CN112299176B

CN112299176B - 用于电梯拥挤预测的方法和系统

Info

Publication number: CN112299176B
Application number: CN201911396118.XA
Authority: CN
Inventors: D.R.波拉克; S.R.尼科尔斯; M.鲁科; C.托内利; A.德安托尼
Original assignee: Otis Elevator Co
Current assignee: Otis Elevator Co
Priority date: 2019-07-23
Filing date: 2019-12-30
Publication date: 2023-03-14
Anticipated expiration: 2039-12-30
Also published as: US20210024326A1; CN112299176A; EP3770095A1

Abstract

本发明涉及用于电梯拥挤预测的方法和系统。一种用于电梯系统中的拥挤预测的方法包括：记录(100)在一段时间内的呼叫数量，且生成针对平均呼叫数量的第一时间序列(106)；收集外部影响数据(120)，且生成针对外部影响数据的第二时间序列(122)；以及对第一时间序列和第二时间序列执行交叉相关性测试(124)。当确定第一时间序列与第二时间序列之间的交叉相关性时，对第一时间序列和第二时间序列执行因果性测试(126)。当确定第一时间序列与第二时间序列之间的因果关系时，使用因果关系来预测电梯系统中的预期呼叫数量(128)。

Description

用于电梯拥挤预测的方法和系统

技术领域

本公开涉及用于电梯系统中的拥挤预测、特别是用于监测并预测电梯轿厢占用水平以用于拥挤检测目的的系统和方法。

背景技术

已知使用深度传感器、摄像机和其它传感器在电梯系统中跟踪乘客。实时乘客数据可由调度控制器使用以将电梯轿厢智能地分配给个体或成群的乘客。然而，如果电梯轿厢的当前占用水平不允许(一个或多个)乘客登梯(board)(即拥挤的轿厢)，则等待的(一个或多个)乘客体验到沮丧。任何不必要的电梯停止都会增加针对已经在电梯上的那些乘客的行进时间、增加针对不能够登梯的(一个或多个)乘客的等待时间，且代表在能量浪费和设备磨损的方面的成本。

仍然需要准确地预测电梯系统中的预期呼叫数量和预期轿厢占用水平。

发明内容

根据本公开，提供了一种用于电梯系统中的拥挤预测的方法，该方法包括：

记录在一段时间内的呼叫数量，且生成针对平均呼叫数量的第一时间序列；

收集外部影响数据，且生成针对外部影响数据的第二时间序列；

对第一时间序列和第二时间序列执行交叉相关性测试；

当确定第一时间序列与第二时间序列之间的交叉相关性时，对第一时间序列和第二时间序列执行因果性测试；以及

当确定第一时间序列与第二时间序列之间的因果关系时，使用因果关系来预测电梯系统中的预期呼叫数量。

在这样的方法中，电梯系统中的预期呼叫数量的预测基于外部影响的作用，而不是仅仅基于在过去的平均呼叫数量。这提供了更准确的拥挤预测。例如，已认识到的是，多种外部影响可影响给定电梯系统中的乘客交通，且改变通常根据在过去记录的呼叫数量来预期的交通模式。

在所公开的方法中，在基于第一时间序列与第二时间序列之间的因果关系来预测预期呼叫数量之前，相关性测试和因果性测试两者都必须得到满足。这确保了仅在外部影响实际上对电梯系统中的乘客交通模式产生作用的时候才考虑外部影响数据。

在至少一些示例中，外部影响数据涉及下者中的一个或多个：天气、流行病、假期、特殊事件、城市运输系统和道路交通。对于电梯系统而言，外部影响数据优选地是本地的。例如，已认识到的是，在热天，办公室工作人员倾向于比平常更早或更晚到达商业建筑物，而住宅建筑物中的乘客交通量可减少。在另一示例中，本地交通问题或城市运输延迟可造成乘客到达得更晚且更分散。当交叉相关性测试和因果性测试揭示外部影响引起根据在过去记录的呼叫来预期的平常的乘客交通模式的改变时，可考虑特殊事件，诸如抗议游行。

