CN113682908B - 一种基于深度学习的智能调度方法 - Google Patents

Abstract

本发明涉及调度控制技术，其公开了一种能够提高乘客乘梯体验，且具有较好灵活性和适应性的一种基于深度学习的智能调度方法。该方法包括以下步骤：S1、乘客通过所在楼层的预约面板进行乘梯预约，生成呼梯请求发送给电梯控制模块；S2、电梯控制模块获取收到呼梯请求时所有电梯的状态数据，并连同呼梯请求一并发送给算法调度模块；S3、算法调度模块采用训练好的电梯调度模型作为调度算法，以呼梯请求和所有电梯的状态数据为输入，生成派梯决策；S4、算法调度模块将派梯决策反馈给预约面板和电梯控制模块。本发明适用于目的层预约型电梯群调度。

Description

一种基于深度学习的智能调度方法

技术领域

本发明涉及调度控制技术，具体涉及一种基于深度学习的智能调度方法。

背景技术

电梯群控系统是一个重要的应用研究，许多先进的电梯调度算法和控制方式都被应用到电梯群控系统中。迅达电梯公司在1997年提出目的层预约型电梯的理念，就是将外呼上下行按钮改为目标层选取，并反馈所派电梯序号来引导乘客进行乘梯。该类型电梯能够有助于提升电梯运行效率，使乘梯更加高效便捷，提升乘客的乘梯质量，增强乘梯的舒适性，更好地为乘客提供服务；其次可以节约电能，减少资源浪费；再者可以加快国内电梯企业创新性发展，打破外企的技术垄断。目前我国对于目的层预约型电梯群控调度的研究还处于起步阶段，这种具有新型客流分配模型的电梯群控系统也成为学术界和其他相关机构的研究热点和发展方向。

目前基于目的层预约型电梯群控方法大都基于模糊控制算法，其主要思想是根据实时数据分析当前楼宇的交通模式，根据所预测的相关参数值和评价指标给出合理的派梯策略。2018年付丽君等人建立了基于目的层预约的电梯群控调度仿真模型，使用蚁群算法来优化模糊控制派梯策略。它主要是构建了合理的模糊规则，根据不同交通流的权值分配和模糊规则，得到合适的派梯函数进行优化派梯。2021年孙朋飞同样也提出了基于模糊控制的群控调度算法，但其对算法的评价指标进行优化，建立了基于5个评价指标的更加全面的综合评价函数，一定程度上提高了派梯结果的合理性。

但是基于模糊控制的调度算法要依赖于专家系统来判定楼宇的交通模式，再在此基础上优化指标来进行调度。而专家系统很难完全覆盖所有规则，且交通模式的定义很难统一，所以该类方法缺少一定的灵活性。

申请号为201910943090.0的专利申请公开了一种轿外预约、轿内自动登记、调度分配人员乘梯的电梯系统及方法。它主要由外层认证单元、电梯调度控制单元、外呼控制检测单元、电梯状态检测单元、外接式电梯楼层控制单元组成。外层认证单元通过读卡、蓝牙、手机APP、红外、人脸识别等任意一种方式获取使用者预先设置或授权获得的权限信息。电梯状态检测单元检测各个电梯轿厢的状态信息，所述状态信息包括所述电梯轿厢所在楼层的位置信息、所述电梯轿厢的行进方向信息以及电梯轿厢门是否打开的信息。最重要的电梯调度控制单元用来发送外呼指令到对应的权限电梯组，并判断预约人数与电梯荷载人数，然后根据电梯状态和具体外呼指令来进行派梯。最后对所派电梯进行楼层登记，通知电梯自有控制系统控制电梯轿厢完成呼梯任务。

此发明的系统在功能上是符合目的层预约型电梯设计理念，但其调度部分是基于传统电梯的内呼、外呼模式来进行派梯，这种派梯方式只考虑了电梯方向和乘客方向，并没有考虑电梯已有任务和当前任务的乘梯体验。

