CN112061920B - 电梯停靠楼层的预测方法、装置及计算机可读存储介质 - Google Patents
电梯停靠楼层的预测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112061920B CN112061920B CN202010901095.XA CN202010901095A CN112061920B CN 112061920 B CN112061920 B CN 112061920B CN 202010901095 A CN202010901095 A CN 202010901095A CN 112061920 B CN112061920 B CN 112061920B
- Authority
- CN
- China
- Prior art keywords
- elevator
- data
- floor
- floors
- stopping
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- 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
- B66B1/36—Means for stopping the cars, cages, or skips at predetermined levels
-
- 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)
Abstract
本发明公开了一种电梯停靠楼层的预测方法、装置及计算机可读存储介质,所述方法包括:获取电梯的历史运行数据;对所述历史运行数据进行数据处理,得到第一类型数据,其中,所述第一类型数据中的每条第一类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层、上一运行状态和电梯下一次停靠楼层,且所述上一运行状态为上行或下行;对所述第一类型数据进行运行状态的划分,得到上行序列数据和下行序列数据,利用所述上行序列数据或所述下行序列数据,确定所述电梯从所述当前所处楼层停靠在其它各楼层的停靠概率。本发明能够根据电梯的历史运行数据,实现电梯从当前所处楼层停靠至其余各楼层停靠概率的计算,进而实现电梯停靠楼层的预测。
Description
技术领域
本发明涉及电梯停靠楼层预测的技术领域,具体涉及一种电梯停靠楼层的预测方法、装置及计算机可读存储介质。
背景技术
随着互联网的快速发展,新一代多媒体广告媒介正逐渐走进人们的日常生活中,而智能电梯广告机的逐渐普及,使得电梯媒体成为新一代多媒体广告媒介的标志性成果。
目前,电梯内的广告机播放广告内容均是使用固定的播放列表进行循环播放,而不能根据电梯下一次停靠的楼层进行实时调整,所以,出现了根据电梯下一次停靠楼层进行播放列表的调整,以实现广告最大价值播放这一理论想法,但是,如何实现电梯停靠楼层的预测,却是一个难以解决的问题。
而现在电梯内的广告设备集成了越来越多的传感器,一般都有速度传感器、气压传感器和红外传感器等,这些传感器能够帮助广告设备收集大量的环境数据以及电梯的运行数据,所以,如何利用上述传感器采集的数据进行电梯停靠楼层的预测,成为一个亟待解决的问题。
发明内容
为了解决目前无法对电梯停靠楼层进行预测的问题,本发明的目的在于提供一种能够根据电梯的历史运行数据,进行电梯下一次停靠楼层预测的方法、装置和计算机可读存储介质。
第一方面,本发明提供了一种电梯楼层楼层的预测方法,包括:
获取电梯的历史运行数据;
对所述历史运行数据进行数据处理,得到第一类型数据,其中,所述第一类型数据中的每条第一类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层、上一运行状态和电梯下一次停靠楼层,且所述上一运行状态为上行或下行;
对所述第一类型数据进行运行状态的划分,得到上行序列数据和下行序列数据,其中,所述上行序列数据包括多条上一运行状态为上行的第一类型数据,所述下行序列数据包括多条上一运行状态为下行的第一类型数据;
利用所述上行序列数据或所述下行序列数据,确定所述电梯从所述当前所处楼层停靠在其它各楼层的停靠概率。
基于上述公开的内容,本发明将电梯的历史运行数据(如电梯前6个月、1年甚至2年的历史运行数据)作为计算电梯停靠概率的基础数据,进而通过对历史运行数据进行数据处理,得到第一类型数据,而第一类型数据包括了电梯为停止状态时对应的当前所处楼层和上一运行状态(且上一运行状态只能为上行或下行);此步骤的作用则是:获取电梯处于停止状态时,电梯的所处楼层,进而将电梯在停止状态时的当前所处楼层作为计算停靠概率的一个参数条件。
其次,本发明接着对第一类型数据进行运行状态的划分(其实质则是根据上一运行状态进行划分),得到上行序列数据以及下行序列数据,这一步骤则是通过对运行状态的划分,能够在当前所处楼层这一参数条件下,还将电梯停靠前的上一运行状态作为停靠概率计算的另一个参数条件,以便使用两个参数条件共同进行电梯停靠概率的计算。
最后,通过上行序列数据或下行序列数据,即可得出电梯从当前所处楼层停靠至其它各楼层的停靠概率,原理为:根据电梯的当前所处楼层以及上一运行状态,在上行序列数据或下行序列数据中进行数据统计,从而利用统计出的数据计算电梯的停靠概率。
通过上述设计,本发明能够根据电梯的历史运行数据,实现电梯从当前所处楼层停靠至其余各楼层停靠概率的计算,进而实现电梯停靠楼层的预测(即概率越大,说明停靠可能性越大),解决了电梯停靠楼层无法预测的问题,为后续实现广告机根据电梯停靠楼层进行播放列表的调整提供了数据基础。
在一个可能的设计中,对所述历史运行数据进行数据处理,得到第一类型数据,包括:
从所述历史运行数据中,筛选出符合预设条件的历史运行数据,其中,所述预设条件为电梯当前运行状态为停止,且当前历史运行数据的上一历史运行数据中的电梯当前运行状态为上行或下行,所述当前历史运行数据的上一历史运行数据中的电梯当前运行状态为所述上一运行状态;
将筛选出的历史运行数据对应的上一运行状态,记录至对应筛选出的历史运行数据中,得到第二类型数据,其中,所述第二类型数据中的每条第二类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层和上一运行状态;
从所述历史运行数据中,查找出所述每条第二类型数据中当前所处楼层的电梯下一次停靠楼层,其中,所述电梯下一次停靠楼层为当前第二类型数据的下一历史运行数据中的当前所处楼层;
将所述电梯下一次停靠楼层记录至对应所述第二类型数据中,得到所述第一类型数据。
基于上述公开的内容,本发明公开了对历史运行数据进行数据处理的具体过程,即先对历史运行数据进行筛选,筛选的条件则是电梯当前运行状态为停止,且当前历史运行数据的上一历史运行数据中的电梯当前运行状态为上行或下行;筛选出符合条件的历史运行数据后,则会将筛选出的历史运行数据对应的上一运行状态进行记录,实现电梯当前运行状态与上一运行状态的关联,进而得到第二类型数据,最后,还需在历史运行数据中,查找每条第二类型数据中当前所处楼层的电梯下一次停靠楼层,并记录到对应的的第二类型数据中,记录完成后,即可得到第一类型数据。通过上述设计,可实现电梯当前所处楼层、上一运行状态以及下一次停靠楼层三者之间的关联,为后续对数据进行运行状态的划分以及停靠概率的计算,提供数据基础。
在一个可能的设计中,针对当前所处楼层为n层,下一停靠楼层为k层,其中,n和k为整数,且n不等于k,利用所述上行序列数据,确定所述电梯从所述当前所处楼层停靠在其它各楼层的停靠概率,包括:
从所述上行序列数据中,统计出当前所处楼层为n层的第一类型数据的条数;
从所述上行序列数据中,统计出当前所处楼层为n层,且电梯下一次停靠楼层为k层的第一类型数据的条数;
使用当前所处楼层为n层,且电梯下一次停靠楼层为k层的第一类型数据的条数除以当前所处楼层为n层的第一类型数据的条数,得出所述电梯从n层停靠在k层的停靠概率。
基于上述公开的内容,本发明公开了利用上行序列数据进行电梯停靠概率计算的具体方法,由于知晓了电梯在停止状态时对应的当前所处楼层(举例为n层),所以,需要统计出当前所处楼层为n层的第一类型数据的条数(可记为N);然后,统计出当前所处楼层为n层,且电梯下一次停靠楼层为K层时的第一类型数据的条数(可记为M),最后,使用M除以N,即可得到电梯从n层停靠在k层的停靠概率。同理,若电梯在停止时对应的上一运行状态为下行,即可在下行序列数据中进行统计,使用相同的方法计算电梯的停靠概率。
在一个可能的设计中,针对当前所处楼层为n层,下一停靠楼层为k层,其中,n和k为整数,且n不等于k,利用所述上行序列数据,确定所述电梯从所述当前所处楼层停靠在其它各楼层的停靠概率,包括:
根据所述当前时间,对所述上行序列数据进行时间段的划分,得到第三类型数据,其中,所述第三类型数据中的每条第三类型数据包括当前时间所属时间段、当前所处楼层、上一运行状态和电梯下一次停靠楼层;
