CN115803275A - 用于控制电梯组的运动的系统和方法 - Google Patents

Abstract

一种用于控制电梯组的电梯的运动的控制系统基于人的部分轨迹，使用被训练用于所述人的扩展目的地预测的神经网络来生成所述扩展目的地预测的多项式。所述多项式具有至少两个维度，所述至少两个维度包括所述人的目的地的第一维度、以及所述人到达第一维度的目的地的时间间隔的第二维度。所述控制系统基于所述多项式来优化电梯组的调度，并且进一步根据所述调度来控制电梯组。

Description

用于控制电梯组的运动的系统和方法

技术领域

本公开总的涉及电梯目的地预测和调度，更具体地涉及一种用于控制电梯组的运动的系统和方法。

背景技术

如今，电梯常被每日用于办公室和住宅建筑物中。电梯组中的电梯(也被称为“轿厢”)与确定电梯的目的地并且控制电梯的调度的控制系统耦合。

一些控制系统被配置为预测电梯的目的地。这样的预测的目的地包括电梯的未来乘客到达的信息。基于预测的目的地，调度电梯。一般来说，调度一群电梯(也被称为群梯调度(GES))是对于具有两个或更多个轿厢的电梯群的组合优化问题。这个问题的最常见的实例的目标是将电梯轿厢分配给通过按下向上或向下按钮来请求电梯轿厢的乘客。在接收到请求时，调度器将轿厢分配给每个乘客，以使得性能度量(例如，对于所有乘客的平均等待时间(AWT))最小化。AWT被定义为在乘客的许多请求上平均的、从乘客发出请求的时刻直到轿厢到达的时间间隔的长度。为此，各种调度方法已经被鉴定。

大多数现有的调度器仅为已知的请求和目的地服务，也就是说，它们完全忽略乘客的未来到达。一些最近提出的调度器使用考虑未来乘客的到达的统计的算法，参见，例如，美国专利9,834,405。然而，未来乘客的到达时间的统计估计是费力的，并且通常不提供对于电梯服务的实际的未来请求的准确的表示。

因此，需要更准确地确定未来乘客的到达以用于调度电梯的系统。

发明内容

一些实施例的目的是提供用于预测未来乘客的目的地、并且调度群梯系统(GES)中的电梯轿厢的系统和方法，更具体地，确定关于未来乘客到达建筑物的任何楼层的到达时间的预测信息。此外，一些实施例的目的是基于预测信息来确定对于包括一群电梯轿厢的GES的调度，其中调度通过使对于所有乘客的平均等待时间(AWT)最小化来优化性能度量。

一些实施例将未来电梯请求的发生的预测问题和未来电梯请求的发生的时间构想为扩展目的地预测问题。目的地预测问题旨在基于乘客的轨迹的部分观察来估计该轨迹的最终目的地。因此，目的地预测问题可以用于：基于人的当前运动来估计他/她的最终目的地，并且如果最终目的地在电梯请求区域内(诸如在电梯呼叫按钮的附近、或者以其他方式与电梯请求相关联)，则将这个人认为是未来乘客。然而，准确的目的地预测是众所周知困难的问题。而且，仅预测人是否将请求电梯服务是不够的，即，还需要估计这样的未来电梯请求的时间。

因此，扩展目的地预测问题通过不仅预测轨迹的最终目的地、而且还预测到达最终目的地的时间来扩展目的地预测问题。另外，扩展目的地预测问题仅用目的地的各种可能性的预测来取代人的目的地是否与电梯请求相关联的预测，如下所述，这在计算上更简单，并且可以使设计和训练扩展目的地预测受益。

此外，一些实施例是基于用于解决扩展目的地预测问题的、基于模型的或基于深度学习的方法。一些实施例是基于以下认识，即，对于电梯调度的需要的、基于人工智能(AI)的目的地预测是困难的。更具体地说，通过基于AI的目的地预测来预测乘客的目的地的这样的改动是困难的，因为典型的办公室环境中的人(即，乘客)具有大量移动自由度，并且这个人的目的地选择和不完整的轨迹可能导致各种最终目的地。而且，在办公室环境中，最终目的地的注释是虚假的，即，任何最终目的地都可能是中间目的地，反之亦然。以这样的方式，部分轨迹的最终目的地是否是电梯请求区域的预测是具有挑战性的。另外，通过神经网络来预测到达时间的分布(例如，成高斯-伯努利(Gauss-Bernoulli)分布)是难以实现的，因为神经网络不能容易地提供所需类型的概率分布作为其连续的输出。

为此，一些实施例是基于以下认识，即，训练神经网络以多项式分布的形式输出目的地预测的结果。在一些实现中，多项式是二维的，其具有定义目的地的一个维度，另一个维度定义到达时间。二维多项式分布可以被显现为矩阵，所述矩阵具有例如用于列或行的目的地名称、用于行或列的时间间隔、以及定义在对应的时间间隔到达对应的目的地的概率的所述矩阵的值。时间间隔可以用该间隔开头、中间或末尾的时间实例来表示。此外，所述矩阵中的所有的值的和等于“1”，“1”反映多项式分布的概率性质。为了实现这，一些实施例定义穷举的目的地列表以确保如果人的运动被检测到，则这个人将具有定义的目的地列表中的最终目的地。更具体地说，电梯系统服务的区域(例如，办公室建筑物中的楼层)被量化为地点的棋盘形布置(tessellation)，在本文中被称为棋盘形布置元素。与语义目的地(比如厨房、过道、会议室等)不同地，这样的量化确保穷举的目的地列表，并且更好地与各种运动感测方法匹配。

如本文中所使用的，棋盘形布置是一起紧密贴合在图案中的、没有间隙或不重叠的形状的布置。所述形状的例子包括正方形、矩形、多边形等。当棋盘形布置使用正方形时，这样的棋盘形布置也可以被称为规则网格，或者仅被称为网格。当棋盘形布置使用不同尺寸的矩形时，这样的棋盘形布置也可以被称为不规则网格。在不同的实施例中，棋盘形布置元素可以具有相同的或不同的形状以更好地贴合在电梯系统服务的区域的布局中。

在一些实施例中，楼层上的乘客的感测和跟踪由建筑物中的每几米安置的无线电天线实现。因此，“地点N”或“棋盘形布置元素N”指示乘客被天线编号N检测到。如果多个天线检测到乘客，则感测天线的数量可以由天线的固定的平局决胜(tie-breaking)的次序确定。在一些其他的实施例中，借助于其他传感器(诸如相机传感器)来检测人。

另外，时间维度也被量化为定义预测时间段(也被称为预测期)的一组时间间隔。量化的时间段和粒度可以取决于计算能力和/或由应用要求定义。因此，预测期是可配置的。例如，在一些实施例中，目的地预测针对接下来的10秒，因此，多项式分布中的量化的时间段为10秒。

在一些实施例中，训练预测神经网络以多项式的形式输出预测估计具有若干优点。首先，多项式用到达任何目的地(其中电梯请求区域是目的地之一)的联合预测来取代到达电梯请求区域的概率的单独的预测。因此，当满足两个条件时，到达电梯请求区域的概率自然地相对于其他目的地确定。所述两个条件包括目的地列表是穷举的、以及多项式中的所有的值的和等于“1”。第一个要求通过空间量化来满足，第二个要求在神经网络的训练期间实施。以这样的方式，使到达电梯请求区域的概率的扩展目的地预测简化。第二，多项式的时间维度消除了如现有系统中(例如，高斯-伯努利分布中)所需的、对于到达时间的连续输出的必要性。这是因为对于不同的时间实例确定的、用于电梯请求区域的不同的值表示具有由用于电梯请求区域的值定义的对应概率的到达时间的连续分布上的样本。事实上，可以通过对在不同的时间实例到达电梯请求区域的概率的值进行插值来推导到达时间的概率分布。然而，不同的实施例被实现为使用在不同的时间实例到达的值，而不构建概率分布。这是有利的，因为这样的实现不使扩展目的地预测限于任何特定类型的分布。

此外，多项式分布的时间维度可以定义用于目的地预测的感兴趣时间段。在一个实施例中，该时间段对应于人将到达电梯的最大时间段。在另一实施例中，这样的时间段由调度器确定。这是有利的，因为它使得可以用乘客在下一个预测时间段内将到达哪里的预测来取代乘客是否以及何时将到达电梯请求区域的预测。所述问题的这样的重构使基于AI的扩展目的地预测估计器的训练简化。

在一些实施例中，可以利用历史轨迹数据来训练神经网络模型、并且按照潜在的未来乘客的部分轨迹来预测他们的目的地和到达时间。在对于在当前时间、对于任何楼层上的电梯轿厢的调度任务中考虑的整个到达流包括当前乘客(他们已经到达并且发出服务请求)的到达、以及未来乘客的预测到达，其中后者被称为当前到达流的延续集合。

在一些实施例中，通过使用延续集合、考虑当前服务请求和未来服务请求来调度电梯组。基于模拟(例如，蒙特卡洛(Monte Carlo)模拟)的执行来获得这样的延续集合。每个延续集合包括未来请求的组合和当前请求。单个来讲，每个延续集合是确定性的，因为当前请求和未来请求这二者都被认为是实际的请求。但是共同来讲，不同的延续集合中的未来请求的不同组合使得一些实施例可以捕捉未来请求的概率性质。

为此，一些实施例是基于以下认识，即，并不是多项式中的所有的目的地都与电梯提供的区域服务相关联。因此，在这样的实施例中，基于与电梯组服务的区域相关的目的地来对多项式进行过滤。基于过滤，通过基于与电梯服务的区域相关联的目的地、从目的地预测器生成的多项式抽取样本来获得延续集合，以使得对于与电梯服务的区域相关的目的地，获得精确的延续集合。

在一些实施例中，利用目的地预测器来确定用于预测乘客的未来到达的多项式。这样的目的地预测器是根据基于深度学习的方法(深度神经网络(DNN))实现的。基于深度学习的方法具有适应非语言应用(诸如目的地/轨迹预测)的能力。DNN的例子包括，但不限于，循环神经网络(RNN)、基于长短期记忆(LSTM)的神经网络、基于Bi-LSTM的神经网络、基于变换器架构的神经网络。

一些实施例是基于以下认识，即，变换器架构可以有利于扩展目的地预测。DNN的变换器架构用于各种语音相关应用，诸如语言翻译、自然语言理解和文档产生。变换器架构没有RNN模型中存在的任何循环基元单元，而是依赖于用于按顺序关联元素的更有效的关注模块。一些实施例是基于以下认识，即，扩展目的地预测由于变换器架构的映射性质，可以被看作部分轨迹的转录，这使得变换器架构适用于扩展目的地预测任务。因此，在一些实施例中，目的地预测器使用基于变换器的神经网络架构。感测的轨迹数据中的位置组件和定时组件这二者都是离散化的。通过相对于电梯平台对预测的目的地进行过滤来形成延续集合。为了处理到达时间的不确定性，蒙特卡洛模拟被应用以通过从神经网生成的多项式分布抽取样本来产生多个延续集合。一旦获得多个延续集的形式的、当前乘客和潜在的未来乘客的完整的到达流，就确定控制电梯的调度，例如，通过使用美国专利9,834,405中描述的方法、用于用关于未来乘客的到达的不确定的信息来调度群梯系统中的电梯轿厢的方法和系统。