申请号为202010375197.2的专利申请公开了电梯的运行控制系统、电梯系统以及电梯的运行控制方法。在控制系统中包括运行控制部，能执行预约运行控制；以及传感器部，获取能够判别预约使用者的信息，作为预约运行控制的控制模式，设有第一控制模式、第二控制模式以及第三控制模式，第一控制模式中，将电梯调配到预约的乘坐楼层，第二控制模式中，基于由传感器部获取的信息来判断预约使用者是否到达预约的乘坐楼层，第三控制模式中，将电梯调配到预约的目的楼层，运行控制部生成与预约运行的状况相应的与控制模式的种类有关的信息，基于生成的与控制模式的种类有关的信息，进行对应的控制模式的运行控制。

此发明运用了传感器技术来实现预约系统，但是仅能够适用于客流量较少的情况，当客流量增大时，该系统的服务质量会一定程度地下降。

发明内容

本发明所要解决的技术问题是：提出一种能够提高乘客乘梯体验，且具有较好灵活性和适应性的基于深度学习的智能调度方法。

本发明解决上述技术问题采用的技术方案是：

一种基于深度学习的智能调度方法，应用于包括预约面板、电梯控制模块和算法调度模块的目的层预约型电梯群控调度系统，该方法包括以下步骤：

S1、乘客通过所在楼层的预约面板进行乘梯预约，生成呼梯请求发送给电梯控制模块；

S2、电梯控制模块获取收到呼梯请求时所有电梯的状态数据，并连同呼梯请求一并发送给算法调度模块；

S3、算法调度模块采用训练好的电梯调度模型作为调度算法，以呼梯请求和所有电梯的状态数据为输入，生成派梯决策；

S4、算法调度模块将派梯决策反馈给预约面板和电梯控制模块。

作为进一步优化，步骤S1中，所述进行乘梯预约的方式包括：

输入目的楼层和预约乘梯人数，若未输入预约乘梯人数，则默认预约乘梯人数为1人；

所述呼梯请求中包括呼梯楼层、预约乘梯人数和目的楼层。

作为进一步优化，步骤S2中，所述电梯的状态数据包括：当前电梯所在楼层、运行状态以及已有任务。

作为进一步优化，步骤S4中，所述算法调度模块将派梯决策反馈给预约面板和电梯控制模块具体包括：

算法调度模块将派梯决策反馈给预约面板进行展示，供乘梯人前往相应电梯前等待乘梯；并且，算法调度模块将派梯决策反馈给电梯控制模块，供电梯控制模块根据所述派梯决策向相应电梯的任务列表中添加乘梯任务。

作为进一步优化，所述电梯的任务列表的行数＝楼层数，列数＝4；其中，任务列表的前两列分别用于描述电梯运行方向向上的乘客进电梯任务、出电梯任务；任务列表的后两列分别用于描述电梯运行方向向下的乘客进电梯任务、出电梯任务；任务列表的各行用于描述对应楼层在列属性上的取值。

作为进一步优化，所述电梯调度模型的训练方法包括：

a.构建样本集：采集在一段时间内与调度系统所应用楼宇属性相同的其它楼宇的实际客流数据；根据采集的实际客流数据利用仿真系统进行仿真，获得为每个呼梯请求对应的乘梯任务分配的最优电梯并进行标注；所述实际客流数据包括：呼梯时间、呼梯时预约乘梯人数、呼梯楼层和目的楼层；

b.将呼梯请求信息和电梯状态信息进行整合，并转换为矩阵图像，作为卷积神经网络的输入，计算输出，并与呼梯请求对应的乘梯任务的标签进行损失函数计算，然后通过反向传播更新卷积神经网络的权值，不断迭代直至网络收敛，获得电梯调度模型。

作为进一步优化，步骤b中，将呼梯请求信息和电梯状态信息进行整合，并转换为矩阵图像，具体包括：

b1、根据楼层数、电梯群中的电梯数、电梯载荷人数确定矩阵图像大小，并进行初始化；

b2、根据呼梯请求中的呼梯楼层和目的楼层，确定电梯执行此乘梯任务的运行方向，并对矩阵图像的最后一列相应位进行赋值；

b3、根据电梯群中的各个电梯的状态信息对矩阵图像中的其余列的相应位进行赋值。

作为进一步优化，步骤b1中，矩阵图像的行数＝max{楼层数,电梯载荷人数}+1；

矩阵图像的列数＝4*电梯数+1；其中，每4列数据用于描述一台电梯的状态信息，包括：每4列数据中的第1列用于描述对应电梯当前所在楼层，第2列用于描述对应电梯向上停靠任务，第3列用于描述对应电梯向下停靠任务，第4列用于描述对应电梯在执行呼梯请求对应的乘梯任务过程中将会搭载的最大人数；

