CN114707587A - 一种基于遗传算法和模糊神经网络的交通模式识别方法 - Google Patents
一种基于遗传算法和模糊神经网络的交通模式识别方法 Download PDFInfo
- Publication number
- CN114707587A CN114707587A CN202210300909.3A CN202210300909A CN114707587A CN 114707587 A CN114707587 A CN 114707587A CN 202210300909 A CN202210300909 A CN 202210300909A CN 114707587 A CN114707587 A CN 114707587A
- Authority
- CN
- China
- Prior art keywords
- floor
- neural network
- data
- elevator
- traffic
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 230000002068 genetic effect Effects 0.000 title claims abstract description 30
- 238000012567 pattern recognition method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000003062 neural network model Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003064 k means clustering Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000010410 layer Substances 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 13
- 239000011229 interlayer Substances 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 9
- 210000000349 chromosome Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Fuzzy Systems (AREA)
- Physiology (AREA)
- Elevator Control (AREA)
Abstract
本发明属于交通技术领域，具体涉及一种基于遗传算法和模糊神经网络的交通模式识别方法，目的在于识别电梯所处的交通模式，使用k‑means聚类方法对训练数据进行预处理和标签构建，构建三层模糊神经网络模型输出各个交通模式的预测概率，使用遗传算法对构建的模糊神经网络模型中的权重系数进行初始化。本发明有效避免了神经网络在最优化目标时陷入局部最优解，提高了识别交通模式过程中的程序性能。使用遗传算法对神经网络的权重进行初始化，可为后续神经网络反向传播优化提供基础。采用模糊逻辑方法，能降低神经网络出现过拟合的情况，平滑了客流量在某一特殊情况下出现急剧变化的过程，从而使神经网络的训练和预测交通模式时更加准确。
Description
技术领域
本发明涉及一种交通模式识别方法，尤其涉及一种基于遗传算法和模糊神经网络的交通模式识别方法。
背景技术
随着经济社会的不断发展以及计算机通信技术水平的逐步提升，电梯已经逐渐成为人们在各种高层楼宇内的主要代步工具，电梯行业规模和需求日益增加。2020年，全球电梯年新增销量将达到150万台左右，我国电梯行业增速将保持在10％左右，电梯生产和制造产业也将成为一些城市的支柱产业之一。电梯调度技术和电梯群控系统是电梯运行的核心和大脑，也是学术界和工业界的重要研究方向。对于一个大楼来说，一天内的不同时刻及其一周内的不同天，电梯客流情况是不同的且具有多样性，因此，对大楼内的乘客交通流进行识别分类，针对不同的交通模式去预测客流量，并且灵活地根据实际情况调用不同的派梯算法，是实现优化电梯智能群控调度系统的基础。当前的电梯交通模式识别方法一般使用专家知识或机器学习的方法。使用专家知识进行交通模式判别，其准确度取决于专家的知识水平和经验，当需要判断的特征和考虑的情况逐渐增多时，其处理问题的效率会逐渐降低，也可能存在人为的错误，结果的准确性也会下降。对于机器学习方法，虽然能够改善上述过程，但其不能处理和描述模糊信息，不能有效利用已有的经验知识，同时对特征数据的格式、精度、单位等都有较高的要求，为交通模式识别的处理过程设置了障碍。本发明使用模糊神经网络对电梯交通模式进行识别，对所采集的原始数据使用k-means聚类方法进行预处理，同时使用遗传算法对神经网络模型权重进行处理和初始化。
