CN108545556A - 基于神经网络的信息处理装置及方法 - Google Patents

基于神经网络的信息处理装置及方法 Download PDF

Info

Publication number
CN108545556A
CN108545556A CN201810413441.2A CN201810413441A CN108545556A CN 108545556 A CN108545556 A CN 108545556A CN 201810413441 A CN201810413441 A CN 201810413441A CN 108545556 A CN108545556 A CN 108545556A
Authority
CN
China
Prior art keywords
elevator
information
neural network
call information
network computing
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
CN201810413441.2A
Other languages
English (en)
Other versions
CN108545556B (zh
Inventor
高钰峰
陈云霁
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.)
Institute of Computing Technology of CAS
Original Assignee
Institute of Computing Technology of CAS
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 Institute of Computing Technology of CAS filed Critical Institute of Computing Technology of CAS
Priority to CN201810413441.2A priority Critical patent/CN108545556B/zh
Publication of CN108545556A publication Critical patent/CN108545556A/zh
Application granted granted Critical
Publication of CN108545556B publication Critical patent/CN108545556B/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B1/00—Control systems of elevators in general
    • B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
    • B66B1/3415—Control system configuration and the data transmission or communication within the control system
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • 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
    • B66B2201/46—Switches or switchgear
    • B66B2201/4607—Call registering systems
    • B66B2201/4638—Wherein the call is registered without making physical contact with the elevator system

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Neurology (AREA)
  • Elevator Control (AREA)

Abstract

本公开提供了一种基于神经网络的信息处理装置及方法，所述信息处理装置包括：处理模块和人工神经网络运算模块；其中，所述处理模块用于接收电梯请求信息，并对电梯请求信息进行编码；所述人工神经网络运算模块用于接收编码后的电梯请求信息，并根据编码后的电梯请求信息执行神经网络运算以确定电梯任务调度机制；所述处理模块用于根据所述电梯任务调度机制、电梯繁忙信息及人流集中信息控制电梯运行。本公开基于神经网络的信息处理装置及方法，能够提高电梯运行效率，有效缩短用户等待时间，节省了资源。