矩阵图像的最后一列用于描述呼梯信息；矩阵图像的除最后一行外的各行用于描述对应楼层在列属性上的取值，矩阵图像的最后一行用于描述附加信息，包括：对应电梯当前的运行方向，该电梯是否处于空闲状态，是否因为维修原因停止运行，当前梯内人数与呼梯请求中的预约乘梯人数相加是否会超载；

在进行初始化时，将矩阵图像中各个位上的值置0。

作为进一步优化，所述根据采集的实际客流数据利用仿真系统进行仿真，具体包括：

每一个呼梯请求对应产生一个乘梯任务，通过观察呼梯请求发生时所有电梯的状态，为乘梯任务选择能够提供最好乘梯体验的电梯，并将该乘梯任务加入选择的该电梯的任务列表，按照乘梯任务发生的先后顺序，提交给仿真系统执行，从而为每个乘梯任务匹配最合适的电梯，并记录乘梯任务对应的呼梯请求和电梯状态信息，对各个乘梯任务所匹配的最合适的电梯进行标注。

作为进一步优化，所述为乘梯任务选择能够提供最好乘梯体验的电梯时，优先考虑候梯时间和乘梯时间的综合指标，其次考虑梯内拥挤程度指标。

本发明的有益效果是：

(1)利用了神经网络的较强的学习优势，灵活地为不同时间段、不同情况下出现的呼梯请求指派合理的电梯。

(2)在算法中，将具体的任务场景转换成任务描述图，而对任务描述图进行派梯预测的时间复杂度很低，同时采用多线程模式，为不同请求进行调度，因此，只要训练好网络参数，调度系统就能很快地给出派梯决策，即使在高客流的情况下也具有较好的性能。

(3)使用独特的任务记录方式，能够预测呼梯区间内的乘梯人数。在候梯时间和乘梯时间相差无几的情况下，优先派出预测乘梯人数少的电梯，尽量减少拥挤，同时能预防超载导致的任务无法完成的情况发生，提高了乘客的乘梯体验。

附图说明

图1为本发明实施例的调度系统模块关系构成图；

图2为本发明实施例的调度方法流程图；

图3为本发明实施例的卷积神经网络的输入矩阵图像示意图；

图4为本发明实施例的卷积神经网络结构图；

图5为本发明实施例的电梯任务列表示意图。

具体实施方式

本发明旨在提出一种能够提高乘客乘梯体验，且具有较好灵活性和适应性的基于深度学习的智能调度方法。其核心思想是：该方法综合考虑调度场景中的各种影响因素，将其提取为神经网络可以识别的图像形式，并训练相应的网络框架，用于高效地为不同场景制定合适的调度计划。此外，本发明采用一种特定的记录电梯已有任务的方法，用来控制电梯的运行并预测乘梯人数，在候梯时间和乘梯时间相差无几的情况下，优先派出预测乘梯人数少的电梯，尽量减少拥挤，同时能预防超载导致的任务无法完成的情况发生，提高了乘客的乘梯体验。

实施例：

本实施例中的基于深度学习智能调度方法，应用于包括预约面板、电梯控制模块和算法调度模块的目的层预约型电梯群控调度系统，调度系统的模块组成如图1所示，当有乘客需要乘坐电梯时，要在其所在楼层的预约面板上输入目的楼层和预约人数，随后预约面板模块会将这些预约信息发送到电梯控制模块，需要控制模块将此时刻所有电梯的信息进行打包，连同呼梯需求一起发送给调度算法模块。调度算法模块接收到乘客的预约信息和当前的电梯信息后，利用调度算法得到该任务的派梯策略。最后，调度算法模块将派梯结果返回给另外两个模块，预约面板得到结果随即展示给乘客，电梯控制模块则根据结果将任务添加到相应电梯的任务列表，乘客也只需到相应电梯前等待乘梯。

