基于人流量的电梯管理方法与流程

1.本发明涉及一种基于人流量的电梯管理方法。


背景技术：

2.在现代生活中电梯的使用越来越广泛，给人们带来高效便捷的生活环境。但是，电梯多次空跑会导致零部件寿命降低，且会极大地浪费能源，从而在无形之中增加了不必要的维护成本。现有技术中也存在一些根据人流量来管理电梯的方案，例如专利cn205527128u公开的一种基于人流量统计的电梯管理系统。该方案采用人体红外计数器对人流量数据进行统计，虽然能够在一定程度上以人流量作为依据来管理电梯，但其仅利用比较传统的方法对人流量做简单计算，因此人流量统计效果没有基于深度学习的目标检测方法精准。另外，该方案仅仅是对周期内的数据进行统计，且不涉及未来人流量的预测，从而缺乏季节性与周期性的自适应调整，因此存在一定的局限性。


技术实现要素：

3.本发明的目的在于提供一种基于人流量的电梯管理方法。
4.为实现上述发明目的，本发明提供一种基于人流量的电梯管理方法，包括以下步骤：
5.a、采集电梯的数据并构造运行过程数据；
6.b、利用运行过程数据计算一段时间的人流量；
7.c、根据计算出的人流量预测未来的人流量；
8.d、将电梯停靠在预测出的未来人流量最大的楼层。
9.根据本发明的一个方面，所述步骤(a)中采集的数据包括加速度数据、电梯轿厢内的图片和气压数据；
10.所述运行过程数据包括运行开始时间、运行结束时间、电梯内人数和电梯所在楼层；
11.所述运行过程数据的构造过程中，运行开始时间和运行结束时间由加速度起止时间确定，电梯内人数利用目标检测算法对电梯轿厢内的图片进行识别确定，电梯所在楼层通过将当前气压与各楼层平均气压进行匹配得出。
12.根据本发明的一个方面，所述步骤(b)中计算的人流量包括每周、每天或每小时的各楼层停靠次数与进出人数。
13.根据本发明的一个方面，计算人流量的方法包括以下步骤：
14.b1、判断是否为单独运行过程；
15.b2、判断是否为连续运行过程的起始阶段；
16.b3、判断运行方向是否变化；
17.b4、判断是否为连续运行过程的结尾阶段；
18.b5、判断是否为连续运行过程的中间阶段；
19.b6、根据上述判断结果计算出每周、每天或每小时的各楼层停靠次数与进出人数。
20.根据本发明的一个方面，在所述步骤(b1)中，若timeresbefore>threshold且threshold<timeresafter，则判断为单独运行过程，当前进梯人数为电梯内人数humannum
i
，并且为运行结束楼层的出梯人数。
21.根据本发明的一个方面，在所述步骤(b2)中，若timeresbefore＞threshold＞timeresafter，则判断为连续运行过程的起始阶段，电梯内人数humannum
i
为进梯人数。
22.根据本发明的一个方面，在所述步骤(b3)中，使结束楼层与起始楼层相减，若结果大于0则为向上运行，反之为向下运行。
23.根据本发明的一个方面，在所述步骤(b4)中，若timeresbefore＜threshold＜timeresafter，则判断为连续运行过程的结尾阶段；
24.若运行方向不变，则电梯内进出梯人数为residua；
25.若运行方向改变，则进梯人数为当前运行过程的人头数humannum
i
，出梯人数为前一条运行过程的人头数humannum
i
‑1。
26.根据本发明的一个方面，在所述步骤(b5)中，若timeresbefore＜threshold且threshold＞timeresafter，则判断为连续运行过程的中间阶段；
27.若运行方向不变，则电梯内进出梯人数为residua；
28.若运行方向改变，则进梯人数为当前运行过程的人头数humannum
i
，出梯人数为前一条运行过程的人头数humannum
i
‑1。
29.根据本发明的一个方面，runprocess
i
为第i个运行过程，humannum
i
为第i个运行过程的人头数，happentime
i
为第i个运行过程的开始时间，endtime
i
为结束时间，beginfloor
i
为第i个运行过程的开始楼层，endfloor
i
为结束楼层，threshold为时间间隔阈值；
30.residua＝humannum
i
‑
humannum
i
‑1，residua＞0为进，residua＜0为出；
31.timeresbefore＝happentime
i
‑
endtime
i
‑1；
32.timeresafter＝happentime
i 1
‑
endtime
i
。
33.根据本发明的一个方面，在所述步骤(c)中，按照以下步骤进行人流量的预测：
34.c1、对原始人流量数据进行stl时间序列分解，分别得到季节分量s
t
、趋势分量t
t
和剩余分量r
t
；
35.c2、对s
t
、t
t
和r
t
分别使用arima、lstm、gru模型进行预测；
36.c 3、将三个模型的预测结果进行加权求和，得出最终的预测结果。
37.根据本发明的一个方面，所述步骤(c3)中的加权求和采用加权投票的方式，对arima、lstm、gru三个模型的预测结果y1、y2、y3分别赋予权值0.2，0.7，0.1，最终预测结果为获得票数多的结果：y＝vote(0.2y1，0.7y2，0.1y3)。
38.根据本发明的构思，基于采集的海量电梯数据，对各类电梯实时运行数据进行分析，得出每天各个楼层的人流量情况。同时，采用深度学习网络模型，对每个时间段各个楼层人流量进行预测，以在不同时刻调整电梯停靠楼层，从而减少电梯空跑次数，以实现节约成本的目的，并且适用范围较广。
39.根据本发明的方案，采集的数据包括监控数据、电梯内气压数据、电梯运行的加速度数据，并基于上述数据，首先根据加速度数据对运行过程进行划分，再使用监控数据对运行中的电梯人数进行统计，并根据气压数据计算出电梯停靠的楼层，最后计算出每天各个