发明内容
针对背景技术中存在的问题，本发明提供一种基于遗传算法和模糊神经网络的交通模式识别方法，目的在于识别电梯所处的交通模式。本发明，遗传算法用于对神经网络模型的权重进行初始化，能有效避免神经网络在最优化目标时陷入局部最优解，提高了识别交通模式过程中的程序性能，同时也减少了计算机的运算量和运算时间，为后续神经网络进行反向传播优化提供了基础。采用模糊逻辑方法，能降低神经网络出现过拟合的情况，平滑了客流量在某一特殊情况下出现急剧变化的过程，从而使神经网络的训练和预测交通模式时更加准确。
本发明解决上述技术问题提供以下技术方案：
一种基于遗传算法和模糊神经网络的交通模式识别方法，包括以下步骤：
步骤一：基于电梯运营商提供的数据筛选出大楼历史客流量数据；
步骤二：对步骤一得到的数据使用k-means聚类处理，对训练数据进行预处理和标签标注，提高数据标签标注的准确率，降低人工标注过程的错误率和减少离散数据对总体数据的影响，基于聚类结果划分交通模式；
步骤三：基于步骤一得到的数据建立三层模糊神经网络模型；
步骤四：基于步骤一得到的数据，对模糊神经网络模型进行权重系数初始化，并对模糊神经网络模型进行迭代训练。
作为优选，所述步骤一获取的客流量数据包括：
呼梯楼层为一楼或负楼层的乘客人数，即进入客流；
目的楼层为一楼或负楼层的乘客人数，即离开客流；
总呼梯人数减去进入客流和离开人流的乘客人数，即层间客流；
非一楼或非负楼层的最大进入或离开的乘客人数，即最大特殊楼层客流；
层间客流减去最大特殊楼层客流的乘客人数，即其他层间客流；
总呼梯人数。
作为优选，所述步骤四对模糊神经网络模型进行迭代训练包括：
基于步骤二k-means聚类处理后得到的四种数据簇，每个数据簇代表一个交通模式，
将数据划分为四块数据，四块数据的数据量计为n1,n2,n3,n4，n1+n2+n3+n4＝N，N为数据总量；
对每块数据，有放回的取其当前数据块的1/5，得到的数据量为N/5，然后令剩下的N-N/5 数据为训练集，N/5为验证集，对模型进行训练和验证，次数为5次，取5次中验证数据loss 最低的为最终模型。
作为优选，所述步骤四对模糊神经网络模型进行权重系数初始化包括：基于步骤一得到的数据，使用遗传算法对步骤三构建的模糊神经网络模型中的权重系数进行初始化。
作为优选，所述模糊神经网络模型包括输入层、隐藏层和输出层，在隐藏层中使用模糊逻辑对数据进行模糊处理，在输出层中输出步骤二得到的各个交通模式的预测概率。
作为优选，还包括用于接续所述步骤四的步骤五：根据乘客需求、交通模式、各楼层客流和楼层人数分布因素，在保证乘客乘梯体验、尽量减少候梯时间、减少电梯空载率的情况下，建立电梯调度规则。
作为优选，所述电梯调度规则包括：
上行高峰模式：满足由一楼到大楼各楼层的需求，电梯将乘客送到最高层的目的楼层后，将直接回到一楼，中途不接受其他任务；
下行高峰模式：满足由大楼各楼层到一楼的需求，电梯将乘客送到一楼后，将直接执行呼梯楼层不为一楼且目的楼层为一楼的任务；
静止运行交通模式：直接执行任务，没有限制；
层间运行交通模式：基于用户总乘梯时间的最小值分配当前的电梯。
作为优选，用户乘梯时间由候梯时间和乘梯时间所决定，候梯时间等于待分配电梯完成当前已分配的所有任务所需要的时间，即候梯时间＝停靠次数*平均停靠时间+运行通过的楼层 *每楼层平均运行时间；乘梯时间等于当前楼层去往目的楼层的时间，即乘梯时间＝|目的楼层 -呼梯楼层|*每楼层平均运行时间，每层楼平均运行时间由使用调度算法的电梯的历史数据计算得到；对大楼可运行的所有电梯使用上述方法计算得到用户总乘梯时间。
作为优选，所述交通模式包括上行高峰交通模式、下行高峰交通模式、层间运行交通模式和静止运行交通模式。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明使用模糊神经网络，其综合了模糊逻辑的抽象性和神经网络的适应性，能够精准推理模糊信息，处理某些规则不明确的数据，同时具备了神经网络中的自学习能力和非线性数据处理能力，较好地匹配到电梯交通模式识别场景问题。
2、在初始化权重时将使用遗传算法，遗传算法作为一种最优化算法，在优化过程中不受目标函数是否连续的限制，优化标准只参照适应度函数，寻优过程不需要确定的规则就能扩展搜索空间，同时还能自适应地调整搜索方向。在神经网络的权重优化阶段，权重的初始值是影响网络收敛的一个重要因素，使用遗传算法能够使得网络到达一个相对最优值，网络从这一值出发开始训练，有助于网络进一步地收敛到最优值，减少训练时间，提高模型的准确度。
