CN110255309A - 电梯乘客乘梯习惯的识别方法 - Google Patents

电梯乘客乘梯习惯的识别方法 Download PDF

Info

Publication number
CN110255309A
CN110255309A CN201910449301.5A CN201910449301A CN110255309A CN 110255309 A CN110255309 A CN 110255309A CN 201910449301 A CN201910449301 A CN 201910449301A CN 110255309 A CN110255309 A CN 110255309A
Authority
CN
China
Prior art keywords
boarding
behavior
elevator
boarding behavior
passenger
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
CN201910449301.5A
Other languages
English (en)
Other versions
CN110255309B (zh
Inventor
陈玉东
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.)
Shanghai Mitsubishi Elevator Co Ltd
Original Assignee
Shanghai Mitsubishi Elevator Co Ltd
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 Shanghai Mitsubishi Elevator Co Ltd filed Critical Shanghai Mitsubishi Elevator Co Ltd
Priority to CN201910449301.5A priority Critical patent/CN110255309B/zh
Publication of CN110255309A publication Critical patent/CN110255309A/zh
Application granted granted Critical
Publication of CN110255309B publication Critical patent/CN110255309B/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
    • 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
    • B66B1/28—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration electrical
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0012—Devices monitoring the users of the elevator system
    • 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
    • B66B2201/211—Waiting time, i.e. response time
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)
  • Elevator Control (AREA)

Abstract

本发明公开了一种电梯乘客乘梯习惯的识别方法，其中所述乘梯习惯是用于描述周期性重复的乘客乘梯行为的规律的总称，所述识别方法包括：步骤S1，对电梯的历史运行数据进行分析，识别乘客的乘梯行为的分布规律；步骤S2，利用识别到的所述分布规律对乘客的乘梯行为进行建模，得到乘客的乘梯习惯模型。本发明通过乘梯行为的分布情况及乘梯行为发生率对乘客乘梯行为的周期性进行判断，并在乘梯行为具有周期性的基础上获得乘客乘梯习惯模型，这样可以准确识别乘客的乘梯习惯，进而为基于乘客乘梯习惯的电梯控制提供可靠的实施基础。