从所述第三类型数据中,统计出在T时间段内,当前所处楼层为n层的第三类型数据的条数,其中,T为0~23之间的整数;
从所述第三类型数据中,统计出在T时间段内,当前所处楼层为n层,且电梯下一次停靠楼层为k层的第三类型数据的条数;
使用在T时间段内,当前所处楼层为n层,且电梯下一次停靠楼层为k层的第三类型数据的条数除以在T时间段内,当前所处楼层为n层的第三类型数据的条数,得到所述电梯从n层停靠在k层的停靠概率。
基于上述公开的内容,本发明还可对上行序列数据进行时间段的划分(由于用户使用电梯均对应有使用时间,所以对时间段进行划分,可进一步对数据进行分类),划分后,即可得到第三类型数据,而每条第三类型数据中包含的信息则在第一类型数据的基础上,增加了当前时间所属时间段(即相当于得到了当前数据所属时间段),最后,在进行统计时,即可根据时间段,进行当前所处楼层为n,以及当前所处楼层为n层,且电梯下一次停靠楼层为k层的第三类型数据条数的统计。通过上述设计,可提高电梯从n层停靠在k层的停靠概率的精确度,进而提高预测的准确性。
在一个可能的设计中,当所述电梯所处楼层单元还存在其它电梯时,所述方法还包括:
获取所述其它电梯中每个电梯对应的所述上行序列数据和所述下行序列数据;
从所述电梯和所述每个电梯对应的上行序列数据和下行序列数据中,统计出每个上行序列数据和每个下行序列数据中电梯的停靠楼层,并记录至对应序列数据中的所述第一类型数据中,得到所述电梯和所述每个电梯的新上行序列数据和新下行序列数据,其中,所述新上行序列数据包括多条上一运行状态为上行的第四类型数据,所述新下行序列数据中包括多条上一运行状态为下行的第四类型数据,所述第四类型数据为记录所述停靠楼层后的第一类型数据;
将所述电梯和所述每个电梯的新上行序列数据进行合并或将所述电梯和所述每个电梯的新下行序列数据进行合并,得到序列数据集合;
利用所述序列数据集合,计算每层楼层与其余各楼层的关联置信度;
利用所述关联置信度调整所述电梯从所述当前所处楼层停靠至其它各楼层的停靠概率,得到所述电梯从所述当前所处楼层停靠至其它各楼层的调整后的停靠概率。
基于上述公开的内容,本发明公开了另一种电梯从当前所处楼层停靠在其余各楼层的停靠概率的计算方法,其实质为对上述停靠概率计算的一种优化方案,在本方案中,考虑了同一单元楼内电梯之间的关联性,引入了楼层之间的关联置信度,并将关联置信度引入了电梯停靠概率的计算中,进一步的提高了依据停靠概率预测停靠楼层的准确性。
在一个可能的设计中,针对所述电梯中的第n层和第k层,其中,n和k为整数,且n不等于k;
利用所述序列数据集合,计算每层楼层与其余各楼层的关联置信度,包括:
根据所述序列数据集合,统计电梯的停靠楼层中同时出现楼层n和楼层k的第四类型数据对应的序列数据的条数;
根据所述序列数据集合,统计电梯的停靠楼层中出现楼层k的第四类型数据对应的序列数据的条数;
使用电梯的停靠楼层中同时出现楼层n和楼层k的第四类型数据对应的序列数据的条数除以电梯的停靠楼层中出现楼层k的第四类型数据对应的序列数据的条数,得出第n层楼层与第k层楼层的关联置信度。
基于上述公开的内容,本发明公开了楼层n和楼层k关联置信度的具体计算方法,即在由新上行序列数据或新下行序列数据组成的序列数据集合中,统计出电梯的停靠楼层中同时出现楼层n和楼层k的第四类型数据对应的序列数据条数(可记为support(n∪k)),以及停靠楼层中只出现楼层k的第四类型数据对应的序列数据条数(可记为support(k)),最后,使用support(n∪k)除以support(k),即可得到第n层楼层与第k层楼层的关联置信度;当然,若电梯的上一运行状态为上行,即可在新上行序列数据组成的序列数据集合中,进行数据的统计,同理,若上一运行状态为下行,即可在新下行序列数据组成的序列数据集合中,进行数据的统计。
在一个可能的设计中,所述预设条件为:利用所述关联置信度调整所述电梯从所述当前所处楼层停靠至其它各楼层的停靠概率,得到所述电梯从所述当前所处楼层停靠至其它各楼层的调整后的停靠概率,包括:
判断每层楼层与其余各楼层的关联置信度是否在预设阈值范围内;
若是,则保留在预设阈值范围内的关联置信度,并使用如下公式计算所述电梯从所述当前所处楼层停靠至其它各楼层的调整后的停靠概率;
Ppro=Pnk*e^(-alpha(k-n))*(1+Cnk);
式中,Ppro为电梯下一次停靠楼层为k层时的调整后的停靠概率,alpha为衰减系数,k为电梯下一次停靠楼层,n为当前所处楼层,Cnk为楼层n和楼层k的关联置信度,Pnk为所述电梯从n层停靠在k层的停靠概率。
基于上述公开的内容,本发明公开了利用关联置信度调整电梯从当前所处楼层停靠至其它各楼层的停靠概率的具体计算公式,即按照上述公式实现概率的计算。
第二方面,本发明提供了一种电梯停靠楼层的预测装置,包括:获取单元、数据处理单元、运行状态划分单元和停靠概率计算单元;
所述获取单元,用于获取电梯的历史运行数据;
所述数据处理单元,用于对所述历史运行数据进行数据处理,得到第一类型数据,其中,所述第一类型数据中的每条第一类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层、上一运行状态和电梯下一次停靠楼层,且所述上一运行状态为上行或下行;
所述运行状态划分单元,用于对所述第一类型数据进行运行状态的划分,得到上行序列数据和下行序列数据,其中,所述上行序列数据包括多条上一运行状态为上行的第一类型数据,所述下行序列数据包括多条上一运行状态为下行的第一类型数据;
所述停靠概率计算单元,用于利用所述上行序列数据或所述下行序列数据,确定所述电梯从所述当前所处楼层停靠在其它各楼层的停靠概率。
在一个可能的设计中,所述数据处理单元包括:筛选子单元、记录子单元和查找子单元;
所述筛选子单元,用于从所述历史运行数据中,筛选出符合预设条件的历史运行数据,其中,所述预设条件为电梯当前运行状态为停止,且当前历史运行数据的上一历史运行数据中的电梯当前运行状态为上行或下行,所述当前历史运行数据的上一历史运行数据中的电梯当前运行状态为所述上一运行状态;
所述记录子单元,用于将筛选出的历史运行数据对应的上一运行状态,记录至对应筛选出的历史运行数据中,得到第二类型数据,其中,所述第二类型数据中的每条第二类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层和上一运行状态;
所述查找子单元,用于从所述历史运行数据中,查找出所述每条第二类型数据中当前所处楼层的电梯下一次停靠楼层,其中,所述电梯下一次停靠楼层为当前第二类型数据的下一历史运行数据中的当前所处楼层;
所述记录子单元,还用于将所述电梯下一次停靠楼层记录至对应所述第二类型数据中,得到所述第一类型数据。
在一个可能的设计中,所述停靠概率计算单元包括:统计子单元和计算子单元;
所述统计子单元,用于从所述上行序列数据中,统计出当前所处楼层为n层的第一类型数据的条数;
所述统计子单元,还用于从所述上行序列数据中,统计出当前所处楼层为n层,且电梯下一次停靠楼层为k层的第一类型数据的条数;
所述计算子单元,用于使用当前所处楼层为n层,且电梯下一次停靠楼层为k层的第一类型数据的条数除以当前所处楼层为n层的第一类型数据的条数,得出所述电梯从n层停靠在k层的停靠概率。
在一个可能的设计中,所述装置还包括时间段划分单元;
所述时间段划分单元,用于根据所述当前时间,对所述上行序列数据进行时间段的划分,得到第三类型数据,其中,所述第三类型数据中的每条第三类型数据包括当前时间所属时间段、当前所处楼层、上一运行状态和电梯下一次停靠楼层;
所述统计子单元,还用从所述第三类型数据中,统计出在T时间段内,当前所处楼层为n层的第三类型数据的条数,其中,T为0~23之间的整数;
所述统计子单元,还用于从所述第三类型数据中,统计出在T时间段内,当前所处楼层为n层,且电梯下一次停靠楼层为k层的第三类型数据的条数;
所述计算子单元,还用用于使用在T时间段内,当前所处楼层为n层,且电梯下一次停靠楼层为k层的第三类型数据的条数除以在T时间段内,当前所处楼层为n层的第三类型数据的条数,得到所述电梯从n层停靠在k层的停靠概率。
在一个可能的设计中,当所述电梯所处楼层单元还存在其它电梯时,所述装置还包括:停靠楼层统计单元、数据合并单元和关联置信度计算单元;
所述获取单元,还用于获取所述其它电梯中每个电梯对应的所述上行序列数据和所述下行序列数据;
所述停靠楼层统计单元,用于从所述电梯和所述每个电梯对应的上行序列数据和下行序列数据中,统计出每个上行序列数据和每个下行序列数据中电梯的停靠楼层,并记录至对应序列数据中的所述第一类型数据中,得到所述电梯和所述每个电梯的新上行序列数据和新下行序列数据,其中,所述新上行序列数据包括多条上一运行状态为上行的第四类型数据,所述新下行序列数据中包括多条上一运行状态为下行的第四类型数据,所述第四类型数据为记录所述停靠楼层后的第一类型数据;
所述数据合并单元,用于将所述电梯和所述每个电梯的新上行序列数据进行合并或将所述电梯和所述每个电梯的新下行序列数据进行合并,得到序列数据集合;
