第一输出。然后在迭代模块(204)中将所述第一输出用作第二输入。利用所述迭代模块(204)对所述第二输入进行处理以提供包括第二分配决策的第二输出。将所述第二分配决策提供给电梯控制模块(212)和分配决策存储装置(206)用以进一步的机器学习模块训练。

Description

用于为至少一个电梯确定分配决策的方法和设备
背景技术
可以在电梯系统中使用启发式优化算法(例如遗传算法或者蚁群优化算法)来生成电梯分配决策。启发式优化算法是迭代算法，因此在使用长种群和大量迭代时，该启发式优化算法在执行时可能需要花费很长时间。然而，当在电梯系统中分配电梯轿厢时，时间通常是重要参数。因此，将启发式优化算法应用于呼叫分配的最终结果可能无法提供最佳的呼叫分配解决方案。然而，其通常在给定时间限制内提供合理的解决方案。
然而，需要寻找能够更快地找到更好的分配决策的解决方案。
发明内容
根据本发明的第一方面，提供了一种用于为至少一个电梯确定分配决策的方法。该方法包括：在机器学习模块中将电梯系统中的现有呼叫用作第一输入；利用机器学习模块对第一输入进行处理以提供包括第一分配决策的第一输出；在迭代模块中将第一输出用作第二输入；利用迭代模块对第二输入进行处理以提供包括第二分配决策的第二输出；并且将第二分配决策提供给电梯控制模块和分配决策存储装置用以进一步的机器学习模块训练。
在一个实施例中，该方法还包括：在在机器学习模块中将电梯系统中的现有呼叫用作第一输入之前，利用迭代模块对电梯系统中的现有呼叫进行处理以提供分配决策；将来自迭代模块的分配决策提供给电梯控制模块和分配决策存储装置；使用分配决策来教导机器学习模块，直到至少一个预定标准得到满足；并且在已经满足了至少一个预定标准之后，在机器学习模块中将电梯系统中的现有呼叫用作第一输入。
在一个实施例中，可替代地或者另外，该方法还包括：将电梯系统中的预测呼叫用作机器学习模块的第一输入。
在一个实施例中，可替代地或者另外，机器学习模块包括人工神经网络模块。
在一个实施例中，可替代地或者另外，迭代模块包括通用算法模块和蚁群算法模块中的至少一个。
根据本发明的第二方面，提供了一种用于为至少一个电梯确定分配决策的设备。该设备包括机器学习模块、迭代模块和分配决策存储装置。该设备还包括：用于在机器学习模块中将电梯系统中的现有呼叫用作第一输入的装置，其中机器学习模块配置为对第一输入进行处理以提供包括第一分配决策的第一输出；用于在迭代模块中将第一输出用作第二输入的装置，其中迭代模块配置为对第二输入进行处理以提供包括第二分配决策的第二输出；以及用于将第二分配决策提供给电梯控制模块和分配决策存储装置用以进一步的机器学习模块训练的装置。
在一个实施例中，迭代模块配置为在将电梯系统中的现有呼叫用作机器学习模块的第一输入之前，对电梯系统中的现有呼叫进行处理以提供分配决策，其中该设备还包括：用于将来自迭代模块的分配决策提供给电梯控制模块和分配决策存储装置的装置、用于使用分配决策来教导机器学习模块直到至少一个预定标准得到满足的装置、以及用于在至少一个预定标准已经得到满足之后在机器学习模块中将电梯系统中的现有呼叫用作第一输入的装置。
在一个实施例中，可替代地或者另外，用于使用的装置配置为将电梯系统中的预测呼叫用作机器学习模块的第一输入。
在一个实施例中，可替代地或者另外，机器学习模块包括人工神经网络模块。
在一个实施例中，可替代地或者另外，迭代模块包括通用算法模块和蚁群算法模块中的至少一个。
在一个实施例中，可替代地或者另外，机器学习模块包括图形处理模块。
根据第三方面，提供了一种用于为至少一个电梯确定分配决策的设备。该设备包括至少一个处理单元和至少一个存储器。至少一个存储器存储程度指令，该程序指令在由至少一个处理单元执行时使该设备将电梯系统中的现有呼叫用作机器学习模块的第一输入；利用机器学习模块对第一输入进行处理以提供包括第一分配决策的第一输出；在迭代模块中将第一输出用作第二输入；利用迭代模块对第二输入进行处理以提供包括第二分配决策的第二输出；并且将第二分配决策提供给电梯控制模块和分配决策存储装置用以进一步的机器学习模块训练。
根据第四方面，提供了一种计算机程序，该计算机程序包括程序代码，该程序代码在由至少一个处理单元执行时使至少一个处理单元执行第一方面的方法。
在一个实施例中，计算机程序实施在计算机可读介质上。
根据第五方面，提供了一种用于为至少一个电梯确定分配决策的方法。该方法包括：利用迭代模块对电梯系统中的现有呼叫进行处理以提供分配决策；将来自迭代模块的分配决策提供给电梯控制模块和分配决策存储装置；使用分配决策来教导机器学习模块；检测是否满足至少一个预定标准；在满足至少一个预定标准之后，在机器学习模块中将电梯系统中的现有呼叫用作第一输入；利用机器学习模块对第一输入进行处理以提供包括第一分配决策的第一输出；在迭代模块中将第一输出用作第二输入；利用迭代模块对第二输入进行处理以提供包括第二分配决策的第二输出；并且将第二分配决策提供给电梯控制模块和分配决策存储装置用以进一步的机器学习模块训练。