Description

基于神经网络的信息处理装置及方法
技术领域
本公开属于信息处理技术领域，更具体地涉及一种信息处理装置、方法及智能电梯。
背景技术
在电梯技术领域，现有的电梯调度方案主要包括以下几种：1.顺向劫车(参考硬盘调度的LOOK(查找)调度算法，也即操作系统Scan算法)；2.就近响应(最近的电梯响应服务)；3.神经网络平衡调度等。
然而，现有的电梯调度方案存在以下不足：1.在群控电梯调度时很难实现调度最优化使得梯箱资源能够合理充分利用；2.很难实现最优化算法使得乘梯请求平均响应时间最短；3.电梯调度机制较为固定，无法做到实时优化，缺乏实际应用场景下的学习能力和适应性。
发明内容
(一)要解决的技术问题
基于以上问题，本公开的目的在于提出一种信息处理装置、方法及智能电梯，用于解决以上技术问题的至少之一。
(二)技术方案
为了达到上述目的，作为本公开的一个方面，提供了一种信息处理装置，包括：处理模块和人工神经网络运算模块；其中，所述处理模块用于接收电梯请求信息，并对电梯请求信息进行编码；所述人工神经网络运算模块用于接收编码后的电梯请求信息，并根据编码后的电梯请求信息执行神经网络运算以确定电梯任务调度机制；所述处理模块用于根据所述电梯任务调度机制、电梯繁忙信息及人流集中信息控制电梯运行。
在一些实施例中，所述处理模块包括：
编码器，用于接收用户输入的电梯请求信息并进行编码；
存储器，用于存储编码后的电梯请求信息；
运算器，用于确定所述电梯繁忙信息及人流集中信息，并根据所述电梯任务调度机制、电梯繁忙信息及人流集中信息输出用于控制电梯运行的数字信号；
数模转换器，用于将所述控制电梯运行的数字信号转换为控制电梯运行的电信号；以及
数据I/O单元，用于实现编码器、存储器、运算器、数模转换器、及人工神经网络运算模块相互之间的数据读写。
在一些实施例中，所述电梯请求信息包括一个或多个电梯楼层请求信息以及一个或多个电梯上下行请求信息。
在一些实施例中，所述人工神经网络运算模块用于接收编码后的电梯请求信息，通过长短期记忆网络LSTM模型基于损失函数计算用户加入电梯执行队列的最小损失函数调度代价的梯度方向，自适应地更新LSTM模型参数，进而输出电梯调度机制。
在一些实施例中，所述损失函数调度代价为指电梯执行队列中每层用户等待时间的加权平均值，即优化目标为所有请求电梯使用的用户的平均等待时间最短，其中所赋权值为用户重要性等级；或者所述损失函数调度代价为电梯上下行的总的楼层数之和，即优化目标为电梯运行总距离最短。
根据本公开的另一个方面，提供了一种智能电梯，其包括所述信息处理装置，还包括电梯输入装置和电梯电机；其中，所述信息处理装置与所述电梯输入装置及所述电梯电机连接，用于接收所述电梯输入装置发送的电梯请求信息并根据电梯请求信息控制电梯电机的运行。
根据本公开的另一个方面，提供了一种信息处理方法，包括：
处理模块接收电梯请求信息，并对电梯请求信息进行编码；
人工神经网络运算模块接收编码后的电梯请求信息，并根据编码后的电梯请求信息执行神经网络运算以确定电梯任务调度机制；以及
处理模块根据所述电梯任务调度机制、电梯繁忙信息及人流集中信息控制电梯运行。
在一些实施例中，所述处理模块的编码器接收用户输入的电梯请求信息并进行编码；
所述处理模块的存储器接收并存储编码后的电梯请求信息；
所述处理模块的运算器确定所述电梯繁忙信息及人流集中信息，根据所述电梯任务调度机制、电梯繁忙信息及人流集中信息输出用于控制电梯运行的数字信号；
所述处理模块的数模转换器将所述运算器输出的数字信号转换为电信号以控制电梯运行。
在一些实施例中，所述电梯请求信息包括一个或多个电梯楼层请求信息以及一个或多个电梯上下行请求信息。
在一些实施例中，在人工神经网络运算模块用于接收编码后的电梯请求信息，并根据编码后的电梯请求信息执行神经网络运算，确定电梯任务调度机制的步骤中，
所述人工神经网络运算模块接收编码后的电梯请求信息，通过长短期记忆网络LSTM模型基于损失函数计算用户加入电梯执行队列的最小损失函数调度代价的梯度方向，自适应地更新LSTM模型参数，进而输出电梯调度机制。
在一些实施例中，所述损失函数调度代价为指电梯执行队列中每层用户等待时间的加权平均值，即优化目标为所有请求电梯使用的用户的平均等待时间最短，其中所赋权值为用户重要性等级；或者所述损失函数调度代价为电梯上下行的总的楼层数之和，即优化目标为电梯运行总距离最短。
在一些实施例中，根据电梯繁忙信息的阈值分类控制电梯运行个数，并根据人流集中信息控制电梯的停用或启用。
(三)有益效果
(1)本公开信息处理装置、方法及智能电梯，能够提高电梯运行效率，有效缩短用户等待时间，节省资源；如在空闲时期，可根据繁忙度(电梯繁忙信息)进行电梯集群资源的部分停用，通过打破电梯一路上行或一路下行的调度模式节省用户等待响应时间。
(2)本公开信息处理装置、方法及智能电梯，自适应学习更新网络参数，实时最优化控制电梯调度，实时学习与更新电梯调度队列，根据时间、繁忙度等因素。
(3)本公开信息处理装置、方法及智能电梯，利用神经网络芯片实现电梯智能调度，可以更好的适应各种不同的应用场景，同时解决了实时运行的神经网络的延迟问题。
附图说明
图1为依据本公开实施例信息处理装置方框图。
图2为依据本公开实施例处理模块方框图。
图3为依据本公开实施例人工神经网络运算模块方框图。
图4为依据本公开实施例人工神经网络运算模块另一方框图。
图5为依据本公开实施例智能电梯方框图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开作进一步的详细说明。