所述关联置信度计算单元,用于利用所述序列数据集合,计算每层楼层与其余各楼层的关联置信度;
所述停靠概率计算单元,还用于利用所述关联置信度调整所述电梯从所述当前所处楼层停靠至其它各楼层的停靠概率,得到所述电梯从所述当前所处楼层停靠至其它各楼层的调整后的停靠概率。
在一个可能的设计中;
所述关联置信度计算单元,具体用于根据所述序列数据集合,统计电梯的停靠楼层中同时出现楼层n和楼层k的第四类型数据对应的序列数据的条数;
所述关联置信度计算单元,具体用于根据所述序列数据集合,统计电梯的停靠楼层中出现楼层k的第四类型数据对应的序列数据的条数;
所述关联置信度计算单元,还具体用于使用电梯的停靠楼层中同时出现楼层n和楼层k的第四类型数据对应的序列数据的条数除以电梯的停靠楼层中出现楼层k的第四类型数据对应的序列数据的条数,得出第n层楼层与第k层楼层的关联置信度。
在一个可能的设计中,所述装置还包括:判断单元;
所述判断单元,用于判断每层楼层与其余各楼层的关联置信度是否在预设阈值范围内;
所述停靠概率计算单元,用于在所述判断单元判断为是时,保留在预设阈值范围内的关联置信度,并使用如下公式计算所述电梯从所述当前所处楼层停靠至其它各楼层的调整后的停靠概率;
Ppro=Pnk*e^(-alpha(k-n))*(1+Cnk);
式中,Ppro为电梯下一次停靠楼层为k层时的调整后的停靠概率,alpha为衰减系数,k为电梯下一次停靠楼层,n为当前所处楼层,Cnk为楼层n和楼层k的关联置信度,Pnk为所述电梯从n层停靠在k层的停靠概率。
第三方面,本发明提供了另一种电梯停靠楼层的预测装置,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意一种可能设计的所述电梯停靠楼层的预测方法。
第四方面,本发明提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意一种可能设计的所述电梯停靠楼层的预测方法。
第五方面,本发明提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或第一方面中任意一种可能设计的所述电梯停靠楼层的预测方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的电梯停靠楼层的预测方法的流程示意图。
图2是本发明提供的第一种电梯停靠楼层的预测装置的结构示意图。
图3是本发明提供的第二种电梯停靠楼层的预测装置的结构示意图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是,对于下述实施例说明虽然是用于帮助理解本发明,但并不构成对本发明的限定。本文公开的特定结构和功能细节仅用于描述本发明的示例实施例。然而,可用很多备选的形式来体现本发明,并且不应当理解为本发明限制在本文阐述的实施例中。
实施例
如图1所示,本实施例第一方面所提供的电梯停靠楼层的预测方法,适用于任何建筑内电梯的停靠预测,即只要知晓了电梯在停止状态时对应的当前所处楼层以及上一运行状态,即可实现电梯从当前所处楼层停靠在其余各个楼层的停靠概率(即用停靠概率来表征电梯停靠在该楼层的可能性,概率越大,停靠可能性越高)。
本实施例所提供的电梯停靠楼层的预测方法,可以但不限于包括如下步骤S101~S104。
S101.获取电梯的历史运行数据。
步骤S101则是获取电梯的历史运行数据,以便为后续的停靠概率的计算提供数据基础。在本实施例中,通常是获取一个电梯的历史运行数据,由于每个电梯均会有其对应的运行数据,所以,在进行每个电梯的停靠概率的计算时,均是针对每个电梯进行的。
在本实施例中,举例电梯的历史运行数据可以但不限于为:距离当前时间前6个月、12个月、18个月或者24个月的运行数据。在本实施例中,举例获取电梯距离当前时间前6个月的历史运行数据。
在本实施例中,可在电梯广告机上安装相应的速度传感器、重力传感器和气压传感器,并配备相应的数据处理模块(如STM32处理器或STC51处理器)来实现电梯运行数据的采集,采集后的数据可存储至广告机内或上传至服务器,完成运行数据的保存,进而实现电梯运行数据的记录,在使用时,即可把存储的运行数据当做历史运行数据,直接从服务器或广告机内下载即可。
在本实施例中,举例历史运行数据在采集时,采用固定频率采集,例如,每100ms采集一次,即每一次采集的数据,作为一条历史运行数据,而一条历史运行数据则包括采集时间、电梯当前所处楼层以及电梯当前运行状态。
在本实施例中,由于是采用传感器实现数据的采集,可能存在传感器检测误差的问题,所以为了保证用于电梯停靠概率计算的数据准确可靠,还设置有数据筛错步骤,可以但不限于采用如下方式:
使用人工剔除历史运行数据中的错误数据,以便保证用于后续数据处理的历史运行数据准确可靠。在本实施例中,错误数据是指:时间不连续的数据和楼层错误数据。
其中,时间不连续的数据是指:在一段连续的时间段内,突然出现在当前时间前的数据或之后的数据,可认为是时间不连续的数据。例如,获取的某段时间内的历史运行数据,是从2020年8月7日1点13分30秒到2020年8月7日4点34分2秒的数据,在这个数据之中突然出现2020年8月7日8点5分40秒的数据和/或出现2020年8月6日7点12分59秒的数据,这两个数据一个在当前时间之后,一个在当前时间之前,均可被认为是错误数据。
而楼层错误数据是指:与电梯所处楼房总楼层数不符的数据。例如,电梯所处楼房的总楼层为31层,但是获取的历史运行数据中,出现32层的运行数据,那么只要是32层的运行数据,均被认为是错误数据。
通过上述数据筛错步骤,可为后续数据处理、数据数据划分以及停靠概率的计算提供准确可靠的数据,避免错误数据影响停靠概率计算的准确性。
下面对步骤S101中获取的电梯的历史运行数据进行举例,如表1所示。
表1
电梯当前所处楼层 | 电梯当前运行状态 | 采集时间 |
2~3层 | 上行 | 2020-05-17 11:22:33.120 |
2~3层 | 上行 | 2020-05-17 11:22:33.220 |
3层 | 停止 | 2020-05-17 11:22:33.320 |
3层 | 停止 | 2020-05-17 11:22:33.420 |
3层 | 停止 | 2020-05-17 11:22:33.520 |
3层 | 停止 | 2020-05-17 11:22:33.620 |
3层 | 停止 | 2020-05-17 11:22:33.720 |
3层 | 停止 | 2020-05-17 11:22:33.820 |
3~4层 | 上行 | 2020-05-17 11:22:33.920 |
3~4层 | 上行 | 2020-05-17 11:22:34.020 |
3~4层 | 上行 | 2020-05-17 11:22:34.120 |
通过表1可知,每一条历史运行数据之间的间隔均是100ms(当然,采集频率不固定,可根据具体使用而实际设定),而每条历史运行数据均包括电梯当前所处楼层、电梯当前运行状态以及采集时间。其余的历史运行数据与表1组成结构相同,与于此不多加赘述。
在得到电梯的历史运行数据之后,即可进行步骤S102,实现对历史运行数据的数据处理,为后续数据划分提供数据基础。
S102.对所述历史运行数据进行数据处理,得到第一类型数据,其中,所述第一类型数据中的每条第一类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层、上一运行状态和电梯下一次停靠楼层,且所述上一运行状态为上行或下行。
由于电梯是在最底层楼层与最顶层楼层之间往复运行,所以,需要知道电梯处于停止状态时的当前所处楼层,以及上一运行状态(是上行还是下行),进而才能根据上述信息进行电梯下一次停靠的预测,即计算电梯从当前所处楼层停靠在其余各楼层的停靠概率。
所以,需要采用步骤S102提供的数据处理方法,来获取上述信息中的电梯处于停止状态时的当前所处楼层,以及上一运行状态。
在本实施例中,进行数据处理则是先进行数据筛选,再进行数据关联,其中,筛选的目的是查找出电梯当前运行状态为停止,且当前历史运行数据的上一历史运行数据中的电梯当前运行状态为上行或下行的历史运行数据;而数据关联,则是实现电梯的下一次停靠楼层、电梯当前所处楼层以及电梯上一运行状态三者之间的关联,进而将电梯当前所处楼层作为参与计算电梯从当前所处楼层停靠在其它各楼层的停靠概率的一个参数条件。
在本实施例中,举例数据处理(即数据筛选和数据关联的过程)可以但不限于包括如下步骤S102a~S102d。
S102a.从所述历史运行数据中,筛选出符合预设条件的历史运行数据,其中,所述预设条件为电梯当前运行状态为停止,且当前历史运行数据的上一历史运行数据中的电梯当前运行状态为上行或下行,所述当前历史运行数据的上一历史运行数据中的电梯当前运行状态为所述上一运行状态。