因此，一个实施例公开了一种用于控制电梯组中的电梯的运动的控制系统，所述控制系统包括：第一输入接口，所述第一输入接口被配置为接受来自乘客的对于电梯组提供的服务的当前请求；第二输入接口，所述第二输入接口被配置为接收在包括电梯组服务的区域的楼层上移动的人的运动的部分轨迹。所述控制系统进一步包括处理器，所述处理器被配置为：在接收到所述人的运动的部分轨迹后，根据所述部分轨迹，执行被训练用于具有所述运动的所述人的扩展目的地预测的神经网络，以生成对于所述人的扩展目的地预测的多项式，其中所述多项式具有至少两个维度，所述至少两个维度包括所述人的目的地的第一维度、以及所述人到达第一维度的目的地的时间间隔的第二维度，并且其中所述多项式的值的和被规范化为1。此外，所述楼层被量化为形成第一维度的目的地的棋盘形布置元素，并且其中至少一个棋盘形布置元素与电梯组服务的区域相关联。所述处理器被进一步配置为对为来自乘客的当前请求和所述人的未来请求服务的、电梯组的调度进行优化，以在所述多项式中提供的时间实例、以所述多项式中的对于与电梯组服务的区域相关联的棋盘形布置元素确定的对应值的概率、获得电梯服务；以及根据所述调度来控制电梯组。

此外，第二维度的时间间隔对预测时间段进行量化，并且其中所述预测时间段是控制系统对于所述人的未来请求考虑的最大时间。

在另一实施例中，所述处理器被进一步配置为从对于与电梯组服务的区域相关联的棋盘形布置元素确定的多项式分布抽取样本以生成请求的时间的多个组合，其中请求的时间的所述多个组合中的特定的时间实例的发生频率是在特定的时间间隔的、对于电梯服务的未来请求的概率，所述概率具有所述多项式中的、在所述特定的时间间隔和与电梯组服务的区域相关联的棋盘形布置元素的交点处的值。所述请求的实际时间假定为多项式分布的时间间隔的开头或中间点。所述处理器被进一步配置为：将请求的时间的所述多个组合中的每个与当前请求组合以生成多个延续集合；以及确定电梯组的调度以优化对于所有的延续集合的组合中的至少一些乘客的性能度量。

在另一实施例中，所述部分轨迹包括仅包含位置信息的轨迹数据，其中每个轨迹用棋盘形布置索引的序列来表示，其中所述棋盘形布置索引是通过使位置坐标的范围离散化而获得的，并且其中位置坐标的范围表示与棋盘形布置元素相关联的经度和纬度。

在另一实施例中，所述部分轨迹包括既包含位置信息、又包含定时信息的轨迹数据，其中每个轨迹用棋盘形布置索引的元组的序列来表示，并且其中每个元组包含通过使位置坐标的范围和预测时间段离散化而获得的棋盘形布置索引。

在另一实施例中，通过考虑就相对于逝去时间而言的相对时间来提取轨迹的定时信息，所述逝去时间是相对于它们的起始时间戳而言的。

在另一实施例中，每个轨迹用符号序列来表示，并且其中每个符号是从指示位置信息和定时信息的棋盘形布置索引元组映射的。

在另一实施例中，通过以下方式来形成延续集合，即，通过仅考虑电梯组服务的区域来对目的地进行过滤。

在另一实施例中，所述神经网络具有变换器架构，其中所述变换器架构使用能够实现并行化的位置编码和关注机制。

另一实施例公开了一种用于控制电梯组中的电梯的运动的方法，所述方法包括：获得来自乘客的对于电梯组提供的服务的当前请求；获得在包括电梯组服务的区域的楼层上移动的人的运动的部分轨迹。所述方法进一步包括在接收到所述人的运动的部分轨迹后，根据所述部分轨迹，执行被训练用于具有所述运动的所述人的扩展目的地预测的神经网络，以生成对于所述人的扩展目的地预测的多项式，其中所述多项式具有至少两个维度，所述至少两个维度包括所述人的目的地的第一维度、以及所述人到达第一维度的目的地的时间间隔的第二维度。此外，所述楼层被量化为形成第一维度的目的地的棋盘形布置元素，并且其中至少一个棋盘形布置元素与电梯组服务的区域相关联。所述方法进一步包括对为来自乘客的当前请求和所述人的未来请求服务的、电梯组的调度进行优化，以在所述多项式中提供的时间间隔、以所述多项式中的对于与电梯组服务的区域相关联的棋盘形布置元素确定的对应值的概率、获得电梯服务；以及根据所述调度来控制电梯组。

在另一实施例中，所述方法进一步包括通过从对于与电梯组服务的区域相关联的棋盘形布置元素确定的多项式抽取样本来执行到达过程的蒙特卡洛模拟，以生成请求的时间的多个组合，其中请求的时间的所述多个组合中的特定的时间间隔的发生频率是在所述特定的时间间隔的、对于电梯服务的未来请求的概率，所述概率具有所述多项式中的、在所述特定的时间间隔和与电梯组服务的区域相关联的棋盘形布置元素的交点处的值；将请求的时间的所述多个组合中的每个与当前请求组合以生成多个延续集合；以及确定电梯组的调度以优化对于所有的延续集合的组合中的至少一些乘客的性能度量。

将参照附图来进一步说明目前公开的实施例。所示的附图不一定是按比例绘制的，重点而是总体在于例示说明目前公开的实施例的原理。

附图说明

图1A例示说明根据本公开的实施例的用于控制电梯组的运动的控制系统的环境。

图1B例示说明根据本公开的实施例的控制系统的框图。

图1C例示说明根据本公开的示例实施例的用于多项式分布的规则网格的棋盘形布置元素中的楼层的量化。

图1D例示说明根据本公开的示例实施例的用于多项式分布的不规则网格的棋盘形布置元素中的楼层的量化。

图1E例示说明根据本公开的实施例的用于目的地预测的轨迹的逝去时间的量化的曲线图。

图1F例示说明根据本公开的实施例的用于基于目的地预测来获得延续集合的蒙特卡洛模拟。

图1G例示说明根据本公开的示例实施例的基于目的地预测的延续集合的示例性表示。

图1H例示说明根据本公开的示例实施例的基于延续集合来调度电梯组的轿厢的示意图。

图2A例示说明根据本公开的实施例的目的地预测器的框图。

图2B例示说明根据本公开的另一示例实施例的神经网络的框图。

图2C例示说明根据本公开的实施例的建筑物中的楼层的布局，其中多个行人的多个轨迹用于目的地预测器的训练，一个行人的一个部分轨迹用于目的地预测器的测试。

图2D例示说明根据本公开的示例实施例的通过基于变换器架构的神经网络、基于长短期记忆(LSTM)的神经网络和基于双向长短期记忆(BiLSTM)的神经网络确定的目的地预测的概率的比较的绘图。

图2E例示说明根据本公开的另一示例实施例的通过基于变换器架构的神经网络、基于LSTM的神经网络和基于BiLSTM的神经网络确定的目的地预测的概率的比较的绘图。

图3例示说明根据本公开的一些实施例的被实现用于控制电梯组的运动的方法的步骤。

图4例示说明根据本公开的一些实施例的被实现用于蒙特卡洛模拟的方法的步骤，所述方法用于确定用于控制电梯组的运动的调度。

虽然以上标识的附图说明了目前公开的实施例，但是如讨论中所指出的，其他实施例也被设想。本公开通过表示、而非限制的方式，呈现了说明性实施例。落在目前公开的实施例的原理的范围和精神内的许多其他的修改和实施例可以被本领域技术人员设计。

具体实施方式

在以下描述中，为了说明的目的，阐述了许多特定的细节，以便提供本公开的透彻理解。然而，对于本领域技术人员将清楚的是，可以在没有这些特定细节的情况下实施本公开。在其他情况下，设备和方法仅仅是以框图的形式示出的，以便避免使本公开模糊。

如本说明书和权利要求书中所使用的，术语“例如”、“比如”和“诸如”以及动词“包括”、“具有”、“包含”和它们的其他动词形式在与一个或多个组件或其他项的列表结合使用时，每个都将被解释为开放式的，这意味着该列表不被认为是排除其他的、附加的组件或项。术语“基于”意味着至少部分基于。此外，要理解的是，本文中采用的措辞和术语是为了描述的目的，不应被认为是限制。本描述内使用的任何标题都仅仅是为了方便，没有法律的或限制的效果。

本公开公开了提供对于早先说明的GES问题的解决方案的控制系统。GES控制系统使用调度器来将电梯轿厢分配给乘客，以使得性能度量(例如，对于乘客的平均等待时间(AWT))最小化。目前，许多调度器仅为已知的请求(或目前现有的请求)和已知的目的地服务以优化AWT。这些请求通常直接由乘客使用厅层呼叫和轿厢呼叫按钮传送给GES系统。然而，如果调度器可以通过考虑对于电梯服务的未来请求来确定对于电梯轿厢的调度，则将是有利的。可以通过考虑与未来请求相关联的信息来使AWT显著地最小化。

例如，建筑物的第六楼的第一乘客请求来自电梯组的服务以到建筑物的第一楼。考虑被分配以向第一乘客提供服务的电梯轿厢目前在第十五楼。考虑在接着的五秒内，第十楼的第二乘客也将请求服务以到第一楼。在这种情况下，调度器事先确定与未来乘客(即，第二乘客)的到达相关联的这个信息，调度器可以确定调度，以使得第十五楼的电梯轿厢可以等待五秒，直到未来乘客(即，第二乘客)请求服务以到第一楼。在从第二乘客接收到请求时，电梯轿厢可以首先从第十楼搭载第二乘客，然后可以搭载第六楼的第一乘客，因此，两个乘客可以一起到达第一楼。因此，期望具有关于未来到达的一些信息以进一步优化乘客的AWT。

然而，存在与使用未来到达的信息进行调度相关联的问题。难以预测未来乘客发出服务请求的概率、以及服务请求的可能的时间的概率。此外，即使这些概率被以某种方式被确定或预测，也仍难以将这些概率用于调度目的。

为了解决这些问题，一些调度器可以使用考虑已知的服务(即，现有的或当前服务请求)、已知的目的地、以及未来乘客的到达的概率的算法。这些调度器可以通过首先对到达建筑物的任何楼层的未来乘客的到达产生一组概率分布来考虑这样的到达，其中所述一组概率分布用指定未来乘客的到达信息的概率变量(即，未来乘客发出服务请求的概率和服务请求的可能的时间的概率)来表征。