3、在数据预处理阶段使用k-means算法，k-means作为一种聚类算法，是将一个数据集中在某项方面相似的数据进行分类的过程。对电梯数据集使用k-means聚类方法，主要是对数据进行预处理，按照电梯交通模式的设置，对数据进行初始分类。初始分类完毕后，再对每个类中的元素按照类簇进行交通模式类别标注，相比直接人工标注数据，能大大减少标注时间和增加标注准确度，减少人工判别容易出错的情况。
附图说明
图1为本发明的流程示意图。
图2为本发明遗传算法示意图。
具体实施方式
为了使本发明实现的技术手段、特征与功效更容易被理解下面结合具体实施例和本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。
如图1、图2所示，本发明提供以下技术方案：
参见图1所示，一种基于遗传算法和模糊神经网络的交通模式识别方法，包括以下步骤：
步骤一：基于电梯运营商提供的数据筛选出大楼历史客流量数据；
步骤二：对步骤一得到的数据使用k-means聚类处理，基于聚类结果划分交通模式；
步骤三：基于步骤一得到的数据建立三层模糊神经网络模型，分别为输入层、隐藏层和输出层，在隐藏层中使用模糊逻辑对数据进行模糊处理，在输出层中输出步骤二得到的各个交通模式的预测概率；
步骤四：基于步骤一得到的数据，对模糊神经网络模型进行权重系数初始化，并对模糊神经网络模型进行迭代训练。
下面结合附图对发明的使用流程做进一步的说明，以便本领域技术人员能够充分理解本发明，具体如下所述：
收集大楼的历史客流量数据，包括进入客流X1、离开客流X2、层间客流X3、最大特殊楼层客流X4、其他层间客流X5。
对客流量数据中的错误数据进行删除或人工修正；对客流量数据重的反常数据，结合当时实际情况进行分析从而进行人工修正或保留。
对客流量数据使用k-means算法进行聚类，聚类数目为要识别的交通模式数目，根据分类结果和实际数据情况对数据的类别即交通模式进行人工标注。
在k-means算法中，给定样本集D＝{X1,X2…Xm}，若需要聚类的簇为C＝{C1,C2,…Ck}，则k-means需要做的是最小化平方误差，公式如下：
其中x代表数据的特征向量，双竖线代表x和ui的距离，disted(xi,xj)表示xi到xj的欧氏距离，f表示数据的特征维度，μi为簇Ci的均值向量，k为交通模式的数量，即k为4。最小化平方误差的过程是先在样本集中随机选择10个样本作为初始均值，计算样本集中的元素与各均值的距离，将元素的类归为距离最近的均值的对应簇，然后迭代更新均值向量μi并且再次计算样品集中数据与各均值的距离，更新对应簇，直到均值向量不变或满足停止运行条件则结束算法。
最后将处理后的数据分成遗传算法训练集；模糊神经网络训练集、模糊神经网络验证集和模糊神经网络测试集。
初始化一个拥有三层结构的模糊神经网络模型，其中第一层输入层的节点数为5，称为 N1，权重为W1，偏离值为b1。然后在第二层隐藏层使用隶属函数作为激活函数，其形式如下所示：
xlow、xmedium、xhigh代表模糊逻辑的结果，即低、中、高并且有对应数值，在公式中xil表示第i条数据的第l个特征。
对前一层的输入数据进行处理模糊逻辑处理，节点数为5，称为N2,权重为W2，偏离值为b2。在第三层使用softmax激活函数，输出各种交通模式的概率，其形式为
其中，zi表示上一层第i个神经元传输进来的数据，zj表示上一层第j个神经元传输进来的数据。
参见图2所示，使用遗传算法搜索模糊神经网络的最优结构和最优初始化权重，将种群的染色体设置为[W1，W2，b1，b2，N2]，然后进行二进制编码。对染色体进行遗传算子计算，包括选择、交叉、突变，使用遗传算法训练集对染色体进行进化演变，在种群个体中，根据适应度函数标准得出适应度最高的个体即最优结果，适应度函数采用交叉熵损失函数。
在建立模糊神经网络模型后，使用一部分训练集，同时配合遗传算法计算出最优初始化权重，得到初始模型。
使用模糊神经网络训练集和梯度下降法对模糊神经网络进行训练，使用模糊神经网络验证集调整模型的超参数，如学习率，学习迭代次数等，并对模型的性能、拟合、泛化等情况进行初步的了解，最后使用模糊神经网络测试集对模型进行最终评估，得到正式模型。
测量当前电梯运行时的客流数据，得到数据后将数据输入到模型中进行计算。
模型输出当前交通模式的预测概率，取概率最大的交通模式为当前预测交通模式。