步骤S102a则是进行数据筛选的过程,其中,筛选的条件则为:电梯当前运行状态为停止,且当前历史运行数据的上一历史运行数据中的电梯当前运行状态为上行或下行;此步骤的作用则是进行电梯处于停止状态时的数据的查找。由于电梯当前运行状态为停止,则代表电梯已经处于停靠状态(即不是上行或下行),即可获取电梯处于停止状态时对应的当前所处楼层,以便为后续下一次停靠楼层的获取提供数据基础。
同时,还要限定其上一历史运行数据中的电梯当前运行状态,一方面是为了将历史运行数据进行进一步的筛选,去除对停靠概率计算无用的数据,例如,电梯相邻两条数据中的运行状态均为停止(由于数据采集时是按预设频率,而电梯停靠则是具有停靠时间,如停靠1分钟,那么在这一分钟内会采集多条数据,且这些数据中的电梯当前运行状态均为停止,这些数据不仅对电梯的停靠概率的计算无用,且还会造成干扰,所以,需要对这些数据进行剔除)。另一方面则是将电梯当前运行状态与其上一历史运行数据的电梯当前运行状态相关联(即步骤S102b),将上一运行状态记录至的对应的筛选出的历史运行数据中,为后续与电梯下一次停靠楼层的数据关联提供数据基础。
S102b.将筛选出的历史运行数据对应的上一运行状态,记录至对应筛选出的历史运行数据中,得到第二类型数据,其中,所述第二类型数据中的每条第二类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层和上一运行状态。
步骤S102b则是进行上一运行状态与筛选出的历史运行数据相关联的过程,即将上一运行状态记录至对应的筛选出的历史运行数据中。
例如,在表1的基础上进行数据筛选;由表1可知,电梯当前运行状态为停止的为:表1中的第3~8条历史运行数据,但满足上一历史运行数据中的电梯当前运行状态为上行或下行的数据则只有第3条。最后,还需要进行上一历史运行数据中电梯当前运行状态的记录,即对于第3条数据来说,由表1可知,其上一条历史运行数据为中电梯的当前运行状态为上行,即上一运行状态为上行,所以,进行记录后,得到第二类型数据。
通过步骤S102a和步骤S102b,第3条历史运行数据对应的第二类型数据则变为:电梯当前所处楼层:3楼,电梯当前运行状态:停止,当前时间:2020-05-1711:22:33.320,上一运行状态:上行。
而其余筛选出的历史运行数据组成结构与上述举例相同,于此不多加赘述。
参见表2,表2给出了进行步骤S102a和步骤S102b所得到的第二类型数据,当然,表2中仅仅为示例数据。
表2
由表2中可知,表中每一行的前3列数据,则是筛选出的历史运行数据,而最后一列数据则是当前历史运行数据的上一历史运行数据中的电梯当前运行状态。由于筛选出的历史运行数据的电梯当前运行状态为停止,而表1中的采集时间,也就对应电梯处于停止状态时的当前时间。
得到第二类型数据后,即可进行每条第二类型数据中当前所处楼层的电梯下一次停靠楼的查找,进而实现电梯下一次停靠楼层、上一运行状态以及当前所处楼的关联,得到第一类型数据,为后续数据划分以及概率计算提供数据基础,如步骤S102c和步骤S102d所示。
S102c.从所述历史运行数据中,查找出所述每条第二类型数据中当前所处楼层的电梯下一次停靠楼层,其中,所述电梯下一次停靠楼层为当前第二类型数据的下一历史运行数据中的当前所处楼层。
S102d.将所述电梯下一次停靠楼层记录至对应所述第二类型数据中,得到所述第一类型数据。
下面以实例对步骤S102c和步骤S102d进行说明,在表2的基础上:
第一条第二类型数据为,当前所处楼层:3楼,当前运行状态:停止,当前时间:2020-05-17 11:22:34.120,上一运行状态:上行;若查找出此数据中当前所处楼层的电梯下一次停靠楼层为5楼,那么此时,将5楼记录至此数据中,得到的第一类型数据则为:当前所处楼层:3楼,当前运行状态:停止,当前时间:2020-05-17 11:22:34.120,上一运行状态:上行,电梯下一次停靠楼层:5楼。
其余各第二类型数据的电梯下一次停靠楼层的查找方式与上述举例相同,得到的第一类型数据仅仅是其对应的电梯下一次停靠楼层不同,于此不多加举例说明。
为了便于理解,在表2的基础上,进行步骤S102c和步骤S102d后,得到的第一类型数据可如表3所示。
表3
通过表3可知,每条第一类型数据均包括电梯处于停止(即电梯当前运行状态为停止)时对应的当前时间、当前所处楼层、上一运行状态和电梯下一次停靠楼层。
通过步骤S102a~S102d,即可实现对历史运行数据的数据处理(即数据筛选与数据关联),得到第一类型数据,为后续数据的划分以及停靠概率的计算,提供数据基础。
得到第一类型数据后,即可进行步骤S103,通过第一类型数据中的上一运行状态,进行运行状态的划分,即步骤S103所示。
S103.对所述第一类型数据进行运行状态的划分,得到上行序列数据和下行序列数据,其中,所述上行序列数据包括多条上一运行状态为上行的第一类型数据,所述下行序列数据包括多条上一运行状态为下行的第一类型数据。
步骤S103则是根据上一运行状态对第一类型数据进行划分,即上一运行状态为上行的数据划分为上行序列数据,上一运行状态为下行的数据划分为下行序列数据。
例如在表3的基础上,进行运行状态的划分,从表3中即可得出,第一、二、三、四、五、十一、十二和十三条数据,上一运行状态均为上行,所以划分为上行序列数据,而剩余各数据的上一运行状态为下行,所以划分为下行序列数据,如表4所示。
表4
通过表4可知,上行序列数据中共有8条上一运行状态为上行的第一类型数据,而下行序列数据中共有5条上一运行状态为下行的第一类型数据。
在得到上行序列数据和下行序列数据后,即可进行步骤S104,利用上行序列数据或下行序列数据实现电梯从当前所处楼层停靠在其它各楼层的停靠概率的计算。
S104.利用所述上行序列数据或所述下行序列数据,确定所述电梯从所述当前所处楼层停靠在其它各楼层的停靠概率。
步骤S104则是根据电梯的当前所处楼层以及上一运行状态,在上行序列数据或下行序列数据中进行数据统计,从而利用统计出的数据计算电梯的停靠概率。
在本实施例中,为了便于阐述,可将当前所处楼层用n表示,而其余各楼层用k表示,即针对当前所处楼层为n层,下一停靠楼层为k层,其中,n和k为整数,且n不等于k,进行停靠概率的计算可以但不限于如下步骤S104a~S104c。
S104a.从所述上行序列数据中,统计出当前所处楼层为n层的第一类型数据的条数
S104b.从所述上行序列数据中,统计出当前所处楼层为n层,且电梯下一次停靠楼层为k层的第一类型数据的条数。
S104c.使用当前所处楼层为n层,且电梯下一次停靠楼层为k层的第一类型数据的条数除以当前所处楼层为n层的第一类型数据的条数,得出所述电梯从n层停靠在k层的停靠概率。
步骤S104a则是统计当前所处楼层为n层的第一类型数据的条数,而步骤S104则是统计当前所处楼层为n层,且电梯下一停靠楼层为k层的第一类型数据的条数。
例如,假设当前所处楼层为3层(即n=3),上一运行状态为上行,那么就需要在上行序列数据中,统计当前所处楼层为3层的第一类型数据的条数,则为2条,为了计数方便,可将当前所处楼层为n层的第一类型数据的条数记为N。
假设要计算电梯下一停靠楼层为8层(即k=8)的停靠概率,从表4中可以看出,当前所处楼层为3层,电梯下一次停靠楼层为8层的数据条数为1,同理,可将当前所处楼层为n层,且电梯下一次停靠楼层为k层的第一类型数据的条数记为M。
所以,电梯从3层停靠在8层的停靠概率=M/N=1/2=50%。
同理,当上一运行状态为下行时,只需在下行序列中进行相应的数据统计即可,与上述步骤S104a~S104c原理相同,于此不多加赘述。
所以,只要知晓了电梯在停止状态时对应的当前所述楼层和上一运行状态,即可在本申请得到的上行序列数据或下行序列数据中进行相应数据的统计,进而实现电梯从当前所处楼层停靠至其余各楼层的停靠概率的计算,最终依据停靠概率的大小来判断出电梯最有可能停靠到哪个楼层。
另外,由于表4中的数据仅仅是很少一部分数据(实际获取的数据则达到几十万甚至上百万条),所以,本实施例通过表4计算出来的概率值误差很大,不具有参考意义,在本实施例中,仅仅将表4中的数据用于解释本申请中的各个步骤,起解释说明作用。
由此通过前述步骤S101~S104所详细描述的电梯停靠楼层的预测方法,本发明能够根据电梯的历史运行数据,实现电梯从当前所处楼层停靠至其余各楼层停靠概率的计算,进而实现电梯停靠楼层的预测(即概率越大,说明停靠可能性越大),解决了电梯停靠楼层无法预测的问题,为后续实现广告机根据电梯停靠楼层进行播放列表的调整提供了数据基础。
在本实施例中,考虑到用户使用电梯均对应有使用时间,所以还可对数据进行时间段进行划分,以便将电梯使用的时间段作为计算停靠概率的又一个参数条件,与电梯实际使用相结合,使得依据停靠概率进行停靠楼层的预测更加贴合实际。
在本实施例中,还是在上行序列数据或下行序列数据中,进行时间段的划分,即根据当前时间,进行时间段的划分,可以但不限于如下步骤:
S105.根据所述当前时间,对所述上行序列数据进行时间段的划分,得到第三类型数据,其中,所述第三类型数据中的每条第三类型数据包括当前时间所属时间段、当前所处楼层、上一运行状态和电梯下一次停靠楼层。