本公开提供了一种信息处理装置，通过打破电梯一路上行或一路下行的调度模式，自适应学习更新网络参数，实时最优化控制电梯调度，节省了资源，有效缩短用户等待时间，提高了电梯运行效率，利用神经网络芯片实现电梯智能调度，可以更好的适应各种不同的应用场景。
在一实施例中，如图1所示，所述信息处理装置包括处理模块和人工神经网络运算模块；具体的，所述处理模块用于接收电梯请求信息，对电梯请求信息进行编码，以及确定电梯繁忙信息(例如电梯繁忙度)及人流集中信息(例如人流集中情况)；所述人工神经网络运算模块用于接收编码后的电梯请求信息，并根据编码后的电梯请求信息执行神经网络运算以确定电梯任务调度机制(例如电梯执行队列)；所述处理模块用于根据所述电梯任务调度机制、电梯繁忙信息及人流集中信息控制电梯运行。其中，所述人工神经网络运算模块可为神经网络芯片。
在一实施例中，如图2所示，所述处理模块包括：编码器、存储器、运算器、数模转换器以及数据I/O单元。具体的，所述编码器用于接收用户输入的电梯请求信息并进行编码；所述存储器用于存储编码后的电梯请求信息；所述运算器用于确定电梯繁忙信息及人流集中信息，并根据电梯任务调度机制、电梯繁忙信息及人流集中信息输出用于控制电梯运行的数字信号；所述数模转换器用于将所述控制电梯运行的数字信号转换为控制电梯运行的电信号；以及所述数据I/O单元用于实现编码器、存储器、运算器、数模转换器、及人工神经网络运算模块相互之间的数据读写。
在一实施例中，如图3所示，所述人工神经网络运算模块包括：存储单元、直接内存存取单元(Direct Memory Access，DMA)、运算单元、控制单元、指令缓存单元、权值缓存单元、输入神经元缓存单元、输出神经元缓存单元。
具体的，所述存储单元用于存储数据和指令，其中所述数据包括输入神经元，输出神经元，权值，评分，错误模式判断结果等等；
所述运算单元用于根据所述存储单元中存储的指令对所述数据执行相应的运算；所述运算单元主要执行三步运算，第一步是将输入神经元和权值数据相乘；第二步执行加法树运算，用于将第一步的结果通过加法树逐级相加，得到加权和，根据需要对加权和加偏置或不做处理；第三步对第二步得到的结果执行激活函数运算，得到输出神经元。所述激活函数可以是sigmoid函数、tanh函数、ReLU函数或softmax函数等。
所述直接内存存取单元(Direct Memory Access，DMA)用于在所述存储单元、指令缓存单元、权值缓存器、输入神经元缓存器和输出神经元缓存器中进行数据或者指令读写；
所述控制单元用于从所述指令缓存中读取专用指令，并将其译码成运算单元指令并输入至运算单元；
所述指令缓存单元用于存储专用指令；
所述权值缓存单元用于缓存权值数据；
所述输入神经元缓存单元用于缓存输入到映射单元的输入神经元；
所述输出神经元缓存单元用于缓存运算单元输出的输出神经元。
在一实施例中，如图4所示，所述人工神经网络运算模块除了包括存储单元、直接内存存取单元(Direct Memory Access，DMA)、运算单元、控制单元、指令缓存单元、权值缓存单元、输入神经元缓存单元、输出神经元缓存单元之外，还包括预处理模块。
具体的，所述预处理模块与所述存储单元连接，用于对原始输入数据，即一组或一个包含监控视频关键帧图片，进行预处理，得到与芯片所使用的人工神经网络的位于最底层的输入层规模相契合的图像数据。其中所述预处理包括切分、高斯滤波、二值化、正则化、归一化等。
可选的，所述预处理模块可独立于芯片存在，即一个装置，包括预处理模块和芯片。预处理模块和芯片如上所述。
可选的，所述芯片的输入数据可以来源于监控摄像头，手机，电脑，笔记本，平板电脑等连续时间图像采集装置。
在上述实施例的基础上，本公开还进一步提供了一种智能电梯，如图5所示，所述智能电梯包括所述信息处理装置，还包括电梯输入装置和电梯电机；其中，所述信息处理装置与所述电梯输入装置及所述电梯电机连接，用于接收所述电梯输入装置发送的电梯请求信息并根据电梯请求信息生成电梯控制信息，以及根据电梯控制信息控制电梯电机的运行。其中，所述电梯输入装置包括但不限于电梯按钮。
具体的，所述信息处理装置的处理模块为电梯编码与控制模块。用户通过电梯按钮输入楼层请求及上下行请求等电梯请求信息的电信号，所述编码器用于对电梯请求信息的电信号进行编码，以得到人工神经网络运算模块可以处理的数字信号。
作为上述编码处理的一个示例性说明，例如输入用户电梯请求信息中的用户请求由1代表上行，由0代表下行(当然也可以反过来，0代表上行，1代表下行)，与楼层号的二进制编码共同组成输入编码二进制电梯请求信息。当然也可以有其他的编码方式构成包含请求方向(上行、下行)与请求楼层或其他信息的请求编码作为输入。
所述数据I/O单元与所述编码器及所述人工神经网络运算模块连接，用于接收所述编码器输出的数字信号，并将其传入人工神经网络运算模块作为输入。
所述数据I/O单元与所述人工神经网络运算模块及所述存储器连接，用于接收人工神经网络运算模块输出端的输出(即电梯执行队列，执行队列是指经过调度后的最终电梯请求所构成的队列，与原始任务队列及任务队列的区别在于，执行队列不会再进行改变，可直接变为模拟信号控制电机运行)，并将电梯执行队列存入存储器，后续再由存储器发送至运算器。需要说明的是，人工神经网络运算模块的输入数据包括电梯请求信息经编码之后得到的数字队列(即原始任务队列)，人工神经网络运算模块的中间运算结果是经调度处理之后得到的数字队列(即任务队列)，人工神经网络运算模块的输出为经过调度后的最终电梯请求所构成的队列，即电梯执行队列。