当识别出当前电梯的交通模式后，则可用交通模式作为预测电梯未来客流量的考虑因素之一，也可作为电梯运行模式和电梯调度方案的参考因素之一。为电梯设置交通模式，则可以充分考虑电梯未来一段时间内的使用情况，如高峰客流出现的楼层、电梯的普遍运行方向，按照使用情况来控制电梯的运行模式，从而减少乘客的等待时间，提高乘客的乘梯感受，减少电梯的空载率和不必要的耗能损失。
基于步骤二k-means聚类算法的结果，交通模式包括上行高峰交通模式、下行高峰交通模式、层间运行交通模式和静止运行交通模式。
根据乘客需求、交通模式、各楼层客流和楼层人数分布因素，在保证乘客乘梯体验、尽量减少候梯时间、减少电梯空载率的情况下，建立电梯调度规则。
所述电梯调度规则包括：
上行高峰模式：满足由一楼到大楼各楼层的需求，电梯将乘客送到最高层的目的楼层后，将直接回到一楼，中途不接受其他任务；
下行高峰模式：满足由大楼各楼层到一楼的需求，电梯将乘客送到一楼后，将直接执行呼梯楼层不为一楼且目的楼层为一楼的任务；
静止运行交通模式：直接执行任务，没有限制；
层间运行交通模式：基于用户总乘梯时间的最小值分配当前的电梯。
用户乘梯时间由候梯时间和乘梯时间所决定，候梯时间等于待分配电梯完成当前已分配的所有任务所需要的时间，即候梯时间＝停靠次数*平均停靠时间+运行通过的楼层*每楼层平均运行时间；乘梯时间等于当前楼层去往目的楼层的时间，乘梯时间＝|目的楼层-呼梯楼层|* 每楼层平均运行时间，即乘梯时间为楼层数量乘以每楼层平均运行时间；每层楼平均运行时间由使用调度算法的电梯的历史数据计算得到；对大楼可运行的所有电梯使用上述方法计算得到用户总乘梯时间。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (9)
1.一种基于遗传算法和模糊神经网络的交通模式识别方法，其特征在于：包括以下步骤：
步骤一：基于电梯运营商提供的数据筛选出大楼历史客流量数据；
步骤二：对步骤一得到的数据使用k-means聚类处理，对训练数据进行预处理和标签标注，基于聚类结果划分交通模式；
步骤三：基于步骤一得到的数据建立三层模糊神经网络模型；
步骤四：基于步骤一得到的数据，对模糊神经网络模型进行权重系数初始化，并对模糊神经网络模型进行迭代训练。
2.根据权利要求1所述一种基于遗传算法和模糊神经网络的交通模式识别方法，其特征在于：所述步骤一获取的客流量数据包括：
呼梯楼层为一楼或负楼层的乘客人数，即进入客流；
目的楼层为一楼或负楼层的乘客人数，即离开客流；
总呼梯人数减去进入客流和离开人流的乘客人数，即层间客流；
非一楼或非负楼层的最大进入或离开的乘客人数，即最大特殊楼层客流；
层间客流减去最大特殊楼层客流的乘客人数，即其他层间客流；
总呼梯人数。
3.根据权利要求1所述一种基于遗传算法和模糊神经网络的交通模式识别方法，其特征在于：所述步骤四对模糊神经网络模型进行迭代训练包括：
基于步骤二k-means聚类处理后得到的四种数据簇，每个数据簇代表一个交通模式，
将数据划分为四块数据，四块数据的数据量计为n1,n2,n3,n4，n1+n2+n3+n4＝N，N为数据总量；
对每块数据，有放回的取其当前数据块的1/5，得到的数据量为N/5，然后令剩下的N-N/5数据为训练集，N/5为验证集，对模型进行训练和验证，次数为5次，取5次中验证数据loss最低的为最终模型。
4.根据权利要求1所述一种基于遗传算法和模糊神经网络的交通模式识别方法，其特征在于：所述步骤四对模糊神经网络模型进行权重系数初始化包括：基于步骤一得到的数据，使用遗传算法对步骤三构建的模糊神经网络模型中的权重系数进行初始化。
5.根据权利要求1所述一种基于遗传算法和模糊神经网络的交通模式识别方法，其特征在于：所述模糊神经网络模型包括输入层、隐藏层和输出层，在隐藏层中使用模糊逻辑对数据进行模糊处理，在输出层中输出步骤二得到的各个交通模式的预测概率。
6.根据权利要求1所述一种基于遗传算法和模糊神经网络的交通模式识别方法，其特征在于：还包括用于接续所述步骤四的步骤五：根据乘客需求、交通模式、各楼层客流和楼层人数分布因素，在保证乘客乘梯体验、尽量减少候梯时间、减少电梯空载率的情况下，建立电梯调度规则。
7.根据权利要求6所述一种基于遗传算法和模糊神经网络的交通模式识别方法，其特征在于：所述电梯调度规则包括：
上行高峰模式：满足由一楼到大楼各楼层的需求，电梯将乘客送到最高层的目的楼层后，将直接回到一楼，中途不接受其他任务；
下行高峰模式：满足由大楼各楼层到一楼的需求，电梯将乘客送到一楼后，将直接执行呼梯楼层不为一楼且目的楼层为一楼的任务；
静止运行交通模式：直接执行任务，没有限制；.