在本实施例中,举例按照24小时时间段对序列数据中的第一类型数据进行划分。由于目前时间是以24小时制,所以,以24小时时间段进行划分能够与人们使用电梯的时间相契合。下面介绍划分原则,即当前时间为0~1点之间的,属于0点时间段,1点~2点之间的,属于1点时间段,后续以此类推。
例如,在表4的基础上,表4中的上行序列数据中,第一条第一类型数据为:当前所处楼层:3楼,当前时间:2020-05-17 11:22:38.220,上一运行状态为:上行,电梯下一次停靠楼层5楼,按照时间段划分后,得到其对应的第三类型数据为:当前时间所属时间段:11点;当前所处楼层:3楼,上一运行状态;上行;电梯下一次停靠楼层:5楼。
又如,在表4的上行序列数据中,第6条第一类型数据的当前时间为:2020-05-1711:30:34.120,也是属于11点时间段,即其对应的第三类型数据为:当前时间所属时间段:11点;当前所处楼层:3楼,上一运行状态;上行;电梯下一次停靠楼层:8楼,与上述第一条对应的第三类型数据不同的则为:电梯下一次停靠楼层不同。
所以,只要第一类型数据的当前所处楼层相同、上一运行状态相同以及当前所述时间段相同,即可划分为同一个时间段内的数据。
上行序列数据或下行序列数据中其余各第一类型数据的时间段划分原理与上述举例相同,于此不多加赘述。
为了便于理解,在本实施例中,在上行序列数据中,以电梯当前所处楼层为3楼,进行时间段的划分(为了便于阐述,就只列举了11点~12点之间的数据,即按照上述时间段划分规则,11点~12点属于11点时间段),得到第三类型数据,如表5所示。
表5
当前所处楼层 | 时间所属时间段 | 上一运行状态 | 电梯下一次停靠楼层 |
3层 | 11点时间段 | 上行 | 5楼 |
3层 | 11点时间段 | 上行 | 15楼 |
3层 | 11点时间段 | 上行 | 7楼 |
3层 | 11点时间段 | 上行 | 15楼 |
3层 | 11点时间段 | 上行 | 19楼 |
3层 | 11点时间段 | 下行 | 1楼 |
3层 | 11点时间段 | 下行 | 1楼 |
3层 | 11点时间段 | 下行 | 1楼 |
3层 | 11点时间段 | 下行 | -1楼 |
3层 | 11点时间段 | 下行 | -2楼 |
3层 | 11点时间段 | 下行 | -1楼 |
通过表5可知,每条第三类型均包括当前时间所属时间段、当前所处楼层、上一运行状态和电梯下一次停靠楼层。
在得到第三类型数据后,即可进行电梯从当前所处楼层停靠在其余各楼层的停靠概率的计算。在本实施例中,计算原理与前述未进行时间段划分时原理相同,仅仅是还需要依据时间段,进行数据统计,还是以在上行序列数据中为例,可以但不限于如下步骤S106~S108。
S106.从所述第三类型数据中,统计出在T时间段内,当前所处楼层为n层的第三类型数据的条数,其中,T为0~23之间的整数。
S107.从所述第三类型数据中,统计出在T时间段内,当前所处楼层为n层,且电梯下一次停靠楼层为k层的第三类型数据的条数。
S108.使用在T时间段内,当前所处楼层为n层,且电梯下一次停靠楼层为k层的第三类型数据的条数除以在T时间段内,当前所处楼层为n层的第三类型数据的条数,得到所述电梯从n层停靠在k层的停靠概率。
步骤S106~S108与步骤S104a~S104c的原理相同,仅仅为在当前所处楼层以及电梯下一次停靠楼层基础上,再添加当前时间所属时间段这一条件,进行数据统计。
例如,在表5的基础上,已知电梯的当前所处楼层为3层(n=3),当前时间所属时间段为11点时间段,电梯的上一运行状态为上行;假设要计算电梯下一次停靠楼层为15层的停靠概率,那么,计算过程如下:
通过步骤S106,统计在11点时间段内,当前所处楼层为3层的第三类型数据的条数为5条(为了方便计算,记为N1,即N1=5)。
通过步骤S107,统计在11点时间段内,当前所处楼层为3层,且电梯下一次停靠楼层为15层(即k=15)的第三类型数据的条数为2条,为了方便计算,记为M1,即M1=2。
最后,根据步骤S108,即可得出电梯从3层停靠到15层的停靠概率为:N1/M1=2/5=40%。
当电梯的上一运行状态为下行时,电梯从n层停靠到k层的停靠概率与上述举例相同,于此不多加赘述。
为了便于计算,下面对步骤S106~S108所进行的计算总结为如下公式:
假设当前所处楼层n,当前时间所属时间段为T,S表示上行序列数据或下行序列数据;函数total(T,Ln,S)代表在S序列数据中,T时间段内,当前所处楼层为n层的第三类型数据的条数,函数next(T,n,S,k)代表在S序列数据中,T时间段内,当前所处楼层为n层,且电梯下一次停靠楼层为k层的第三类型数据的条数。则电梯下一停靠楼层为k楼时的概率P(n,k)=next(T,n,S,k)/total(T,n,S)。
在本实施例中,还可按照上班高峰期进行时间段的划分,即早上7点~9点,中午11点~1点,下午5点~7点,划分原理相同,后续数据统计原理也与上述相同,于此不多加赘述。
通过步骤S105~S108,通过对第一类型数据进行时间段的划分,可将时间段作为数据统计的限制条件,进而缩小数据统计的范围,提高电梯从n层停靠在k层的停靠概率的精确度,最终提高预测的准确性。
在本实施例中,还考虑了同一单元楼内电梯之间具有关联性,引入了楼层之间的关联置信度,并将关联置信度代入电梯停靠概率的计算中,进一步的提高了依据停靠概率预测停靠楼层的准确性,可以但不限于包括如下步骤S201~S205。
S201.获取所述其它电梯中每个电梯对应的所述上行序列数据和所述下行序列数据。
步骤S201中其它电梯的上行序列数据和下行序列数据的获取与前述步骤S101~S103的处理过程相同,于此不多加赘述。
S202.从所述电梯和所述每个电梯对应的上行序列数据和下行序列数据中,统计出每个上行序列数据和每个下行序列数据中电梯的停靠楼层,并记录至对应序列数据中的所述第一类型数据中,得到所述电梯和所述每个电梯的新上行序列数据和新下行序列数据,其中,所述新上行序列数据包括多条上一运行状态为上行的第四类型数据,所述新下行序列数据中包括多条上一运行状态为下行的第四类型数据,所述第四类型数据为记录所述停靠楼层后的第一类型数据。
步骤S202则是统计每个序列数据中电梯的停靠楼层的过程,以便为后续关联置信度的计算提供数据基础。
在本实施例中,以电梯运行状态以一个电梯的序列数据为例,进行步骤S202的详细举例说明。
例如一个电梯的上行序列数据和下行序列数据为表6所示。
表6
从表6可以看出,表6前5条数据为上行序列数据中的第一类型的数据,后五条则是下行序列数据中的数据,从表6中即可看出,上行序列数据中的电梯的停靠楼层有:3、5、13、17、25层;同理,在下行序列数据中,电梯的停靠楼层有:25、19、4、3、1、-1层。
所以,经过电梯的停靠楼层统计并记录后,得到的新上行序列数据和新下行序列数据如表7所示。
表7
通过表7即可得出,一个新上行序列数据或一个新下行序列数据中电梯的停靠楼层相同,即序列数据的每个第四类型数据中的电梯的停靠楼层相同。同时新上行序列数据中和新下行序列数据中的每条第四类型数据均包括:电梯处于停止状态时对应的当前所处楼层、当前时间、电梯下一次停靠楼层、上一运行状态以及电梯的停靠楼层。
当然,所有电梯均需要进行上述处理,以便得到每个电梯对应的新上行序列数据以及新下行序列数据,得到后,即可进行步骤S203。
S203.将所述电梯和所述每个电梯的新上行序列数据进行合并或将所述电梯和所述每个电梯的新下行序列数据进行合并,得到序列数据集合。
步骤S203则是进行数据合并的过程,即将所有电梯的新上行序列数据进行合并,得到序列数据集合;也可将所有电梯的新下行序列数据进行合并,得到序列数据集合。
步骤S203的作用为:电梯的上一运行状态为上行,即可在新上行序列数据组成的序列数据集合中进行关联置信度的计算;同时,电梯的上一运行状态为下行,即可在新下行序列数据组成的序列数据集合中进行关联置信度的计算。
S204.利用所述序列数据集合,计算每层楼层与其余各楼层的关联置信度。
在本实施例中,还是以第n层和第k层楼层为例,其中,n和k为整数,且n不等于k,给出计算每层楼层与其余各楼层的关联置信度的具体计算步骤,如步骤S204a~S204c。
S204a.根据所述序列数据集合,统计电梯的停靠楼层中同时出现楼层n和楼层k的第四类型数据对应的序列数据的条数。
S204b.根据所述序列数据集合,统计电梯的停靠楼层中出现楼层k的第四类型数据对应的序列数据的条数。
S204c.使用电梯的停靠楼层中同时出现楼层n和楼层k的第四类型数据对应的序列数据的条数除以电梯的停靠楼层中出现楼层k的第四类型数据对应的序列数据的条数,得出第n层楼层与第k层楼层的关联置信度。
步骤S204a~S204c则是进行停靠楼层中只出现楼层k,以及同时出现楼层n和楼层k的第四类型数据对应序列数据的条数,以便使用统计出的序列条数进行关联置信度的计算。