根据第六方面，提供了一种用于为至少一个电梯确定分配决策的设备。该设备包括机器学习模块、迭代模块和分配决策存储装置。迭代模块配置为对电梯系统中的现有呼叫进行处理以提供分配决策；用于将来自迭代模块的分配决策提供给电梯控制模块和分配决策存储装置的装置；用于使用分配决策来教导机器学习模块的装置；用于检测是否满足至少一个预定标准的装置；用于在满足至少一个预定标准之后在机器学习模块中将电梯系统中的现有呼叫用作第一输入的装置，其中机器学习模块配置为对第一输入进行处理以提供包括第一分配决策的第一输出；用于在迭代模块中将第一输出用作第二输入的装置，其中迭代模块配置为对第二输入进行处理以提供包括第二分配决策的第二输出；以及用于将第二分配决策提供给电梯控制模块和分配决策存储装置用以进一步的机器学习模块训练的装置。
根据第七方面，提供了一种用于为至少一个电梯确定分配决策的设备。该设备包括至少一个处理单元和至少一个存储器。至少一个存储器存储程序指令，该程序指令在由至少一个处理单元执行时使该设备利用迭代模块对电梯系统中的现有呼叫进行处理以提供分配决策；将来自迭代模块的分配决策提供给电梯控制模块和分配决策存储装置；使用分配决策来教导机器学习模块；检测是否满足至少一个预定标准；在满足至少一个预定标准之后，在机器学习模块中将电梯系统中的现有呼叫用作第一输入；利用机器学习模块对第一输入进行处理以提供包括第一分配决策的第一输出；在迭代模块中将第一输出用作第二输入；利用迭代模块对第二输入进行处理以提供包括第二分配决策的第二输出；并且将第二分配决策提供给电梯控制模块和分配决策存储装置用以进一步的机器学习模块训练。
根据第八方面，提供了一种计算机程序，该计算机程序包括程序代码，该程序代码在由至少一个处理单元执行时使至少一个处理单元执行第五方面的方法。
在一个实施例中，计算机程序实施在计算机可读介质上。
根据第八方面，提供了一种电梯系统，该电梯系统包括电梯控制模块；以及第二、第三、第六和第七方面中的任何一个的设备。
可以通过使用至少一个处理器或者至少一个处理器和连接到至少一个处理器的至少一个存储器来实施上面公开的装置，存储器存储由要由至少一个处理器执行的程序指令。
附图说明
被包括以提供对本发明的进一步理解和构成本说明书的一部分的附图图示了本发明的实施例并且与本说明书一起用于解释本发明的原理。在附图中：
图1A是图示了用于为电梯系统中的至少一个电梯确定分配决策的方法的流程图。
图1B是图示了用于为电梯系统中的至少一个电梯确定分配决策的方法的另一流程图。
图2是用于为电梯系统中的至少一个电梯确定分配决策的设备的框图。
具体实施方式
图1A是图示了用于为电梯系统中的至少一个电梯确定分配决策的方法的流程图。图1A连同图2一起讨论，图2图示了用于为电梯确定分配决策的方法的设备200。
设备200包括机器学习模块202、迭代模块204、分配决策存储装置、至少一个处理单元208和至少一个存储器210。机器学习模块202提供例如用于计算分配决策的人工神经网络。例如，迭代模块204提供用于计算分配决策的通用算法或者蚁群算法。分配存储模块206可以存储先前做出的分配决策。可以使用这些决策来训练机器学习模块202。
当需要为至少一个电梯做出分配决策时，在机器学习模块202中将现有呼叫用作输入(步骤100)。机器学习模块202对输入进行处理并且提供输出(步骤102)。输出包括至少一个电梯的第一分配决策，然后在迭代模块中将该第一分配决策用作输入(步骤104)。因此，将由机器学习模块202确定的第一分配决策用作迭代模块204进行进一步优化的起始点。例如，迭代模块204可以实施通用算法或者蚁群算法。迭代模块204对来自机器学习模块204的输入(分配决策)进行处理，并且响应于处理而提供第二分配决策(步骤106)。然后可以将第二分配决策发送至电梯控制模块212。上文使用的术语“分配决策”可以是指分配命令，电梯控制模块212可以基于该分配命令来直接控制一个或者多个电梯轿厢。
当电梯系统中的呼叫次数增加时，可能的分配命令的总数以指数方式增长。进一步地，可能需要重复计算(例如每0.5s的间隔)分配决策，使得在分配决策中考虑电梯系统中的状态变化。这意味着可能无法在可用于做出分配决策的时间范围内评估所有可能的分配命令。可以使用迭代优化算法来找到相当好的解决方案。然而，该解决方案可能不是优化解决方案。在仅使用迭代优化解决方案时，找到的解决方案的质量取决于用作迭代优化算法的起始点的输入的质量。起始点(即，迭代优化算法的输入)越好，迭代优化算法找到的解决方案越好。通常，为新呼叫选择随机解决方案，并且可以将先前的分配命令用作已经处于电梯系统中的呼叫的起始点。当如上文公开的那样使用机器学习模块时，能够非常快速地提供输出。进一步地，当适当地训练机器学习模块时，由机器学习模块提供的分配命令将为迭代模块提供更好的起始点。因此，迭代模块能够提供更好的输出(即，分配命令或者决策)。