已进一步认识到的是，当考虑外部影响数据时，检查外部影响数据是固定的还是非固定的可为有益的。在至少一些情况下，外部影响数据可显示趋势(例如季节趋势或甚至是日趋势或小时趋势)，理想地考虑趋势，因为不然的话，基于外部影响数据的预报性能将取决于收集外部影响数据的时间。因此，在至少一些示例中，该方法进一步包括：对外部影响数据执行固定测试。在一些另外的示例中，当固定测试显示外部影响数据具有趋势时，该方法进一步包括在生成第二时间序列之前将外部影响数据去趋势。

本文中所公开的方法可使用任何常规技术(例如对在下者中的一个或多个处输入的呼叫进行计数：呼叫按钮、呼站(kiosk)、用户装置)来记录给定电梯系统中的呼叫数量。记录在一段时间内的呼叫数量的步骤可包括计算在该段时间内的每个时间间隔内的累积呼叫数量。在至少一些示例中，时间间隔可在1分钟与一小时之间。例如，时间间隔可为10分钟。该段时间优选地远长于时间间隔。在至少一些示例中，该段时间为至少一天、至少一周或至少一个月。这意味着，针对平均呼叫数量的第一时间序列提供乘客习惯以及他们每天、每周以及甚至从一个季节到另一个季节如何变化的更准确的写照(picture)。

为了更准确地提供电梯系统中的拥挤预测，已认识到的是，应考虑轿厢占用水平。在一些电梯系统中，例如在具有安全系统使得标识各个乘客且准许其进入电梯系统的商业建筑物中，预期轿厢占用水平可与预期呼叫数量具有接近于1:1的对应性，即每个呼叫对应于一个乘客。即便如此，轿厢占用水平不仅涉及乘客数量，而且涉及与那些乘客相关联的体积。如果乘客具有相关联的物体(诸如宠物、轮椅、行李等)，则占用体积增大。优选的是，将预期呼叫数量转换成预期轿厢占用水平。

根据一个或多个示例，另外或备选地，该方法进一步包括：使用预期呼叫数量来预测预期轿厢占用水平。在一些电梯系统中，可存在可应用于基于预期呼叫数量来预测预期轿厢占用水平的常数因子。例如，在办公建筑物中，可为已知的是，很少乘客具有任何相关联的物体，且可应用常数转换因子。在另一环境(诸如机场)中，可存在大的差异，例如，一些呼叫涉及带有一个包的单个乘客，而其它呼叫涉及带有大的行李手推车和婴儿车的家庭群。也可在一天、一周、一个月或一年的不同时间标识可对预期轿厢占用水平产生影响的乘客习惯差异。

根据一个或多个示例，该方法进一步包括：在一段时间内监测个体乘客行程；以及实施机器学习过程以标识乘客习惯且进一步预测预期轿厢占用水平。优选地，监测个体乘客行程的步骤包括确定个体乘客的占用体积。这可包括确定相关联的物体的体积。相关联的物体可为由乘客携带或与乘客一起运输的任何物体，例如下者中的一个或多个：轮椅、担架、宠物、儿童、手推车、行李等。

将理解的是，机器学习过程可为使用算法来检测乘客习惯且预测电梯系统中的乘客流量的任何合适形式的人工智能。在至少一些示例中，机器学习过程可包括深度学习或人工神经网络。在至少一些示例中，机器学习过程可包括贝叶斯(Bayesian)网络或遗传算法。

根据一个或多个示例，监测个体乘客行程包括：使用门厅(hallway)中的传感器和轿厢中的传感器中的至少一个来收集乘客行程数据；以及将时间戳应用于乘客行程数据。

根据一个或多个示例，另外或备选地，门厅传感器可包括任何运动或深度传感器。例如，门厅传感器可包括下者中的一个或多个：摄像机、热传感器、红外传感器、激光传感器、压力传感器或雷达传感器。在至少一些示例中，门厅传感器包括深度传感器。在至少一些示例中，门厅传感器包括至少一个深度传感器和至少一个摄像机。在至少一些示例中，门厅传感器包括上文中所提到的传感器或本领域中所已知的其它传感器的任何组合。门厅传感器可使用计算机视觉算法来检测乘客和任何相关联的物体。门厅传感器还可确定个体乘客的占用体积，或单独的传感器(例如，负载传感器)可用于此目的。