下面以具体举例进行说明,举例序列数据集合由所有电梯的新上行序列数据组成,其中,共有15条新上行序列数据,每个新上行序列数据对应的停靠楼层如表8所示。
表8
每个上行序列数据中电梯的停靠楼层 |
1、3、5、15 |
1、15 |
2、3、7、15 |
1、3、15、19 |
-1、2、15、19 |
19、15、14、9、3、1 |
15、9、3、1 |
16、15、6、3、1 |
19、15、3、-1 |
15、3、-2 |
15、13、3、-2 |
由于在上述就已说明,每条序列数据内所有第四类型中停靠楼层均相同,所以,在序列数据集合中,可统计只出现楼层n的序列个数,以及同时出现楼层n和楼层k的序列个数。
例如,假设要计算楼层3与楼层15的关联置信度,那么首先从表8中统计停靠楼层中只出现楼层15的第四类型数据对应序列数据的条数(即序列条数),统计为:11条,为了方便记录,可将停靠楼层中只出现楼层k的第四类型数据对应序列数据的条数记为support(k),即support(k)=11。
同时还需要统计停靠楼层中同时出现楼层3与楼层15的第四类型数据对应序列数据的条数(即序列条数),统计为9条,同理,可记为:support(n∪k),即support(n∪k)=9。
最后,楼层3和楼层15的关联置信度则为:support(n∪k)/support(k)=9/11=81.8%。
通过步骤S204a~S204c,即可实现每层楼与其余各层楼之间关联置信度的计算,为后续电梯从当前所处楼层停靠至其它各楼层的停靠概率的调整提供计算基础。
得到每层楼与其余各楼层的关联置信度后,即可进行步骤S205,利用关联置信度实现停靠概率的调整。
S205.利用所述关联置信度调整所述电梯从所述当前所处楼层停靠至其它各楼层的停靠概率,得到所述电梯从所述当前所处楼层停靠至其它各楼层的调整后的停靠概率。
在本实施例中,利用关联置信度调整所述电梯从所述当前所处楼层停靠至其它各楼层的停靠概率,可以但不限于包括如下步骤S205a~S205c。
S205a.判断每层楼层与其余各楼层的关联置信度是否在预设阈值范围内,
步骤S205a则是判断计算出的关联置信度是否在预设阈值范围内的过程,以便完成关联置信度的筛选。
在本实施例中,预设阈值范围为:关联置信度大于最小置信度,且小于预定值。置信度为在关联规则中,根据某一个条件,得出一个结论的可信程度,可以但不限于由用户预设,而预定值也为用户预设。
在本实例中,为提高关联置信度的可靠性,还可限定support(n∪k)的取值范围,可以但不限于为:support(n∪k)大于最小支持度,即停靠楼层中同时出现楼层n和楼层k的第四类型数据对应序列数据的条数大于最小支持度。
在本实施例中,最小支持度为分析的数据中,某两种因素同时出现的概率,可以但不限于为由用户预设。
在对关联置信度判断完成后,即可进行步骤S205c,利用关联置信度调整所述电梯从所述当前所处楼层停靠至其它各楼层的停靠概率。
S205c.若是,则保留在预设阈值范围内的关联置信度,并使用如下公式计算所述电梯从所述当前所处楼层停靠至其它各楼层的调整后的停靠概率。
Ppro=Pnk*e^(-alpha(k-n))*(1+Cnk)
式中,Ppro为电梯下一停靠楼层为k层时的调整后的停靠概率,alpha为衰减系数,k为电梯下一次停靠楼层,n为当前所处楼层,Cnk为楼层n和楼层k的关联置信度,Pnk为所述电梯从n层停靠在k层的停靠概率。
在本实施例中,衰减系数也为用户预设,可根据实际使用而具体设定。
由此通过前述步骤S201~S205所详细描述的步骤,本发明将同一单元楼内电梯之间的关联性纳入电梯的停靠预测,引入了楼层之间的关联置信度,并将关联置信度代入了停靠概率的计算中,进一步的提高了依据停靠概率预测停靠楼层的准确性。
如图2所示,本实施例第二方面提供了一种实现实施例第一方面中所述的电梯停靠楼层的预测方法的硬件装置,包括:获取单元、数据处理单元、运行状态划分单元和停靠概率计算单元。
所述获取单元,用于获取电梯的历史运行数据。
所述数据处理单元,用于对所述历史运行数据进行数据处理,得到第一类型数据,其中,所述第一类型数据中的每条第一类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层、上一运行状态和电梯下一次停靠楼层,且所述上一运行状态为上行或下行。
所述运行状态划分单元,用于对所述第一类型数据进行运行状态的划分,得到上行序列数据和下行序列数据,其中,所述上行序列数据包括多条上一运行状态为上行的第一类型数据,所述下行序列数据包括多条上一运行状态为下行的第一类型数据。
所述停靠概率计算单元,用于利用所述上行序列数据或所述下行序列数据,确定所述电梯从所述当前所处楼层停靠在其它各楼层的停靠概率。
在一个可能的设计中,所述数据处理单元包括:筛选子单元、记录子单元和查找子单元。
所述筛选子单元,用于从所述历史运行数据中,筛选出符合预设条件的历史运行数据,其中,所述预设条件为电梯当前运行状态为停止,且当前历史运行数据的上一历史运行数据中的电梯当前运行状态为上行或下行,所述当前历史运行数据的上一历史运行数据中的电梯当前运行状态为所述上一运行状态。
所述记录子单元,用于将筛选出的历史运行数据对应的上一运行状态,记录至对应筛选出的历史运行数据中,得到第二类型数据,其中,所述第二类型数据中的每条第二类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层和上一运行状态。
所述查找子单元,用于从所述历史运行数据中,查找出所述每条第二类型数据中当前所处楼层的电梯下一次停靠楼层,其中,所述电梯下一次停靠楼层为当前第二类型数据的下一历史运行数据中的当前所处楼层。
所述记录子单元,还用于将所述电梯下一次停靠楼层记录至对应所述第二类型数据中,得到所述第一类型数据。
在一个可能的设计中,所述停靠概率计算单元包括:统计子单元和计算子单元。
所述统计子单元,用于从所述上行序列数据中,统计出当前所处楼层为n层的第一类型数据的条数。
所述统计子单元,还用于从所述上行序列数据中,统计出当前所处楼层为n层,且电梯下一次停靠楼层为k层的第一类型数据的条数。
所述计算子单元,用于使用当前所处楼层为n层,且电梯下一次停靠楼层为k层的第一类型数据的条数除以当前所处楼层为n层的第一类型数据的条数,得出所述电梯从n层停靠在k层的停靠概率。
在一个可能的设计中,所述装置还包括时间段划分单元。
所述时间段划分单元,用于根据所述当前时间,对所述上行序列数据进行时间段的划分,得到第三类型数据,其中,所述第三类型数据中的每条第三类型数据包括当前时间所属时间段、当前所处楼层、上一运行状态和电梯下一次停靠楼层。
所述统计子单元,还用从所述第三类型数据中,统计出在T时间段内,当前所处楼层为n层的第三类型数据的条数,其中,T为0~23之间的整数。
所述统计子单元,还用于从所述第三类型数据中,统计出在T时间段内,当前所处楼层为n层,且电梯下一次停靠楼层为k层的第三类型数据的条数。
所述计算子单元,还用用于使用在T时间段内,当前所处楼层为n层,且电梯下一次停靠楼层为k层的第三类型数据的条数除以在T时间段内,当前所处楼层为n层的第三类型数据的条数,得到所述电梯从n层停靠在k层的停靠概率。
在一个可能的设计中,,当所述电梯所处楼层单元还存在其它电梯时,所述装置还包括:停靠楼层统计单元、数据合并单元和关联置信度计算单元。
所述获取单元,还用于获取所述其它电梯中每个电梯对应的所述上行序列数据和所述下行序列数据。
所述停靠楼层统计单元,用于从所述电梯和所述每个电梯对应的上行序列数据和下行序列数据中,统计出每个上行序列数据和每个下行序列数据中电梯的停靠楼层,并记录至对应序列数据中的所述第一类型数据中,得到所述电梯和所述每个电梯的新上行序列数据和新下行序列数据,其中,所述新上行序列数据包括多条上一运行状态为上行的第四类型数据,所述新下行序列数据中包括多条上一运行状态为下行的第四类型数据,所述第四类型数据为记录所述停靠楼层后的第一类型数据。
所述数据合并单元,用于将所述电梯和所述每个电梯的新上行序列数据进行合并或将所述电梯和所述每个电梯的新下行序列数据进行合并,得到序列数据集合。
所述关联置信度计算单元,用于利用所述序列数据集合,计算每层楼层与其余各楼层的关联置信度。
所述停靠概率计算单元,还用于利用所述关联置信度调整所述电梯从所述当前所处楼层停靠至其它各楼层的停靠概率,得到所述电梯从所述当前所处楼层停靠至其它各楼层的调整后的停靠概率。
在一个可能的设计中;
所述关联置信度计算单元,具体用于根据所述序列数据集合,统计电梯的停靠楼层中同时出现楼层n和楼层k的第四类型数据对应的序列数据的条数。
所述关联置信度计算单元,具体用于根据所述序列数据集合,统计电梯的停靠楼层中出现楼层k的第四类型数据对应的序列数据的条数。
所述关联置信度计算单元,还具体用于使用电梯的停靠楼层中同时出现楼层n和楼层k的第四类型数据对应的序列数据的条数除以电梯的停靠楼层中出现楼层k的第四类型数据对应的序列数据的条数,得出第n层楼层与第k层楼层的关联置信度。