Description

电梯乘客乘梯习惯的识别方法
技术领域
本发明与电梯技术有关，特别属于一种用于电梯乘客乘梯习惯的识别方法。
背景技术
在电梯的实际使用过程中，因乘客的规律性出行往往使得电梯的运行呈现出一定的规律性。例如，每个工作日早晨7点钟左右，电梯会响应某乘客的乘梯召唤而停靠在某一楼层，乘客进入轿厢后运行至底楼大厅后打开轿厢门，乘客离开电梯。对于这种应用场景，现有的电梯一般是在接到乘客的乘梯召唤信号后才由其当前所在位置运行至乘客所在楼层。鉴于前面的响应方式，乘客进入轿厢前需要在所在楼层等待一定时间以便电梯轿厢由其当前所在位置运行至乘客所在楼层，这样无疑增加了乘客的等待时间。
为了解决上述乘客的等待问题，授权号为CN104150291B的中国发明专利和公开号为JP特开2002-37543A的日本专利提出将当前时间与电梯历史运行时间进行匹配，且当匹配成功时控制电梯使其运行至对应楼层等待召唤，籍此缩短乘客的等待时间。
在上述现有的技术方案中，核心的技术特征就是作为当前时间的匹配对象并且能够准确描述乘客乘梯习惯的被匹配时间，因为该被匹配时间决定了匹配结果而该匹配结果则会影响后续电梯的控制模式。因此，如何准确地识别乘客的乘梯习惯就成为通过控制电梯提前停靠在乘客出发楼层来缩短乘客等候时间的关键问题。但是，目前已公开的现有技术都尚未涉及如何自动识别乘客乘梯习惯这一问题。
发明内容
本发明要解决的技术问题是提供一种电梯乘客乘梯习惯的识别方法，可以准确识别乘客的乘梯习惯，进而为基于乘客乘梯习惯的电梯控制提供实施基础。
为了解决上述问题，本发明提供的电梯乘客乘梯习惯的识别方法，其中，所述乘梯习惯是用于描述周期性重复的乘客乘梯行为的规律的总称，所述识别方法包括：
步骤S1，对电梯的历史运行数据进行分析，识别乘客的乘梯行为的分布规律；
步骤S2，利用识别到的所述分布规律对乘客的乘梯行为进行建模，得到乘客的乘梯习惯模型。
其中在上述方法中，所述步骤1的具体步骤如下：
步骤S11，选择将要进行分析的所述电梯历史运行数据的时间限定范围；
步骤S12，获取所述时间限定范围内的所述电梯历史运行数据中的乘梯行为相关数据；
步骤S13，对所述乘梯行为相关数据进行分析，根据分析结果判断乘梯行为是否具有分布规律，如果是，则输出所述分布规律，否则结束。
进一步地，在所述步骤S12中，所述乘梯行为相关数据至少包括电梯每次运行的时刻、每次运行对应的出发楼层。更进一步地，所述乘梯行为相关数据还包括乘客的出行方向、目的楼层、呼梯信号中的至少一项。
进一步地，所述步骤S13中，分别对每个出发楼层所对应的所述乘梯行为相关数据进行分析以判断所述乘梯行为是否具有分布规律，并且在判定所述乘梯行为具有分布规律时综合周期性重复的乘客乘梯行为的所有规律以得到最终的乘客乘梯习惯。
进一步地，所述步骤S13的具体步骤包括：
步骤S131，从所述乘梯行为相关数据中提取所有出发楼层组成出发楼层集合；
步骤S132，从所述出发楼层集合中选取一个未经分析的出发楼层；
步骤S133，对选取的所述出发楼层对应的乘梯行为相关数据进行分析，并根据分析结果判断该出发楼层对应的乘梯行为是否具有分布规律，如果是，则将该出发楼层作为具有时间分布规律的出发楼层，然后进入步骤S134，否则直接进入步骤S134；
步骤S134，判断所述出发楼层集合是否存在未经分析的出发楼层，如果是，则返回步骤S132，否则进入步骤S135；
步骤S135，将所有的具有时间分布规律的出发楼层对应的乘梯行为的规律合并，得到乘客乘梯习惯；
步骤S136，结束。
其中较佳地，所述出发楼层是在乘梯行为相关数据中出现至少一次且产生呼梯信号的楼层。
进一步地，所述步骤S133进一步具体包括如下步骤：
步骤S133A，建立备选周期单位集合；
步骤S133B，从所述备选周期单位集合中选定一种周期单位；
步骤S133C，分析所述乘梯行为在所述周期单位中的分布情况；
步骤S133D，计算所述乘梯行为在所述周期单位中分布情况的分布评价指标；
步骤S133E，根据所述分布评价指标判断所述乘梯行为是否具有周期性，如果乘梯行为具有周期性，则将当前周期单位作为乘梯行为发生周期并输出判断结果，进入步骤S133G，否则进入步骤S133F；
步骤S133F，判断是否已遍历备选周期单位集合中的所有周期单位，如果是，则判定乘梯行为不具有周期性并进入步骤S133G，否则进入步骤S133B；
步骤S133G，结束。
其中较佳地，所述备选周期单位集合由表示时间长度的时间度量单位组成，所述时间度量单位包括N1年、N2月、N3周、N4日、N5小时、N6分钟中的至少一项，其中N1、N2、N3、N4、N5和N6均为自然数。
其中较佳地，所述步骤S133B中，从所述备选周期单位集合中选取一种未经选过的最短周期单位作为选定的周期单位。
进一步优选地，在步骤S133B和步骤S133C中还包括如下步骤：
步骤A1，计算乘梯行为在时间限定范围内的电梯历史运行数据中的发生情况，得到乘梯行为发生率，其中，所述乘梯行为发生率是指乘梯行为的实际发生次数与选定的周期单位在时间限定范围内的数量之间的比值；
步骤A2，将所述乘梯行为发生率与设定阈值进行比较，如果所述乘梯行为发生率不小于所述设定阈值，则进入步骤S133C，否则判定所述乘梯行为发生率过低而不具备周期性判断基础，进入步骤S133G。
进一步优选地，在步骤S133B和步骤S133C中还包括如下步骤：
步骤A1，计算乘梯行为在时间限定范围内的电梯历史运行数据中的发生情况，得到乘梯行为发生率，其中所述乘梯行为发生率是指乘梯行为的实际发生次数与选定的周期单位在时间限定范围内的数量之间的比值；
步骤A2，将所述乘梯行为发生率与设定阈值进行比较，如果所述乘梯行为发生率不小于所述设定阈值，则进入步骤S133C，否则进入步骤A3；
步骤A3，找出时间限定范围内导致乘梯行为未发生的可能因素，并将所述可能因素作为影响乘梯行为发生率的可能干扰因素；
步骤A4，判断所述可能干扰因素是否为影响乘梯行为发生率的确定干扰因素，如果是，则进入步骤A5，否则判定所述乘梯行为发生率过低而不具备周期性判断基础，进入步骤S133G；
步骤A5，排除确定干扰因素对乘梯行为发生率的影响，去除所有确定干扰因素对应的周期单位，进入步骤S133C。
其中在步骤A3中，找出时间限定范围内导致乘梯行为未发生的可能因素的方法是对时间限定范围内未发生乘梯行为的时间进行分析并获取共有特性，或者比较未发生乘梯行为的时间的共有特性与发生乘梯行为的时间的共有特性之间的差异。
其中在步骤A4中，判断所述可能干扰因素是否为影响乘梯行为发生率的确定干扰因素的步骤如下：
步骤a，从时间限定范围内的电梯历史运行数据中去除对应于该可能干扰因素的电梯历史运行数据，得到剩余的电梯历史运行数据；
步骤b，以得到的剩余电梯历史运行数据为基础，再次计算乘梯行为发生率；
步骤c，如果乘梯行为发生率不变，则判定该可能干扰因素并非影响乘梯行为发生率的确定干扰因素，否则判定该可能干扰因素为影响乘梯行为发生率的确定干扰因素。