应认识到的是，用语“深度传感器”遍及本公开而用于任何1D、2D或3D深度传感器或其组合。这样的传感器可以以能够产生对应的(一个或多个)维度的深度图(也被称为点云或占用栅格)的电磁谱或声谱来操作。深度传感器可包括下者中的一个或多个：结构光测量、相移测量、飞行时间测量、立体三角测量装置、片光三角测量装置、光场相机、编码孔径相机、同时定位与地图构建(SLAM)、成像雷达、成像声纳、扫描激光雷达(LIDAR)、闪光激光雷达、被动红外(PIR)传感器、小型焦平面阵列(FPA)或其任何组合。

值得注意地，在2D成像传感器(例如常规摄像机)与1D、2D或3D深度感测传感器之间可存在定性和定量的差异，在这个意义上，深度传感器提供许多优点。在2D成像中，捕获沿成像装置的各个辐射方向从第一物体反射的颜色(波长的混合)。然后，2D图像是源照度和场景中的物体的谱反射率的组合谱。2D图像可由人解释为图。在1D、2D或3D深度感测传感器中，没有颜色(谱)信息；而是，捕获沿一个辐射方向(1D)或多个辐射方向(2D、3D)从传感器到第一反射物体的距离(深度、范围)。1D、2D和3D技术可具有固有的最大可检测范围限制，且可具有比典型的2D成像装置相对更低的空间分辨率。相比于常规的2D成像，1D、2D或3D深度感测的使用可在其对环境光照问题的相对免疫性、更好的遮挡物体分离以及更好的隐私保护方面有利地提供改善的操作。

根据一个或多个示例，乘客行程数据可包括下者中的一个或多个：登梯楼层、计划的目的地楼层(例如，如通过呼叫输入装置而键入的)、离梯(deboard)楼层、乘客标识和占用体积。

在至少一些示例中，门厅传感器可能能够例如使用物体分类算法来标识个体乘客。因此，可不需要乘客使用标识证件(badge)来标识他们自己。这可保护乘客匿名性。然而，在至少一些电梯系统中，可存在安全系统，且乘客跟踪可包括乘客识别。根据一个或多个示例，另外或备选地，监测个体乘客行程可包括：识别个体乘客的身份。示例可包括下者中的一个或多个：ID证件识别(例如RFID读卡器、蓝牙信标)、移动装置(例如智能手机、智能手表、平板电脑等)、指纹或虹膜识别、面部识别等。可提供一个或多个合适的传感器以用于识别个体乘客的身份的目的。

不管是通过门厅传感器还是通过单独的乘客身份识别过程来标识个体乘客，都期望监测被看到接近电梯轿厢的乘客是否实际登上该电梯轿厢。一些乘客可采用备选路径或在门厅中犹豫。这有助于在确定可用轿厢占用水平时提供真实的乘客计数。根据一个或多个示例，另外或备选地，监测个体乘客行程包括：使用门厅传感器来标识个体乘客，且使用轿厢传感器来重新标识同一个体乘客。轿厢传感器可包括任何运动或深度传感器。例如，轿厢传感器可包括下者中的一个或多个：摄像机、热传感器、红外传感器、激光传感器、压力传感器或雷达传感器。在至少一些示例中，轿厢传感器包括摄像机。在至少一些示例中，轿厢传感器包括至少一个深度传感器和至少一个摄像机。轿厢传感器可使用物体分类算法来重新标识个体乘客。

根据一个或多个示例，另外或备选地，监测过程可进一步包括：使用传感器来监测个体乘客与呼叫输入装置的交互。该传感器可与门厅传感器是同一传感器或为不同的传感器。呼叫输入装置可为由用户携带的移动装置或可为固定装置(诸如呼站或门厅呼叫面板)。通过监测个体乘客与呼叫输入装置的交互，实时乘客数据可包括关于乘客的计划的目的地的信息。

根据一个或多个示例，另外或备选地，监测过程可进一步包括：使用轿厢传感器来监测个体乘客离开电梯轿厢的目的地楼层。这有助于更新实时乘客数据，因为乘客可能不在计划的目的地或预期目的地处离梯。