图1B是图示了用于为电梯系统中的至少一个电梯确定分配决策的方法的另一流程图。如先前参照图1A，图1B连同图2一起进行了讨论。
首先，设置至少一个预定条件或者标准以确定机器学习模块202是否用于向迭代模块204提供输入。例如，至少一个预定条件或者标准指的是机器学习模块202是否仍处于学习状态的事实。例如，可以设置通过迭代模块204做出N个第一分配决策，并且通过N个分配决策教导机器学习模块202。例如，N的值可以取决于电梯组中的电梯轿厢的数量和/或楼层的数量等。
当至少一个预定条件未被满足时(步骤110)，利用迭代模块204对现有呼叫进行处理以提供分配决策(步骤112)。迭代模块204可以将随机分配决策视作输入。
当迭代模块204找到分配决策时，将分配决策提供给电梯控制模块212和分配决策存储装置206。可以使用分配决策存储装置206中的分配决策来训练机器学习模块202。
当确定满足至少一个预定条件时(步骤110)，将现有呼叫用作机器学习模块202中的输入。机器学习模块202对输入进行处理并且提供包括第一分配决策的输出(步骤118)。然后将第一分配决策提供给迭代模块204(步骤120)。迭代模块204将来自机器学习模块202的分配决策用作起始点，并且对第一分配决策进行处理，以提供第二分配决策(步骤122)。然后将第二分配决策发送至电梯控制模块212和分配决策存储装置206。
图2B中公开的实施例提供了在其中首先教导机器学习模块202并且仅使用迭代模块206来首先确定分配决策的解决方案。只有在确定机器学习模块202的教导水平足够时，机器学习模块202和迭代模块206的组合操作才能被投入使用。由于初始化阶段本身不需要用于机器学习模块202的单独教导或者训练阶段，因此这实现了在其中电梯系统可以直接被投入使用的解决方案。如上面公开的，存在用于机器学习模块202的教导阶段，但该阶段在电梯系统已经正常使用时才被同时执行。
在图2的一个实施例中，机器学习模块包括人工神经网络(ANN)模块，并且可以通过使用中央处理单元或者图形处理单元来评估人工神经网络。实施人工神经网络的另一可能性是硬件实施方式。然而在另一实施例中，可以使用处理单元208和存储器210来提供机器学习模块202，迭代模块204和分配决策存储装置206。
处理单元208和存储器210可以提供用于在机器学习模块中将电梯系统中的现有呼叫用作第一输入的装置、用于利用机器学习模块对第一输入进行处理以提供包括第一分配决策的第一输出的装置、用于在迭代模块中将第一输出用作第二输入的装置、用于利用迭代模块对第二输入进行处理以提供包括第二分配决策的第二输出的装置、以及用于将第二分配决策提供给电梯控制模块和分配决策存储装置用以进一步的机器学习模块训练的装置。
在一个实施例中，处理单元208和存储器210可以提供用于利用迭代模块对电梯系统中的现有呼叫进行处理以提供分配决策的装置、用于将来自迭代模块的分配决策提供给电梯控制模块和分配决策存储装置的装置、用于使用分配决策来教导机器学习模块的装置、用于检测是否满足至少一个预定标准的装置、用于在满足至少一个预定标准之后在机器学习模块中将电梯系统中的现有呼叫用作第一输入的装置、用于利用机器学习模块对第一输入进行处理以提供包括第一分配决策的第一输出的装置、用于在迭代模块中将第一输出用作第二输入的装置、用于利用迭代模块对第二输入进行处理以提供包括第二分配决策的第二输出的装置以及用于将第二分配决策提供给电梯控制模块和分配决策存储装置用以进一步的机器学习模块训练的装置。
本发明的示例性实施例可以被包括在能够执行示例性实施例的进程的任何合适的装置内，例如包括：服务器、工作站、个人计算机、膝上型计算机。示例性实施例还可以存储与本文描述的各种进程有关的信息。
可以用软件、硬件、应用逻辑或者软件、硬件和应用逻辑的组合来实现示例实施例。示例实施例可以存储与本文描述的各种方法有关的信息。可以将该信息存储在一个或者多个存储器(诸如硬盘、光盘、磁光盘、RAM等)中。一个或者多个数据库可以存储用于实现示例实施例的信息。可以通过使用在本文列出的一个或者多个存储器或者存储装置中包括的数据结构(例如记录、表格、阵列、字段、图形、树、列表等)来组织数据库。针对示例实施例描述的方法可以包括用于将通过示例实施例的装置和子系统的方法收集和/或生成的数据存储在一个或者多个数据库中的适合的数据结构。
