CN1705610A - 调度建筑物中电梯系统多个轿厢的方法和电梯调度器 - Google Patents

Abstract

一种调度建筑物中电梯系统的若干轿厢的方法。无论何时只要有新到达的乘客按下向上或向下按钮以产生服务召唤，就开始执行所述方法。根据所述电梯系统的将来状态，对于每个轿厢，如果所述轿厢被分配为服务于所述召唤，确定全体现有乘客的第一等候时间。根据所述若干轿厢的停靠模式，对于每个轿厢，如果所述轿厢被分配为服务于所述召唤，确定将来乘客的第二等候时间。对于每个轿厢，结合所述第一和第二等候时间以产生调整后的等候时间，所述方法结束于分配具有最短的调整后等候时间的具体轿厢服务于所述召唤并使全体乘客的平均等候时间最短。

Description

调度建筑物中电梯系统 多个轿厢的方法和电梯调度器

技术领域

一般说来，本发明涉及调度电梯轿厢，更确切地说，涉及考虑到将来乘客的电梯调度方法。

背景技术

在大的建筑物中调度电梯是众所周知的工业难题。所述问题的特征在于非常大的状态空间和显著的不确定性，参见Barney，“ElevatorTraffic Handbook，”Spon Press，London，2003。典型情况下，乘客通过按下召唤按钮而请求电梯服务。这导致电梯调度器分配电梯轿厢对所述乘客服务。

最早期的电梯调度器使用集体控制原理。在这种直观推断中，把当前运行方向上最近的轿厢分配给对所述乘客服务，参见Strakosch，“Vertical transpotation：elevators and escalators，”John Wiley & Sons，Inc.，1998。这种调度是亚最优的和不可预测的。由于这种原因，当乘客期望在进行所述召唤之后，立即通知哪个轿厢将搭载他们时，集体控制是不可接受的。

另一种直观推断使每位乘客的剩余响应时间(RRT)最短。所述RRT定义了由当前的调度表规定的、使每位乘客上轿厢所需的时间，参见1992年9月8日授予Powell等人的5,146,053号美国专利，“Elevator dispatching based on remaining response time”。这种直观推断仅仅密切关注使乘客的等候时间最短，而完全忽略了当前分配对将来乘客等候时间的影响。

在基于RRT的最小化之内，在忽略与乘客所期望目的楼层相关联的不确定性，参见Bao，“Elevator dispatchers for down-peak traffic，”Technical Report，University of Massachusetts，Department ofElectrical and Computer Engineering，Amherst，Massachusetts，1994，以及恰当地确定每位乘客关于目的地所期望的RRT，参见Nikovski etal.，“Decision-theoretic group elevator scheduling，”13^th InternationalConference on Automated Planning and Scheduling，Trento，Italy，June 2003以及Brand等人2002年6月3日提交的美国专利申请序列号10/161,304“Method and System for Dynamic Programming ofElevators for Optimal Group Elevator Control，”的这些方法之间，可以进行进一步的区分。上述内容在此引用作为参考。

不过，由于至少两种原因，与将来乘客相关联的不确定性是全新的问题。恰当地考虑当前的决策对全体将来乘客等候时间的影响是极为复杂的问题。首先，因为到达时间、到达楼层和目的楼层都未知，所以与将来乘客相关联的不确定性高得多。其次，当前的决策可能影响将来任意时刻乘客的等候时间，它使得所述问题的理论最优化限度为无限。

无论计算难度如何，忽略将来的乘客往往导致亚最优的调度结果。当前的分配影响轿厢的将来移动，而且影响其在最短时间内对将来召唤的服务能力。

示范将来乘客重要性的一种具体情形是高峰客流量。例如在下行高峰客流量期间，在或接近下班时，大多数将来的乘客选择主楼层作为其目的地。因为这些将来的乘客最可能分布在楼上，调度下行高峰客流量是个大难题。

在上行高峰客流量期间，大多数将来的乘客到达所述主楼层并请求上楼的服务。典型情况下，所述上行高峰客流量比所述下行高峰客流量短得多、繁忙得多、集中得多。所以，通常上行高峰载客量是限制因素，它确定了电梯系统对于建筑物是否合适。所以，重要的是对上行高峰客流量优化所述调度过程。