在一个可能的设计中,所述装置还包括:判断单元。
所述判断单元,用于判断每层楼层与其余各楼层的关联置信度是否在预设阈值范围内。
所述停靠概率计算单元,用于在所述判断单元判断为是时,保留在预设阈值范围内的关联置信度,并使用如下公式计算所述电梯从所述当前所处楼层停靠至其它各楼层的调整后的停靠概率。
Ppro=Pnk*e^(-alpha(k-n))*(1+Cnk)
式中,Ppro为电梯下一次停靠楼层为k层时的调整后的停靠概率,alpha为衰减系数,k为电梯下一次停靠楼层,n为当前所处楼层,Cnk为楼层n和楼层k的关联置信度,Pnk为所述电梯从n层停靠在k层的停靠概率。
本实施例提供的硬件装置的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
如图3所示,本实施例第三方面提供了第二种电梯停靠楼层的预测装置,包括依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如实施例第一方面所述的电梯停靠楼层的预测方法。
本实施例提供的硬件装置的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第四方面提供了一种存储包含有实施例第一方面所述的电梯停靠楼层的预测方法的指令的计算机可读存储介质,即所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面所述的电梯停靠楼层的预测方法。其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本实施例提供的计算机可读存储介质的工作过程、工作细节和技术效果,可以参见实施例第一方面,于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如实施例第一方面所述的电梯停靠楼层的预测方法,其中,所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。
本发明不局限于上述可选实施方式,任何人在本发明的启示下都可得出其他各种形式的产品,但不论在其形状或结构上作任何变化,凡是落入本发明权利要求界定范围内的技术方案,均落在本发明的保护范围之内。
Claims (9)
1.一种电梯停靠楼层的预测方法,其特征在于,包括:
获取电梯的历史运行数据;
对所述历史运行数据进行数据处理,得到第一类型数据,其中,所述第一类型数据中的每条第一类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层、上一运行状态和电梯下一次停靠楼层,且所述上一运行状态为上行或下行;
对所述第一类型数据进行运行状态的划分,得到上行序列数据和下行序列数据,其中,所述上行序列数据包括多条上一运行状态为上行的第一类型数据,所述下行序列数据包括多条上一运行状态为下行的第一类型数据;
利用所述上行序列数据或所述下行序列数据,确定所述电梯从所述当前所处楼层停靠在其它各楼层的停靠概率;
对所述历史运行数据进行数据处理,得到第一类型数据,包括:
从所述历史运行数据中,筛选出符合预设条件的历史运行数据,其中,所述预设条件为电梯当前运行状态为停止,且当前历史运行数据的上一历史运行数据中的电梯当前运行状态为上行或下行,所述当前历史运行数据的上一历史运行数据中的电梯当前运行状态为所述上一运行状态;
将筛选出的历史运行数据对应的上一运行状态,记录至对应筛选出的历史运行数据中,得到第二类型数据,其中,所述第二类型数据中的每条第二类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层和上一运行状态;
从所述历史运行数据中,查找出所述每条第二类型数据中当前所处楼层的电梯下一次停靠楼层,其中,所述电梯下一次停靠楼层为当前第二类型数据的下一历史运行数据中的当前所处楼层;
将所述电梯下一次停靠楼层记录至对应所述第二类型数据中,得到所述第一类型数据。
2.如权利要求1所述的方法,其特征在于,针对当前所处楼层为n层,下一停靠楼层为k层,其中,n和k为整数,且n不等于k,利用所述上行序列数据,确定所述电梯从所述当前所处楼层停靠在其它各楼层的停靠概率,包括:
从所述上行序列数据中,统计出当前所处楼层为n层的第一类型数据的条数;
从所述上行序列数据中,统计出当前所处楼层为n层,且电梯下一次停靠楼层为k层的第一类型数据的条数;
使用当前所处楼层为n层,且电梯下一次停靠楼层为k层的第一类型数据的条数除以当前所处楼层为n层的第一类型数据的条数,得出所述电梯从n层停靠在k层的停靠概率。
3.如权利要求1所述的方法,其特征在于,针对当前所处楼层为n层,下一停靠楼层为k层,其中,n和k为整数,且n不等于k,利用所述上行序列数据,确定所述电梯从所述当前所处楼层停靠在其它各楼层的停靠概率,包括:
根据所述当前时间,对所述上行序列数据进行时间段的划分,得到第三类型数据,其中,所述第三类型数据中的每条第三类型数据包括当前时间所属时间段、当前所处楼层、上一运行状态和电梯下一次停靠楼层;
从所述第三类型数据中,统计出在T时间段内,当前所处楼层为n层的第三类型数据的条数,其中,T为0~23之间的整数;
从所述第三类型数据中,统计出在T时间段内,当前所处楼层为n层,且电梯下一次停靠楼层为k层的第三类型数据的条数;
使用在T时间段内,当前所处楼层为n层,且电梯下一次停靠楼层为k层的第三类型数据的条数除以在T时间段内,当前所处楼层为n层的第三类型数据的条数,得到所述电梯从n层停靠在k层的停靠概率。
4.如权利要求2所述的方法,其特征在于,当所述电梯所处楼层单元还存在其它电梯时,所述方法还包括:
获取所述其它电梯中每个电梯对应的所述上行序列数据和所述下行序列数据;
从所述电梯和所述每个电梯对应的上行序列数据和下行序列数据中,统计出每个上行序列数据和每个下行序列数据中电梯的停靠楼层,并记录至对应序列数据中的所述第一类型数据中,得到所述电梯和所述每个电梯的新上行序列数据和新下行序列数据,其中,所述新上行序列数据包括多条上一运行状态为上行的第四类型数据,所述新下行序列数据中包括多条上一运行状态为下行的第四类型数据,所述第四类型数据为记录所述停靠楼层后的第一类型数据;
将所述电梯和所述每个电梯的新上行序列数据进行合并或将所述电梯和所述每个电梯的新下行序列数据进行合并,得到序列数据集合;
利用所述序列数据集合,计算每层楼层与其余各楼层的关联置信度;
利用所述关联置信度调整所述电梯从所述当前所处楼层停靠至其它各楼层的停靠概率,得到所述电梯从所述当前所处楼层停靠至其它各楼层的调整后的停靠概率。
5.如权利要求4所述的方法,其特征在于,针对所述电梯中的第n层和第k层,其中,n和k为整数,且n不等于k;
利用所述序列数据集合,计算每层楼层与其余各楼层的关联置信度,包括:
根据所述序列数据集合,统计电梯的停靠楼层中同时出现楼层n和楼层k的第四类型数据对应的序列数据的条数;
根据所述序列数据集合,统计电梯的停靠楼层中出现楼层k的第四类型数据对应的序列数据的条数;
使用电梯的停靠楼层中同时出现楼层n和楼层k的第四类型数据对应的序列数据的条数除以电梯的停靠楼层中出现楼层k的第四类型数据对应的序列数据的条数,得出第n层楼层与第k层楼层的关联置信度。
6.如权利要求4所述的方法,其特征在于,利用所述关联置信度调整所述电梯从所述当前所处楼层停靠至其它各楼层的停靠概率,得到所述电梯从所述当前所处楼层停靠至其它各楼层的调整后的停靠概率,包括:
判断每层楼层与其余各楼层的关联置信度是否在预设阈值范围内;
若是,则保留在预设阈值范围内的关联置信度,并使用如下公式计算所述电梯从所述当前所处楼层停靠至其它各楼层的调整后的停靠概率;
Ppro=Pnk*e^(-alpha(k-n))*(1+Cnk);
式中,Ppro为电梯下一次停靠楼层为k层时的调整后的停靠概率,alpha为衰减系数,k为电梯下一次停靠楼层,n为当前所处楼层,Cnk为楼层n和楼层k的关联置信度,Pnk为所述电梯从n层停靠在k层的停靠概率。
7.一种电梯停靠楼层的预测装置,其特征在于,包括:获取单元、数据处理单元、运行状态划分单元和停靠概率计算单元;
所述获取单元,用于获取电梯的历史运行数据;
所述数据处理单元,用于对所述历史运行数据进行数据处理,得到第一类型数据,其中,所述第一类型数据中的每条第一类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层、上一运行状态和电梯下一次停靠楼层,且所述上一运行状态为上行或下行;
所述运行状态划分单元,用于对所述第一类型数据进行运行状态的划分,得到上行序列数据和下行序列数据,其中,所述上行序列数据包括多条上一运行状态为上行的第一类型数据,所述下行序列数据包括多条上一运行状态为下行的第一类型数据;
所述停靠概率计算单元,用于利用所述上行序列数据或所述下行序列数据,确定所述电梯从所述当前所处楼层停靠在其它各楼层的停靠概率;