层间运行交通模式：基于用户总乘梯时间的最小值分配当前的电梯。
8.根据权利要求7所述一种基于遗传算法和模糊神经网络的交通模式识别方法，其特征在于：用户乘梯时间由候梯时间和乘梯时间所决定，候梯时间等于待分配电梯完成当前已分配的所有任务所需要的时间，即候梯时间＝停靠次数*平均停靠时间+运行通过的楼层*每楼层平均运行时间；乘梯时间等于当前楼层去往目的楼层的时间，即乘梯时间＝|目的楼层-呼梯楼层|*每楼层平均运行时间，每层楼平均运行时间由使用调度算法的电梯的历史数据计算得到；对大楼可运行的所有电梯使用上述方法计算得到用户总乘梯时间。
9.根据权利要求1所述一种基于遗传算法和模糊神经网络的交通模式识别方法，其特征在于：所述交通模式包括上行高峰交通模式、下行高峰交通模式、层间运行交通模式和静止运行交通模式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210300909.3A CN114707587A (zh) | 2022-03-24 | 2022-03-24 | 一种基于遗传算法和模糊神经网络的交通模式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210300909.3A CN114707587A (zh) | 2022-03-24 | 2022-03-24 | 一种基于遗传算法和模糊神经网络的交通模式识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114707587A true CN114707587A (zh) | 2022-07-05 |
Family
ID=82170341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210300909.3A Pending CN114707587A (zh) | 2022-03-24 | 2022-03-24 | 一种基于遗传算法和模糊神经网络的交通模式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114707587A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116588776A (zh) * | 2023-07-19 | 2023-08-15 | 常熟理工学院 | 电梯客流预测与优化调度方法及系统 |
-
2022
- 2022-03-24 CN CN202210300909.3A patent/CN114707587A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116588776A (zh) * | 2023-07-19 | 2023-08-15 | 常熟理工学院 | 电梯客流预测与优化调度方法及系统 |
| CN116588776B (zh) * | 2023-07-19 | 2023-11-03 | 常熟理工学院 | 电梯客流预测与优化调度方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5354957A (en) | Artificially intelligent traffic modeling and prediction system | |
| CN106600059A (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| WO2017063356A1 (zh) | 代驾订单预测方法和代驾运力调度方法 | |
| CN110222972B (zh) | 一种基于数据驱动的城市轨道交通路网协同限流方法 | |
| Abidi et al. | Optimal scheduling of flexible manufacturing system using improved lion-based hybrid machine learning approach | |
| CN105800400B (zh) | 一种优化电梯调度管理的方法 | |
| CN111199272A (zh) | 一种面向智能车间的自适应调度方法 | |
| CN111860989B (zh) | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 | |
| CN113487855B (zh) | 一种基于emd-gan神经网络结构的交通流预测方法 | |
| CN112270355A (zh) | 基于大数据技术与sae-gru的主动安全预测方法 | |
| CN110717581A (zh) | 一种基于温度模糊处理和dbn的短期负荷预测方法 | |
| CN114707587A (zh) | 一种基于遗传算法和模糊神经网络的交通模式识别方法 | |
| CN111882114B (zh) | 一种短时交通流量预测模型构建方法及预测方法 | |
| CN113850550A (zh) | 面向高校园区的配餐订单智能派送方法、存储介质、计算机 | |
| CN111291921A (zh) | 一种基于改进人工蜂群算法的群控电梯调度优化方法 | |
| Tartan et al. | A genetic algorithm based elevator dispatching method for waiting time optimization | |
| CN116187565A (zh) | 基于改进原子搜索优化bp网络的办公建筑能耗预测方法 | |
| CN116663748B (zh) | 基于循环神经网络的电梯调度决策方法及系统 | |
| Beamurgia et al. | Improving waiting time and energy consumption performance of a bi-objective genetic algorithm embedded in an elevator group control system through passenger flow estimation | |
| CN111260161A (zh) | 一种众包任务下发的方法及设备 | |
| CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
| CN110619422A (zh) | 一种智能车站客流状况预测方法和系统 | |
| CN116229720A (zh) | 一种智能车路系统的交通事故判别方法 | |
| CN113011512A (zh) | 基于rbf神经网络模型的交通生成预测方法及系统 | |
| CN111680576A (zh) | 一种基于自适应元胞算法的lulc预测方法 |
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 |