考虑以下情形。在楼上某层进行召唤。单一的轿厢停靠在所述主楼层，所述调度器仅仅根据乘客的预计等候时间，决定以该轿厢服务于所述召唤。如果派遣在所述主楼层的轿厢服务于所述召唤，所述主楼层就保持无轿厢，将来的乘客将不得不等候比所述轿厢停留时长得多的时间。在常规调度器中常见的这种短视的决策在上行高峰客流量期间具有尤为严重的后果，因为许多等候的乘客很快就挤满了所述主楼层，而所述轿厢却在为楼上的单一乘客服务。

几种公知的电梯调度方法考虑了将来的乘客，并有不同程度的成功。某些调度器使用模糊规则以识别类似于以上讨论的情形，并作出对将来的事件更加灵敏的决定，参见Ujihara et al.，“The revolutionaryAI-2000 elevator group-control system and the new intelligent optionseries，”Mitsubishi Electric Advance，45：5-8，1988。不过，该方法有严重的缺点。首先，所述规则需要手工编码。所以，所述系统仅仅像“专家”一样好。其次，所述规则之间模糊规则推论的解释往往表现出无规律，尤其是当对于某种特定情形没有可应用的规则时。因此，所述电梯往往运行在出乎意料的无规律状态。

另一种方法认识到集体电梯调度是序列决策的问题。该方法使用Q学习算法异步地更新所述电梯系统的全部将来状态，参见Crites etal.，“Elevator group control using multiple reinforcement learningagents，”Machine Learning，33：235，1998。他们利用神经网络来应对所述系统的巨大状态空间，它近似为全部将来状态的成本。他们的方法显示出显著的前途。不过，其计算量需求反映出它对于商业系统完全不实用。所述方法完成单一的客流量图表要花费大约60000小时的模拟电梯操作，比其他快得多的算法最终减少的等候时间仅仅2.65％，与其计算量成本不相称。

现有技术的方法或者劳动密集，或者计算昂贵，或者兼而有之。所以需要的方法能够最优化地调度电梯轿厢，同时考虑将来的乘客，尤其是在上行高峰客流量期间。

发明内容

本发明提供了一种用于调度建筑物中电梯系统的多个轿厢的方法。所述方法包括接收召唤；根据所述电梯系统的将来状态，对于每个轿厢，如果所述轿厢被分配为服务于所述召唤，确定全体现有乘客的第一等候时间；根据所述多个轿厢的停靠模式，对于每个轿厢，如果所述轿厢被分配为服务于所述召唤，确定将来乘客的第二等候时间；对于每个轿厢，结合所述第一和第二等候时间以产生调整后的等候时间；以及分配具有最短的调整后等候时间的具体轿厢服务于所述召唤并使全体乘客的平均等候时间最短。

附图简要说明

图1是使用本发明之电梯系统的框图；

图2是根据本发明调度电梯轿厢所用方法的流程图；

图3是一个网格，显示了根据本发明的马尔可夫链。

具体实施方式

系统结构

图1显示了根据本发明的电梯调度器200，用于建筑物101，其中有若干楼上层102、主楼层103、若干电梯井104、若干电梯轿厢105。所述主楼层往往是地面或大厅层，换言之，进入所述建筑物的大多数乘客主要到达的楼层。

对于本发明的目的，按照已知的描述变量把乘客形式上划分为几种类别。所述变量把不确定性引入所述电梯调度器的决策过程。所述类别为乘用的、等候的、新的和将来的乘客。

对于每位乘用乘客111，到达时间、到达楼层和目的地楼层都已知。所述乘用乘客在轿厢中，所以不再等候。

对于每位等候乘客112，到达时间、到达楼层和行进方向已知。目的地楼层未知。已经分配了轿厢服务每位等候乘客。

对于新乘客113，因为所述新乘客已经发出120召唤信号，所以到达时间、到达楼层和行进方向已知。一般的问题是分配轿厢服务所述新乘客的召唤。在任何一个时刻，只有一位新乘客。

上述三类乘客111-113统称为现有乘客。我们称这些乘客为现有乘客的理由是因为他们已经确实到达了，而且所述系统知晓所有这些乘客的某些特征。在所述现有乘客中，仅有所述等候乘客和所述新乘客具有非零等候时间。