所述数据I/O单元与所述存储器及所述运算器连接，用于从所述存储器读取电梯执行队列输入到所述运算器。
所述数据I/O单元与所述运算器及所述数模转换器连接，用于读取电梯执行队列、电梯繁忙度及人流集中情况，生成电梯控制信息(用于控制电梯运行数字信号)，输入到数模转换器中。
所述存储器与所述数据I/O单元连接，用于存储未经调度处理的原始任务队列(原始任务队列是指未经处理调度的任务队列，其是由对电梯请求信息进行编码后得到的数字编码所构成的队列)和经过调度处理的电梯执行队列；其中原始任务队列可经由所述数据I/O单元连接发送至所述人工神经网络运算模块，所述电梯执行队列可经由所述数据I/O单元连接发送至所述运算器。
所述运算器与所述数据I/O单元连接，用于经由所述数据I/O单元读取所述存储器中存储的电梯执行队列，统计输入队列指令类型及其个数，以及计算电梯繁忙度(指令个数)以及人流集中情况(各楼层停留状况)，由此得到电梯控制信息的数字信号。
所述数模转换器与所述运算器连接，用于将输入的用于控制电梯运行的数字信号转换为模拟电流信号，控制电梯群电机运转。
可选的，所述信息处理装置根据所述人工神经网络运算模块输出的电梯执行队列，以及所述运算器统计的电梯繁忙度及人流集中楼层情况，控制电梯运行。
所述人工神经网络运算模块可以为人工神经网络芯片，人工神经网络芯片的存储单元实时与电梯外部设备(即处理模块)交互用户电梯请求信息，将电梯请求信息存入存储单元中作为输入数据，输入数据包括但不仅限于一组包含一个或多个请求楼层以及上下行的数字编码；人工神经网络运算模块根据当前输入数据以及一预定时间内的历史用户输入进行训练，预测并给出对于此当前输入的电梯调度机制的方案。其中用户请求可以是原始输入，也可以是原始输入经过编码处理之后的结果。
可选的，所述信息处理装置能够进行自适应训练，例如：
该装置输入一组包含一个或多个用户请求队列的数字信息，如经过各种编码后的原始任务队列等。装置将输入的用户请求输入到当前的神经网络结构当中，通过长短期记忆网络(LSTM)模型初始化参数与相关输入数据的运算结果，得到损失函数(统计衡量请求处理的调度代价)计算用户加入执行队列的最小代价的梯度方向，自适应地更新LSTM中的参数(如权值、偏置等)，进而生成训练生成新的LSTM模型参数，进而输出将当前输入的用户请求组插入到电梯待执行队列后的执行队列中，并对外返回电梯调度的执行队列，实时智能控制电梯运行。
可选的，上述损失函数调度代价可以是指电梯执行队列中每层用户等待时间的加权平均值，即优化目标为所有请求电梯使用的用户的平均等待时间的统计量(等待时间最短)，其中所赋权值为用户重要性等级。损失函数调度代价还可以是电梯上下行的总的楼层数之和，即优化目标为电梯运行总距离(能耗最省)等等。优选的，上述自适应训练过程是实时处理的。
上述装置工作的整体过程为：
步骤1，将经编码后的输入数据经预处理模块传入存储单元或直接传入存储单元；
步骤2，DMA(Direct Memory Access，直接内存存取)将其分批传入指令缓存单元，输入神经元缓存单元，权值缓存单元中；
步骤3，控制单元从指令缓存单元中读取指令，将其译码后传入运算单元；
步骤4，根据指令，运算单元执行相应的运算：在神经网络的各个层中，运算主要分为三步：步骤4.1，将对应的输入神经元和权值相乘；步骤4.2，执行加法树运算，即将步骤4.1的结果通过加法树逐级相加，得到加权和，根据需要对加权和加偏置或不做处理；步骤4.3，对步骤4.2得到的结果执行激活函数运算，得到输出神经元，并将其传入输出神经元缓存中。
步骤5，重复步骤2到步骤4，直到所有数据运算完毕，将运算完毕的结果作为电梯执行有序序列由DMA存入相应的判断结果存储地址，并输出到电梯执行队列中。
步骤6，通过外部设备(即前述处理模块)的电梯执行队列，暂存并统计电梯此时段的繁忙度以及人流集中情况，根据电梯繁忙度的阈值分类决定运行电梯个数，并通过人流集中情况决定停用或启用的电梯，然后发出电梯控制电信号控制电梯运行。
在一些实施例中，本公开还提供了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，所述计算机程序使得计算机执行所述方法。
在一些实施例中，本公开还提供了一种芯片，所述芯片包括如上所述的计算装置。
在一些实施例中，本公开还提供了一种芯片封装结构，所述芯片封装结构包括如上所述的芯片。
在一些实施例中，本公开还提供了一种板卡，所述板卡包括如上所述的芯片封装结构。
在一些实施例中，本公开还提供了一种电子设备，所述电子设备包括如上所述的板卡。
在一些实施例中，所述电子设备包括数据处理装置、机器人、电脑、打印机、扫描仪、平板电脑、智能终端、手机、行车记录仪、导航仪、传感器、摄像头、服务器、云端服务器、相机、摄像机、投影仪、手表、耳机、移动存储、可穿戴设备、交通工具、家用电器、和/或医疗设备。
在一些实施例中，所述交通工具包括飞机、轮船和/或车辆；所述家用电器包括电视、空调、微波炉、冰箱、电饭煲、加湿器、洗衣机、电灯、燃气灶、油烟机；所述医疗设备包括核磁共振仪、B超仪和/或心电图仪。
以上所述的具体实施例，对本公开的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本公开的具体实施例而已，并不用于限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (12)