如(多个)计算机和/或软件领域的技术人员要了解的，可以通过使用一个或者多个通用处理器、微处理器、数字信号处理器、微控制器等来便利地实现示例实施例的全部或者一部分，并且根据示例实施例的教导来对示例实施例的全部或者一部分进行编程。如软件领域的技术人员要了解的，通过普通程序员基于示例实施例的教导来容易地准备适合的软件。另外，如(多个)电气领域的技术人员要了解的，可以通过准备专用集成电路或者通过将常规部件电路的适合的网络互连来实现示例实施例。因此，示例不限于硬件和/或软件的任何特定组合。示例可以包括存储在计算机可读介质中的任何一个上或者计算机可读介质的组合上的、用于控制示例实施例的部件的软件、用于驱动示例实施例的部件的软件、用于使示例实施例的部件能够与人类用户交互的软件等。这种计算机可读介质还可以包括用于执行在实现示例实施例时执行的处理的全部或者一部分(如果分布了处理)的计算机程序。示例的计算机代码装置可以包括任何合适的可解释或者可执行代码机制，包括但不限于，脚本、可解释程序、动态链接库(DLL)、Java类和小程序、完整的可执行程序等。
如上文陈述的，示例实施例的部件可以包括用于保存根据教导进行编程的指令和用于保存本文描述的数据结构、表格、记录和/或其它数据的计算机可读介质或者存储器。在示例实施例中，应用逻辑、软件或者指令集维持在各种常规计算机可读介质中的任何一个上。在该文档的上下文中，“计算机可读介质”可以是可以包含、存储、传送、传播或者传输供指令执行系统、设备或者装置(诸如计算机)使用或者与这些装置结合使用的指令的任何介质或者装置。计算机可读介质可以包括计算机可读存储介质，该计算机可读存储介质可以是可以包含或者存储供指令执行系统、设备或者装置(诸如计算机)使用或者与这组装置结合使用的指令的任何介质或者装置。计算机可读介质可以包括参与向处理器提供指令以供执行的任何合适的介质。这种介质可以采取许多形式，包括但不限于，非易失性介质、易失性介质、传输介质等。
虽然已经示出和描述并且指出了应用于本发明的优选实施例的基本新颖特征，但是要理解，在不脱离本公开的精神的情况下，本领域的技术人员可以对所描述的装置和方法的形式和细节进行各种省略、替换和改变。例如，明确地意图是，按照基本上相同的方式执行基本上相同的功能以实现相同结果的那些元件和/或方法步骤的所有组合都在本公开的范围内。而且，应该认识到，结合任何所公开的形式或者实施例示出和/或描述的结构和/或元件和/或方法步骤可以作为设计选择的一般问题并入任何其它所公开或者描述或者建议的形式或者实施例中。此外，在权利要求书中，装置加功能条款旨在涵盖本文描述的、执行所叙述的功能的结构，不仅涵盖结构等效物，而且还涵盖等效结构。
无论这些特征或者特征的组合是否解决了本文公开的任何问题，并且不限于权利要求书的范围，就这些特征或者组合能够总体上基于本说明根据本领域的技术人员的普通常识而实施而言，申请人在此独立地公开了本文描述的各个单独特征以及两个或者更多个这些特征的任何组合。申请人指出所公开的方面/实施例可以由任何这种单独特征或者特征的组合组成。鉴于前述说明，对本领域的技术人员而言显然的是，可以在本公开的范围内进行各种修改。

Claims (14)

1.一种用于为至少一个电梯确定分配决策的方法，所述方法包括：
在机器学习模块中将电梯系统中的现有呼叫用作第一输入；
利用所述机器学习模块对所述第一输入进行处理，以提供包括第一分配决策的第一输出；
在迭代模块中将所述第一输出用作第二输入；
利用所述迭代模块对所述第二输入进行处理，以提供包括第二分配决策的第二输出；以及
将所述第二分配决策提供给电梯控制模块和分配决策存储装置，用以进一步的机器学习模块训练。
2.根据权利要求1所述的方法，还包括：
在将电梯系统中的现有呼叫用作机器学习模块的第一输入之前，利用所述迭代模块对所述电梯系统中的现有呼叫进行处理，以提供分配决策；
将来自所述迭代模块的所述分配决策提供给所述电梯控制模块和所述分配决策存储装置；
使用所述分配决策来教导所述机器学习模块，直到至少一个预定标准得到满足；以及
在所述至少一个预定标准已经得到满足之后，在所述机器学习模块中将所述电梯系统中的所述现有呼叫用作所述第一输入。
3.根据权利要求1或者2所述的方法，还包括：
将所述电梯系统中的预测呼叫用作所述机器学习模块的所述第一输入。
4.根据权利要求1至3中任一项所述的方法，其中所述机器学习模块包括人工神经网络模块。
5.根据权利要求1至4中任一项所述的方法，其中所述迭代模块包括通用算法模块和蚁群算法模块中的至少一个。
6.一种用于为至少一个电梯确定分配决策的设备，所述设备包括：
机器学习模块；