对于尚未存在的将来乘客114，一无所知。所述乘客变量最多可以由随机变量来随机地描述，或者按照过去的数据估计。全体乘客包括现有的和将来的乘客。

特定的问题是分配轿厢服务所述新乘客，使得对于现有的和将来的全体乘客，预期的等候时间最短。

操作方法

图2显示了根据本发明调度所述电梯系统100中轿厢所用的方法。响应召唤201，执行所述方法100。所述召唤可以在任何楼层。首先，所述调度器200根据所述电梯系统的将来状态209，对于每个轿厢确定所述轿厢分配为服务于所述召唤时全体现有乘客111-113的第一预期等候时间211。其次，所述调度器根据所述若干轿厢105的停靠模式219对于每个轿厢确定所述轿厢分配为服务于所述召唤102时将来乘客114的第二预期等候时间221。对于每个轿厢，结合230所述第一和第二预期等候时间以产生调整后的等候时间231，并且分配240具有最短的调整后等候时间的所述轿厢服务于所述召唤201。

理想情况下，所述电梯调度器在进行分配之前，对不确定性的全部来源完全积分，确定全部可能分配的临界成本。不过，由于调度问题不可逾越的计算复杂性，典型情况下大多数商业电梯调度器采用直观推断方法，忽略了这种不确定性的一部分或全部。

在典型的上行高峰客流量期间，实质上许多将来的乘客，如80％和95％之间的乘客，到达所述主楼层。这些主楼层到达者的等候时间是上行高峰客流量期间电梯系统整体等候时间的主要成分，所以电梯调度器的当前决策应当力图使所述主楼层乘客的预期等候时间最短。

因此，我们开始于简化假设，全体将来乘客都到达所述主楼层。不模拟其他楼层将来到达者的效果是把预测等候时间准确的时间限度缩短到最近的将来。不过，这个效果显然作用于以后的计算作为减少因子。此外，对于上行高峰客流量期间，大多数将来乘客事实上确实到达所述主楼层。

利用这种假设，所述电梯调度器的当前决策通过轿厢将来到达所述主楼层，影响将来乘客的等候时间。我们把轿厢到达所述主楼层的这个序列称为停靠模式。

为了本发明的目的，由以下因素确定轿厢在所述主楼层的停靠模式219。首先，楼上的乘用乘客可以选择主楼层作为其目的地。其次，空闲轿厢在等候下一次召唤时可以自动选择主楼层作为停靠位置。确定所述停靠模式219有效地忽略了各个将来乘客214。

在2002年11月13日由Brand等人提交的美国专利申请序列号10/293,520“Optimal Parking of Free Cars in Elevator Group Control”中，介绍了最优停靠策略及其对所述停靠模式的影响，在此引用作为参考。

优先服务主楼层乘客的一种策略是在每个轿厢已经完成对最后乘用乘客的服务后立即把它发送到主楼层。对于具有C个轿厢的建筑物，停靠模式219是时间向量T＝[T₁，T₂，...，T_C]，T_j≥0，T_j是轿厢j＝1，...，C已经把其全体乘用乘客送达后到达主楼层的时间。

因为所述等候乘客112和所述新乘客113的目的地有不确定性，所述停靠模式T是具有概率分布P(T)的向量值随机变量，T∈全部可能停靠模式T 219的空间上的T。

理想情况下，所述调度器200应当对于每种可能的停靠模式T∈T，确定预期等候时间V(T)，并且取时间对于所述概率分布P(T)的期望为

$\⟨P\left(T\right)\⟩={\∫}_{T\∈T}P\left(T\right)V\left(T\right)\mathrm{dT}$

此处<>表示期望算子。确实，这是在全体新乘客都到达主楼层的以上假设条件下，主楼层乘客等候时间的精确估计。不过，确定所述概率分布P(T)却没有实用的方法。即便有，全部停靠模式的空间尺寸也是巨大的。在这个空间上积分在计算量上不实用。

我们改用了替代停靠模式，它包括每个轿厢在主楼层的各个预期到达时间 T＝[ T₁， T₂，...， T_C]＝[<T₁>，<T₂>，...，<T_C>]，并且使用近似<V(T)≈V(<T>)＝V( T)>。注意，因为对于j＝1，...，C，所述分量T_j中的每一个都是独立的随机变量，其不确定性仅仅取决于分配给轿厢j之乘用和等候乘客目的地的概率分布，所以等式<T>＝ T成立。