将认识到的是，上文中所公开的示例中的许多示例将个体乘客的实时跟踪与正在进行的机器学习过程组合，使得可标识乘客习惯，且针对预期轿厢占用水平而进行更好的预测。这代表除了考虑外部影响的作用的初始计算之外的改进。这意味着，当电梯轿厢过于拥挤以致于无法响应于乘客呼叫时，可更准确地通知电梯系统中的调度控制器，且可避免不必要的停止，从而改善乘客体验。

除了本文中所公开的示例中的任何示例之外，或作为备选方案，该方法可进一步包括：将预期轿厢占用水平与可用轿厢占用水平比较；以及当预期轿厢占用水平超过可用轿厢占用水平时，发出拥挤通知。此外，在至少一些示例中，该方法进一步包括：响应于拥挤通知而控制电梯系统中的至少一个轿厢的调度和/或停止。这可包括例如当预期轿厢占用水平超过可用轿厢占用水平时将输入的呼叫重定向至另一电梯轿厢且/或避免停止电梯轿厢。

根据本公开，进一步提供了一种电梯系统，电梯系统包括：监测系统，其布置成记录在一段时间内的呼叫数量且生成针对平均呼叫数量的第一时间序列；处理器，其布置成：接收外部影响数据且生成针对外部影响数据的第二时间序列；对第一时间序列和第二时间序列执行交叉相关性测试；当确定第一时间序列与第二时间序列之间的交叉相关性时，对第一时间序列和第二时间序列执行因果性测试；并且当确定第一时间序列与第二时间序列之间的因果关系时，使用因果关系来预测电梯系统中的预期呼叫数量。

根据一个或多个示例，另外或备选地，监测系统布置成：在一段时间内监测个体乘客行程。例如，监测系统可布置成：使用门厅中的传感器和轿厢中的传感器中的至少一个来收集乘客行程数据；并且将时间戳应用于乘客行程数据。这可根据上文中已经描述的示例性方法中的任何方法来执行。在至少一些示例中，监测系统可布置成实施机器学习过程以标识乘客习惯且预测预期轿厢占用水平。这再次可根据上文中已经描述的示例性方法中的任何方法来执行。

根据一个或多个示例，另外或备选地，电梯系统进一步包括拥挤检测系统，该拥挤检测系统布置成：将预期轿厢占用水平与可用轿厢占用水平比较；并且当预期轿厢占用水平超过可用轿厢占用水平时，发出拥挤通知。

根据一个或多个示例，另外或备选地，电梯系统进一步包括电梯调度控制器，该电梯调度控制器布置成：

当预期轿厢占用水平超过可用轿厢占用水平时，将输入的呼叫重定向至另一电梯轿厢；且/或

当预期轿厢占用水平超过可用轿厢占用水平时，避免停止电梯轿厢。

附图说明

现在将仅通过示出的方式且参考附图来描述本公开的一些示例，在附图中：

图1是根据本公开的示例的在电梯系统中的用于记录呼叫数量且生成相关联的时间序列的过程的示意性概览；

图2是根据本公开的示例的用于电梯系统中的拥挤预测的方法的示意性概览；

图3是根据本公开的示例的电梯系统的示意性概览；

图4是根据本公开的示例的用于电梯系统中的拥挤预测的方法的示意性概览；并且

图5是根据本公开的示例的监测系统中的机器学习过程的示意性概览。

具体实施方式

如本领域中通常已知且在图1中看到的，可如下所述的那样使用涉及在电梯系统中记录的呼叫的数据源100。在步骤102处，计算每个时间间隔(例如10分钟)内的累积呼叫数量。在步骤104处，例如使用如本领域中众所周知的适当的统计工具来将数据可视化。在步骤106处，生成针对平均呼叫数量的时间序列。呼叫记录100代表过去事件(例如，楼层出发地(departure)/目的地)和相关联的时间戳的记录。在步骤106处生成的时间序列可用于在步骤108处基于在过去的平均呼叫数量来预测预期呼叫数量。

图2提供了用于电梯系统中的拥挤预测的示例性方法的概览。如已经在图1中看到的，呼叫记录100可用于生成针对平均呼叫数量106的第一时间序列。根据本公开的示例，涉及外部影响的数据源120也连接到电梯系统。在步骤122处，生成针对外部影响数据的第二时间序列。如以点线轮廓显示的，外部影响数据120可选地经历固定测试132和去趋势134。