迭代模块；
分配决策存储装置；
用于在所述机器学习模块中将电梯系统中的现有呼叫用作第一输入的装置；
其中所述机器学习模块配置为对所述第一输入进行处理，以提供包括第一分配决策的第一输出；
用于在迭代模块中将所述第一输出用作第二输入的装置；
其中所述迭代模块配置为对所述第二输入进行处理，以提供包括第二分配决策的第二输出；以及
用于将所述第二分配决策提供给电梯控制模块和分配决策存储装置用以进一步的机器学习模块训练的装置。
7.根据权利要求6所述的设备，其中：
所述迭代模块配置为在在机器学习模块中将电梯系统中的现有呼叫用作第一输入之前，对所述电梯系统中的现有呼叫进行处理，以提供分配决策；
其中所述设备还包括：
用于将来自所述迭代模块的所述分配决策提供给所述电梯控制模块和所述分配决策存储装置的装置；
用于使用所述分配决策来教导所述机器学习模块直到至少一个预定标准得到满足的装置；以及
用于在所述至少一个预定标准已经得到满足之后在所述机器学习模块中将所述电梯系统中的现有呼叫用作所述第一输入的装置。
8.根据权利要求6或者7所述的设备，其中：
用于使用的所述装置被配置为将所述电梯系统中的预测呼叫用作所述机器学习模块的所述第一输入。
9.根据权利要求6至8中任一项所述的设备，其中所述机器学习模块包括人工神经网络模块。
10.根据权利要求6至9中任一项所述的设备，其中所述迭代模块包括通用算法模块和蚁群算法模块中的至少一个。
11.根据权利要求6至10中任一项所述的设备，其中所述机器学习模块包括图形处理单元。
12.一种计算机程序，所述计算机程序包括程序代码，所述程序代码在由至少一个处理单元执行时使所述至少一个处理单元执行根据权利要求1至5中任一项所述的方法。
13.根据权利要求12所述的计算机程序，其中所述计算机程序被实施在计算机可读介质上。
14.一种电梯系统，包括：
电梯控制模块；以及
根据权利要求6至11中任一项所述的设备。
CN201580084555.1A 2015-11-16 2015-11-16 用于为至少一个电梯确定分配决策的方法和设备 Active CN108290704B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/FI2015/050795 WO2017085352A1 (en) 2015-11-16 2015-11-16 A method and an apparatus for determining an allocation decision for at least one elevator

Publications (2)

Publication Number Publication Date
CN108290704A true CN108290704A (zh) 2018-07-17
CN108290704B CN108290704B (zh) 2020-11-06

Family

ID=58718439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580084555.1A Active CN108290704B (zh) 2015-11-16 2015-11-16 用于为至少一个电梯确定分配决策的方法和设备

Country Status (4)

Country Link
US (1) US11753273B2 (zh)
EP (1) EP3377432B1 (zh)
CN (1) CN108290704B (zh)
WO (1) WO2017085352A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110436294A (zh) * 2019-08-08 2019-11-12 杭州吉时语科技有限公司 一种电瓶车入电梯检测方法
US20200055692A1 (en) * 2018-08-16 2020-02-20 Otis Elevator Company Elevator system management utilizing machine learning
CN118062687A (zh) * 2024-04-19 2024-05-24 江苏省特种设备安全监督检验研究院 适于电梯检验的运行模拟方法、装置、设备及存储介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3377432B1 (en) * 2015-11-16 2022-01-12 KONE Corporation A method and an apparatus for determining an allocation decision for at least one elevator