同理，这种近似对平均值也相当好。每个轿厢的精确停靠时间 T_j当然取决于对现有乘客作出的前期分配，以及其不确定的目的地。换言之，所述停靠模式间接地取决于所述现有乘客111-113的预期等候时间211。Nikovski等人在“Decision-theoretic group elevatorscheduling，”13^th International Conference on Automated Planningand Scheduling，June 2003中，以及Brand等人2002年6月3日提交的美国专利申请序列号10/161,304“Method and System for DynamicProgramming of Elevators for Optimal Group Elevator Control，”介绍了确定210所述现有乘客111-114的预期等候时间211所用的方法，在此引用作为参考。简而言之，这种方法被称为“由动态规划清空所述系统的算法”(ESA-DP)方法。

至此我们已经考虑了所述停靠模式T和 T作为把乘客对轿厢的固定现有分配。不过，所述调度器200的当前决策，即哪个轿厢应当分配给服务所述新乘客113，改变了这种分配。因为所述调度器能够选择C个轿厢中的任何一个，有C种可能的最终分配，因此所述停靠模式219有C种可能的分布。如果我们使用上述假设，那么我们需要所述停靠模式

${\stackrel{\&OverBar;}{T}}_{\left(i\right)}=[{\stackrel{\&OverBar;}{T}}_{i1},{\stackrel{\&OverBar;}{T}}_{i2},\&CenterDot;\&CenterDot;\&CenterDot;{\stackrel{\&OverBar;}{T}}_{\mathrm{iC}}],i=1,\&CenterDot;\&CenterDot;\&CenterDot;,C$

当把所述新乘客113分配给轿厢i时它就会发生。每个元素 T_ij的意义为当把所述新乘客113分配给轿厢i时轿厢j的预期停靠时间。

对于所述C和轿厢已经建立了所述停靠模式219的矩阵之后，就能够确定所述停靠模式即所述矩阵的行中的每一个对应的、将来乘客214的预期累积等候时间221。

我们提供了一种过程，用于确定将来乘客214的预期等候时间，作为任何停靠模式219T＝[T₁，T₂，...，T_C]的函数。

因为所述将来乘客214的等候时间221不随轿厢到达的具体次序而变，即是轿厢“2”在10秒内到达，轿厢“3”在50秒内到达，还是反过来，没有差异。我们把所述停靠模式T 219排列为以上升次序：0≤T₁≤T₂≤...≤T_C。利用这种假设，我们定义V⁰(T)为时间区间t∈[0，T_C]之内全体将来乘客114的预期累积等候时间221： $V^0\left(T\right)={\&Integral;}_0^{T_C}n\left(t\right)\mathrm{dt},$ 其中n(t)为t时刻在主楼层103等候之乘客的预期数目。

在介绍我们的轿厢分配过程之前，我们引入将来等候时间221的指数衰减，这是因为所述轿厢预期停靠时间的偏差。所述偏差是由于我们近似假设在所述当前停靠模式结束之前在主楼层之上没有发生将来的到达者。

实际上，这种将来的到达者确实会发生，虽然不经常。这些乘客将被分配给带有乘用和等候乘客的轿厢。那么这些轿厢到达主楼层的时间会延迟。因此，由所述ESA-DP过程估计的停靠时间可能在最近将来预测中稍微低估了实际时间，而在远期将来预测中或许显著低估。

所述最近将来可以定义为轿厢从主楼层起往返所用的平均时间，例如对于中等规模的建筑物40-60秒。这段时间是可计算的。

使估计结果在远期将来衰减的一种方法是把所述估计结果乘以exp(-βt)，其中β＞0为衰减因子。

类似于上述情况，我们定义将来乘客的预期衰减累积等候时间为 $\mathrm{V\&beta;}\left(T\right)={\&Integral;}_0^{T_C}{e}^{-\mathrm{\&beta;t}}n\left(t\right)\mathrm{dt}.$ 所述区间[0，T_C]能够划分为C个不同的区间[T_i-1，T_i]，i＝1，...，C，设定T₀＝0。由于轿厢最后一次停靠在主楼层是(T_i-1)，在时刻t∈[T_i-1，T_i]等候之乘客的预期数目与经历的时间成正比。