其中在步骤A5中，排除确定干扰因素影响的方法是从时间限定范围内的电梯历史运行数据中去除对应于所有确定干扰因素的电梯历史运行数据，得到新电梯历史运行数据，并以所述新电梯历史运行数据中的乘梯行为相关数据为基础对乘梯行为进行重新分析。或者，排除确定干扰因素影响的方法是从备选周期单位集合中重新选择周期单位，去除所有确定干扰因素对应的周期单位，并以重新选择且去除所有确定干扰因素对应周期单位的剩余周期单位为基础对乘梯行为进行重新分析。
更进一步地，所述分布评价指标包括集中趋势指标和/或离散趋势指标，其中所述集中趋势指标表示乘梯行为相关数据在时间限定范围内的集中趋势，所述离散趋势指标表示乘梯行为相关数据在时间限定范围内的离散趋势。
更进一步地，当所述离散趋势指标超过预先设定的离散阈值时，判定所述乘梯行为不具有周期性；当所述离散趋势指标不超过预先设定的离散阈值时，判定所述乘梯行为具有周期性。
进一步优选地，在所述步骤S133E中，当判定所述乘梯行为具有周期性时，输出判断结果的同时还输出乘梯行为发生周期、集中趋势指标、离散趋势指标中的至少一项。
进一步优选地，所述时间限定范围是所述乘梯行为发生周期的n倍，且n为大于1的正实数。
更进一步地，当所述离散趋势指标超过预先设定的离散阈值时，从时间限定范围内的电梯历史运行数据中找出超过离散阈值的离散趋势指标所对应的电梯历史运行数据，对超过离散阈值的离散趋势指标所对应的电梯历史运行数据中的乘梯行为进行分析并获取共有特性，或者将超过离散阈值的离散趋势指标所对应的电梯历史运行数据中的乘梯行为的共有特性与未超过离散阈值的离散趋势指标所对应的电梯历史运行数据中的乘梯行为的共有特性进行比较并找出差异，得到导致乘梯行为分布情况中离散趋势指标超过离散阈值的可能因素，并将所述可能因素作为影响乘梯行为分布情况的可能干扰因素。
更进一步地，所述识别方法判断所述可能干扰因素是否为影响乘梯行为分布情况的确定干扰因素的步骤如下：
步骤a，从时间限定范围内的电梯历史运行数据中去除对应于该可能干扰因素的电梯历史运行数据，得到剩余的电梯历史运行数据；
步骤b，以得到的剩余电梯历史运行数据为基础，再次计算乘梯行为在选定的周期单位中分布情况的分布评价指标；
步骤c，如果离散趋势指标仍然超过所述离散阈值，则判定该可能干扰因素并非影响乘梯行为分布情况的确定干扰因素，否则判定该可能干扰因素为影响乘梯行为分布情况的确定干扰因素。
更进一步地，当所述可能干扰因素判定为影响乘梯行为分布情况的确定干扰因素时，从时间限定范围内的电梯历史运行数据中去除对应于所有确定干扰因素的电梯历史运行数据，得到新电梯历史运行数据，并对所述新电梯历史运行数据中的乘梯行为相关数据进行重新分析以判断乘梯行为是否具有分布规律。或者，当所述可能干扰因素判定为影响乘梯行为分布情况的确定干扰因素时，去除所有确定干扰因素对应的周期单位，从备选周期单位集合中重新选择周期单位，并以重新选择且去除所有确定干扰因素对应周期单位的剩余周期单位为基础，重新分析乘梯行为是否具有分布规律。
其中在上述方法中，所述乘梯习惯模型是在乘客的乘梯行为具有分布规律时描述乘客乘梯行为的模型，所述乘梯习惯模型用于预测以给定时刻为起点的至少一个乘梯行为发生周期内的乘客乘梯需求。
进一步地，所述识别方法根据乘梯习惯模型、给定时刻、乘梯行为发生周期和乘客乘梯行为时间分布的集中趋势指标确定以给定时刻为起点的至少一个乘梯行为发生周期内的乘客乘梯需求的发生时刻。
进一步地，所述乘梯习惯模型的输出信息至少包括以给定时刻为起点的至少一个乘梯行为发生周期内的乘客乘梯需求的发生时刻及其对应的乘客出发楼层。
更进一步地，所述乘梯习惯模型的输出信息还包括乘梯行为对应的分布评价指标中的至少一项。
本发明通过乘梯行为的分布情况及乘梯行为发生率对乘客乘梯行为的周期性进行判断，并在乘梯行为具有周期性的基础上获得乘客乘梯习惯模型，这样可以准确识别乘客的乘梯习惯，进而为基于乘客乘梯习惯的电梯控制提供可靠的实施基础。
附图说明
图1为本发明的第一实施例的流程示意图；
图2为图1中的步骤S1的具体流程示意图；
图3为图2中的步骤S13的具体流程示意图；
图4为图3中的步骤S133的具体流程示意图；
图5为本发明的第二实施例的步骤S133的具体流程示意图；
图6为本发明的第三实施例的步骤S133的具体流程示意图；
图7为本发明的第四实施例的步骤S133的具体流程示意图；
图8为本发明的第五实施例的步骤S133的具体流程示意图；
图9为本发明的第六实施例的步骤S133的具体流程示意图。
具体实施方式
目前，为了缩短乘客的候梯时间，现有技术中将当前时间与电梯历史运行时间进行匹配，当匹配成功时则控制电梯提前运行至对应楼层等待召唤，其中作为被匹配对象的历史运行时间是否能够准确描述乘客乘梯习惯成为关键点，但是现有技术并没有公开如何自动识别乘客乘梯习惯的相关内容。
下面结合附图通过特定的具体实施例说明本发明的实施方式，本领域技术人员可以由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。在以下描述中阐述了具体细节以便于充分理解本发明，但是本发明亦可通过其它不同的具体实施例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，本领域技术人员在不背离本发明的精神下可以进行各种类似推广和替换。
第一实施例
首先，为了对本发明的电梯乘客乘梯习惯的识别方法进行具体说明，本实施例设定一应用场景，例如电梯所在建筑总共有20个楼层，而且在过去30日中，从未发生过以20楼和13楼为出发层的启动运行，15楼则从未出现呼梯召唤，一乘客每天早晨大约6:00从10楼召唤并搭乘电梯至1楼后离开电梯轿厢，另一乘客每天早晨大约6:20从8楼召唤并搭乘电梯至1楼后离开电梯轿厢，其它楼层均会出现随机的呼梯召唤。
本发明第一实施例的电梯乘客乘梯习惯的识别方法中，所述乘梯习惯是用于描述周期性重复的乘客乘梯行为的规律的总称，该识别方法主要由识别乘客乘梯行为分布规律和对乘客乘梯行为进行建模两部分组成，具体步骤如图1所示，包括：
步骤S1，对电梯的历史运行数据进行分析，识别乘客的乘梯行为的分布规律；
步骤S2，利用识别到的所述分布规律对乘客的乘梯行为进行建模，得到乘客的乘梯习惯模型。
为了识别乘客的乘梯行为的分布规律，步骤1的具体步骤如图2所示，包括：
步骤S11，选择将要进行分析的电梯历史运行数据的时间限定范围；
在本实施例中，时间限定范围设为由当前时刻起往前的30日；
步骤S12，获取时间限定范围内的电梯历史运行数据中的乘梯行为相关数据；
通常情况下，电梯历史运行数据包含的信息很多，例如按钮登记次数、开关门次数、启动次数、运行时间、运行距离、每次启动运行的时刻、出发楼层和目的楼层等等；电梯历史运行数据可以存储在远离电梯运行现场的监控室、远程监控中心等，也可以保存在电梯运行现场的电梯控制柜的相关存储器件中；