US10544007B2 (en) * 2017-03-23 2020-01-28 International Business Machines Corporation Risk-aware management of elevator operations
US11040850B2 (en) 2018-03-27 2021-06-22 Otis Elevator Company Seamless elevator call from mobile device application
EP3560870A3 (en) 2018-04-24 2019-11-20 Otis Elevator Company Automatic cognitive analysis of elevators to reduce passenger wait time
CN110991499B (zh) * 2019-11-18 2023-04-07 广东省特种设备检测研究院珠海检测院 一种电梯液压缓冲器隐患识别方法及系统
KR20210090345A (ko) 2020-01-10 2021-07-20 현대엘리베이터주식회사 엘리베이터의 할당 제어 시스템
CN113887842B (zh) * 2021-12-03 2022-04-05 浙江慧享信息科技有限公司 一种基于蚁群算法的智能约梯方法、系统及设备

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1468061A (en) * 1973-03-12 1977-03-23 Westinghouse Electric Corp Elevator system and method
US4562530A (en) * 1982-04-06 1985-12-31 Mitsubishi Denki Kabushiki Kaisha Elevator traffic demand analyzing system
US4802082A (en) * 1983-06-17 1989-01-31 Mitsubishi Denki Kabushiki Kaisha Supervisory system for elevators
US5175797A (en) * 1989-09-01 1992-12-29 Hitachi, Ltd. Learning type decision support system
CN1079201A (zh) * 1992-05-07 1993-12-08 科尼电梯有限公司 控制电梯组的方法
CN1098532A (zh) * 1993-06-22 1995-02-08 三菱电机株式会社 交通工具控制装置
CN1113210A (zh) * 1994-04-07 1995-12-13 奥蒂斯电梯公司 电梯的控制中枢网络
CN1129037A (zh) * 1993-08-11 1996-08-14 费舍-柔斯芒特系统股份有限公司 采用自动调节进行模糊逻辑控制的方法和装置
JPH08225258A (ja) * 1995-02-21 1996-09-03 Fujitec Co Ltd エレベータ呼び割り当て用ニューラルネットの学習方法
US5923004A (en) * 1997-12-30 1999-07-13 Otis Elevator Company Method for continuous learning by a neural network used in an elevator dispatching system
CN1425170A (zh) * 2000-03-03 2003-06-18 通力股份公司 用于通过遗传算法分配乘客的方法和装置
CN1512383A (zh) * 2002-12-27 2004-07-14 英业达股份有限公司 计算机可执行的自发性引导学习系统及方法
US20080296099A1 (en) * 2006-03-03 2008-12-04 Kone Corporation Elevator system
FR2925182A1 (fr) * 2007-12-18 2009-06-19 Airbus France Sa Procede et dispositif de detection de pannes oscillatoires dans une chaine d'asservissement en position d'une gouverne d'aeronef.