一些实施例是基于以下理解，即，调度器可以基于所述一组概率分布来确定到达信息，其中所述一组概率分布(即，未来乘客的到达信息)假定遵循一些已知的分布形式；例如，高斯-伯努利概率分布。因为未来乘客的到达是假定的，所以所述一组概率分布是不准确的。因此，调度器可能不能有效地优化对于当前乘客和未来乘客的AWT。

为了解决这样的问题，本公开提出了取代未来到达的概率分布的统计估计来预测乘客的未来到达的控制系统。

图1A例示说明根据本公开的实施例的用于控制电梯组109的运动的控制系统101的环境。

控制系统101可以基于乘客的轨迹来预测潜在的未来乘客的到达信息。预测的到达信息用于确定电梯组109的电梯轿厢(诸如轿厢125和127)的调度(调度107)，以为要去建筑物(在图1A中未示出)中的楼层集合129a、129b、129c、129d、129e和129f(也称为楼层集合129a至129b)中的期望楼层的乘客服务。

为此，控制系统101可以从一个或多个乘客接受对于电梯组109提供的服务的一个或多个当前乘客请求119，并且接收在包括电梯组109服务的区域的楼层(例如，楼层集合129a至129f中的楼层)上移动的一个或多个人(即，一个或多个乘客)中的每个的运动的部分轨迹103。部分轨迹113可以包括与潜在的未来乘客115在楼层集合129a至129f中的任意楼层中的移动相关联的数据。控制系统101可以使用传感器117来捕捉潜在的未来乘客115的移动，以便确定潜在的未来乘客115的部分轨迹113，其中每个部分轨迹可能是不完整的，并且其最终目的地还有待预测。

此外，控制系统101可以利用部分轨迹113作为神经网络103的输入，神经网络103可以预测潜在的未来乘客的到达信息作为多项式111的形式的输出，其中到达信息可以包括所有的可能的目的地和对应的时间实例。

多项式111是二维实体，其具有对应于目的地(例如，dest1、dest2和dest3)的一个维度、以及对应于到达时间(例如，t1和t2)的另一个维度。具体地说，二维多项式分布可以是矩阵，所述矩阵具有用于列或行的目的地名称和用于行或列的时间实例，其中所述矩阵的值定义在对应的时间间隔到达对应的目的地的概率。第一维度的目的地是通过将楼层集合129a至129f中的每个楼层量化为棋盘形布置元素而获得的。因为目的地是通过量化楼层(例如，129a)而获得的，所以目的地可以对应于该楼层上的不同地点。例如，目的地1可以是位于该楼层上的自助餐厅，目的地2可以是位于该楼层上的服务请求区域，目的地3可以是位于该楼层上的小屋。同时，时间维度也被量化为定义用于预测的感兴趣时间段的一组时间间隔(例如，t1和t2)。

因此，根据部分轨迹113，由神经网络103执行具有该运动的人在不同的目的地、在每个时间间隔的扩展目的地预测。此外，所述矩阵中的所有的值的和等于“1”，“1”反映多项式分布的概率性质。例如，多项式111中的值的和为0.03+0.01+0.6+0.02+0.04+0.3＝1。这使得神经网络103能够确定相对于其他目的地而言、乘客到达特定目的地(比如说，电梯请求区域)的概率。因此，执行准确的目的地预测。

在一些实施例中，神经网络103可以被配置为利用感兴趣时间段和量化值来确定乘客在不同的时间间隔的到达。例如，如果用于预测的感兴趣时间段为“5秒”，量化等于“1秒”。那么根据多项式111，神经网络103可以预测未来乘客的到达与5个时间间隔(例如，t1、t2、t3、t4和t5)相关联。因此，到达特定目的地的概率等于目的地在所有时间间隔上的值的和。此外，控制系统101利用这样的信息来确定调度107以控制电梯组109的操作。

更具体地说，在接收到部分轨迹113后，控制系统101的神经网络103可以生成对于一个或多个人的扩展目的地预测的多项式111。多项式111可以具有至少两个维度，所述至少两个维度包括所述人的目的地的第一维度、以及每个人到达第一维度中的目的地的时间间隔的第二维度。楼层集合129a至129f中的每个楼层可以被量化为形成对应于每个楼层的第一维度的目的地的棋盘形布置元素。多项式111可以是对于整个楼层(例如，楼层)129a确定的，每个棋盘形布置元素可以与该楼层的不同区域相关联。所述不同区域中的至少一个区域对应于电梯组109服务的区域，多项式111的对应值的概率可以是对于与电梯组109服务的区域相关联的每个棋盘形布置元素确定的。多项式111中的目的地列表是穷举的，多项式中的值的和等于“1”，这确保在楼层(例如，129a)上漫步的人可以总是位于目的地列表的至少一个目的地中。

此外，一些实施例是基于以下认识，即，可以基于与当前已经请求电梯服务的一个或多个乘客、以及在多项式111中提供的时间实例、以多项式111中的对于与电梯组109服务的区域相关联的棋盘形布置元素确定的对应值的概率、请求电梯服务的一个或多个乘客(也被称为一个或多个未服务的乘客)相关联的信息来对一个或多个乘客对于服务的AWT进行优化。来自当前乘客的这样的请求也被称为当前乘客请求119。此外，没有被电梯轿厢(例如，轿厢125和轿厢127)搭载的一个或多个未服务的乘客被称为现有的未服务的乘客121。因此，控制系统101需要确定对于包括未服务的乘客的所有乘客的调度，以使得对于所有乘客的AWT缩短。

为此，控制系统101使用调度器105，调度器105确定对于电梯组109提供的服务的调度107，以使得一个或多个性能度量(诸如对于所有乘客的AWT)得到优化。调度器105获得当前乘客请求119的信息和现有的未服务的乘客121的信息，连同潜在的未来乘客的预测的到达信息(即，多项式111)，以为耦合到电梯组109的控制器123确定调度107。

电梯组109包括安装在具有多个楼层(楼层集合129a至129f)的建筑物中的多个轿厢(诸如轿厢125和轿厢127)。在接收到调度107之后，控制器123向轿厢125和/或轿厢127发出移动通过楼层集合129a至129f以相应地搭载所述一个或多个乘客的命令。

图1B例示说明根据本公开的实施例的控制系统101的框图。

控制系统101可以包括第一输入接口131，第一输入接口131被配置为从一个或多个乘客接受对于电梯组109提供的服务的当前请求。第一输入接口131可以包括仪表盘，所述仪表盘包括可以被一个或多个乘客用来请求服务(诸如通过按下向上的按钮或向下的按钮)的装置(诸如按钮、触摸屏等)。在另一实施例中，第一输入接口131可以包括目的地控制(DC)面板，以使得目的地楼层在进入电梯之前被确定。

此外，控制系统101可以包括第二输入接口133，第二输入接口133可以被配置为接收在包括电梯组109服务的区域的信息的楼层(例如，楼层29a)上移动的一个或多个乘客的运动的部分轨迹113。第二输入接口133可以与传感器117(例如，运动传感器)直接通信以获得所述楼层上的一个或多个乘客的运动的部分轨迹113。

第一接口131和第二接口133每个都通过总线135连接到控制系统101的其他组件(诸如处理器137、储存器139等)。此外，控制系统101包括处理器137，处理器137被配置为执行存储在储存器139中的指令。处理器137可以是单核处理器、多核处理器、计算集群、或任何数量的其他配置。储存器139可以是随机存取存储器(RAM)、只读存储器(ROM)、闪存、或任何其他合适的存储器系统。处理器137可以通过总线135连接到控制系统101的其他组件。

所述指令可以实现用于控制电梯组109的运动的方法。为此，储存器139可以包括作为用于实现目的地预测器141的神经网络103的指令集。目的地预测器141可以被实现为预测一个或多个人的目的地。神经网络103可以从第二输入接口133获得部分轨迹113。在获得部分轨迹113后，处理器137可以通过生成对于人的扩展目的地预测的多项式111来执行被训练用于该人的扩展目的地预测的神经网络103。处理器137可以被进一步配置为对调度107进行优化，以在多项式111中提供的时间实例、以多项式111中的对于与电梯组109服务的区域相关联的棋盘形布置元素确定的对应值的概率、为来自一个或多个乘客的当前请求和所述一个或多个乘客的未来请求服务。

储存器139的指令进一步包括调度器105，调度器105被配置为将轿厢(例如，轿厢125或轿厢127)分配给每个乘客，以使得性能度量(例如，对于所有乘客的平均等待时间(AWT))最小化。为此，处理器137被进一步配置为执行调度器105来根据调度107控制电梯组109。

传感器

传感器117可以被安装在未来乘客到达的楼层集合129a、129b、129c、129d、129e和129f的区域中。在一些示例实施例中，传感器117可以是运动检测器，诸如检测人类运动或存在的相机(例如，常被安置在建筑物中的各楼层129a至129f上的过道和大厅中的监控相机)或接近传感器(诸如无线电天线)。

在一个或多个示例实施例中，作为传感器117的无线电天线在建筑物的楼层集合129a至129f中每隔几米安置。因此，“地点N”或“棋盘形布置元素N”指示乘客被天线编号N检测到。如果多个天线检测到乘客，则主要感测天线的准确数量可以由天线的固定的平局决胜的次序确定。

此外，传感器117可以被配置为检测建筑物中的多个地点处的一个或多个人，不一定仅在通向电梯组109的电梯门或过道处。在这样的情况下，当人在一地点l处(例如，在离电梯平台50米远的门厅中)被检测到时，可以通过将感测的数据与实际的服务请求相关来确定这个人将请求电梯服务的概率p_i。此外，控制系统101利用所述相关性来以准确的方式确定调度107。

此外，一些实施例是基于以下认识，即，楼层集合129a至129f上的乘客的轨迹(例如，部分轨迹113)可以以使得控制系统101对这些轨迹进行分析以便确定调度107的方式来表示。这样的轨迹可以从传感器117获得。部分轨迹113包括仅包含位置信息的轨迹数据。在一些实现中，每个轨迹用棋盘形布置索引的序列来表示，其中棋盘形布置索引是通过使位置坐标范围离散化而获得的。此外，位置坐标范围表示与棋盘形布置元素相关联的经度和纬度。

控制系统101可以将在建筑物的每个楼层上漫步的一个或多个乘客的这些轨迹存储在数据库中。在一些情况下，从传感器117获得的轨迹的关于位置和时间戳这二者的记录是连续的变量。因此，对于序列到序列预测器，直接使用所述连续的变量可能是不可行的。因此，位置数据和定时数据可以通过将它们离散化为棋盘形布置索引来预处理。