对于乘客乘梯习惯的识别，乘梯行为相关数据至少包括电梯每次运行的时刻、每次运行对应的出发楼层，或者还可以包括乘客的出行方向、目的楼层、呼梯信号中的至少一项，实际上，由呼梯信号可以解析出出发楼层、出行方向、目的楼层、呼梯时刻中的一项或多项；
在本实施例中，从保存的电梯历史运行数据查询并获取当前时刻起往前30日的电梯每次运行的时刻、每次运行对应的出发楼层和目的楼层以及呼梯信号，作为后续处理的乘梯行为相关数据；
步骤S13，对所述乘梯行为相关数据进行分析，根据分析结果判断乘梯行为是否具有分布规律，如果是，则输出所述分布规律，否则结束。
为了判断乘梯行为是否具有分布规律，需要对步骤S12得到的乘梯行为相关数据进行分析，显然，针对乘梯行为相关数据进行以判断乘梯行为是否具有分布规律为目的的分析方法有多种。
在本实施例的步骤S13中，分别对每个出发楼层所对应的所述乘梯行为相关数据进行分析以判断所述乘梯行为是否具有分布规律，并且在判定所述乘梯行为具有分布规律时综合周期性重复的乘客乘梯行为的所有规律以得到最终的乘客乘梯习惯。
在本发明中，出发楼层指的是在乘梯行为相关数据中出现至少一次且产生呼梯信号的楼层。
按照本实施例设定的应用场景可知，在过去30日中，电梯启动运行从未作为出发楼层的20楼和13楼以及从未出现呼梯召唤的15楼都不符合上述条件，因此出发楼层不包括13楼、15楼和20楼。
上述分布规律是指乘客乘梯行为的时间分布规律，时间分布规律是指乘客乘梯行为在时间分布上呈周期性，且在周期内具有至少一个出发时刻集中区域。进一步，出发时刻集中区域是指该区域内的乘梯行为都具有相同的出发楼层，且具有相同出发楼层的乘梯行为的数量远高于与该区域临近的相似长度区域内的乘梯行为的数量。很显然，对本领域技术人员来说概率密度曲线可以是任意形状，只要其中存在一定的特定区域，该特定区域对应的概率密度明显大于其临近且与该特定区域不同的区域对应的概率密度即可。如果该特定区域对应的概率密度显著大于其临近区域对应的概率密度，则称之为高峰区域，如果该高峰区域的概率密度为典型区域，则称之为典型分布。
具体地，步骤S13可以按照图3所示的流程示意图对乘梯行为分布规律进行判断，步骤包括：
步骤S131，从所述乘梯行为相关数据中提取所有出发楼层，这些出发楼层组成出发楼层集合；
此处的出发楼层就是在乘梯行为相关数据中出现至少一次且产生呼梯信号的楼层，因此本实施例的出发楼层集合包含除13楼、15楼和20楼之外的其余17个楼层；
步骤S132，从所述出发楼层集合中选取一个未经分析的出发楼层；
在本实施例中，就是从除13楼、15楼和20楼之外的其余17个楼层中选择一个未经分析的出发楼层用于后续分析；
步骤S133，对选取的所述出发楼层对应的乘梯行为相关数据进行分析，并根据分析结果判断该出发楼层对应的乘梯行为是否具有分布规律，如果是，则将该出发楼层作为具有时间分布规律的出发楼层，然后进入步骤S134，否则直接进入步骤S134；
步骤S134，判断所述出发楼层集合是否存在未经分析的出发楼层，如果是，则返回步骤S132，否则进入步骤S135；
步骤S135，将所有的具有时间分布规律的出发楼层对应的乘梯行为的规律合并，得到乘客乘梯习惯；
步骤S136，结束。
对于本实施例的具体应用场景来说，完成上述步骤S134转入步骤S135前，可以知道具有时间分布规律的乘梯行为有两个，乘梯行为1：出发楼层：10楼，时间分布规律：每天早晨大约6:00；乘梯行为2：出发楼层：8楼，时间分布规律：每天早晨大约6:20。
完成步骤S135后，得到该电梯的乘客乘梯习惯(按照时间先后排序)为：每天大约6:00，10楼；每天大约6:20，8楼。
接下来，对上述步骤S133做进一步的展开说明，其中分布规律是指时间分布规律，具体如图4所示，包括如下步骤：
步骤S133A，建立备选周期单位集合；
所述备选周期单位集合由表示时间长度的时间度量单位组成，所述时间度量单位包括N1年、N2月、N3周、N4日、N5小时、N6分钟中的至少一项，其中N1、N2、N3、N4、N5、N6均为自然数；
步骤S133B，从所述备选周期单位集合中选定一种周期单位；
从备选周期单位集合中选择周期单位的方法可以是任意的(当然为避免重复，应当是未被选择过的)，也可以按照一定的规则进行选择，例如，本实施例就是优先从备选周期单位集合中选取一种未经选过的最短周期单位作为选定的周期单位，如选定1日为周期单位；
步骤S133C，分析所述乘梯行为在所述周期单位中的分布情况；
由于本实施例的应用场景中两乘客每天的出发时刻分别是约6:00和约6:20，那么在30日内将分别有30个具体的出发时刻；从统计学角度看，如果将两组共计60个数据作为样本数据，那么这些数据应该是分别以6:00和6:20为中心的正态分布；
步骤S133D，计算所述乘梯行为在所述周期单位中分布情况的分布评价指标；
为了计算乘梯行为在周期单位中分布情况的分布评价指标，需要首先确定分布是双峰分布或是多峰分布，这可以借助于前述时间分布规律的概念来实现；
同样利用统计学知识，分布评价指标包括集中趋势指标和/或离散趋势指标，其中集中趋势指标表示电梯历史运行数据在时间限定范围内的集中趋势(central tendency)，离散趋势指标表示电梯历史运行数据在时间限定范围内的离散趋势(dispersiontendency)，优选的，集中趋势指标包括平均值、中位数、众数、几何平均数和调和平均数中的一项或多项，离散趋势指标包括极差、平均差、四分位数间距、方差、标准差、标准误差和变异系数中的一项或多项；
本实施例中，分布评价指标的集中趋势指标采用平均值，离散趋势指标采用标准差；
步骤S133E，根据所述分布评价指标判断所述乘梯行为是否具有周期性，如果乘梯行为具有周期性，则将当前周期单位作为乘梯行为发生周期并输出判断结果，进入步骤S133G，否则进入步骤S133F；
具体地，当离散趋势指标超过预先设定的离散阈值时，判定所述乘梯行为不具有周期性；当所述离散趋势指标不超过预先设定的离散阈值时，判定所述乘梯行为具有周期性；
当判定乘梯行为具有周期性时，输出判断结果的同时进一步还输出乘梯行为发生周期(即相应的时间周期单位)、集中趋势指标、离散趋势指标中的至少一项；
在本实施例的具体应用场景中，输出的判断结果为：乘梯习惯1(出发楼层：10楼，每天早晨大约6:00)和乘梯习惯2(出发楼层：8楼，每天早晨大约6:20)具有时间分布规律，其余乘梯行为均不具有时间分布规律；同时，还分别输出乘梯行为1和乘梯行为2的时间周期单位为“日”以及对应的平均值和标准差；
步骤S133F，判断是否已遍历备选周期单位集合中的所有周期单位，如果是，则判定乘梯行为不具有周期性并进入步骤S133G，否则进入步骤S133B；
步骤S133G，结束。
优选地，时间限定范围是乘梯行为发生周期的n倍，且n为大于1的正实数，这样可以确保选定的电梯历史运行数据所在的时间限定范围更加合理，当然，也可以针对时间限定范围与乘梯行为发生周期的比例设置一阈值，根据该倍数n与所述阈值间的大小关系判断选定的时间限定范围是否合理。