如果我们把将来乘客114的到达模拟为具有速率λ的泊松过程，那么在主楼层之乘客的预期数目为n(t)＝λ(t-T_i-1)，而且上述积分也划分为能够求取的C个部分。我们假设所述轿厢能够立即承载在主楼层等候的全体乘客，因为登梯时间与等候时间相比很短。

不过，如果轿厢i到达主楼层并发现它是空的，那么它不是在其到达时刻T_i立即离开。所述轿厢而是在主楼层等候，直至将来乘客114转变为新乘客113，发出120召唤信号。如果在时刻t＝0在主楼层有j个轿厢，那么最初的j位乘客根本不等候。每位乘客立即登上一个轿厢，没有等候时间。在这种情形中所述显著的然而却是猜测的节省，与没有使用这些轿厢服务楼上的新乘客造成的真实成本保持平衡。为了定量这些节省，准确地模拟主楼层的所述电梯轿厢。

半马尔可夫模型

为了正确地估计将来乘客214的等候时间221，给定了在主楼层没有人正在等候时轿厢的实际行为，我们采用半马尔可夫链，其状态和转换描述了停靠在主楼层之轿厢的行为。

半马尔可夫链包括有限数目的状态S_i，i＝1，...，N_S，每对状态S_i和S_i之间转换的平均瞬时成本i_ij、预期转变时间τ_ij、概率P_ij，以及初始分布π(S_i)，它指定了所述系统从状态S_i开始时的概率，参见Bertsekas，“Dynamic Proramming and Optimal Control，”AthenaScientific，Belmont，Massachusetts，2000.volumes 2，pages 261-264。不仅如此，每条半马尔可夫链都包含在离散时间进化的嵌入全马尔可夫链，其累积转换成本R_ij定义为R_ij＝τ_ijr_ij，而且假设所有转换都发生在单位时间之内。我们的问题所用的半马尔可夫链中的状态标注为三元组(i，j，m)，其中i是要停靠在主楼层之轿厢的数目，j是当前停靠在主楼层等候乘客之轿厢的数目，m＝C-i-j是已经从主楼层离开之轿厢的数目。

如图3所示，我们把所述半马尔可夫链的状态组织在二维网格或者说矩阵中。所述矩阵300中的每个元素S_im301对应一个状态(i，j，m)。图3中的网格结构是用于具有四座电梯井之建筑物的嵌入半马尔可夫链。所述模型的行302i包含着刚刚在轿厢已经在T_i时刻到达并且已经承载了可能已经在主楼层等候的全体乘客之后，所述系统的全部可能状态。注意，垂直时间轴303未按比例绘制。仅有以加粗箭头304显示的转换具有非零成本。全部其他转换的成本为零。当n位或更多乘客到达时，采取以某个数字n的n+305标注的转换。

首先，我们求解这个模型表达的一般情形，即在当前决策时间(T₁＞0)没有轿厢停靠在主楼层时，以后再把所述解扩展到当某些轿厢停靠在主楼层时的情况。

对于所述一般情况，所述链的起始状态为状态(C，0，0)，即全部C个轿厢都将要停靠在主楼层。最终状态是当全部C个轿厢都已经停靠时在所述模型底行中的状态，并且取决于在区间t∈[0，T_C]中有多少将来乘客已经到达。或者是全部轿厢都已经承载着乘客离开，即状态(0，0，C)210，或者是在主楼层仍然有某些轿厢，即某个j＞0的状态(0，j，C-j)。

底行以上诸行(i＞0)中的每种状态(i，j，m)，其中j＝C-i-m，能够转换为两种或更多的后续状态。这严格取决于在时间区间t∈[T_i，T_i]期间有多少将来乘客到达。例如，所述链从状态(4，0，0)仅仅在T₁时刻没有乘客到达时才转换到(3，1，0)，在该时刻有一个或多个乘客到达时转换到状态(3，0，1)。图3中的每项转换都标注了采取这种转换时应当到达之乘客的数目。完成每项转换的时间不难确定为两个轿厢到达之间的间隔ΔT_i＝T_i-T_i。因为根据具有到达速率λ的泊松过程，每项转换都等于在固定间隔之内特定数目的将来乘客到达的概率，所以也能够确定所述转换的概率。因此，在时间ΔT_i内精确地有x位乘客到达的概率p(x)为p(x)＝(λΔT_i)^xe^-λΔTi/x！。对于以到达乘客的精确数目标注的转换，可以直接使用这个公式。对于以n+标注的转换，意味着当有n位或更多新乘客到达时采取它们，所述转换的概率为1减去从这种状态中除去的所有剩余转换的概率之和： $p(n+)=1-{\mathrm{\&Sigma;}}_{x-0}^{n-1}p\left(x\right).$