所述数据处理单元包括:筛选子单元、记录子单元和查找子单元;
所述筛选子单元,用于从所述历史运行数据中,筛选出符合预设条件的历史运行数据,其中,所述预设条件为电梯当前运行状态为停止,且当前历史运行数据的上一历史运行数据中的电梯当前运行状态为上行或下行,所述当前历史运行数据的上一历史运行数据中的电梯当前运行状态为所述上一运行状态;
所述记录子单元,用于将筛选出的历史运行数据对应的上一运行状态,记录至对应筛选出的历史运行数据中,得到第二类型数据,其中,所述第二类型数据中的每条第二类型数据包括在电梯为停止状态时对应的当前时间、当前所处楼层和上一运行状态;
所述查找子单元,用于从所述历史运行数据中,查找出所述每条第二类型数据中当前所处楼层的电梯下一次停靠楼层,其中,所述电梯下一次停靠楼层为当前第二类型数据的下一历史运行数据中的当前所处楼层;
所述记录子单元,还用于将所述电梯下一次停靠楼层记录至对应所述第二类型数据中,得到所述第一类型数据。
8.一种电梯停靠楼层的预测装置,其特征在于,包括:依次通信相连的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1 ~ 6 任意一项所述的电梯停靠楼层的预测方法。
9.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如权利要求1 ~ 6 任意一项所述的电梯停靠楼层的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010901095.XA CN112061920B (zh) | 2020-08-31 | 2020-08-31 | 电梯停靠楼层的预测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010901095.XA CN112061920B (zh) | 2020-08-31 | 2020-08-31 | 电梯停靠楼层的预测方法、装置及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112061920A CN112061920A (zh) | 2020-12-11 |
CN112061920B true CN112061920B (zh) | 2022-05-06 |
Family
ID=73665124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010901095.XA Active CN112061920B (zh) | 2020-08-31 | 2020-08-31 | 电梯停靠楼层的预测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112061920B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112897263B (zh) * | 2021-03-11 | 2022-12-06 | 上海有个机器人有限公司 | 一种机器人的乘梯时长预测方法和系统 |
CN117326414B (zh) * | 2023-10-07 | 2024-06-07 | 联桥科技有限公司 | 双能量存储模式的电梯运行控制方法、系统及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009173363A (ja) * | 2008-01-22 | 2009-08-06 | Hitachi Ltd | エレベータの群管理システムおよびエレベータの群管理制御方法 |
CN107601186A (zh) * | 2017-08-31 | 2018-01-19 | 上海爱优威软件开发有限公司 | 一种控制电梯停靠的方法及电梯停靠控制系统 |
CN110182655A (zh) * | 2019-06-06 | 2019-08-30 | 上海三菱电梯有限公司 | 用于单梯的预测乘客乘梯需求的电梯控制方法 |
CN110194398A (zh) * | 2019-06-06 | 2019-09-03 | 上海三菱电梯有限公司 | 预测乘客乘梯需求的电梯群组的控制方法 |
CN110304504A (zh) * | 2019-07-29 | 2019-10-08 | 上海三菱电梯有限公司 | 基于乘客乘梯习惯预测的乘梯需求的电梯调配方法及系统 |
-
2020
- 2020-08-31 CN CN202010901095.XA patent/CN112061920B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009173363A (ja) * | 2008-01-22 | 2009-08-06 | Hitachi Ltd | エレベータの群管理システムおよびエレベータの群管理制御方法 |
CN107601186A (zh) * | 2017-08-31 | 2018-01-19 | 上海爱优威软件开发有限公司 | 一种控制电梯停靠的方法及电梯停靠控制系统 |
CN110182655A (zh) * | 2019-06-06 | 2019-08-30 | 上海三菱电梯有限公司 | 用于单梯的预测乘客乘梯需求的电梯控制方法 |
CN110194398A (zh) * | 2019-06-06 | 2019-09-03 | 上海三菱电梯有限公司 | 预测乘客乘梯需求的电梯群组的控制方法 |
CN110304504A (zh) * | 2019-07-29 | 2019-10-08 | 上海三菱电梯有限公司 | 基于乘客乘梯习惯预测的乘梯需求的电梯调配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112061920A (zh) | 2020-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112061920B (zh) | 电梯停靠楼层的预测方法、装置及计算机可读存储介质 | |
CN108322347B (zh) | 数据检测方法、装置、检测服务器及存储介质 | |
CN106714109B (zh) | 基于众包数据的WiFi指纹库更新方法 | |
CN108664620B (zh) | 一种店铺客流量预测方法 | |
CN111356148A (zh) | 一种实现网络优化的方法及相关设备 | |
CN108282860B (zh) | 数据处理方法及装置 | |
US7936260B2 (en) | Identifying redundant alarms by determining coefficients of correlation between alarm categories | |
CN109885643B (zh) | 一种基于语义轨迹的位置预测方法及存储介质 | |
CN102637178A (zh) | 一种音乐推荐方法、装置及系统 | |
WO2017048585A1 (en) | Localized anomaly detection using contextual signals | |
WO2012123844A1 (en) | Reliable profiling for monitoring systems | |
CN103297851A (zh) | 长视频中目标内容的快速统计与自动审核方法及装置 | |
CN106202280B (zh) | 一种信息处理方法及服务器 | |
CN111436017B (zh) | 一种基于聚类算法的手机用户一人多卡识别方法 | |
CN106202126B (zh) | 一种用于物流监控的数据分析方法和装置 | |
CN105429792B (zh) | 用户行为流量获取方法及装置、用户行为分析方法及系统 | |
CN111506625A (zh) | 一种告警阈值确定方法及装置 | |
CN105701135A (zh) | 一种应用推荐的方法和装置 | |
CN111325451B (zh) | 智能楼宇多级调度方法、智能楼宇调度中心及系统 | |
CN115907181A (zh) | 一种城市轨道交通乘客流量预测方法及系统 | |
CN112203324B (zh) | 一种基于位置指纹库的mr定位方法及装置 | |
CN104038313A (zh) | 在存在几乎空白子帧(abs)时的信号译码 | |
CN115145494B (zh) | 一种基于大数据时间序列分析的磁盘容量预测系统及方法 | |
CN113132891A (zh) | 一种基于移动信令的客流统计方法和系统 | |
CN116069674A (zh) | 一种用于等级测评的安全评估方法及系统 |
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 |