具体实现上，对于不同的楼宇，需要训练不同的网络用于调度算法模块。将已训练好的网络放入群控调度系统后，整体运行流程如图2所示，包括：

S1、乘客通过所在楼层的预约面板进行乘梯预约，生成呼梯请求发送给电梯控制模块：

本步骤中，乘客通过所在楼层的预约面板输入目的楼层(即想到到达的楼层)和预约乘梯人数，若未输入预约乘梯人数，则默认预约乘梯人数为1人；所述呼梯请求中包括呼梯楼层、预约乘梯人数和目的楼层。

S2、电梯控制模块获取收到呼梯请求时所有电梯的状态数据，并连同呼梯请求一并发送给算法调度模块：

本步骤中，所述电梯的状态数据包括：当前电梯所在楼层、运行状态以及已有任务。

S3、算法调度模块根据呼梯请求和电梯状态数据生成派梯决策：

本步骤中，算法调度模块采用训练好的电梯调度模型作为调度算法，以呼梯请求和所有电梯的状态数据为输入，生成派梯决策；派梯决策中包含为呼梯请求分配的电梯的电梯号。

S4、算法调度模块将派梯决策反馈给预约面板和电梯控制模块：

本步骤中，算法调度模块将派梯决策反馈给预约面板进行展示，供乘梯人前往相应电梯前等待乘梯；并且，算法调度模块将派梯决策反馈给电梯控制模块，供电梯控制模块根据所述派梯决策向相应电梯的任务列表中添加乘梯任务，电梯控制模块根据乘梯任务执行对电梯的停靠控制。

上述步骤S3中的电梯调度模型实质上是一个基于深度学习的电梯评分模型，模型的输入是乘客呼梯信息和电梯群中各电梯的状态信息，输出是对所有电梯完成呼梯对应的乘梯任务的评分，选择其中评分最高的电梯作为对该乘梯任务分配的电梯。

该模型的学习基于具体的楼宇属性，包括楼层数、电梯数、电梯荷载人数、电梯平均运行速度和平均停靠时间，这些属性在一般情况下不会发生改变。模型的训练样本数据可以由与该楼宇属性相同的其它楼宇的实际数据组成，但该实际数据只提取客流部分，即包括呼梯时间、起始楼层、目的楼层的乘梯需求，不提取利用传统呼梯方式所得到的派梯结果(因为该结果不能保证乘客的乘梯体验)。

根据收集的实际客流信息，人工为其中一段时间(比如：一周)的乘梯任务设定标签，该标签的设定需要依赖于电梯运行的仿真系统。具体而言，每一个呼梯请求对应产生一个乘梯任务，通过观察呼梯请求发生时所有电梯的状态，为乘梯任务选择能够提供最好乘梯体验的电梯，并将该乘梯任务加入选择的该电梯的任务列表，按照乘梯任务发生的先后顺序，提交给仿真系统执行，从而为每个乘梯任务匹配最合适的电梯，并记录乘梯任务对应的呼梯请求和电梯状态信息，对各个乘梯任务所匹配的最合适的电梯进行标注。

在为乘梯任务匹配最合适的电梯时，优先考虑乘客的乘梯体验，再考虑能耗问题。而乘梯体验主要的影响因素是候梯时间、乘梯时间以及梯内拥挤程度，在这里将候梯时间和乘梯时间作为一个综合指标来评估，因为对于一个乘客而言，最希望的是能够最快到达目的楼层，而不是尽早进入电梯。比如对于某一时刻的呼梯请求是L5到L9，这时有电梯A载了其他乘客从L1出发且在L2-L4没有任务，电梯B载了其他乘客正运行到L3且在L3-L4没有任务，很明显对该呼梯需求而言，电梯B的候梯时间比电梯A少，将该乘梯任务的标签标注为电梯B。但如果电梯A已有任务的停靠楼层大于L9，而电梯B的任务停靠楼层分散在L4-L9，这时乘客在电梯B中的乘梯时间大于电梯A。综合电梯在楼层间的运行速度和楼层停靠时间考虑，电梯A的乘梯体验高于电梯B，将该乘梯任务的标签标注为电梯A。