因为到达乘客的数目小于或等于在主楼层停靠之轿厢的数目，所以确定以乘客的精确数目标注之转换的成本是顺理成章的。这些乘客都不必等候，对应转换的成本为零。不过，从每项状态确定最后或者说最右端转换的成本却相当棘手。这种转换对应于有n位或更多乘客到达主楼层，同时具有n-1个轿厢停靠在那里的情况。所述计算必须考虑以下事实：如果有x位将来乘客到达，而且x≤n，那么最初n-1位乘客乘用轿厢并离开而不等候，仅有剩余的x-n+1位乘客必须等候。

图3显示出，对于所述网格的任何状态S_im，正如以上的定义以及j＝C-i-m，在不止j位将来乘客到达时，即n＝j-1，采取加粗显示的转换。因此，如果采取该转换并且有x位将来乘客到达，那么仅有最后的x-j位乘客必须等候。换言之，如果在某段时间t之内出现了x位乘客，那么在该时间的微分或者说瞬时成本r_im为x-j。

因为这种转换适用于出现了大于j之某个数目乘客的情况，而且即使在有限时间区间中这个数目理论上也可以任意大，所以所述转换的预期成本以到达者所有可能数目x(从j+1到无限)之和加权，所述权重为x位到达者发生时的概率，正如泊松分布所给定的。

此外，在时间t的微分成本能够以exp(-βt)的因子衰减，如上所述。对于从状态S_im(j＝C-i-m)开始的最后转换期间，主楼层乘客的预期衰减累积等候时间Rβ_im，这种推理产生了以下表达式：

$R_{i,m}^{\mathrm{\&beta;}}={\&Integral;}_{T_{C-i}}^{T_{C-i+1}}{e}^{-\mathrm{\&beta;t}}\underset{x=j+1}{\overset{\&infin;}{\mathrm{\&Sigma;}}}\frac{{\left[\mathrm{\&lambda;}(t-T_{C-i})\right]}^x{e}^{-\mathrm{\&lambda;}(t-T_{C-i})}}{x!}(x-j)\mathrm{dt}$

在改变积分变量、简化和按照x-j之间差异的两个分量分部积分之后，成本表达式变为求取

$R{\mathrm{\&beta;}}_{\mathrm{im}}=e^{-\mathrm{\&beta;}{T}_{C-1}}[F\left(\mathrm{\&Delta;}{T}_{C-i+1}\right)-F\left(0\right)],$ 此处利用了函数

$F\left(t\right)=\underset{x=0}{\overset{j}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}^x{e}^{-(\mathrm{\&lambda;}+\mathrm{\&beta;})t}(x-j)\underset{l=0}{\overset{x}{\mathrm{\&Sigma;}}}\frac{t^{x-l}}{(x-l)!{(\mathrm{\&lambda;}+\mathrm{\&beta;})}^{l+1}}+\frac{(\mathrm{\&beta;j}-\mathrm{\&beta;\&lambda;t}-\mathrm{\&lambda;})e^{-\mathrm{\&beta;t}}}{{\mathrm{\&beta;}}^2}+c_0$

对于某个任意却固定的积分常数c₀，为了方便起见我们设定为零。

在如上所述已经确定了所述半马尔可夫模型的全部成本和概率之后，当所述系统从所述模型的任何状态开始时，它导致的等候累积成本就能够利用动态规划而高效地确定，从所述模型的底行开始向上进行，参见Bertsekas，“Dynamic Proramming and OptimalControl，”Athena Scientific，Belmont，Massachusetts，2000.volumes 1，pages 18-24。因为所述底行的状态是最终的，表明所述停靠模式的结束，我们设定其等候时间为零，即我们不关注最后停靠之后累积的等候时间量。