在示例实施例中，给定位置坐标集合

{(x_l，y_l)；l＝1，2，...，L}，

其中x和y分别表示经度和维度。设x_min＝min_{l∈{1，2，...，L}}x_l，x_max＝max_{l∈{1，2，...，L}}x_l，y_min＝min_{l∈{1，2，...，L}}y_l，y_max＝max_{l∈{1，2，...，L}}y_l。于是，N_X×N_Y矩形中的坐标(x_l，y_l)的任何给定的元组的棋盘形布置索引p_l可以被确定为

其中

其中量化间隔

量化间隔

正整数N_X和N_Y可以取得合理地大，只要计算资源允许。此外，给定轨迹数据集合，N_X和N_Y可以通过使用交叉验证来确定。该实施例使用控制系统101的神经网络103中的这些数据来产生用于控制电梯组109的多项式111。

如本文中所使用的，棋盘形布置是一起紧密贴合在图案中的、没有间隙或不重叠的形状的布置。所述形状的例子包括正方形、矩形、多边形等。当棋盘形布置使用正方形时，这样的棋盘形布置也可以被称为规则网格，或者仅被称为网格。当棋盘形布置使用不同尺寸的矩形时，这样的棋盘形布置也可以被称为不规则网格。在不同的实施例中，棋盘形布置元素可以具有相同的或不同的形状以更好地贴合在电梯系统服务的区域的布局中。

图1C例示说明根据本公开的示例实施例的用于多项式分布的规则网格的规则的棋盘形布置元素143中的楼层的量化。

一些实施例是基于以下认识，即，矩形棋盘形布置元素143促使楼层上的一个或多个乘客的轨迹的计算更容易。为此，基于常数值对楼层集合129a至129f中的每个楼层进行量化，以使得每个楼层的区域被同样地划分。基于这样的量化，与量化的楼层的每个棋盘形布置元素相对应的部分轨迹113可以被控制系统101分析以生成多项式111。基于多项式111，确定用于控制电梯组109的调度107。矩形棋盘形布置元素143的一个或多个棋盘形布置元素145c对应于与对于电梯组提供的服务的请求相关联的服务区域。服务区域的例子包括电梯平台的区域和/或其中布置了第一接口131的区域。

图1D例示说明根据本公开的示例实施例的用于多项式分布的不规则网格的棋盘形布置元素145中的楼层的量化。不规则的棋盘形布置元素145的一个或多个棋盘形布置元素145d对应于与对于电梯组提供的服务的请求相关联的服务区域。

一些实施例是基于以下认识，即，不规则的棋盘形布置元素145可以准确地覆盖楼层的整个区域，并且促进该楼层上的一个或多个乘客的轨迹的准确计算。然而，计算可能非常复杂。在实施例中，楼层集合129a至129f被用不规则的棋盘形布置元素145量化，以用于确定楼层集合129a至129f中的每个楼层上的一个或多个乘客的轨迹。

在一些实施例中，多项式111中的仅与量化的楼层的与电梯组109服务的区域相对应的若干棋盘形布置元素(例如，规则的棋盘形布置元素143或不规则的棋盘形布置元素145)相关联的信息可以用于确定用于控制电梯组109的调度107。在这样的情况下，量化的楼层的与电梯组109服务的区域无关联的若干棋盘形布置元素可以在确定控制电梯组109的调度107时被丢弃。

在一些其他的实施例中，与量化的楼层的所有的棋盘形布置元素(例如，规则的棋盘形布置元素143或不规则的棋盘形布置元素145)相关联的信息可以用于确定用于控制电梯组109的调度107。

图1E例示说明根据本公开的实施例的用于目的地预测的轨迹的逝去时间的量化的曲线图。

图1E所示的示例性轨迹具有起始时间t₀ 147。当前时间戳为t 149，量化间隔为Δt，预测持续时间为T 151。轨迹的逝去时间的所得的棋盘形布置索引用153指示。设t_m表示棋盘形布置索引。在示例实施例中，对于逝去时间的给定上界Q，控制系统101可以确定对于给定轨迹中的位置坐标的给定元组的当前时间戳t 149的逝去时间的棋盘形布置索引t_m。此外，对于棋盘形布置索引t_m，通过

起始时间戳可以被记录为t₀147，其中量化间隔

其中N_T是表示逝去时间的最大棋盘形布置索引的整数。N_T可以取得合理地大，只要计算资源允许。此外，给定轨迹数据集合，N_T可以使用交叉验证来确定。

一些实施例考虑位置信息和定时信息这二者，来表示如方程(1)中表达的轨迹：

S＝((p₁，t₁)，(p₂，t₂)，…，(p_n，t_n)) (1)

其中n是轨迹的长度，最后一个元组(p_n,t_n)可以对应于目的地，前提条件是轨迹是完整的。处理器137将仅从方程(1)中的轨迹S的表示中保留棋盘形布置索引本身(没有括号和逗号)。

在一些实施例中，棋盘形布置索引可以使用经度和纬度来表示。例如，对于坐标的元组(x_l,y_l)，棋盘形布置索引p_l1(相应地，p_l2)可以被用于经度(相应地，纬度)，其中棋盘形布置索引p_l1被确定为

(相应地，

)。

因此，相同的轨迹S可以被如方程(2)表达的那样表示。

S＝((p₁₁，p₁₂，t₁)，(p₂₁，p₂₂，t₂)，...，(p_n1，p_n2，t_n)) (2)

处理器137可以仅从方程(2)的上述轨迹表示保留棋盘形布置索引本身(没有括号和逗号)。

在一些实施例中，构成轨迹的棋盘形布置索引的元组被映射到新的单个的符号。因此，部分轨迹113中的每个轨迹都可以用序号序列来表示，其中每个符号是从指示位置信息和定时信息的棋盘形布置索引元组映射的。例如，以上轨迹S被表示为S＝q₁q₂…q_n。因为该表示使原始轨迹缩短(因此，当具有相同数量的轨迹时，损失信息)，所以为了实现可比的推广性能，可能需要更大的轨迹数据集合来训练由目的地预测器141组成的预测模型。

延续集合

在各种实施例中，调度器105被配置为对为来自乘客的当前请求和人的未来请求服务的、电梯组的调度进行优化，以在多项式中提供的时间间隔、以多项式中的对于与服务区域相关联的棋盘形布置元素确定的对应值的概率、获得电梯服务。以这样的方式，调度器105是考虑未来乘客的请求的概率的概率调度器。不同的实施例使用概率调度器的不同实现。然而，以概率的方式考虑未来请求是具有挑战性的。为此，一些实施例从多项式111产生样本来以确定性的方式表示未来乘客的请求的概率，从而简化计算。

例如，一个实施例通过产生当前到达流的延续集合(或延续170)来考虑目的地预测器141产生的未来请求的概率，其中当前到达流对应于当前乘客请求119。在该实施例中，调度器105基于多项式111来确定调度107，多项式111包括每个与来自一个或多个乘客的请求相关联的时间信息和目的地信息。为此，调度器105执行模拟(例如，蒙特卡洛模拟)，并且形成延续集合，所述延续集合包括每个与电梯的服务相关联的当前请求和未来请求。

在一些实施例中，通过以下方式来形成延续集合，即，通过仅考虑电梯组109服务的楼层129a至129f的区域来过滤多项式111的与目的地相关联的值。例如，多项式111中的目的地dest1、dest2和dest3中的dest2是仅被电梯组109服务的区域。在这样的情况下，对多项式111进行过滤，以使得多项式111中的仅关于dest2的信息被认为形成延续集合，关于与电梯组109服务的区域无关的其他目的地(即，dest1和dest3)的信息被丢弃。

例如，设H(t)为到时间t为止到达、但是尚未被服务而仍在等待的乘客集合，W(H(t))为H(t)中的乘客的累积等待时间，W_c(·|·)是表达考虑到零个或多个乘客的另一个集合也被分配给同一轿厢c的情况下、所述一个或多个乘客的等待时间。此外，设H_c(t)为到时间t为止已经被分配给轿厢c、但是尚未被服务而仍在等待的乘客集合。此外，对于乘客h、在被分配给轿厢c时的等待时间的裕量增长由方程(3)给出：

ΔW_c(h)≡W_c(H_c(t)∪h|H_c(t)∪h)-W_c(H_c(t)|H_c(t))。 (3)

方程(3)可以被如方程(4)中表达的那样进一步扩展：

其中，第一项是用轿厢c为乘客h服务所需的时间，上述求和中的其余的项说明在乘客h也被分配给c时乘客h对已经在集合H_c(t)中的乘客引起的等待时间的增加。

延续集合可以在数学上被如方程(5)中表示的那样定义：

在一些实施例中，可以使用目的地预测器141的输出来产生M个延续集合

这些延续集合可能不一定具有相同的长度。

对于每个延续集合

最佳的累积等待时间(CWT)用方程(6)来表示：

其中

表示分配给轿厢c的(乘客的)延续集合

的子集。对于该分配的平均等待时间(AWT)可以被确定为：

在一些实施例中，可以根据可用的计算资源来调整n个延续集合的持续时间。在所有的n个延续集合中，到达时间为t_i<t的乘客h_i被分配给每一个延续集合中的相同的电梯轿厢。除此之外，用于使AWT最小化的任何实际的方法(例如，清空系统法、立即分配和重新分配模式)都可以被使用。

立即分配

在这种模式下，当前乘客h被暂时地分配250给轿厢c，有裕量等待时间(MWT)251

其中g的范围涵盖被暂时分配给轿厢c的所有的乘客。

注意到，未来乘客在第一项中被省略。然而，当未来乘客

的裕量等待时间被如下确定时，该分配对他们的等待时间有影响：

其中

表示在时间t_i+k之前到达并且已经被分配给轿厢c的未来乘客的集合。

然后，当前乘客h被暂时分配给延续集合

中的一个，并且可以考虑已知的乘客h和未知的未来乘客

之间的相互影响。

立即分配模式与穷举搜索相比，具有相对较低的复杂性，在未来到达的数量上是线性的，但是不一定确定对于延续集合中的所有的乘客都是最佳的分配，因为该模式仅考虑在分配乘客

之前、在时间t_i+k已经到达的乘客。

当前乘客立即分配并且未来乘客重新分配

立即分配模式要求对于当前乘客的分配是立即做出的并且永远不再重新考虑。然而，对于未来乘客，没有这样的分配限制。这使得至少原则上可以重新考虑分配。然而，这可能导致计算显著增加，并且还可能不对应于调度正在被执行的方式。

例如，n个延续集合中的一个在未来实际上发生，即使这是不太可能的，但不是不可能的。在这种情况下，对于请求的分配在立即模式下被执行，重新分配不被允许。所以，如果良好的划分已经在重新分配模式下被确定，则它在立即分配模式下可能被漏掉，这是当调度未来乘客时重新分配为什么很可能不应该被使用的原因。