如从图2进一步看到的，对第一时间序列和第二时间序列执行交叉相关性测试124。当确定第一时间序列与第二时间序列之间的交叉相关性时，则对第一时间序列和第二时间序列执行因果性测试126。如果交叉相关性测试124和因果性测试126两者的结果都是肯定的(即当确定第一时间序列与第二时间序列之间的因果关系时)，则在步骤128处使用因果关系来预测电梯系统中的预期呼叫数量。预期呼叫数量的这种预测基于外部影响的作用。另一方面，如果交叉相关性测试124或因果性测试126的结果是否定的，则如在步骤130处看到的，基于在过去的平均呼叫数量来预测预期呼叫数量，且这可为与在图1中的步骤108处看到的内容相同的结果。

如下文中将进一步描述的，来自步骤128、130的对预期呼叫的预测可转换成预期轿厢占用水平且与可用轿厢占用水平比较。该比较的结果可用于告知电梯系统中的轿厢调度。

图3大体上显示了监测系统1如何收集来自门厅传感器8的数据20和来自轿厢传感器10的数据30。在该示例中，监测系统1在电梯系统中，该电梯系统包括由调度控制器4控制的多个电梯轿厢，诸如轿厢2。监测系统1能够使用多个传感器来跟踪个体乘客6且输出实时乘客数据。门厅传感器8布置成监测个体乘客对电梯轿厢的接近。轿厢传感器10布置成在电梯轿厢2的内部监测个体乘客6。在该示例中，门厅传感器8还用作乘客体积传感器，其布置成确定个体乘客的占用体积。门厅传感器8(诸如摄像机和/或深度传感器)可利用物体检测算法来识别与乘客6相关联的手提箱12。个体乘客的占用体积包括乘客6的尺寸和手提箱12的尺寸。

在该示例中，监测系统1布置成识别乘客6的身份。至少一个门厅传感器8布置成监测乘客与在此描绘为呼站的呼叫输入装置7的交互。例如如果乘客呈现身份证以输入电梯呼叫，则该交互可用于标识乘客6。根据从门厅传感器8接收的信息，监测系统1开始构建包括下者中的一个或多个的实时乘客数据：电梯呼叫请求、登梯楼层、计划的目的地(例如，如在呼叫输入装置7处键入的)、乘客标识和占用体积。

监测系统1包括处理器，该处理器配置成基于实时数据20、30来计算可用轿厢占用水平。转到图4，看到如下的示例：其中监测系统1用于提供对来自步骤128、130(在图2中)的对预期呼叫的预测的改进。如已经关于图3而描述的，监测传感器14向时间戳系统16提供实时乘客行程数据。在监测系统1中，存在处理器18，其布置成实施机器学习过程。处理器18能够构建整个电梯系统在数天、数周或甚至数月的一段时间内的交通模式的图。处理器18可至少部分地与涉及监测系统1的监测传感器14的处理器组合，或实施为物理上分离的处理器，或者处理器18可在云端中实施。处理器18布置成确定预期轿厢占用水平。

如在图4中进一步看到的，将预期轿厢占用水平与由监测系统1确定的可用轿厢占用水平比较。该比较可由与监测系统1中的处理器18分离或组合的拥挤检测处理器20执行。然后，当预期轿厢占用水平超过可用轿厢占用水平时，将拥挤通知发送至调度控制器4。

参考图5，进一步公开了可如何使用监测系统1来学习乘客习惯且构建针对电梯系统的交通模式。在该示例中，对实时乘客行程数据执行身份测试124。如果个体乘客由监测系统1标识，则可立刻开始机器学习过程218以针对各个所标识的乘客而学习乘客习惯。如果个体乘客未由监测系统1标识，则仍在200处记录实时乘客行程数据且将其馈送至机器学习过程218中，并且随着时间的过去，这使机器学习过程218能够标识个体乘客行程数据中的重复或趋势，使得学习到乘客习惯。在202处存储乘客习惯。此外，机器学习过程218整合在许多个小时、许多天、许多周或许多个月的过程中接收到的个体乘客行程数据，以构建特定于电梯系统的交通模式204。机器学习过程218可使用乘客习惯202和交通模式204来及时地、更准确地确定在任何给定时刻的预期轿厢占用水平。预期轿厢占用水平可在经历在图4中看到的拥挤检测比较20之前以此方式改进。