在确定了全部状态的等候时间之后，我们就能够获得从所述模型的初始状态开始整个模式T的累积等候时间。在所述一般情况下，如果在时间t＝0时在主楼层没有轿厢，那么所述初始状态永远是(C，0，0)。在时间t＝0时有一个或多个轿厢停靠在主楼层的特殊情况同样不难应对。在这种特殊情况下，所述起始状态是时间(C-l，l，0)，其中l是在主楼层之轿厢的数目，所述整个模式的远期衰减累积等候为这种起始状态(S_C-l，0)的等候时间。这样就不必与所述一般情况区分而单独应对这种特殊情况。

以上介绍的过程根据把所述当前召唤201分配给轿厢i，i＝1，...，C的决策得出的每种停靠模式T_i 219，提供了将来乘客114之预期累积衰减等候时间221的估计结果V_iβ＝Vβ(T_i)。

同时，步骤210中的所述ESA-DP过程确定当把所述召唤分配230给轿厢i，i＝1，...，C时，所述现有乘客211-213(包括发出所述召唤信号201的所述新乘客213)之累积非衰减等候时间211的估计结果W_i。

为了达到平衡现有乘客的等候211和将来乘客的等候221的最优决策，结合230数值V_iβ和W_i的两个集合，以便确定调整后的等候时间231。

这两种方法之间有显著的差异：等候乘客112和新乘客213的累积等候时间211W_i不衰减，而将来乘客214的累积等候衰减221衰减。

不仅如此，调度过程200的一个目标是使平均等候时间最短，并非在某个区间上的累积等候时间。为了最优化的目的，仅仅在对于全部可能的决策所述时间区间都相等时这两种方法才能互换。

一般说来，情况并非如此。对于每个轿厢，所述停靠模式不具有相同的延续区间。所以，所述调度过程200必须对等候时间及其累积等候时间进行平均。

从所述累积等候时间W_i获得现有乘客11-113的平均预期等候时间 W_i211是顺理成章的。现有乘客11-113的数目总是为所述调度器所知晓，不取决于候选轿厢号i，所以 W_i＝W_i/N。反之，从停靠模式219的延续区间上累积衰减等候时间V_iβ获得将来乘客214的平均等候时间 V_i221就不这么明显了。

所述停靠模式的延续区间T_C已知。如果在主楼层的到达速率是λ，那么T_C时间单位之内到达者的预期数目就是λT_C。不过，V_i除以λT_C无意义，因为V_i已经以衰减速率β衰减了。

衰减因子exp(-βt)却是t时刻的平均权重。如果n(t)为t时刻到达乘客的预期瞬时数目，如同马尔可夫模型的成本中的反映，那么 $V_i\mathrm{\&beta;}={\&Integral;}_0^{T_C}{e}^{\mathrm{\&beta;t}}n\left(t\right)\mathrm{dt}$ 表明在时间区间[0，T_C]期间到达乘客的预期累积加权数目。所以，量 $\stackrel{\&OverBar;}{n}={\&Integral;}_0^{T_C}{e}^{\mathrm{\&beta;t}}n\left(t\right)\mathrm{dt}/{\&Integral;}_0^{T_C}{e}^{\mathrm{\&beta;t}}\mathrm{dt}$ 为这个区间之内到达之将来乘客的预期平均数目，由全部加权因子的积分和恰当地归一化。不仅如此，Little定律指出n＝λ V_l参见Cassandras et al.，“Introduction todiscrete event systems，”Kluwer Academic Publishers，Dordrecht，TheNetherlands，1999。这就最终产生了将来乘客的、时间归一化的预期等候 ${\stackrel{\&OverBar;}{V}}_i=V_i^{\mathrm{\&beta;}}\mathrm{\&beta;}/(\mathrm{\&lambda;}-\mathrm{\&lambda;}{e}^{-\mathrm{\&beta;t}}).$

已经获得了现有和将来乘客等候时间的可比较估计结果 W_i211和V_i221，就把这些等候时间结合成单一的调整后等候时间231，例如利用权重0≤α≤1，使得所述调整后等候时间为α W_i+(1-α) V_i。

现有和将来等候之间的平衡取决于所述系统能够怎样快地通过运送乘客而使它自己摆脱目前的约束。

因此根据所述电梯系统的物理操作特征，能够按经验确定α的最优值。我们发现，无论所述建筑物的高度和电梯井的数目如何，在区间[0.1，0.3]中的加权值都稳定地产生可接受的结果。