在步骤S2中，乘梯习惯模型是在乘客的乘梯行为具有分布规律时描述乘客乘梯行为的模型，所述乘梯习惯模型可用于预测以给定时刻为起点的至少一个乘梯行为发生周期内的乘客乘梯需求。
所述识别方法根据乘梯习惯模型、给定时刻、乘梯行为发生周期和乘客乘梯行为时间分布的集中趋势指标确定以给定时刻为起点的至少一个乘梯行为发生周期内的乘客乘梯需求的发生时刻。
具体地，乘梯习惯模型的输出信息至少包括以给定时刻为起点的至少一个乘梯行为发生周期内的乘客乘梯需求的发生时刻及其对应的乘客出发楼层，当然，还可以包括乘梯行为对应的分布评价指标中的至少一项。乘梯习惯模型的输入至少包括给定时刻、乘梯行为发生周期和乘客乘梯行为时间分布的集中趋势指标(用于确定乘梯行为在乘梯行为发生周期内的发生时刻)。
本实施例中，对于“每天大约6:00，10楼”这一乘梯习惯，乘梯行为发生周期为每天，乘客乘梯行为时间分布的集中趋势指标——平均值为6:00，如果当前时间为2019年3月13日16:10，那么可以预测在2019年3月14日大约6:00会出现以10楼为出发楼层的乘梯需求。
第二实施例
在第一实施例的基础上，本实施例进一步考虑影响乘梯行为分布情况的因素。
具体地，本实施例对第一实施例中的步骤S133做进一步的展开说明，如图5所示，具体包括如下步骤：
步骤S133A，建立备选周期单位集合；
步骤S133B，从所述备选周期单位集合中选定一种周期单位；
步骤S133C，分析所述乘梯行为在所述周期单位中的分布情况；
步骤S133D，计算所述乘梯行为在所述周期单位中分布情况的分布评价指标；
步骤S133E，根据所述分布评价指标判断所述乘梯行为是否具有周期性，如果离散趋势指标不超过预先设定的离散阈值，则判定所述乘梯行为具有周期性，将当前周期单位作为乘梯行为发生周期并输出判断结果，进入步骤S133G，否则进入步骤B1；
步骤B1，找出时间限定范围内导致乘梯行为分布情况中离散趋势指标超过离散阈值的可能因素，并将所述可能因素作为影响乘梯行为分布情况的可能干扰因素；
步骤B2，判断所述可能干扰因素是否为影响乘梯行为分布情况的确定干扰因素，如果是，则进入步骤B3，否则进入步骤S133F；
步骤B3，排除确定干扰因素对乘梯行为分布情况的影响，去除所有确定干扰因素对应的周期单位，进入步骤S133F；
步骤S133F，判断是否已遍历备选周期单位集合中的所有周期单位，如果是，则判定乘梯行为不具有周期性并进入步骤S133G，否则进入步骤S133B；
步骤S133G，结束。
在上述步骤B1中，从时间限定范围内的电梯历史运行数据中找出超过离散阈值的离散趋势指标所对应的电梯历史运行数据，对超过离散阈值的离散趋势指标所对应的电梯历史运行数据中的乘梯行为进行分析并获取共有特性，得到导致乘梯行为分布情况中离散趋势指标超过离散阈值的可能因素，并将所述可能因素作为影响乘梯行为分布情况的可能干扰因素。或者，也可以将超过离散阈值的离散趋势指标所对应的电梯历史运行数据中的乘梯行为的共有特性与未超过离散阈值的离散趋势指标所对应的电梯历史运行数据中的乘梯行为的共有特性进行比较并找出差异，得到导致乘梯行为分布情况中离散趋势指标超过离散阈值的可能因素，并将所述可能因素作为影响乘梯行为分布情况的可能干扰因素。
至于步骤B2中上述可能干扰因素到底是不是影响乘梯行为分布情况的确定干扰因素，则可以根据以下步骤进行判断：
步骤a，从时间限定范围内的电梯历史运行数据中去除对应于该可能干扰因素的电梯历史运行数据，得到剩余的电梯历史运行数据；
步骤b，以得到的剩余电梯历史运行数据为基础，再次计算乘梯行为在选定的周期单位中分布情况的分布评价指标；
步骤c，如果离散趋势指标仍然超过所述离散阈值，则判定该可能干扰因素并非影响乘梯行为分布情况的确定干扰因素，否则判定该可能干扰因素为影响乘梯行为分布情况的确定干扰因素。
在步骤B3中，消除确定干扰因素的影响的具体方法可以从时间限定范围内的电梯历史运行数据中去除对应于所有确定干扰因素的电梯历史运行数据，得到新电梯历史运行数据，并对所述新电梯历史运行数据中的乘梯行为相关数据进行重新分析以判断乘梯行为是否具有分布规律。或者，也可以从备选周期单位集合中重新选择周期单位，去除所有确定干扰因素对应的周期单位，并以重新选择且去除所有确定干扰因素对应周期单位的剩余周期单位为基础，重新分析乘梯行为是否具有分布规律。
第三实施例
本实施例与第一实施例相似，不同之处在于：应用场景由每天改为每个工作日。
针对本实施例的应用场景，本实施例对第一实施例中的步骤S133做进一步的展开说明，如图6所示，具体包括如下步骤：
步骤S133A，建立备选周期单位集合；
步骤S133B，从所述备选周期单位集合中选定一种周期单位；
步骤A1，计算乘梯行为在时间限定范围内的电梯历史运行数据中的发生情况，得到乘梯行为发生率；其中，乘梯行为发生率是指乘梯行为的实际发生次数与选定的周期单位在时间限定范围内的数量之间的比值；
步骤A2，将所述乘梯行为发生率与设定阈值进行比较，如果所述乘梯行为发生率不小于所述设定阈值，则进入步骤S133C，否则直接判定所述乘梯行为发生率过低而不具备周期性判断基础，因此判断结果为周期不存在并进入步骤S133G；
步骤S133C，分析所述乘梯行为在所述周期单位中的分布情况；
步骤S133D，计算所述乘梯行为在所述周期单位中分布情况的分布评价指标；
步骤S133E，根据所述分布评价指标判断所述乘梯行为是否具有周期性，如果离散趋势指标不超过预先设定的离散阈值，则判定所述乘梯行为具有周期性，将当前周期单位作为乘梯行为发生周期并输出判断结果，进入步骤S133G，否则进入步骤S133F；
步骤S133F，判断是否已遍历备选周期单位集合中的所有周期单位，如果是，则判定乘梯行为不具有周期性并进入步骤S133G，否则进入步骤S133B；
步骤S133G，结束。
第四实施例
在第三实施例的基础上，本实施例进一步考虑影响乘梯行为分布情况的因素。
具体地，本实施例对第一实施例中的步骤S133做进一步的展开说明，如图7所示，具体包括如下步骤：
步骤S133A，建立备选周期单位集合；
步骤S133B，从所述备选周期单位集合中选定一种周期单位；
步骤A1，计算乘梯行为在时间限定范围内的电梯历史运行数据中的发生情况，得到乘梯行为发生率；其中，乘梯行为发生率是指乘梯行为的实际发生次数与选定的周期单位在时间限定范围内的数量之间的比值；
步骤A2，将所述乘梯行为发生率与设定阈值进行比较，如果所述乘梯行为发生率不小于所述设定阈值，则进入步骤S133C，否则直接判定所述乘梯行为发生率过低而不具备周期性判断基础，因此判断结果为周期不存在并进入步骤S133G；
步骤S133C，分析所述乘梯行为在所述周期单位中的分布情况；
步骤S133D，计算所述乘梯行为在所述周期单位中分布情况的分布评价指标；