重新分配模式

当计算高效的过程可用于确定整个延续集合的乘客的最佳分配时，它也可以被高效地用于扩展延续集合

上的蒙特卡洛评估，计算时间相关联地所有增加。

不管哪种模式被使用，蒙特卡洛调度法都以滚动时域方式操作。在乘客h_i已经在时间t_i被使用n个集合

分配(临时地或永久地)之后，当下一个乘客h_i+1在时间t_i+1到达时，从信息矢量I(t_i+1)产生新的延续集合

对于信息矢量I(t)的格式，若干选项是可能的，取决于感测信息的类型。可以用于产生蒙特卡洛集合的一般格式独立于传感器117。该格式是对每对原点和目的地楼层指定到达过程的随机过程的矩阵。

蒙特卡洛模拟用于对由于随机变量的干预而可能不能容易预测的过程中的不同后果的概率进行建模。这是用于理解预测和预报模型中的风险和不确定性的影响的技术。一些实施例使用蒙特卡洛模拟来使用延续集合以确定性的方式表示未来服务请求的概率性质，其中每个延续集合是确定性的，但是共同表示在不同的时间实例的未来请求的概率。

蒙特卡洛模拟可以是依赖于重复的随机样本来获得数值结果的广泛的一类计算算法。基本构思是使用随机性来解决原则上可能是确定性的问题。蒙特卡洛模拟可以用于从概率分布产生抽取。蒙特卡洛模拟为决策者提供一定范围的可能的后果、以及它们对于动作的任何选择可能发生的概率。蒙特卡洛模拟可以显示出极端的可能性——孤注一掷的后果和对于最保守的决策的后果——连同对于中间立场的决策的所有的可能的后果。此外，蒙特卡洛模拟可以通过以下方式来执行风险分析，即，通过用值范围——概率分布——代替可能具有固有的不确定性的任何因素来构建可能的结果的模型。蒙特卡洛模拟然后一遍又一遍地计算结果，每次使用来自概率函数的不同的随机值集合。根据不确定性的数量和对于它们指定的范围，蒙特卡洛模拟在它完成之前，可能涉及数千次或数万次重新计算。因此，蒙特卡洛模拟可以生成可能的后果值的分布。

在一些实施例中，控制系统101可以执行多项式111的、对于与电梯组109服务的区域相关联的棋盘形布置元素确定的值的蒙特卡洛模拟，以生成请求的时间的多个组合。请求的时间的所述多个组合中的特定的时间实例的发生频率是在特定的时间间隔的、对于电梯服务的未来请求的概率，所述概率具有多项式111中的、在所述特定的时间间隔和与电梯组109服务的区域相关联的棋盘形布置元素的交点处的值。此外，控制系统101可以将请求的时间的所述多个组合中的每个与当前请求组合以生成多个延续集合。此外，控制系统101可以确定电梯组109的调度107以优化对于所有的延续集合的组合中的至少一些乘客的性能度量。在示例实施例中，控制系统101可以使用蒙特卡洛模拟来实现延续集合。

图1F例示说明根据一些实施例的用于通过使用蒙特卡洛模拟来基于乘客的多项式111产生延续的方法的示意图。考虑两个可能的未来乘客，每个都具有不同的多项式(注意到，在当前时间，他们可能在相同的楼层或不同的楼层上)。对于每个可能的未来乘客，从多项式抽取五个样本，如果在当前样本中，乘客将要去电梯，则他/她被包括在用于相应的延续的未来到达列表160中。注意到，为了减少空间(存储器)代价，对抽取的样本进行滤除194，以仅保留乘客将要去电梯的样本，所有的其他的样本都被丢弃。乘客1的样本2对应于乘客1的多项式中的带圆圈的值190，乘客2的样本2对应于乘客2的多项式中的带圆圈的值192。因为两个样本191和193都具有作为目的地的电梯，所以它们被包括在用于延续集合2的未来到达列表160中。如图1G所示，该未来到达列表160将与当前到达流组合以生成完整的一组延续集合170。

例如，延续集合c2中的条目“(t2,p1)”指示乘客1将在时间t2到达电梯并且发出电梯服务请求。如果这碰巧是下行高峰时间段，则“p1”可以被进一步说明为到达楼层和目的地楼层，到达楼层是乘客1目前所在的楼层，目的地楼层是1(即，大堂)。下面给出形成延续集合的更详细的例子。在更一般的情况下，“p1”应被相应地解释为乘客1的到达楼层和目的地楼层，其中到达楼层是乘客1目前所在的楼层，目的地楼层可以由时间段等确定。用于设置目的地楼层的最一般的方法将是从候选目的地楼层上的均匀分布随机地抽取它；当使用这种方法时，应形成附加的延续集合来应对随机性。在另一实施例中，如果乘客的身份是已知的，并且关于该乘客在过去已经行进到过的楼层的历史数据是可用的，则可以从该数据学习目标楼层的概率分布，并且当创建延续时，从它抽取样本。

图1G例示说明根据本公开的示例实施例的基于目的地预测的延续集合170的示例性表示。

在图1G中，存在根据多项式111基于蒙特卡洛模拟产生的25个延续集合。每个延续集合170包括一个或多个乘客对于电梯组109中的电梯的服务的当前请求150和未来请求160(如图1F所示那样产生)的组合。当前请求还包括当前乘客请求119，连同已经被GES登记、但是尚未被服务的所有的那些乘客请求。注意到，对于所有的25个延续，当前到达流150是完全相同的，而根据从未来乘客的多项式分布抽取哪种样本，未来到达160对于不同的延续集是不同的。

当前请求150中的每个都与当前乘客请求119相关联，未来请求中的每个都与多项式111指示的每个时间实例和目的地相关联，其中目的地对应于电梯组109服务的楼层集合129a至129f的每个区域。楼层集合129a至129f的不被电梯组109服务的区域被丢弃不予考虑。因此，获得具有高概率的未来请求的更精确的延续集合。延续集合是穷举的，包括未来请求的所有的可能的后果。这样的穷举的延续集合使得能够有效地优化所有乘客的AWT。延续集合中的每个延续集合都包括与当前请求和未来请求相关联的时间信息。

例如，考虑存在八层楼的建筑物并且每个楼层(用1至8指示)都具有一个电梯组。起始时间为t₀＝5:00:00pm。现有的到达流为{(5:00:00pm,8,1),(5:00:02pm,7,1)}。

在对于逝去时间的量化间隔Δt＝0.01s、并且预测持续时间T＝15s的情况下，从目的地预测器141提取的未来到达信息可以指示在第7楼，乘客1将在9s内到达电梯(对于逝去时间的棋盘形布置索引为900)的概率为80％，将在9.5s内到达电梯(对于逝去时间的棋盘形布置索引为950)的概率为20％；在第8楼，乘客2将在10s内到达电梯(对于逝去时间的棋盘形布置索引为1000)的概率为20％，将在10.2s内到达电梯(对于逝去时间的棋盘形布置索引为1020)的概率为60％，将在10.6s内到达电梯(对于逝去时间的棋盘形布置索引为1060)的概率为20％。

此外，每个延续集合在性质上都是确定性的，因为延续集合表示在不同的时间实例的未来请求的概率。因此，控制系统101使用延续集合，经由调度器105来确定调度107，以考虑当前服务请求和未来服务请求这二者来控制电梯组109。

调度

图1H例示说明根据本公开的示例实施例的基于延续集合来调度电梯组109的轿厢的示意图。

在一些实施例中，目的地预测器141可以用电梯组109外部的完整的轨迹工作。换句话说，目的地预测器141用于预测利用特别感兴趣的电梯轿厢到达目的地的到达时间。在最一般的情况下，一旦乘客进入到电梯轿厢(轿厢125或轿厢127)中，他/她的目的地楼层就可以是请求的方向(例如，向上或向下)上的(楼层集合129a至129f中的)其余楼层中的任何一个。此外，等待时间的预期值可以关于尚未被电梯轿厢搭载的乘客的目的地楼层的不确定性取得。在一些情况下，在上行高峰或下行高峰时间段期间，所有乘客的目的地楼层(来自楼层集合129a至129f)都是唯一指定的。响应于接收到请求，调度器105以实现性能度量(例如，对于所有乘客的平均等待时间(AWT)最小化)的方式，将电梯轿厢分配给每个乘客。

一些实施例是基于以下认识，即，对于在当前时间和在未来时间间隔期间请求电梯的所有乘客的AWT的最小化可以被构想为群梯调度(GES)问题。

为了促进对于GES系统的运输量，考虑H＝{h₁，h₂，…，h_J}表示在时间间隔期间到达的乘客集合，其中乘客h_i可以用元组(τ_i,o_i,d_i)指示，其中τ_i是到达时间，o_i是到达楼层，d_i是目的地楼层。

一些实施例是基于以下认识，即，集合H划分为C个子集，有成指数倍增的(即，C^J个)可能的划分，并且需要合适的组合优化方法来处理调度问题。另外，GES系统在满足τ₁<t<τ_J的当前时间实例t，对于到达信息仅具有有限的访问权，GES系统仅具有关于直到当前时间t为止发生的所有的服务请求以及电梯组109中的C个轿厢的状态的信息。

基于这样的认识，GES系统的目的是通过使对于从当前时间和未来时间间隔请求电梯的所有乘客的AWT最小化来优化控制电梯组109的调度107。为此，控制系统101可以利用延续集合的信息，包括当前请求和未来请求的穷举列表，所述列表指示每个目的地与对应的时间实例的信息。

对于在时间间隔期间到达的乘客{h₁,h₂,...,h_N}的集合H，乘客h_i可以用元组(t_i,o_i,d_i)指示，其中t_i是到达时间(即，当前时间和未来时间)，o_i是到达楼层，d_i是目的地楼层。N个乘客到组中的C个轿厢的分配将集合H划分为C个子集H_C，以使得H＝H₁∪H₂∪...∪H_C，并且当i≠j时，H_i∩H_j是空集

当集合A中的所有乘客都被分配给轿厢c时，对于分配给轿厢c的集合A中的乘客h的等待时间为W_c(h|A)。类似地，当集合H中的所有乘客都被分配给轿厢c时，对于所有这些乘客的累积等待时间为W_c(H|A)。集合H和A不一定是相同的。

一般来说，等待时间W_c(H|A)取决于轿厢c为集合H∪A中的乘客服务的预定次序。大多数电梯系统使用完全集体政策，在该政策中，轿厢在一个方向上按顺序为所有的请求服务，然后反转并且应答相反方向上的所有的呼叫。当轿厢空并且被停止时，比较可能的向上的方向和向下的方向，并且选择导致AWT更短的方向。优化AWT的其他的可能的服务顺序也是可能的。但是不管选择的方法如何，对于集合H和A与轿厢c的位置的给定组合，都可以完全确定所得的等待时间W_c(H|A)。

对于给定的完全分配，对于集合H中的所有乘客的总等待时间W(H)可以被如下表达：

并且集合H中的乘客的AWT为W(H)/N。将集合H划分C个子集，有C^N个可能的划分。利用无限的计算资源和/或合适的组合优化方法，确定最佳的分配。

因此，控制系统101在获得延续集合之后，对为来自乘客的当前请求和人们的未来请求服务的电梯组109的调度107进行优化，以在多项式111中提供的时间实例、与电梯组109服务的区域相关联地获得电梯服务。

基于调度107的优化，控制电梯组109。例如，图1H示出到达时间ta减少并且该时间被划分为用于其请求已经被服务的乘客的时间间隔t1、用于具有尚未被服务的分配的乘客的时间间隔t2、当前时间tc、以及未来时间间隔t3。实线的向上符号和向下符号指示当前请求，虚线的向上符号和向下符号指示未来请求。此外，字母A和B表示轿厢(轿厢1和轿厢2)。在时间间隔t1内，轿厢的连续选择被布置为决策树。在未来时间间隔t3期间，在立即分配模式下履行请求。

所有的延续集合上的AWT是针对当前乘客请求(在这种情况下，要么是对轿厢1的请求，要么是对轿厢2的请求)的每个暂时分配计算的，然后，具有最短的AWT的轿厢选择被用来在当前时间tc对当前乘客请求进行分配。换句话说，调度器105比较现有的乘客和可能的未来乘客的集合关于当前时间点可用的所有轿厢将等待多久。多个延续集合确保该计算不仅考虑乘客到达流的一个可能的未来实现，而且还考虑乘客到达流的更多个可能的未来实现。因此，根据调度107的优化来调度电梯组109的轿厢(轿厢1和轿厢2)。

图2A例示说明根据本公开的示例实施例的神经网络103的框图。目的地预测器141可以由神经网络103实现，用以预测一个或多个乘客的未来请求。在一些实施例中，神经网络103可以根据基于模型的方法来实现，其中所述基于模型的方法在处理过去观察到的数据(例如，部分轨迹113)的长序列时遇到困难，因为当遇到长序列时，早期的信息趋向于消散。

可替代地，在一些其他的实施例中，神经网络103可以根据基于深度学习的方法。这样的实施例是基于以下认识，即，基于深度学习的方法能够克服自然语言问题，并且还具有适应非语言应用(诸如目的地/轨迹预测)的能力。基于深度学习的神经网络的例子包括用可变长度的时间序列数据工作的循环神经网络(RNN)，(对应于时间序列数据的)轨迹可以经由RNN预测以预测未来请求。RNN的例子可以包括，但不限于，基于长短期记忆(LSTM)的神经网络、基于双向长短期记忆(BiLSTM)的神经网络等。

在图2A中，神经网络103是基于LSTM的神经网络，其包括输入门、遗忘门和输出门。这些门中的每个都对应于前馈(或多层)神经网络中的“标准”神经元，也就是说，它们计算加权和的激活(使用激活函数)。此外，it、ot和ft分别表示输入门、输出门和遗忘门在时间步长t的激活。从存储基元c到3个门i、o和f的3个退出箭头表示窥视孔连接。这些窥视孔连接表示存储基元c在时间步长t-1的激活的贡献，即，c_t-1的贡献。换句话说，门i、o和f计算它们在时间步长t的激活(即，分别地，i_t、o_t和f_t)，并且还考虑存储基元c在时间步长t-1的激活，即，c_t-1。退出存储基元c的从左向右的单个箭头不是窥视孔连接，而是表示c_t，“×”符号表示输入之间的逐元素相乘。此外，基于LSTM的神经网络包括将可微函数(比如，sigmoid(S形)函数)应用于加权和。

在操作中，遗忘门接收传感器117检测到的部分轨迹113。遗忘门决定什么信息要从输入数据(部分轨迹113)扔掉，这也可以被称为基元状态。例如，先前的输出和新的输入可以被传递通过sigmoid隐藏层。隐藏层中的每个神经元都可以计算输入的条目的加权和(例如，用相关参数加权)，并且向它添加偏置值。所得的标量然后可以通过被命名为sigmoid的特定的非线性函数，σ。这样的过程的输出然后可以被神经元设置到下一步。遗忘门的输出被提供给输入门。

此外，输入门决定什么新信息要存储在基元状态中。为此，先前的输出和新的输入可以被传递通过sigmoid隐藏层，并且在一些实施例中，先前的输出和新的输入可以被分开地传递通过隐藏层。这两个不同的层彼此的区别仅在于被应用于每个神经元的单独的计算的输出的非线性函数的类型(例如，一个是sigmoidσ，另一个是双曲正切)。基元的状态可以基于输入门的输出而更新。

此外，输出门基于更新的基元状态、先前的输出和当前输入来决定基于LSTM的神经网络的输出。先前的输出和新的输入这二者都可以被传递通过sigmoid隐藏层。结果可以与更新的基元状态矢量Ct逐点相乘，输出是对应于多项式111的所得矢量ht。因为基于LSTM的神经网络包括经由遗忘门丢弃信息，所以在输出处可能不能准确地获得多项式111。

图2B例示说明根据本公开的另一示例实施例的神经网络103的框图。

一些实施例是基于以下认识，即，变换器架构的关注机制能够在不考虑元素的距离的情况下、按顺序对它们的依赖性进行建模，变换器架构的这样的优点不限于语音相关的应用，而且还适用于扩展目的地预测任务。

因此，在这样的实施例中，目的地预测器141可以是具有编码器-解码器结构的仅基于关注的目的地预测器。基于关注的目的地预测器可以使用基于变换器架构的神经网络来实现。目的地预测器141可以包含N个编码器201块和N个解码器203块的叠层。此外，以变换器架构使用能够实现并行化的位置编码和关注机制的方式，N个编码器201块和N个解码器203块中的每个的叠层包括自关注的并且全连接的前馈层组件的叠层。

如图2B所示，一开始，输入的轨迹205通过嵌入和位置编码块207，在块207中，输入的标记(token)可以被嵌入层转换为d_model维矢量，其中标记可以是离散的元素。此外，关于输入的元素的次序信息可以使用位置编码来获得，然后被与嵌入矢量组合以经由求和运算获得新的矢量。此外，新的矢量可以通过多头关注块209被传递到编码器201中。编码器201中的关注可以被用作当尝试对特定标记进行编码时、用于参考输入的轨迹205中的其他标记的手段。

多头关注块209可以由缩放点积关注组件的阵列组成，其中可以基于数据矩阵X来计算关注函数。可以使用在训练中学习的三个不同的矩阵来投影所述数据矩阵，并且获得分别表示查询、关键字和值的投影矩阵Q、K和V。

在一些实施例中，关注然后可以被计算为：

其中d_k是K矩阵的列数。

在一些实施例中，多头关注机制涉及利用不同的学习的投影来计算多个关注函数，以便得到改进的表示性能。

此外，编码器201中的加法和规范化块211可以包括残差连接连同层规范化(RLN)，所述RLN可以将多头关注块209的输入与多头关注块209的输出连接，将它们相加，然后规范化。所得元素可以进一步通过前馈子层213，在离开编码器201的路径上后面接着通过包括RLN连接的另一个加法和规范化块215。加法和规范化块215可以将前馈层213的输入与前馈层213的输出连接，将它们相加，然后规范化。

此外，目标输出轨迹217可以在进入掩模式多头关注块221之前，通过嵌入和位置编码块219，嵌入和位置编码块219可以类似于嵌入和位置编码块207。掩模式多头关注块221元件可以类似于编码器201的多头关注块209，除了输出轨迹217被掩蔽以使得掩模式多头关注块221只可以参考前面的输出轨迹位置之外。此外，包括残差连接连同层规范化(RLN)的加法和规范化块223可以将掩模式多头关注块221的输入与掩模式多头关注块221的输出连接，将它们相加，然后规范化。

在加法和规范化块223的后面，可以存在另一个多头关注块225，这个多头关注块225可以类似于编码器201的多头关注块209，除了多头关注块225使用来自编码器输出的信息作为计算关注的附加输入之外。

此外，另一个加法和规范化块227可以将多头关注块225的输入与多头关注块225的输出连接，将它们相加，然后规范化。所得元素可以进一步通过前馈子层229，在其离开解码器203的路径上后面接着是另一个加法和规范化块231。加法和规范化块231可以将前馈层229的输入与前馈层229的输出连接，将它们相加，然后规范化。

在解码器203的外部，可以存在线性层和softmax块233，线性层和softmax块233可以获取解码器203的输出，并且在所有的可能的输出元素上创建逻辑矢量。此外，线性层和softmax块233可以执行softmax运算来转换所述逻辑矢量中的值以输出多项式111，所述多项式111指示包括预测的到达信息的概率。从多项式111，可以提取最大值及其索引以找出预测的目的地、或者产生利用电梯轿厢(例如，轿厢125或轿厢127)到达楼层集合129a至129f中的特定的一个楼层或多个楼层作为一个或多个目的地的到达时间的多个实现(诸如现有的到达流的延续)。在示例实施例中，当将目的地预测器141训练为基于变换器的目的地预测器时，可以在多个时期(epoch)，使KL散度损失函数最小化，并且可以将贪婪解码方案用作用于找到输出目的地的方法。

因此，不同于以顺序的方式处理序列的可能阻止训练内的并行化的RNN，变换器架构使用位置编码和关注模块来进行并行化、继而实现更高效的训练过程。由于并行化，基于变换器架构的神经网络被配置为以高处理速度处理数据，并且是优选的神经网络架构。

训练

在示例实施例中，基于变换器架构的目的地预测器141可以包括N＝4个编码器/解码器块，连同4级堆叠长短期记忆(LSTM)/双向长短期记忆(BiLSTM)模型。

为了训练基于变换器架构的目的地预测器141，不同的实施例使用真实的和/或模拟的室内移动。例如，SimTread模拟软件可以用于基于创建的楼层架构来产生室内环境中的移动轨迹。另外或可替代地，在一个实施例中，基于模拟数据的最初训练的神经网络103在其操作期间，基于部分轨迹的实际测量和最终目的地，被进一步在线训练。当训练数据集包含少量轨迹时，对于休息的(rested)预测模型，可以导致用于获得平均性能的留一法交叉验证(LOOCV)技术。

此外，对于给定的总共S个采样(轨迹)，可以执行S次迭代，其中在每次迭代中，S个轨迹中的一个可以被用于模型测试，其余的S-1个轨迹可以被用于模型训练。每次迭代，可以通过增大查询测试轨迹的百分比来获得正确的目的地概率的阵列。可以在所有的S次迭代上对这样的概率阵列求取平均以获得对于给定模型的平均目的地预测性能。

在一些实施例中，为了获得延续集合，可以在训练轨迹上对目的地预测器141进行训练。设

为第ξ训练轨迹，其中

是具有

(相应地，

)的元组，该元组表示用于轨迹S^(ξ)的第κ记录的位置(相应地，逝去时间)的棋盘形布置索引，最后一个元组

表示目的地处的位置和逝去时间的棋盘形布置索引，

ξ＝1，...，N_train。可以从自传感器117提取的历史记录(即，历史轨迹)获取训练轨迹集合{S^(ξ)；ξ＝1，...，N_train}。训练的目的地预测器141可以使用产生的延续集合来确定调度107。

控制系统101可以进一步包括预测时间段或预测持续时间T，所述T表示用于产生延续的潜在的未来到达的时间间隔的长度。T可以被选得更小或更大，取决于计算资源的可用性。在楼层集合129a至129f中的每个楼层上，让传感器117一直到当前时间t为止，监视所有的行人移动，并且让处理器137识别时间间隔[t，t+T]内的候选未来到达的部分轨迹(例如，部分轨迹113)集合。

设

表示第ζ这样的部分轨迹，其中

是具有

(相应地，

)的元组，该元组表示用于轨迹

的第ι记录的位置(相应地，逝去时间)的棋盘形布置索引，

根据可用的部分轨迹信息，最后一个元组

可以更远离或更靠近最终目的地处的位置和逝去时间的棋盘形布置索引的元组。

此外，将

的起始时间表示为

将预测的到达时间表示为

那么

对于给定的输入的部分轨迹

目的地预测器141的实际输出是位置和逝去时间的棋盘形布置索引的所有的候选元组的集合Ω上的概率分布P^(ζ)(ω)。设Ω′表示Ω的子集，所述子集表示与对应楼层上的电梯轿厢上的电梯门相对应的位置和候选逝去时间的棋盘形布置索引的元组。此外，提取子集Ω′的概率集合{P^(ζ)(ω)；ω∈Ω′}以产生延续集合。基于对于轨迹

的预测，然后可以借助于蒙特卡洛模拟，使用{P^(ζ)(ω)；ω∈Ω′}中的概率信息来形成到达流的不同延续。然后通过考虑所有的可用的部分轨迹113

的预测信息来获得完整的延续集合和进一步的多个延续集合。

在一些实施例中，可以在线训练控制系统101中的神经网络103(基于LSTM的神经网络、基于变换器架构的神经网络等)。在一些其他的实施例中，可以离线训练(预先训练)控制系统101中的神经网络103(基于LSTM的神经网络、基于变换器架构的神经网络等)。在一些其他的实施例中，可以部分离线训练、部分在线训练控制系统中的神经网络103(基于LSTM的神经网络、基于变换器架构的神经网络等)。

图2C例示说明根据本公开的实施例的建筑物中的楼层的布局，其中多个行人的多个轨迹用于目的地预测器141的训练，一个行人的一个部分轨迹用于目的地预测器141的测试。

在一些实施例中，部分轨迹113可以包括仅包含位置信息的轨迹，其中每个轨迹可以用棋盘形布置索引的序列来表示。所述棋盘形布置索引可以通过使位置坐标的范围离散化来获得，其中位置坐标的范围可以表示与楼层所对应的棋盘形布置元素相关联的经度和纬度。在另一实施例中，部分轨迹113可以包括既包含位置信息、又包含定时信息的轨迹。此外，每个轨迹可以用棋盘形布置索引的元组的序列来表示，其中每个元组可以包含通过使位置坐标的范围和预测时间段离散化而获得的棋盘形布置索引。预测时间段可以是控制系统101对乘客的未来请求考虑的最大时间。

如图2C所示，楼层235上的位置的坐标被离散化为棋盘形布置索引237，从而使轨迹的表示简化。楼层235的连续空间被离散化为50×50的棋盘形布置，每个轨迹被转换为用作变换器架构的输入的、棋盘形布置地点的序列。总的来说，该数据可以用于模仿单个用户在一天的时间段期间、在整个楼层中的移动，其中到访的目的地可以表示最多进入的真实生活的室内目的地，诸如浴室、楼梯、电梯和休息室。每个训练轨迹239(即，历史轨迹)可以具有它自己的起始点241和最终的目的地243，每个测试轨迹245(即，新的轨迹)可以具有它自己的起始点247，但是测试轨迹245还没有最终的目的地249，最终的目的地249将由控制系统101的目的地预测器141预测。利用训练轨迹239训练的目的地预测器141可以基于人的部分轨迹来准确地预测人的可能的目的地和人到达对应的目的地的到达时间。

在示例实施例中，在多楼层建筑物中，每个楼层可以具有它自己的布局和目的地预测器141。在另一实施例中，目的地预测器141也可以跨多个楼层构建，只要部分轨迹113在电梯轿厢(例如，轿厢125和轿厢127)的外部即可。另外，当从指示潜在的乘客的预测的到达信息的多项式111产生延续集合时，可以并入考虑到一天的时间段的并行助手。例如，在工作日的下行高峰时间段期间，典型的乘客的目的地楼层被视为大堂，而不是具有相等的概率的所有剩余楼层。

此外，训练目的地预测器141输出多项式的形式的预测估计可以具有若干优点。首先，所述多项式可以用到达任何目的地(其中电梯请求区域是目的地之一)的联合预测来取代到达电梯请求区域的概率的单独的预测。因此，当满足两个条件时，到达电梯请求区域的概率是相对于其他目的地确定的。

所述两个条件可以包括目的地列表是穷举的、以及多项式中的所有的值的和等于“1”。第一个要求通过空间量化来满足，第二个要求在包括目的地预测器141的神经网络103的训练期间实施。以这样的方式，可以使到达电梯请求区域的概率的扩展目的地预测简化。

图2D例示说明根据本公开的示例实施例的通过基于变换器架构的神经网络、基于长短期记忆(LSTM)的神经网络和基于双向长短期记忆(BiLSTM)的神经网络确定的目的地预测的概率的比较的绘图251。

绘图251包括在X轴上绘制的观察到的测试轨迹的百分比、以及在Y轴上绘制的正确的目的地的概率。绘图251考虑中值性能，连同附近的分位数行为。绘图251示出目的地概率的第40、第50和第60分位数，以测量测试轨迹复杂度的可变性。当执行留一法交叉验证(LOOCV)方法时，可能遇到不同的长度的测试轨迹和与训练轨迹的相似性。此外，在一些分区上获得的目的地概率可能是不同的，鲁棒的目的地预测模型应能够辨识轨迹的不同，并且相应地改动其预测，如在预测概率中以更大的延展度可以看见的那样。

此外，绘图251示出基于变换器架构的神经网络可以在轨迹的发展的早期得到改进的目的地预测，不同于需要更多观察来做出准确的预测的、基于LSTM的神经网络和基于BiLSTM的神经网络。另外，对于变换器架构神经网络的正确的类概率的变化示出较于基准方法改进的准确性。

图2E例示说明根据本公开的示例实施例的通过基于变换器架构的神经网络、基于LSTM的神经网络和BiLSTM的神经网络确定的目的地预测的概率的比较的绘图253。

绘图253对应于当真实的测试轨迹目的地概率是观察到的测试轨迹的百分比的函数时的目的地预测的概率。绘图253包括在X轴上绘制的观察到的测试轨迹的百分比、以及在Y轴上绘制的正确的目的地的概率。绘图253考虑如图2E所示的LOOCV方法的一个分区。在这种情况下，测试轨迹在其发展的早期开始与一些训练轨迹重叠。该重叠提供关于目的地的有帮助的信息，并且可以被预测模型辨识和利用。理想的模型将检测早期的重叠，并且将通过增大测试轨迹的20％标记周围的真实的目的地概率来考虑这。

因此，这些结果示出基于变换器架构的神经网络能够在这个简单化的、低数据环境中学习模式(通过其增大的目的地概率得到证实)，不同于不能在移动轨迹的发展的早期正确地检测目的地的、基于LSTM的神经网络和基于BiLSTM的神经网络。

图3例示说明根据本公开的一些实施例的被实现用于控制电梯组109的运动的方法的步骤。所述方法可以由控制系统101的组件执行。

所述方法从步骤301开始。在步骤303，可以获得人对于电梯组109提供的服务的当前请求。当前请求可以经由第一输入接口从所述人获得。

在步骤305，可以获得所述人的运动的部分轨迹。所述人在包括电梯组109服务的区域的楼层(例如，楼层129a)上移动的部分轨迹可以从第二输入接口133获得，其中第二输入接口133可以包括各种运动传感器。

在步骤307，在接收到所述人的运动的部分轨迹后，可以根据所述部分轨迹执行被训练用于具有所述运动的所述人的扩展目的地预测的神经网络103，以生成对于所述人的扩展目的地预测的多项式(例如，多项式111)。

在步骤309，可以对为来自所述人的当前请求和所述人的未来请求服务的、电梯组109的调度107进行优化。可以通过在多项式中提供的时间实例、以多项式中的对于与电梯组109服务的区域相关联的棋盘形布置元素确定的对应值的概率、提供电梯服务来对调度107进行优化。

在步骤311，可以根据调度107来控制电梯组109。调度107确保对于所有乘客的平均等待时间(AWT)最小化。所述方法在步骤313结束。

图4例示说明根据本公开的一些实施例的被实现用于蒙特卡洛模拟的方法的步骤，所述方法用于确定用于控制电梯组109的运动的调度。所述方法可以由控制系统101的组件执行。

所述方法从步骤401开始。在步骤403，可以获得神经网络103生成的多项式111。多项式111具有至少两个维度，所述至少两个维度包括所述人的目的地的第一维度、以及所述人到达第一维度的目的地的时间间隔的第二维度，其中楼层被量化为形成第一维度的目的地的棋盘形布置元素，至少一个棋盘形布置元素与电梯组109服务的区域相关联。

在步骤405，可以基于与电梯组109服务的区域相关联的目的地来对多项式11的值进行过滤。以这样的方式，多项式111中指示的、与电梯组109服务的区域无关的其他目的地可以被丢弃以提供准确的目的地预测。

在步骤407，可以执行多项式111的过滤的值的蒙特卡洛模拟，以用于生成请求的时间的多个组合。请求的时间的所述多个组合中的特定的时间实例的发生频率是在所述特定的时间实例的、对于电梯服务的未来请求的概率，所述概率具有多项式中的、在所述特定的时间实例和与电梯组109服务的区域相关联的棋盘形布置元素的交点处的值。

在替代实施例中，该步骤被省略，因为前一步中的样本已经包括到达时间。一些其他的实施例根据采样如何进行来选择该步骤。一种方法根据等于基元中的值的概率来挑选多项式的基元。因为每个基元对应于目的地和时间的组合，所以时间组件将已经存在于样本中。

在步骤409，可以将请求的时间的所述多个组合中的每个与当前请求组合以生成多个延续集合。在一些实施例中，通过以下方式来形成延续集合，即，通过仅考虑电梯组109服务的区域来对目的地进行过滤。

在步骤411，可以确定电梯组109的调度(例如，调度107)，其中调度107被确定以优化对于所有的延续集合的组合中的至少一些乘客的性能度量。

在步骤413，可以根据调度107来控制电梯组109。调度107确保对于所有乘客的平均等待时间(AWT)最小化。所述方法在步骤415结束。

在示例实施例中，建筑物的每个楼层被安装运动传感器。例如，运动传感器可以被安装在所有的小屋、过道、自助餐厅等中。运动传感器可以用于将每个楼层量化为棋盘形布置或棋盘形布置元素。因此，每个棋盘形布置元素对应于安装在楼层上的特定区域处的运动传感器。棋盘形布置元素可以是规则的形状或不规则的形状。运动传感器可以始终跟踪一个或多个乘客的运动。

设用于预测未来到达的感兴趣时间段为10秒。运动传感器可以被配置为使得当运动传感器中的任何一个确定在楼层的电梯请求区域附近有多于阈值量的乘客时，运动传感器可以触发基于神经网络103的目的地预测器141。目的地预测器141然后可以检索过去的10秒内、所有乘客的部分轨迹113。每个乘客的部分轨迹113可以单独确定，或者与沿着相同路线行进或移动的其他乘客组合确定。基于检索的数据，目的地预测器141以多项式111的形式预测潜在的未来乘客的到达信息。多项式111然后可以被控制系统101用来确定延续集合，基于此，调度器105确定调度107。

在另一示例实施例中，控制系统101可以被配置为对于到达电梯服务的区域的公司的每个雇员被触发。为此，建筑物中的每一个雇员都可以被提供电子身份卡，该卡可以被安装在每个楼层上的运动传感器读取以辨识对应雇员的身份。所述电子身份卡可以例如，但不限于，射频身份(RFID)卡/标签。控制系统101可以包括其中可以存储所有雇员的识别信息的数据库。所述信息可以包括雇员的姓名、关于雇员工作的楼层的信息、雇员的历史轨迹、雇员的工作轮班定时等。

本公开的实施例包括控制系统101，控制系统101基于来自一个或多个乘客对于电梯组109提供的服务的当前请求、以及所述一个或多个乘客在包括电梯组109服务的一个或多个区域的楼层上移动的运动的部分轨迹113来控制电梯组109的运动。在优选实施例中，控制系统101包括基于变换器架构的神经网络，所述神经网络基于部分轨迹113被训练用于扩展目的地预测。具体地说，控制系统101基于每个乘客的部分轨迹，执行神经网络103以生成对于所述一个或多个乘客的扩展目的地预测的多项式。所述多项式包括每个乘客的可能的目的地、以及每个乘客到达目的地的可能的时间实例。所述多项式是通过将楼层量化为形成可能的目的地的棋盘形布置元素、并且进一步将预测时间段量化为时间实例而确定的。预测时间段是控制系统101对于所述一个或多个乘客的未来请求考虑的最大时间。

本公开的实施例执行对于与电梯组109服务的区域相关联的棋盘形布置元素确定的多项式的值的蒙特卡洛模拟，以生成请求的时间的多个组合。请求的时间的所述多个组合中的特定的时间实例的发生频率是在特定的时间实例的、对于电梯服务的未来请求的概率，所述概率具有所述多项式中的、在所述特定的时间实例和与电梯组109服务的区域相关联的棋盘形布置元素的交点处的值。本公开的实施例将请求的时间的所述多个组合中的每个与当前请求组合以生成多个延续集合，并且进一步确定电梯组109的调度107以优化对于所有的延续集合的组合中的至少一些乘客的性能度量(例如，平均等待时间)。

此外，本文中概述的各种方法或过程可以被编码为在采用各种操作系统或平台中的任何一个的一个或多个处理器上可执行的软件。另外，这样的软件可以使用若干合适的编程语言和/或编程或脚本撰写工具来编写，并且还可以被编译为在框架或虚拟机上执行的可执行机器语言代码或中间代码。通常，在各种实施例中，程序模块的功能性可以根据需要而被组合或分布。

此外，本公开的实施例可以被实施为一种方法，其例子已经被提供。作为所述方法的一部分执行的动作可以按任何合适的方式排序。因此，可以构造这样的实施例，在这些实施例中，按与例示说明的次序不同的次序执行动作(可以包括同时执行一些动作，即使在说明性实施例中被示为顺序的动作)。此外，权利要求书中使用序数项(诸如“第一”、“第二”)来修饰权利要求元素的使用本身并不暗示一个权利要求元素较于另一个权利要求元素的任何优先、优先级或次序、或执行方法的动作的时间次序，而是仅仅被用作区分具有某个名称的一个权利要求元素和具有相同名称(但是使用了序数项)的另一个元素以区分权利要求元素的标签。

尽管已经参照某些示例性实施例描述了本公开，但是要理解可以在本公开的精神和范围内进行各种其他的改动和修改。因此，涵盖落在本公开的真实的精神和范围内的所有的这样的变化和修改是所附权利要求书的方面。

Claims (15)

1.一种用于控制电梯组的运动的控制系统，所述控制系统包括：

第一输入接口，所述第一输入接口被配置为接受来自乘客的对于所述电梯组提供的服务的当前请求；

第二输入接口，所述第二输入接口被配置为接收在所述电梯组服务的楼层上移动的人的运动的部分轨迹；以及

处理器，所述处理器被配置为：

将所述部分轨迹提交给被训练用于扩展目的地预测的神经网络以生成多项式，所述多项式具有至少两个维度，所述至少两个维度包括所述人的目的地的第一维度、以及所述人到达第一维度的目的地的时间间隔的第二维度，其中所述楼层被量化为形成第一维度的目的地的棋盘形布置元素，并且其中至少一个棋盘形布置元素对应于与对于所述电梯组提供的服务的请求相关联的服务区域；

对为来自乘客的当前请求和所述人的未来请求服务的所述电梯组的调度进行优化，以在所述多项式中提供的时间间隔、以所述多项式中的对于与所述服务区域相关联的棋盘形布置元素确定的对应值的概率、获得电梯服务；以及

根据所述调度来控制所述电梯组。

2.根据权利要求1所述的控制系统，其中所述第二维度的时间间隔对预测时间段进行量化，并且其中所述预测时间段是所述控制系统对于所述人的未来请求考虑的最大时间。

3.根据权利要求1所述的控制系统，其中所述多项式的值的和被规范化为1。

4.根据权利要求1所述的控制系统，其中所述处理器被进一步配置为：

执行所述多项式的对于与所述电梯组服务的区域相关联的棋盘形布置元素确定的值的蒙特卡洛模拟以生成请求的时间的多个组合，其中请求的时间的所述多个组合中的特定的时间实例的发生频率是在所述特定的时间实例的、对于所述电梯服务的未来请求的概率，所述概率具有所述多项式中的、在所述特定的时间实例和与所述电梯组服务的区域相关联的棋盘形布置元素的交点处的值；

将请求的时间的所述多个组合中的每个与当前请求组合以生成多个延续集合；以及

确定所述电梯组的调度以优化对于所有的延续集合的组合中的至少一些乘客的性能度量。

5.根据权利要求1所述的控制系统，其中所述部分轨迹包括仅包含位置信息的轨迹数据，其中每个轨迹用棋盘形布置索引的序列来表示，其中所述棋盘形布置索引是通过使位置坐标的范围离散化而获得的，并且其中位置坐标的范围表示与所述棋盘形布置元素相关联的经度和纬度。

6.根据权利要求2所述的控制系统，其中所述部分轨迹包括既包含位置信息又包含定时信息的轨迹数据，其中每个轨迹用棋盘形布置索引的元组的序列来表示，并且其中每个元组包含通过使位置坐标的范围和预测时间段离散化而获得的棋盘形布置索引。

7.根据权利要求6所述的控制系统，其中通过考虑就相对于逝去时间而言的相对时间来提取轨迹的定时信息，所述逝去时间是相对于它们的起始时间戳而言的。

8.根据权利要求7所述的控制系统，其中每个轨迹用符号序列来表示，并且其中每个符号是从指示所述位置信息和所述定时信息的棋盘形布置索引元组映射的。

9.根据权利要求4所述的控制系统，其中利用通过仅考虑所述电梯组服务的区域来对所述目的地进行过滤来形成所述延续集合。

10.根据权利要求1所述的控制系统，其中所述神经网络具有变换器架构。

11.根据权利要求10所述的控制系统，其中所述变换器架构使用能够实现并行化的位置编码和关注机制。

12.一种用于控制电梯组的电梯的运动的方法，所述方法包括：

获得来自乘客的对于所述电梯组提供的服务的当前请求；

获得在包括所述电梯组服务的区域的楼层上移动的人的运动的部分轨迹；

在接收到所述人的运动的部分轨迹后，根据所述部分轨迹，执行被训练用于具有所述运动的所述人的扩展目的地预测的神经网络，以生成对于所述人的扩展目的地预测的多项式，其中所述多项式具有至少两个维度，所述至少两个维度包括所述人的目的地的第一维度、以及所述人到达第一维度的目的地的时间间隔的第二维度，其中所述楼层被量化为形成第一维度的目的地的棋盘形布置元素，并且其中至少一个棋盘形布置元素与所述电梯组服务的区域相关联；

对为来自乘客的当前请求和人的未来请求服务的所述电梯组的调度进行优化，以在所述多项式中提供的时间间隔、以所述多项式中的对于与所述电梯组服务的区域相关联的棋盘形布置元素确定的对应值的概率、获得电梯服务；以及

根据所述调度来控制所述电梯组。

13.根据权利要求12所述的方法，其中所述第二维度的时间间隔对预测时间段进行量化，并且其中所述预测时间段是所述控制系统对于所述人的未来请求考虑的最大时间。

14.根据权利要求12所述的方法，其中所述多项式的值的和被规范化为1。

15.根据权利要求12所述的方法，其中所述方法进一步包括：

执行所述多项式的对于与所述电梯组服务的区域相关联的棋盘形布置元素确定的值的蒙特卡洛模拟以生成请求的时间的多个组合，其中请求的时间的所述多个组合中的特定的时间实例的发生频率是在所述特定的时间实例的、对于所述电梯服务的未来请求的概率，所述概率具有所述多项式中的、在所述特定的时间实例和与所述电梯组服务的区域相关联的棋盘形布置元素的交点处的值；

将请求的时间的所述多个组合中的每个与当前请求组合以生成多个延续集合；以及

确定所述电梯组的调度以优化对于所有的延续集合的组合中的至少一些乘客的性能度量。

Images