CN101506076A (zh) * 2005-04-15 2009-08-12 奥蒂斯电梯公司 具有事先的交通信息的分组升降机调度
EP2096494A1 (en) * 2008-02-29 2009-09-02 Canon Kabushiki Kaisha Iterative learning for position control in an exposure apparatus
CN101964085A (zh) * 2010-09-27 2011-02-02 北京航空航天大学 一种基于Logit模型和贝叶斯决策的客流分配方法
CN102730501A (zh) * 2012-05-18 2012-10-17 天津大学 混合动力电梯群节能调度方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5612519A (en) * 1992-04-14 1997-03-18 Inventio Ag Method and apparatus for assigning calls entered at floors to cars of a group of elevators
GB2266602B (en) * 1992-04-16 1995-09-27 Inventio Ag Artificially intelligent traffic modelling and prediction system
US5767461A (en) * 1995-02-16 1998-06-16 Fujitec Co., Ltd. Elevator group supervisory control system
JP4312392B2 (ja) * 1999-08-03 2009-08-12 三菱電機株式会社 エレベーター群管理装置
US6619436B1 (en) * 2000-03-29 2003-09-16 Mitsubishi Denki Kabushiki Kaisha Elevator group management and control apparatus using rule-based operation control
FI115396B (fi) * 2004-04-15 2005-04-29 Kone Corp Hissijärjestelmän ohjausmenetelmä
FI118215B (fi) * 2005-09-27 2007-08-31 Kone Corp Hissijärjestelmä
US20100179850A1 (en) * 2007-05-21 2010-07-15 Honeywell International Inc. Systems and methods for scheduling the operation of building resources
WO2009032733A1 (en) * 2007-08-28 2009-03-12 Thyssenkrupp Elevator Capital Corporation Saturation control for destination dispatch systems
WO2014198302A1 (en) * 2013-06-11 2014-12-18 Kone Corporation Method for allocating and serving destination calls in an elevator group
EP3377432B1 (en) * 2015-11-16 2022-01-12 KONE Corporation A method and an apparatus for determining an allocation decision for at least one elevator
US10683189B2 (en) * 2016-06-23 2020-06-16 Intel Corporation Contextual awareness-based elevator management
EP3502027A1 (en) * 2017-12-22 2019-06-26 KONE Corporation Management of power supply of an elevator system
EP3613690B1 (en) * 2018-08-23 2021-09-29 KONE Corporation An elevator signalization apparatus
CN113286757B (zh) * 2018-12-18 2023-05-23 通力股份公司 用于乘客交通系统的控制装置

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1468061A (en) * 1973-03-12 1977-03-23 Westinghouse Electric Corp Elevator system and method
US4562530A (en) * 1982-04-06 1985-12-31 Mitsubishi Denki Kabushiki Kaisha Elevator traffic demand analyzing system
US4802082A (en) * 1983-06-17 1989-01-31 Mitsubishi Denki Kabushiki Kaisha Supervisory system for elevators
US5175797A (en) * 1989-09-01 1992-12-29 Hitachi, Ltd. Learning type decision support system
CN1079201A (zh) * 1992-05-07 1993-12-08 科尼电梯有限公司 控制电梯组的方法
CN1098532A (zh) * 1993-06-22 1995-02-08 三菱电机株式会社 交通工具控制装置
CN1129037A (zh) * 1993-08-11 1996-08-14 费舍-柔斯芒特系统股份有限公司 采用自动调节进行模糊逻辑控制的方法和装置
CN1113210A (zh) * 1994-04-07 1995-12-13 奥蒂斯电梯公司 电梯的控制中枢网络
JPH08225258A (ja) * 1995-02-21 1996-09-03 Fujitec Co Ltd エレベータ呼び割り当て用ニューラルネットの学習方法
US5923004A (en) * 1997-12-30 1999-07-13 Otis Elevator Company Method for continuous learning by a neural network used in an elevator dispatching system
CN1425170A (zh) * 2000-03-03 2003-06-18 通力股份公司 用于通过遗传算法分配乘客的方法和装置
CN1512383A (zh) * 2002-12-27 2004-07-14 英业达股份有限公司 计算机可执行的自发性引导学习系统及方法
CN101506076A (zh) * 2005-04-15 2009-08-12 奥蒂斯电梯公司 具有事先的交通信息的分组升降机调度
US20080296099A1 (en) * 2006-03-03 2008-12-04 Kone Corporation Elevator system
CN101389559A (zh) * 2006-03-03 2009-03-18 通力股份公司 电梯系统
FR2925182A1 (fr) * 2007-12-18 2009-06-19 Airbus France Sa Procede et dispositif de detection de pannes oscillatoires dans une chaine d'asservissement en position d'une gouverne d'aeronef.