相似的，梯内拥挤程度是根据电梯已有任务的人数而言，但其优先级低于候梯时间和乘梯时间，只有当几部电梯在候梯时间和乘梯时间的综合评估中相差非常小且都不会有超载情况发生时，才考虑派人数最少的电梯给任务。需要注意的是，当某部电梯若完成此乘梯任务过程中会发生超载情况，则不考虑此电梯。最后，在上述所有指标都相差不大时，从节约能源的角度选择电梯。

深度学习技术在图像处理领域有非常好的表现，它能够有效得捕捉到像素之间的关系，并提取整个图像的特征。在此调度算法中需要用到深度学习技术来识别不同情况下的派梯策略，那么将不同的情况表示成矩阵图像作为神经网络的输入是一个突破点。下面将具体介绍如何将电梯状态信息和乘客呼梯信息转换为矩阵图像：

步骤1、根据楼层数、电梯群中的电梯数、电梯载荷人数确定矩阵图像大小，并进行初始化：

本步骤中，确定矩阵图像的行数＝max{楼层数,电梯载荷人数}+1；即，行数为楼层数与荷载人数的最大者加1；矩阵图像的列数＝4*电梯数+1。

矩阵图像，也即在调度过程中的某时刻的运行状态表示，表达载荷(人)及电梯的位置分布及运行状态，其均可表示为楼层，因此，其可以整理并纳入一个载荷、电梯、楼层三个维度的坐标体系，也因此，除上述以楼层为行标并赋值载荷以外，亦可以以载荷为行标并赋值楼层。

以楼层为行标为例，在如图所示的实施例中，假设电梯荷载人数为10，楼层数为20，电梯台数为4；设计的矩阵图像如图3所示，为了尽可能地描述电梯状态信息和乘客呼梯信息，图像用4列数据来表示一台电梯的信息，其中第1列记录该电梯当前所在楼层，第2列记录其向上的停靠任务，第3列记录向下停靠任务，第4列用于描述该部电梯的在执行呼梯请求对应的乘梯任务过程中将会搭载的最大人数情况；图像的行数据用于具体描述楼层在列属性上的取值，其中最后一行记录一些附加信息：其中，最后一行的第一列位置表示此电梯当前的运行方向(向上还是向下)，最后一行的第二列位置表示该电梯是否是无任务静止，即处于空闲状态，最后一行的第3列位置表示电梯是否因为维修等原因停止运行，最后一行的第4列数据表示梯内当前人数与呼梯请求中的预约乘梯人数相加是否会超载。

步骤2、根据呼梯请求中的呼梯楼层和目的楼层，确定电梯执行此乘梯任务的运行方向，并对矩阵图像的最后一列相应位进行赋值；例如某一乘客要从1楼到19楼，就需要把L1和L19所对应的行赋值为1。并且，该乘客的出行方向向上，则将最后一列中附加信息的对应位置赋值为1。

步骤3、根据电梯群中的各个电梯的状态信息对矩阵图像中的其余列的相应位进行赋值；根据当前电梯方向和所在楼层，为各电梯信息的第1列赋值，方向向上为1；第2列、第3列的值分别表示该电梯在对应楼层是否停靠,第4列表示完成此次乘梯任务的过程中将会搭载的最大人数值。

例如，1号电梯正在1楼向上运行，它有任务L2到L6，任务L6到L1，若需要完成此次乘梯任务其将最多承载8人。则该电梯的第1列L1位置赋值为1，第2列L2、L6位置赋值为1，以及第3列L6、L1位置赋值为1，第4列的L1-L8位置都赋值为1。

若电梯当前没有任务，则将第2列的附加信息电梯停运置为1，第2列的其它值(除第2列附加信息位置以外的所有值)均为0；若该电梯在某一时间段停止载客，则将电梯信息的第3列附加信息置为1，其它(除第3列附加信息位置以外的所有值)值均为0。最后，对于每一部电梯，计算开始执行此次任务时，电梯承载的最大乘客数，并在电梯信息的第4列，按照人数从倒数第2行向上赋值1，若当前呼梯需求人数与电梯已有人数相加会造成超载，则在附加信息位置赋值为1。

将调度算法需要的乘客呼梯数据和电梯状态数据转换为网络可以识别的图像信息后，利用作好标签的图像数据训练网络，获得电梯调度模型。该训练网络采用传统的卷积神经网络，它由卷积层、池化层、隐藏层以及dropout(随机失活)层组成。网络结构如图4所示，输入是由0-1构成的矩阵图像，最后的输出是对每台电梯的评分。在训练阶段，数据的标签是用于标识为呼梯需求所派的电梯，是一个one-hot向量，网络的损失函数采用多类别交叉熵函数，最后一层的激活函数采用softmax函数，所有电梯评分相加为1。

该调度系统中的电梯控制模块主要是根据每台电梯的任务列表来完成接送乘客并实时地更新任务列表。在此模块中，每个电梯的任务列表和调度算法中的相似，按照方向将需要停靠的楼层进行标记，但该标记不仅标识了该层楼有任务，还对应地增加了任务的人数信息。具体如图5所示，在该任务列表中，电梯既有向上的任务也有向下的任务，向上任务用两列信息来记录，分别为向上的乘客进梯任务(up-in)、向上的乘客出梯任务(up-out)；相同的，向下的任务也有向下的乘客进梯任务(down-in)和向下的乘客出梯任务(down-out)。在控制电梯完成这些任务时，需要将与电梯运行方向相同的任务先完成，并根据每个任务所登记的人数来更新任务列表。当某一方向的所有任务都完成后，则改变电梯运行方向，完成反方向的任务，反方向没有任务则电梯停止在最后一个任务的所在楼层。该列表的另外一个重要作用是预估梯内人数，不同于传统电梯用监控或者传感器来感应梯内实际人数，目的层预约型电梯需要在乘客进入电梯前估算是否超载。所以该任务列表可计算若要执行某任务，该任务乘客进入电梯时的梯内人数，以及乘坐过程中是否会出现超载情况。例如，当有一呼梯需求是从20楼到1楼，预约人数是4人，控制系统部分从任务列表计算乘客在从20楼乘坐到1楼的过程中，电梯里面预计出现的最大乘客人数，例如，向下停靠任务(down-in)的记录中可以得到电梯在L19到L2之间会进入7个乘客，在若该呼梯需求被派给以下任务列表的电梯后，在该电梯在执行该任务时会超载，所以该电梯发送给算法部分的人数信息就会是11人。相应的，在算法部分，该电梯在矩阵图像中就会出现超载的信息，导致此电梯的评分较低。

当算法部分将派梯决策返回给控制模块后，根据呼梯需求和所派电梯号，更新相应电梯的任务列表，将任务添加到列表中。当电梯在运行过程中到达某一楼层，并完成了某一呼梯需求的进入或离开任务后，同样需要更新列表，将列表相应方向和楼层的停靠任务删除。

Claims (5)

1.一种基于深度学习的智能调度方法，应用于包括预约面板、电梯控制模块和算法调度模块的目的层预约型电梯群控调度系统，其特征在于，该方法包括以下步骤：

S1、乘客通过所在楼层的预约面板进行乘梯预约，生成呼梯请求发送给电梯控制模块；

S2、电梯控制模块获取收到呼梯请求时所有电梯的状态数据，并连同呼梯请求一并发送给算法调度模块；

S3、算法调度模块采用训练好的电梯调度模型作为调度算法，以呼梯请求和所有电梯的状态数据为输入，生成派梯决策；

S4、算法调度模块将派梯决策反馈给预约面板和电梯控制模块；

所述电梯调度模型的训练方法包括：

a.构建样本集：采集在一段时间内与调度系统所应用楼宇属性相同的其它楼宇的实际客流数据；根据采集的实际客流数据利用仿真系统进行仿真，获得为每个呼梯请求对应的乘梯任务分配的最优电梯并进行标注；所述实际客流数据包括：呼梯时间、呼梯时预约乘梯人数、呼梯楼层和目的楼层；

所述根据采集的实际客流数据利用仿真系统进行仿真，具体包括：

每一个呼梯请求对应产生一个乘梯任务，通过观察呼梯请求发生时所有电梯的状态，为乘梯任务选择能够提供最好乘梯体验的电梯，并将该乘梯任务加入选择的该电梯的任务列表，按照乘梯任务发生的先后顺序，提交给仿真系统执行，从而为每个乘梯任务匹配最合适的电梯，并记录乘梯任务对应的呼梯请求和电梯状态信息，对各个乘梯任务所匹配的最合适的电梯进行标注；所述为乘梯任务选择能够提供最好乘梯体验的电梯时，优先考虑候梯时间和乘梯时间的综合指标，其次考虑梯内拥挤程度指标；

b.将呼梯请求信息和电梯状态信息进行整合，并转换为矩阵图像，作为卷积神经网络的输入，计算输出，并与呼梯请求对应的乘梯任务的标签进行损失函数计算，然后通过反向传播更新卷积神经网络的权值，不断迭代直至网络收敛，获得电梯调度模型；

所述将呼梯请求信息和电梯状态信息进行整合，并转换为矩阵图像，具体包括：

b1、根据楼层数、电梯群中的电梯数、电梯载荷人数确定矩阵图像大小，并进行初始化；

b2、根据呼梯请求中的呼梯楼层和目的楼层，确定电梯执行此乘梯任务的运行方向，并对矩阵图像的最后一列相应位进行赋值；

b3、根据电梯群中的各个电梯的状态信息对矩阵图像中的其余列的相应位进行赋值；

步骤b1中，矩阵图像的行数＝max{楼层数,电梯载荷人数}+1；

矩阵图像的列数＝4*电梯数+1；其中，每4列数据用于描述一台电梯的状态信息，包括：每4列数据中的第1列用于描述对应电梯当前所在楼层，第2列用于描述对应电梯向上停靠任务，第3列用于描述对应电梯向下停靠任务，第4列用于描述对应电梯在执行呼梯请求对应的乘梯任务过程中将会搭载的最大人数；

矩阵图像的最后一列用于描述呼梯信息；矩阵图像的除最后一行外的各行用于描述对应楼层在列属性上的取值，矩阵图像的最后一行用于描述附加信息，包括：对应电梯当前的运行方向，该电梯是否处于空闲状态，是否因为维修原因停止运行，当前梯内人数与呼梯请求中的预约乘梯人数相加是否会超载；

在进行初始化时，将矩阵图像中各个位上的值置0。

2.如权利要求1所述的一种基于深度学习的智能调度方法，其特征在于，

步骤S1中，所述进行乘梯预约的方式包括：

输入目的楼层和预约乘梯人数，若未输入预约乘梯人数，则默认预约乘梯人数为1人；

所述呼梯请求中包括呼梯楼层、预约乘梯人数和目的楼层。

3.如权利要求1所述的一种基于深度学习的智能调度方法，其特征在于，

步骤S2中，所述电梯的状态数据包括：当前电梯所在楼层、运行状态以及已有任务。

4.如权利要求1所述的一种基于深度学习的智能调度方法，其特征在于，

步骤S4中，所述算法调度模块将派梯决策反馈给预约面板和电梯控制模块具体包括：

算法调度模块将派梯决策反馈给预约面板进行展示，供乘梯人前往相应电梯前等待乘梯；并且，算法调度模块将派梯决策反馈给电梯控制模块，供电梯控制模块根据所述派梯决策向相应电梯的任务列表中添加乘梯任务。

5.如权利要求4所述的一种基于深度学习的智能调度方法，其特征在于，

所述电梯的任务列表的行数＝楼层数，列数＝4；其中，任务列表的前两列分别用于描述电梯运行方向向上的乘客进电梯任务、出电梯任务；任务列表的后两列分别用于描述电梯运行方向向下的乘客进电梯任务、出电梯任务；任务列表的各行用于描述对应楼层在列属性上的取值。

Images