1.一种信息处理装置，包括：处理模块和人工神经网络运算模块；其中，所述处理模块用于接收电梯请求信息，并对电梯请求信息进行编码；所述人工神经网络运算模块用于接收编码后的电梯请求信息，并根据编码后的电梯请求信息执行神经网络运算以确定电梯任务调度机制；所述处理模块用于根据所述电梯任务调度机制、电梯繁忙信息及人流集中信息控制电梯运行。
2.根据权利要求1所述的信息处理装置，其中，所述处理模块包括：
编码器，用于接收用户输入的电梯请求信息并进行编码；
存储器，用于存储编码后的电梯请求信息；
运算器，用于确定所述电梯繁忙信息及人流集中信息，并根据所述电梯任务调度机制、电梯繁忙信息及人流集中信息输出用于控制电梯运行的数字信号；
数模转换器，用于将所述控制电梯运行的数字信号转换为控制电梯运行的电信号；以及
数据I/O单元，用于实现编码器、存储器、运算器、数模转换器、及人工神经网络运算模块相互之间的数据读写。
3.根据权利要求1所述的信息处理装置，其中，所述电梯请求信息包括一个或多个电梯楼层请求信息以及一个或多个电梯上下行请求信息。
4.根据权利要求1所述的信息处理装置，其中，所述人工神经网络运算模块用于接收编码后的电梯请求信息，通过长短期记忆网络LSTM模型基于损失函数计算用户加入电梯执行队列的最小损失函数调度代价的梯度方向，自适应地更新LSTM模型参数，进而输出电梯调度机制。
5.根据权利要求4所述的信息处理装置，其中，所述损失函数调度代价为指电梯执行队列中每层用户等待时间的加权平均值，即优化目标为所有请求电梯使用的用户的平均等待时间最短，其中所赋权值为用户重要性等级；或者所述损失函数调度代价为电梯上下行的总的楼层数之和，即优化目标为电梯运行总距离最短。
6.一种智能电梯，其包括如权利要求1至5中任一项所述信息处理装置，还包括电梯输入装置和电梯电机；其中，所述信息处理装置与所述电梯输入装置及所述电梯电机连接，用于接收所述电梯输入装置发送的电梯请求信息并根据电梯请求信息控制电梯电机的运行。
7.一种信息处理方法，包括：
处理模块接收电梯请求信息，并对电梯请求信息进行编码；
人工神经网络运算模块接收编码后的电梯请求信息，并根据编码后的电梯请求信息执行神经网络运算以确定电梯任务调度机制；以及
处理模块根据所述电梯任务调度机制、电梯繁忙信息及人流集中信息控制电梯运行。
8.根据权利要求7所述的信息处理方法，其中，
所述处理模块的编码器接收用户输入的电梯请求信息并进行编码；
所述处理模块的存储器接收并存储编码后的电梯请求信息；
所述处理模块的运算器确定所述电梯繁忙信息及人流集中信息，根据所述电梯任务调度机制、电梯繁忙信息及人流集中信息输出用于控制电梯运行的数字信号；
所述处理模块的数模转换器将所述运算器输出的数字信号转换为电信号以控制电梯运行。
9.根据权利要求7所述的信息处理方法，其中，所述电梯请求信息包括一个或多个电梯楼层请求信息以及一个或多个电梯上下行请求信息。
10.根据权利要求7所述的信息处理方法，其中，在人工神经网络运算模块用于接收编码后的电梯请求信息，并根据编码后的电梯请求信息执行神经网络运算，确定电梯任务调度机制的步骤中，
所述人工神经网络运算模块接收编码后的电梯请求信息，通过长短期记忆网络LSTM模型基于损失函数计算用户加入电梯执行队列的最小损失函数调度代价的梯度方向，自适应地更新LSTM模型参数，进而输出电梯调度机制。
11.根据权利要求10所述的信息处理方法，其中，
所述损失函数调度代价为指电梯执行队列中每层用户等待时间的加权平均值，即优化目标为所有请求电梯使用的用户的平均等待时间最短，其中所赋权值为用户重要性等级；或者所述损失函数调度代价为电梯上下行的总的楼层数之和，即优化目标为电梯运行总距离最短。
12.根据权利要求7所述的信息处理方法，其中，根据电梯繁忙信息的阈值分类控制电梯运行个数，并根据人流集中信息控制电梯的停用或启用。
CN201810413441.2A 2018-05-02 2018-05-02 基于神经网络的信息处理装置及方法 Active CN108545556B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810413441.2A CN108545556B (zh) 2018-05-02 2018-05-02 基于神经网络的信息处理装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810413441.2A CN108545556B (zh) 2018-05-02 2018-05-02 基于神经网络的信息处理装置及方法