本发明的效果

与常规调度过程相比，本文介绍的系统和方法能够显著缩短等候时间，节省的范围是5％-55％。这些改进归功于对将来乘客的预测。典型情况下，上行高峰客流量中的电梯性能确定了建筑物需要的电梯井数目。使用建筑物中安装电梯的标准原则，本发明往往能够使中高层和超高层写字楼所需的电梯井数目减少一座，同时仍然提供优越的服务。对于中等规模的建筑物，如25-30层，每台电梯的成本可能是大约$200,000。减少电梯并不仅降低了建筑物的成本，而且也降低了维持成本，同时增加了可用的楼层空间。

虽然已经利用优选实施例的实例介绍了本发明，但是应当理解，在本发明的实质和范围之内可以作出多种其他的适应和修改。所以，所附带的权利要求书的目的就是包括在本发明真正的实质和范围之内出现的全部此类变化和修改。

Claims (15)

1.用于调度建筑物中电梯系统的多个轿厢的方法，包括：

接收召唤；

根据所述电梯系统的将来状态，对于每个轿厢，如果所述轿厢被分配为服务于所述召唤，确定全体现有乘客的第一等候时间；

根据所述多个轿厢的停靠模式，对于每个轿厢，如果所述轿厢被分配为服务于所述召唤，确定将来乘客的第二等候时间；

对于每个轿厢，结合所述第一和第二等候时间以产生调整后的等候时间；以及

分配具有最短的调整后等候时间的具体轿厢服务于所述召唤并使全体乘客的平均等候时间最短。

2.根据权利要求1的方法，其中，所述现有乘客包括所述多个轿厢中的若干乘用乘客，具有已知到达时间、到达楼层和目的地楼层；分配给所述多个轿厢的若干等候乘客，具有已知到达时间、到达楼层和行进方向；以及发出所述召唤信号的新乘客，全体乘客包括所述现有和将来乘客。

3.根据权利要求1的方法，其中，所述确定所述第一等候时间进一步包括：

对成本函数求值，以便确定每种将来状态的成本；以及

分配特定轿厢，它关联到具有最低成本的一组状态。

4.根据权利要求1的方法，其中，主要数目的所述将来乘客在上行高峰客流量期间到达选定的楼层。

5.根据权利要求1的方法，其中，在选定的楼层电梯轿厢的停靠模式是向量值的随机变量T，在全部可能的停靠模式T的空间上具有概率分布P(T)，T∈T。

6.根据权利要求5的方法，其中，全部可能的停靠模式取决于所述多个轿厢的停靠时间。

7.根据权利要求1的方法，为最近将来时间区间确定所述停靠模式。

8.根据权利要求7的方法，其中，所述最近将来时间区间是所述多个轿厢从所述建筑物的主楼层起往返行程所用的平均时间。

9.根据权利要求7的方法，其中，远期将来时间区间t的停靠模式由exp(-βt)衰减，其中β＞0为衰减因子。

10.根据权利要求4的方法，其中，将来乘客按照带有速率λ的泊松过程到达所述主楼层。

11.根据权利要求1的方法，其中，由具有多个状态和转换的半马尔可夫链模拟所述停靠模式。

12.根据权利要求1的方法，其中，所述第一等候时间W和第二等候时间V按照αW+(1-α)V结合，其中α为范围0≤α≤1中的权重。

13.根据权利要求12的方法，其中，最优权重α在区间[0.1，0.3]中。

14.根据权利要求4或5的方法，其中所述选定的楼层是所述建筑物的主楼层。

15.一种电梯调度器，用于调度建筑物中电梯系统的多个轿厢，包括：

接收召唤的装置；

根据所述电梯系统的将来状态，对于每个轿厢，如果所述轿厢被分配为服务于所述召唤，确定全体现有乘客的第一等候时间的装置；

根据所述多个轿厢的停靠模式，对于每个轿厢，如果所述轿厢被分配为服务于所述召唤，确定将来乘客的第二等候时间的装置；

对于每个轿厢，结合所述第一和第二等候时间以产生调整后的等候时间的装置；以及

分配具有最短的调整后等候时间的具体轿厢服务于所述召唤并使全体乘客的平均等候时间最短的装置。

Images