步骤S133E，根据所述分布评价指标判断所述乘梯行为是否具有周期性，如果离散趋势指标不超过预先设定的离散阈值，则判定所述乘梯行为具有周期性，将当前周期单位作为乘梯行为发生周期并输出判断结果，进入步骤S133G，否则进入步骤B1；
步骤B1，找出时间限定范围内导致乘梯行为分布情况中离散趋势指标超过离散阈值的可能因素，并将所述可能因素作为影响乘梯行为分布情况的可能干扰因素；
步骤B2，判断所述可能干扰因素是否为影响乘梯行为分布情况的确定干扰因素，如果是，则进入步骤B3，否则进入步骤S133F；
步骤B3，排除确定干扰因素对乘梯行为分布情况的影响，去除所有确定干扰因素对应的周期单位，进入步骤S133F；
步骤S133F，判断是否已遍历备选周期单位集合中的所有周期单位，如果是，则判定乘梯行为不具有周期性并进入步骤S133G，否则进入步骤S133B；
步骤S133G，结束。
步骤B1、步骤B2和步骤B3的具体方法和步骤与第二实施例相同，在此不重复描述。
第五实施例
在第三实施例的基础上，本实施例进一步对乘梯行为发生率过低的情况进行分析处理，具体地，本实施例对第一实施例中的步骤S133做进一步的展开说明，如图8所示，具体包括如下步骤：
步骤S133A，建立备选周期单位集合；
步骤S133B，从所述备选周期单位集合中选定一种周期单位；
步骤A1，计算乘梯行为在时间限定范围内的电梯历史运行数据中的发生情况，得到乘梯行为发生率；其中，乘梯行为发生率是指乘梯行为的实际发生次数与选定的周期单位在时间限定范围内的数量之间的比值；
步骤A2，将所述乘梯行为发生率与设定阈值进行比较，如果所述乘梯行为发生率不小于所述设定阈值，则进入步骤S133C，否则进入步骤A3；
步骤A3，找出时间限定范围内导致乘梯行为未发生的可能因素，并将所述可能因素作为影响乘梯行为发生率的可能干扰因素；
步骤A4，判断所述可能干扰因素是否为影响乘梯行为发生率的确定干扰因素，如果是，则进入步骤A5，否则判定所述乘梯行为发生率过低而不具备周期性判断基础，进入步骤S133G；
步骤A5，排除确定干扰因素对乘梯行为发生率的影响，去除所有确定干扰因素对应的周期单位，进入步骤S133C；
步骤S133C，分析所述乘梯行为在所述周期单位中的分布情况；
步骤S133D，计算所述乘梯行为在所述周期单位中分布情况的分布评价指标；
步骤S133E，根据所述分布评价指标判断所述乘梯行为是否具有周期性，如果离散趋势指标不超过预先设定的离散阈值，则判定所述乘梯行为具有周期性，将当前周期单位作为乘梯行为发生周期并输出判断结果，进入步骤S133G，否则进入步骤S133F；
步骤S133F，判断是否已遍历备选周期单位集合中的所有周期单位，如果是，则判定乘梯行为不具有周期性并进入步骤S133G，否则进入步骤S133B；
步骤S133G，结束。
针对本实施例的应用场景，在步骤A3中，找出导致乘梯行为未发生的可能因素的具体方法如下任一种：1)对时间限定范围内未发生乘梯行为的时间进行分析，获取共有特性，找出导致乘梯行为未发生的可能因素；2)比较未发生乘梯行为的时间的共有特性与发生乘梯行为的时间的共有特性之间的差异，找出导致乘梯行为未发生的可能因素。
至于上述可能干扰因素到底是不是影响乘梯行为发生率的确定干扰因素，在步骤A4中，则可以根据以下步骤进行判断：
步骤a，从时间限定范围内的电梯历史运行数据中去除对应于该可能干扰因素的电梯历史运行数据，得到剩余的电梯历史运行数据；
步骤b，以得到的剩余电梯历史运行数据为基础，再次计算乘梯行为发生率；
步骤c，如果乘梯行为发生率不变，则判定该可能干扰因素并非影响乘梯行为发生率的确定干扰因素，否则判定该可能干扰因素为影响乘梯行为发生率的确定干扰因素。
进一步地，在步骤A5中，消除确定干扰因素的影响的具体方法可以从时间限定范围内的电梯历史运行数据中去除对应于所有确定干扰因素的电梯历史运行数据，得到新电梯历史运行数据，并对所述新电梯历史运行数据中的乘梯行为相关数据进行分析以判断乘梯行为是否具有分布规律。或者，去除所有确定干扰因素对应的周期单位，也可以从备选周期单位集合中重新选择周期单位，并以重新选择且去除所有确定干扰因素对应周期单位的剩余周期单位为基础，重新分析乘梯行为是否具有分布规律。
第六实施例
在第三实施例的基础上，本实施例进一步考虑影响乘梯行为分布情况的因素。
具体地，本实施例对第一实施例中的步骤S133做进一步的展开说明，如图9所示，具体包括如下步骤：
步骤S133A，建立备选周期单位集合；
步骤S133B，从所述备选周期单位集合中选定一种周期单位；
步骤A1，计算乘梯行为在时间限定范围内的电梯历史运行数据中的发生情况，得到乘梯行为发生率；其中，乘梯行为发生率是指乘梯行为的实际发生次数与选定的周期单位在时间限定范围内的数量之间的比值；
步骤A2，将所述乘梯行为发生率与设定阈值进行比较，如果所述乘梯行为发生率不小于所述设定阈值，则进入步骤S133C，否则进入步骤A3；
步骤A3，找出时间限定范围内导致乘梯行为未发生的可能因素，并将所述可能因素作为影响乘梯行为发生率的可能干扰因素；
步骤A4，判断所述可能干扰因素是否为影响乘梯行为发生率的确定干扰因素，如果是，则进入步骤A5，否则判定所述乘梯行为发生率过低而不具备周期性判断基础，进入步骤S133G；
步骤A5，排除确定干扰因素对乘梯行为发生率的影响，去除所有确定干扰因素对应的周期单位，进入步骤S133C；
步骤S133C，分析所述乘梯行为在所述周期单位中的分布情况；
步骤S133D，计算所述乘梯行为在所述周期单位中分布情况的分布评价指标；
步骤S133E，根据所述分布评价指标判断所述乘梯行为是否具有周期性，如果离散趋势指标不超过预先设定的离散阈值，则判定所述乘梯行为具有周期性，将当前周期单位作为乘梯行为发生周期并输出判断结果，进入步骤S133G，否则进入步骤B1；
步骤B1，找出时间限定范围内导致乘梯行为分布情况中离散趋势指标超过离散阈值的可能因素，并将所述可能因素作为影响乘梯行为分布情况的可能干扰因素；
步骤B2，判断所述可能干扰因素是否为影响乘梯行为分布情况的确定干扰因素，如果是，则进入步骤B3，否则进入步骤S133F；
步骤B3，排除确定干扰因素对乘梯行为分布情况的影响，去除所有确定干扰因素对应的周期单位，进入步骤S133F；
步骤S133F，判断是否已遍历备选周期单位集合中的所有周期单位，如果是，则判定乘梯行为不具有周期性并进入步骤S133G，否则进入步骤S133B；
步骤S133G，结束。
步骤A3、步骤A4和步骤A5的具体方法和步骤与第五实施例相同，同样地，步骤B1、步骤B2和步骤B3的具体方法和步骤与第二实施例相同，在此不重复描述。
以上通过具体实施例对本发明进行了详细的说明，上述实施例仅仅是本发明的较佳实施例，本发明并不局限于上述实施方式。在不脱离本发明原理的情况下，本领域的技术人员做出的等效置换和改进，均应视为在本发明所保护的技术范畴内。