本领域技术人员将认识到的是，本公开已通过描述其一个或多个特定示例而示出，但不限于这些方面；在所附权利要求书的范围内，许多变型和修改是可能的。

Claims

1.一种用于电梯系统中的拥挤预测的方法，所述方法包括：

收集外部影响数据，且生成针对所述外部影响数据的第二时间序列；

对所述第一时间序列和所述第二时间序列执行交叉相关性测试；

当确定所述第一时间序列与所述第二时间序列之间的交叉相关性时，对所述第一时间序列和所述第二时间序列执行因果性测试；以及

当确定所述第一时间序列与所述第二时间序列之间的因果关系时，使用所述因果关系来预测所述电梯系统中的预期呼叫数量。

2.根据权利要求1所述的方法，其特征在于，所述外部影响数据涉及下者中的一个或多个：天气、流行病、假期、特殊事件、城市运输系统和道路交通。

3.根据权利要求1或2所述的方法，其特征在于，所述方法进一步包括：

对所述外部影响数据执行固定测试；以及

当所述固定测试显示所述外部影响数据具有趋势时，在生成所述第二时间序列之前将所述外部影响数据去趋势。

4.根据权利要求1或2所述的方法，其特征在于，所述方法进一步包括：

使用所述预期呼叫数量来预测预期轿厢占用水平。

5.根据权利要求4所述的方法，其特征在于，预测预期轿厢占用水平进一步包括：

在一段时间内监测个体乘客行程；以及

实施机器学习过程以标识乘客习惯且进一步预测所述预期轿厢占用水平。

6.根据权利要求5所述的方法，其特征在于，监测个体乘客行程包括：

使用门厅中的传感器和轿厢中的传感器中的至少一个来收集乘客行程数据；以及

将时间戳应用于所述乘客行程数据。

7.根据权利要求6所述的方法，其特征在于，所述乘客行程数据包括下者中的一个或多个：登梯楼层、计划的目的地楼层、离梯楼层、乘客标识和占用体积。

8.根据权利要求5所述的方法，其特征在于，监测个体乘客行程包括：

识别个体乘客的身份。

9.根据权利要求5所述的方法，其特征在于，监测个体乘客行程包括：使用门厅传感器来标识个体乘客，且使用轿厢传感器来重新标识同一个体乘客。

10.根据权利要求4所述的方法，其特征在于，所述方法进一步包括：

将所述预期轿厢占用水平与可用轿厢占用水平比较；以及

当所述预期轿厢占用水平超过所述可用轿厢占用水平时，发出拥挤通知。

11.根据权利要求10所述的方法，其特征在于，所述方法进一步包括：

响应于所述拥挤通知而控制所述电梯系统中的至少一个轿厢的调度和/或停止。

12.一种电梯系统，包括：

监测系统，其布置成记录在一段时间内的呼叫数量且生成针对平均呼叫数量的第一时间序列；

处理器，其布置成：

接收外部影响数据，且生成针对所述外部影响数据的第二时间序列；

当确定所述第一时间序列与所述第二时间序列之间的交叉相关性时，对所述第一时间序列和所述第二时间序列执行因果性测试；并且

13.根据权利要求12所述的电梯系统，其特征在于，所述监测系统布置成：

在一段时间内监测个体乘客行程；并且

实施机器学习过程以标识乘客习惯且预测预期轿厢占用水平。

14.根据权利要求13所述的电梯系统，其特征在于，所述电梯系统进一步包括拥挤检测系统，所述拥挤检测系统布置成：

将所述预期轿厢占用水平与可用轿厢占用水平比较；并且

15.根据权利要求14所述的电梯系统，其特征在于，所述电梯系统进一步包括电梯调度控制器，所述电梯调度控制器布置成：

当所述预期轿厢占用水平超过所述可用轿厢占用水平时，将输入的呼叫重定向至另一电梯轿厢；且/或

当所述预期轿厢占用水平超过所述可用轿厢占用水平时，避免停止电梯轿厢。