Publications (2)

Publication Number Publication Date
CN108545556A true CN108545556A (zh) 2018-09-18
CN108545556B CN108545556B (zh) 2019-10-01

Family

ID=63513387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810413441.2A Active CN108545556B (zh) 2018-05-02 2018-05-02 基于神经网络的信息处理装置及方法

Country Status (1)

Country Link
CN (1) CN108545556B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766954A (zh) * 2019-01-31 2019-05-17 北京市商汤科技开发有限公司 一种目标对象处理方法、装置、电子设备及存储介质
CN109978026A (zh) * 2019-03-11 2019-07-05 浙江新再灵科技股份有限公司 一种基于lstm网络的电梯位置检测方法及系统
CN110135241A (zh) * 2019-03-27 2019-08-16 浙江新再灵科技股份有限公司 一种电梯行程的统计分析系统
CN110347058A (zh) * 2019-06-23 2019-10-18 上海有个机器人有限公司 通过智能升降设备与智能机器人建立通讯连接并进行控制的方法
CN111598211A (zh) * 2020-04-13 2020-08-28 北京百度网讯科技有限公司 电梯调度模型训练方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1058759A (zh) * 1990-05-29 1992-02-19 三菱电机株式会社 电梯控制装置
JPH08165063A (ja) * 1994-12-13 1996-06-25 Fujitec Co Ltd エレベータの群管理制御装置
JPH08255298A (ja) * 1995-03-16 1996-10-01 Mitsubishi Electric Corp 交通状態判別装置
CN105184366A (zh) * 2015-09-15 2015-12-23 中国科学院计算技术研究所 一种时分复用的通用神经网络处理器