Claims (28)

1.一种电梯乘客乘梯习惯的识别方法，其特征在于，所述乘梯习惯是用于描述周期性重复的乘客乘梯行为的规律的总称，所述识别方法包括：
步骤S1，对电梯的历史运行数据进行分析，识别乘客的乘梯行为的分布规律；
步骤S2，利用识别到的所述分布规律对乘客的乘梯行为进行建模，得到乘客的乘梯习惯模型。
2.根据权利要求1所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述步骤1的具体步骤如下：
步骤S11，选择将要进行分析的所述电梯历史运行数据的时间限定范围；
步骤S12，获取所述时间限定范围内的所述电梯历史运行数据中的乘梯行为相关数据；
步骤S13，对所述乘梯行为相关数据进行分析，根据分析结果判断乘梯行为是否具有分布规律，如果是，则输出所述分布规律，否则结束。
3.根据权利要求2所述的电梯乘客乘梯习惯的识别方法，其特征在于，在所述步骤S12中，所述乘梯行为相关数据至少包括电梯每次运行的时刻、每次运行对应的出发楼层。
4.根据权利要求3所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述乘梯行为相关数据还包括乘客的出行方向、目的楼层、呼梯信号中的至少一项。
5.根据权利要求2所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述步骤S13中，分别对每个出发楼层所对应的所述乘梯行为相关数据进行分析以判断所述乘梯行为是否具有分布规律，并且在判定所述乘梯行为具有分布规律时综合周期性重复的乘客乘梯行为的所有规律以得到最终的乘客乘梯习惯。
6.根据权利要求5所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述步骤S13的具体步骤包括：
步骤S131，从所述乘梯行为相关数据中提取所有出发楼层组成出发楼层集合；
步骤S132，从所述出发楼层集合中选取一个未经分析的出发楼层；
步骤S133，对选取的所述出发楼层对应的乘梯行为相关数据进行分析，并根据分析结果判断该出发楼层对应的乘梯行为是否具有分布规律，如果是，则将该出发楼层作为具有时间分布规律的出发楼层，然后进入步骤S134，否则直接进入步骤S134；
步骤S134，判断所述出发楼层集合是否存在未经分析的出发楼层，如果是，则返回步骤S132，否则进入步骤S135；
步骤S135，将所有的具有时间分布规律的出发楼层对应的乘梯行为的规律合并，得到乘客乘梯习惯；
步骤S136，结束。
7.根据权利要求5或6所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述出发楼层是在乘梯行为相关数据中出现至少一次且产生呼梯信号的楼层。
8.根据权利要求6所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述步骤S133进一步具体包括如下步骤：
步骤S133A，建立备选周期单位集合；
步骤S133B，从所述备选周期单位集合中选定一种周期单位；
步骤S133C，分析所述乘梯行为在所述周期单位中的分布情况；
步骤S133D，计算所述乘梯行为在所述周期单位中分布情况的分布评价指标；
步骤S133E，根据所述分布评价指标判断所述乘梯行为是否具有周期性，如果乘梯行为具有周期性，则将当前周期单位作为乘梯行为发生周期并输出判断结果，进入步骤S133G，否则进入步骤S133F；
步骤S133F，判断是否已遍历备选周期单位集合中的所有周期单位，如果是，则判定乘梯行为不具有周期性并进入步骤S133G，否则进入步骤S133B；
步骤S133G，结束。
9.根据权利要求8所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述备选周期单位集合由表示时间长度的时间度量单位组成，所述时间度量单位包括N1年、N2月、N3周、N4日、N5小时、N6分钟中的至少一项，其中N1、N2、N3、N4、N5和N6均为自然数。
10.根据权利要求8所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述步骤S133B中，从所述备选周期单位集合中选取一种未经选过的最短周期单位作为选定的周期单位。
11.根据权利要求8所述的电梯乘客乘梯习惯的识别方法，其特征在于，在步骤S133B和步骤S133C中还包括如下步骤：
步骤A1，计算乘梯行为在时间限定范围内的电梯历史运行数据中的发生情况，得到乘梯行为发生率，其中所述乘梯行为发生率是指乘梯行为的实际发生次数与选定的周期单位在时间限定范围内的数量之间的比值；
步骤A2，将所述乘梯行为发生率与设定阈值进行比较，如果所述乘梯行为发生率不小于所述设定阈值，则进入步骤S133C，否则判定所述乘梯行为发生率过低而不具备周期性判断基础，进入步骤S133G。
12.根据权利要求8所述的电梯乘客乘梯习惯的识别方法，其特征在于，在步骤S133B和步骤S133C中还包括如下步骤：
步骤A1，计算乘梯行为在时间限定范围内的电梯历史运行数据中的发生情况，得到乘梯行为发生率，其中所述乘梯行为发生率是指乘梯行为的实际发生次数与选定的周期单位在时间限定范围内的数量之间的比值；
步骤A2，将所述乘梯行为发生率与设定阈值进行比较，如果所述乘梯行为发生率不小于所述设定阈值，则进入步骤S133C，否则进入步骤A3；
步骤A3，找出时间限定范围内导致乘梯行为未发生的可能因素，并将所述可能因素作为影响乘梯行为发生率的可能干扰因素；
步骤A4，判断所述可能干扰因素是否为影响乘梯行为发生率的确定干扰因素，如果是，则进入步骤A5，否则判定所述乘梯行为发生率过低而不具备周期性判断基础，进入步骤S133G；
步骤A5，排除确定干扰因素对乘梯行为发生率的影响，去除所有确定干扰因素对应的周期单位，进入步骤S133C。
13.根据权利要求12所述的电梯乘客乘梯习惯的识别方法，其特征在于，在步骤A3中，找出时间限定范围内导致乘梯行为未发生的可能因素的方法是对时间限定范围内未发生乘梯行为的时间进行分析并获取共有特性，或者比较未发生乘梯行为的时间的共有特性与发生乘梯行为的时间的共有特性之间的差异。
14.根据权利要求12所述的电梯乘客乘梯习惯的识别方法，其特征在于，在步骤A4中，判断所述可能干扰因素是否为影响乘梯行为发生率的确定干扰因素的步骤如下：
步骤a，从时间限定范围内的电梯历史运行数据中去除对应于该可能干扰因素的电梯历史运行数据，得到剩余的电梯历史运行数据；
步骤b，以得到的剩余电梯历史运行数据为基础，再次计算乘梯行为发生率；
步骤c，如果乘梯行为发生率不变，则判定该可能干扰因素并非影响乘梯行为发生率的确定干扰因素，否则判定该可能干扰因素为影响乘梯行为发生率的确定干扰因素。
15.根据权利要求12所述的电梯乘客乘梯习惯的识别方法，其特征在于，在步骤A5中，排除确定干扰因素影响的方法是从时间限定范围内的电梯历史运行数据中去除对应于所有确定干扰因素的电梯历史运行数据，得到新电梯历史运行数据，并以所述新电梯历史运行数据中的乘梯行为相关数据为基础对乘梯行为进行重新分析。
16.根据权利要求12所述的电梯乘客乘梯习惯的识别方法，其特征在于，在步骤A5中，排除确定干扰因素影响的方法是从备选周期单位集合中重新选择周期单位，去除所有干扰因素对应的周期单位，并以重新选择且去除所有确定干扰因素对应周期单位的剩余周期单位为基础对乘梯行为进行重新分析。
17.根据权利要求8所述的电梯乘客乘梯习惯的识别方法，其特征在于，在步骤S133D中，所述分布评价指标包括集中趋势指标和/或离散趋势指标，其中所述集中趋势指标表示乘梯行为相关数据在时间限定范围内的集中趋势，所述离散趋势指标表示乘梯行为相关数据在时间限定范围内的离散趋势。
18.根据权利要求17所述的电梯乘客乘梯习惯的识别方法，其特征在于，当所述离散趋势指标超过预先设定的离散阈值时，判定所述乘梯行为不具有周期性；当所述离散趋势指标不超过预先设定的离散阈值时，判定所述乘梯行为具有周期性。
19.根据权利要求8所述的电梯乘客乘梯习惯的识别方法，其特征在于，在所述步骤S133E中，当判定所述乘梯行为具有周期性时，输出判断结果的同时还输出乘梯行为发生周期、集中趋势指标、离散趋势指标中的至少一项。
20.根据权利要求19所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述时间限定范围是所述乘梯行为发生周期的n倍，且n为大于1的正实数。
21.根据权利要求17所述的电梯乘客乘梯习惯的识别方法，其特征在于，当所述离散趋势指标超过预先设定的离散阈值时，从时间限定范围内的电梯历史运行数据中找出超过离散阈值的离散趋势指标所对应的电梯历史运行数据，对超过离散阈值的离散趋势指标所对应的电梯历史运行数据中的乘梯行为进行分析并获取共有特性，或者将超过离散阈值的离散趋势指标所对应的电梯历史运行数据中的乘梯行为的共有特性与未超过离散阈值的离散趋势指标所对应的电梯历史运行数据中的乘梯行为的共有特性进行比较并找出差异，得到导致乘梯行为分布情况中离散趋势指标超过离散阈值的可能因素，并将所述可能因素作为影响乘梯行为分布情况的可能干扰因素。
22.根据权利要求21所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述识别方法判断所述可能干扰因素是否为影响乘梯行为分布情况的确定干扰因素的步骤如下：
步骤a，从时间限定范围内的电梯历史运行数据中去除对应于该可能干扰因素的电梯历史运行数据，得到剩余的电梯历史运行数据；
步骤b，以得到的剩余电梯历史运行数据为基础，再次计算乘梯行为在选定的周期单位中分布情况的分布评价指标；
步骤c，如果离散趋势指标仍然超过所述离散阈值，则判定该可能干扰因素并非影响乘梯行为分布情况的确定干扰因素，否则判定该可能干扰因素为影响乘梯行为分布情况的确定干扰因素。
23.根据权利要求22所述的电梯乘客乘梯习惯的识别方法，其特征在于，当所述可能干扰因素判定为影响乘梯行为分布情况的确定干扰因素时，从时间限定范围内的电梯历史运行数据中去除对应于所有确定干扰因素的电梯历史运行数据，得到新电梯历史运行数据，并对所述新电梯历史运行数据中的乘梯行为相关数据进行重新分析以判断乘梯行为是否具有分布规律。
24.根据权利要求22所述的电梯乘客乘梯习惯的识别方法，其特征在于，当所述可能干扰因素判定为影响乘梯行为分布情况的确定干扰因素时，去除所有确定干扰因素对应的周期单位，从备选周期单位集合中重新选择周期单位，并以重新选择且去除所有确定干扰因素对应周期单位的剩余周期单位为基础，重新分析乘梯行为是否具有分布规律。
25.根据权利要求1所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述乘梯习惯模型是在乘客的乘梯行为具有分布规律时描述乘客乘梯行为的模型，所述乘梯习惯模型用于预测以给定时刻为起点的至少一个乘梯行为发生周期内的乘客乘梯需求。
26.根据权利要求25所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述识别方法根据乘梯习惯模型、给定时刻、乘梯行为发生周期和乘客乘梯行为时间分布的集中趋势指标确定以给定时刻为起点的至少一个乘梯行为发生周期内的乘客乘梯需求的发生时刻。
27.根据权利要求25所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述乘梯习惯模型的输出信息至少包括以给定时刻为起点的至少一个乘梯行为发生周期内的乘客乘梯需求的发生时刻及其对应的乘客出发楼层。
28.根据权利要求27所述的电梯乘客乘梯习惯的识别方法，其特征在于，所述乘梯习惯模型的输出信息还包括乘梯行为对应的分布评价指标中的至少一项。
CN201910449301.5A 2019-05-28 2019-05-28 电梯乘客乘梯习惯的识别方法 Active CN110255309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910449301.5A CN110255309B (zh) 2019-05-28 2019-05-28 电梯乘客乘梯习惯的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910449301.5A CN110255309B (zh) 2019-05-28 2019-05-28 电梯乘客乘梯习惯的识别方法