时段各楼层人流数据，并根据人流数据对未来每天各个时间段人流量数据进行预测，从而实现对电梯进行有效的管理。
附图说明
40.图1示意性表示本发明的一种实施方式的基于人流量的电梯管理方法的流程图；
41.图2示意性表示本发明的一种实施方式的电梯运行气压变化图；
42.图3示意性表示本发明的一种实施方式的人流量预测流程图。
具体实施方式
43.为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
44.下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
45.参见图1，本发明的基于人流量的电梯管理方法可应用于电梯安全运行监测，本方法首先采集电梯的数据并构造运行过程数据，然后利用运行过程数据计算一段时间的人流量，并结合计算出的历史人流量预测未来的人流量，最后将电梯停靠在预测出的未来人流量最大的楼层。
46.本发明中，数据采集和构造的过程可称为数据处理，由数据处理模块完成。其中，采集的数据包括加速度数据、电梯轿厢内的图片以及气压数据。对加速度数据的采集包括对每一秒加速度进行匹配。电梯轿厢内的图片通过对电梯运行过程中的监控数据进行随机截图获得，一般只需截取一张即可。运行过程数据的构造过程即利用了上述采集的数据，其包括运行开始时间、运行结束时间、电梯内人数、电梯所在楼层。其中，运行开始时间和运行结束时间由加速度起止时间确定；电梯内人数则利用目标检测算法对电梯轿厢内的图片(即视频截图)进行识别确定，从而获取电梯内的乘客数量；电梯(当前)所在楼层通过将当前气压与各楼层平均气压进行匹配计算得出。针对于气压数据，本发明中，需要对每个楼层所在的平均气压进行统计，从而获取各楼层气压表，如图2所示。
47.本发明由人流量计算模块计算的人流量包括每周、每天或每小时的各楼层停靠次数与进出人数，通过对数据处理模块中构造出的运行过程数据计算得出。具体的，在计算人流量时，需要分别判断是否为单独运行过程、是否为连续运行过程的起始阶段、运行方向是否变化、是否为连续运行过程的结尾阶段、是否为连续运行过程的中间阶段。最后根据上述判断结果计算出每周、每天或每小时的各楼层停靠次数与进出人数。其中，连续运行过程是指电梯连续多次运行与前后一次运行相隔时间很近；单独运行过程是指本次运行与前后一次运行相隔时间较远。连续运行过程的起始阶段是指本次运行与前一次运行相隔时间较远，与后一次运行相隔时间很近；连续运行过程的结尾阶段是指本次运行与前一次运行相隔时间很近，与后一次相隔时间较远；连续运行过程的中间阶段是指本次运行与前后一次运行相隔时间很近。
48.其中，若timeresbefore＞threshold且threshold＜timeresafter，则判断为单独
运行过程，当前进梯人数即为电梯内人数humannum
i
，并且为运行结束楼层的出梯人数。若timeresbefore＞threshold＞timeresafter，则判断为连续运行过程的起始阶段，电梯内人数humannum
i
即为进梯人数。使结束楼层与起始楼层相减，若结果大于0则为向上运行，反之为向下运行。若timeresbefore＜threshold＜timeresafter，则判断为连续运行过程的结尾阶段，若运行方向不变，则电梯内进出梯人数为residua；若运行方向改变，则进梯人数为当前运行过程的人头数humannum
i
，出梯人数为前一条运行过程的人头数humannum
i
‑1。若timeresbefore＜threshold且threshold＞timeresafter，则判断为连续运行过程的中间阶段，若运行方向不变，则电梯内进出梯人数为residua；若运行方向改变，则进梯人数为当前运行过程的人头数humannum
i
，出梯人数为前一条运行过程人头数humannum
i
‑1。
49.上述中，runprocess
i
为第i个运行过程，humannum
i
为第i个运行过程的人头数，happentime
i
为第i个运行过程的开始时间，endtime
i
为结束时间，beginfloor
i
为第i个运行过程的开始楼层，endfloor
i
为结束楼层，threshold为时间间隔阈值。residua＝humannum
i
‑
humannum
i
‑1，residua＞0为进，residua＜0为出；timeresbefore＝happentime
i
‑
endtime
i
‑1；timeresafter＝happentime
i 1
‑
endtime
i
。
50.参见图3，本发明的人流量预测模块利用了深度循环神经网络作为模型对每天、每小时的各楼层人流量进行预测。具体的，首先对原始人流量数据进行stl时间序列分解，分别得到季节分量s
t
、趋势分量t
t
和剩余分量r
t
，然后对s
t
、t
t
和r
t
分别使用artma、lstm、gru模型进行预测。其中，artma模型是通过寻找历史数据之间的自相关性来预测未来的情况，对于季节分量这种周期性较强的数据比较适用，当然，此处需要假设未来将重复历史的走势。而趋势分量与剩余分量由于情况比较复杂，因此需要采用深度学习模型进行预测。最后，将三个模型的预测结果进行加权求和，具体的，本发明的加权求和采用加权投票的方式，对arima、lstm、gru三个模型的预测结果y1、y2、y3分别赋予权值0.2,0.7,0.1，最终的预测结果为获得票数多的结果：y＝vote(0.2y1,0.7y2,0.1y3)。如此，能够根据预测结果找出人流量最大的楼层，以调整电梯停靠在人流量最大的楼层进行候梯。
51.综上所述，本发明的方法采用深度学习网络模型，对每个时间段各个楼层人流量进行预测，同时在不同时刻对电梯停靠楼层做出调整，从而可以减少电梯出现多次空跑的问题，且适用范围较广。
52.以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。