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1058759A (zh) * 1990-05-29 1992-02-19 三菱电机株式会社 电梯控制装置
JPH08165063A (ja) * 1994-12-13 1996-06-25 Fujitec Co Ltd エレベータの群管理制御装置
JPH08255298A (ja) * 1995-03-16 1996-10-01 Mitsubishi Electric Corp 交通状態判別装置
CN105184366A (zh) * 2015-09-15 2015-12-23 中国科学院计算技术研究所 一种时分复用的通用神经网络处理器

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109766954A (zh) * 2019-01-31 2019-05-17 北京市商汤科技开发有限公司 一种目标对象处理方法、装置、电子设备及存储介质
CN109766954B (zh) * 2019-01-31 2020-12-04 北京市商汤科技开发有限公司 一种目标对象处理方法、装置、电子设备及存储介质
US11403489B2 (en) 2019-01-31 2022-08-02 Beijing Sensetime Technology Development Co., Ltd. Target object processing method and apparatus, electronic device, and storage medium
CN109978026A (zh) * 2019-03-11 2019-07-05 浙江新再灵科技股份有限公司 一种基于lstm网络的电梯位置检测方法及系统
CN110135241A (zh) * 2019-03-27 2019-08-16 浙江新再灵科技股份有限公司 一种电梯行程的统计分析系统
CN110347058A (zh) * 2019-06-23 2019-10-18 上海有个机器人有限公司 通过智能升降设备与智能机器人建立通讯连接并进行控制的方法
CN110347058B (zh) * 2019-06-23 2021-08-24 上海有个机器人有限公司 通过智能升降设备与智能机器人建立通讯连接并进行控制的方法
CN111598211A (zh) * 2020-04-13 2020-08-28 北京百度网讯科技有限公司 电梯调度模型训练方法、装置、电子设备和存储介质
CN111598211B (zh) * 2020-04-13 2023-07-04 北京百度网讯科技有限公司 电梯调度模型训练方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN108545556B (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN108545556B (zh) 基于神经网络的信息处理装置及方法
CN111835827B (zh) 物联网边缘计算任务卸载方法及系统
CN113950066B (zh) 移动边缘环境下单服务器部分计算卸载方法、系统、设备
Wu et al. Accuracy-guaranteed collaborative DNN inference in industrial IoT via deep reinforcement learning
Wang et al. Computation offloading in multi-access edge computing using a deep sequential model based on reinforcement learning
CN107879206B (zh) 电梯调度方法、装置、设备及存储介质
Dai et al. A probabilistic approach for cooperative computation offloading in MEC-assisted vehicular networks
CN109669768B (zh) 一种面向边云结合架构的资源分配和任务调度方法
CN113032120B (zh) 一种基于边缘计算的工业现场大数据任务协同调度方法
CN110971706A (zh) Mec中近似最优化与基于强化学习的任务卸载方法
CN108764468A (zh) 用于智能识别的人工神经网络处理器
CN112533237B (zh) 工业互联网中支持大规模设备通信的网络容量优化方法
CN107729143A (zh) 应用控制方法、装置、存储介质及电子设备
CN108639882B (zh) 基于lstm网络模型的处理芯片与包含其的运算装置
CN110535700B (zh) 一种多用户多边缘服务器场景下的计算卸载方法
CN113573363B (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN114546608A (zh) 一种基于边缘计算的任务调度方法
CN113626104A (zh) 边云架构下基于深度强化学习的多目标优化卸载策略
CN116957698A (zh) 一种基于改进时序模式注意力机制的电价预测方法
CN112104867A (zh) 一种视频处理方法、视频处理装置、智能设备及存储介质
CN116367231A (zh) 基于ddpg算法的边缘计算车联网资源管理联合优化方法
CN115473896A (zh) 基于dqn算法的电力物联网卸载策略和资源配置优化方法
CN108675071A (zh) 基于人工神经网络处理器的云端协同智能芯片
CN116112488A (zh) 一种面向mec网络的细粒度任务卸载及资源分配方法
CN113032113B (zh) 任务调度方法及相关产品

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