Publications (2)

Publication Number Publication Date
CN110255309A true CN110255309A (zh) 2019-09-20
CN110255309B CN110255309B (zh) 2021-07-30

Family

ID=67915582

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910449301.5A Active CN110255309B (zh) 2019-05-28 2019-05-28 电梯乘客乘梯习惯的识别方法

Country Status (1)

Country Link
CN (1) CN110255309B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110790096A (zh) * 2019-11-06 2020-02-14 中国联合网络通信集团有限公司 电梯停靠策略制定方法、电梯控制方法及装置、电梯系统
CN110884968A (zh) * 2019-12-10 2020-03-17 日立楼宇技术（广州）有限公司 一种电梯控制方法及系统
CN111960203A (zh) * 2020-08-13 2020-11-20 安徽迅立达电梯有限公司 一种用于电梯门开合的智能感应系统
CN112347939A (zh) * 2020-11-09 2021-02-09 浙江新再灵科技股份有限公司 基于多维特征的乘梯不文明按键识别方法
CN113307111A (zh) * 2021-05-27 2021-08-27 广州广日电梯工业有限公司 电梯运载效率的优化方法以及优化装置
CN116663748A (zh) * 2023-07-26 2023-08-29 常熟理工学院 基于循环神经网络的电梯调度决策方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107230046A (zh) * 2017-06-20 2017-10-03 维沃移动通信有限公司 一种出行信息的提示方法及移动终端
US20170369275A1 (en) * 2016-06-23 2017-12-28 Intel Corporation Usage and contextual-based management of elevator operations
US20180148296A1 (en) * 2016-11-29 2018-05-31 International Business Machines Corporation Elevator management according to probabilistic destination determination
CN109279466A (zh) * 2017-07-21 2019-01-29 奥的斯电梯公司 电梯乘客的异常移动的自动检测
CN109308546A (zh) * 2018-08-31 2019-02-05 江苏智通交通科技有限公司 乘客公交出行下车站点预测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170369275A1 (en) * 2016-06-23 2017-12-28 Intel Corporation Usage and contextual-based management of elevator operations
US20180148296A1 (en) * 2016-11-29 2018-05-31 International Business Machines Corporation Elevator management according to probabilistic destination determination
CN107230046A (zh) * 2017-06-20 2017-10-03 维沃移动通信有限公司 一种出行信息的提示方法及移动终端
CN109279466A (zh) * 2017-07-21 2019-01-29 奥的斯电梯公司 电梯乘客的异常移动的自动检测
CN109308546A (zh) * 2018-08-31 2019-02-05 江苏智通交通科技有限公司 乘客公交出行下车站点预测方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110790096A (zh) * 2019-11-06 2020-02-14 中国联合网络通信集团有限公司 电梯停靠策略制定方法、电梯控制方法及装置、电梯系统
CN110884968A (zh) * 2019-12-10 2020-03-17 日立楼宇技术（广州）有限公司 一种电梯控制方法及系统
CN110884968B (zh) * 2019-12-10 2021-09-07 日立楼宇技术（广州）有限公司 一种电梯控制方法及系统
CN111960203A (zh) * 2020-08-13 2020-11-20 安徽迅立达电梯有限公司 一种用于电梯门开合的智能感应系统
CN112347939A (zh) * 2020-11-09 2021-02-09 浙江新再灵科技股份有限公司 基于多维特征的乘梯不文明按键识别方法
CN113307111A (zh) * 2021-05-27 2021-08-27 广州广日电梯工业有限公司 电梯运载效率的优化方法以及优化装置
CN116663748A (zh) * 2023-07-26 2023-08-29 常熟理工学院 基于循环神经网络的电梯调度决策方法及系统
CN116663748B (zh) * 2023-07-26 2023-11-03 常熟理工学院 基于循环神经网络的电梯调度决策方法及系统

Also Published As

Publication number Publication date
CN110255309B (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN110255309A (zh) 电梯乘客乘梯习惯的识别方法
CN110046706B (zh) 模型生成方法、装置及服务器
CN110942326A (zh) 一种用户满意度预测方法及装置、服务器
JP4910804B2 (ja) 業務プロセス推定プログラム、業務プロセス推定方法および業務プロセス推定装置
CN112632179B (zh) 模型构建方法、装置、存储介质及设备
JP7553642B2 (ja) エレベータのカゴ制御システム及びエレベータのカゴ制御方法
CN108255728A (zh) 软件的失效模式的识别方法及装置
CN110194398A (zh) 预测乘客乘梯需求的电梯群组的控制方法
CN109660533A (zh) 实时识别异常流量的方法、装置、计算机设备和存储介质
US20100174509A1 (en) Design process for elevator arrangements in new and existing buildings
US11734063B2 (en) Job management based on generated execution time prediction model and prediction accuracy
JPWO2019220520A1 (ja) 分析プログラム、分析方法および分析装置
CN115422263B (zh) 一种电力现场多功能通用型故障分析方法及系统
CN104123066B (zh) 一种终端
US20220327450A1 (en) Method for increasing or decreasing number of workers and inspectors in crowdsourcing-based project for creating artificial intelligence learning data
CN106021086A (zh) 一种自动识别沉迷应用的方法、装置及终端设备
CN114155412A (zh) 深度学习模型迭代方法、装置、设备及存储介质
CN112308225B (zh) 训练神经网络的方法、装置及计算机可读存储介质
CN102902838A (zh) 基于趋势的过程控制目标设定方法和系统
CN108874668A (zh) 一种应用测试方法及装置
CN108549608A (zh) 一种app的ui截图测试方法及系统
CN116700878B (zh) 一种客户端界面展示方法、电子设备及存储介质
CN108536606A (zh) 一种基于复合依赖关系覆盖准则的efsm测试方法
CN113326310B (zh) 基于nlp的调研数据标准化方法及系统
CN114691522A (zh) 自动遍历方法、装置、设备以及存储介质

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