EP2096494A1 (en) * 2008-02-29 2009-09-02 Canon Kabushiki Kaisha Iterative learning for position control in an exposure apparatus
CN101964085A (zh) * 2010-09-27 2011-02-02 北京航空航天大学 一种基于Logit模型和贝叶斯决策的客流分配方法
CN102730501A (zh) * 2012-05-18 2012-10-17 天津大学 混合动力电梯群节能调度方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200055692A1 (en) * 2018-08-16 2020-02-20 Otis Elevator Company Elevator system management utilizing machine learning
CN110835028A (zh) * 2018-08-16 2020-02-25 奥的斯电梯公司 利用机器学习的电梯系统管理
CN110835028B (zh) * 2018-08-16 2022-04-26 奥的斯电梯公司 利用机器学习的电梯系统管理
US12043515B2 (en) 2018-08-16 2024-07-23 Otis Elevator Company Elevator system management utilizing machine learning
CN110436294A (zh) * 2019-08-08 2019-11-12 杭州吉时语科技有限公司 一种电瓶车入电梯检测方法
CN118062687A (zh) * 2024-04-19 2024-05-24 江苏省特种设备安全监督检验研究院 适于电梯检验的运行模拟方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN108290704B (zh) 2020-11-06
WO2017085352A1 (en) 2017-05-26
EP3377432A1 (en) 2018-09-26
EP3377432A4 (en) 2020-05-27
US20180244491A1 (en) 2018-08-30
US11753273B2 (en) 2023-09-12
EP3377432B1 (en) 2022-01-12

Similar Documents

Publication Publication Date Title
CN108290704A (zh) 用于为至少一个电梯确定分配决策的方法和设备
Chica et al. A networked ${N} $-player trust game and its evolutionary dynamics
Dehaene et al. A hierarchical neuronal network for planning behavior
KR101787613B1 (ko) 딥 러닝 기반의 자가 적응 학습 기술을 이용한 인공지능 플랫폼 시스템
CN108038545A (zh) 基于Actor-Critic神经网络连续控制的快速学习算法
CN110782004B (zh) 模型训练方法、模型调用方法、设备及可读存储介质
Hernández et al. Selective Smooth Fictitious Play: An approach based on game theory for patrolling infrastructures with a multi-robot system
Melkikh et al. Quantum-like model of partially directed evolution
CN115580430A (zh) 一种基于深度强化学习的攻击树蜜罐部署防御方法与装置
Bo et al. Evolutionary ultimatum game on complex networks under incomplete information
CN108230121A (zh) 一种基于循环神经网络的产品设计方法
Rocha et al. Evolutionary neural network learning
Sharma Big data analytics using neural networks
Ali et al. Artificial showering algorithm: a new meta-heuristic for unconstrained optimization
JPWO2021173815A5 (zh)
JPWO2021064767A5 (zh)
CN110750591A (zh) 人工智能知识管理系统与其形成分布式记录的方法
Péron et al. Selecting simultaneous actions of different durations to optimally manage an ecological network
Al-Eiadeh et al. GeniGraph: A genetic-based novel security defense resource allocation method for interdependent systems modeled by attack graphs
Luchoomun et al. Enhancing Performance of Genetic Algorithm for Static Job-Shop Scheduling Problems
Malcom Evolution of competitive ability: An adaptation speed vs. accuracy tradeoff rooted in gene network size
Stork et al. Surrogate-assisted learning of neural networks
Chawla et al. Solving Optimization Problem By Hybrid Genetic Algorithm Using Hill Climbing In Replacement Operator
Kazancheva et al. ON USING NEURAL NETWORKS FOR INTELLIGENT AGENTS'LEARNING PROBLEM
WO2019064461A1 (ja) 学習ネットワーク生成装置、及び学習ネットワーク生成プログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant