一种基于大数据的混合式时间序列电梯运行参数预测方法与流程

1.本发明属于电梯领域；具体涉及一种基于大数据的混合式时间序列电梯运行参数预测方法。


背景技术：

2.随着通信监控以及物联网技术的发展，现在人们可以做到实时监控电梯内的相关数据，比如说电梯水平方向加速，电梯垂直方向加速度，电梯的安全钳状态等等；而利用电梯运行数据特征的大数据，就可以针对电梯故障进行有效的诊断，这样就可以减少电梯意外故障的发生。基于以上背景，电梯预警相关方面的研究就蕴育而出。
3.对电梯进行故障预测也是十分有必要的，电梯运行的质量和效率关系着人们的生活质量。如果电梯出现某些重大故障，甚至有可能对人们的生命财产产生威胁。故需要对电梯的安全状态进行评测，并且对电梯故障进行预测，这样就可以及时聘请相关的专业人员来检测电梯状态，排除安全隐患。
4.而电梯的实时数据有速度快、类别多、体量大等特点，比如说可以提取到的电梯信息就有电梯各类开门信号、电梯运行速度、电梯已运行时间等等的各类数据，而且电梯运行的历史数据对预测未来的电梯运行状态十分有用，这样就可以考虑利用时间序列技术来进行电梯故障预警。


技术实现要素：

5.本发明提出了一种基于大数据的混合式时间序列电梯运行参数预测方法，考虑对于不同的数据类型，使用不同的预测方法，因此对时间序列预测方法中的一次指数平滑，二阶指数平滑法，holt-winters法进行了分析，并利用优化方法来寻找它们的优化参数，构建了对应的时间序列模型，通过这些预测的数值，检测这些数据的异常值，就可以对电梯的故障进行预警。
6.本发明通过以下技术方案实现：
7.一种基于大数据的混合式时间序列电梯运行参数预测方法，所述预测方法包括以下步骤
8.步骤1：获取电梯实时数据；
9.步骤2：获取电梯实时信号；
10.步骤3：将输入数据进行格式化；将得到的数据规范化；
11.步骤4：将步骤3的规范化数据进行预处理；
12.步骤5：对步骤4预处理的数据利用指数平滑法或arima方法判断数据的特征类型；
13.步骤6：将步骤5的利用指数平滑法处理后的数据进行预测，得到预测数据；
14.步骤7：通过步骤6的预测数据，得到判别数据；
15.步骤8：通过步骤7的判别数据进行蒙特卡洛建模；
16.步骤9：运行蒙特卡洛模型，得到结果。
17.进一步的，所述步骤4的数据采用指数平滑法判断数据的特征类型具体包括以下步骤：
18.步骤4.1：确定数据的趋势性因素；
19.步骤4.2：确定数据流的季节性因素；
20.步骤4.3：对某一组特定的数据筛选一次指数平滑法、二次指数平滑法、holt-winters法和arima方法，判断数据的特征类型。
21.进一步的，所述步骤4.1确定数据的趋势性因素具体为，如果一组数据的趋势性因素不明显，那么观测值的均值或方差随时间的变化是不明显的，故利用数据的观测值的均值或方差来确定趋势性因素，当观测值的均值方差变化超过某一阈值时，数据具有趋势性的因素。
22.进一步的，所述步骤4.2确定数据流的季节性因素具体为，季节性因素就是周期性，将数据进行可视化，在图表中看出数据是否具有随周期变化的特征，确定数据的季节性因素。
23.进一步的，所述步骤5具体为，对某一组特定的数据进行一次指数平滑法或二次指数平滑法或holt-winters法或arima方法的预测，得到预测数据。
24.进一步的，所述一次指数平滑法具体为，一次指数平滑法的公式为：
25.s
t
＝a
×
x
t
(1-a)
×st-1
26.其中x
t
代表t时刻的实际值，s
t
代表t 1时刻的预测值，a代表平滑系数。
27.进一步的，所述二次指数平滑法具体为，二次指数平滑法的公式为：
28.s
t
＝αx
t
(1-α)(s
t-1
b
t-1
)
29.b
t
＝β(s
t-s
t-1
) (1-β)b
t-1
30.其中，α为平滑系数(0≤α≤1)；β为趋势平滑系数(0≤β≤1)；s
t
为第t时刻的一次指数平滑法预测值；b
t
就代表t时刻的趋势性因素，该方法考虑了函数趋势的影响，若要预测m天之后的数据，则预测值为：
31.f
t m
＝s
t
mb
t
32.f为预测值。
33.进一步的，所述holt-winters法具体为，由于季节性因素是不固定的，所以介绍累乘性的公式：
[0034][0035]bt
＝β(s
t-s
t-1
) (1-β)b
t-1
[0036][0037]
其中，c
t
为holt-winter法新引入的季节性因素；α为数据平滑因子；β为趋势平滑因子，γ为季节改变性因子，三者的参数范围都是(0，1)；b
t-1
为t时刻的趋势性因素；s
t
为第t时刻的holt-winter法预测值；c
t-l
为为t-l时刻的周期性预测值；x
t
为t时刻的真实数据值；l为周期；
[0038]
并对holt-winters法通过二阶拟牛顿算法来进行优化。
[0039]
进一步的，所述arima方法具体为，当数据序列是平稳的和输入数据是单变量序
列，
[0040]
arima方法具有三个分量，分别是自回归项、差分项和移动平均项；
[0041]
自回归项的模型公式为：
[0042][0043]
其中μ为常数，γi为自相关系数，ε
t
为误差，y
t-i
为第t-i时刻的预测值；
[0044]
移动平均项的公式为：
[0045][0046]
其中θi为误差加权系数，ε
t-i
为第t-i时刻的误差，ε
t
为误差；
[0047]
则自回归移动平均模型为：
[0048][0049]
进一步的，所述步骤8对判别数据进行蒙特卡洛建模具体包括以下步骤：
[0050]
步骤8.1：输入原始的数据；
[0051]
步骤8.2：产生随机数，产生[0,1]的均匀随机数；
[0052]
步骤8.3：建立时序的数学模型，仿真时间序列预测的数据；
[0053]
步骤8.4：对某一步的数据，利用反变换法来计算出某一个时刻的具体数值；
[0054]
步骤8.5：重复步骤8.4，直到已执行完所要求的次数，得到统计结果。
[0055]
本发明的有益效果是：
[0056]
本发明提出的混合式时间序列方法，可以根据电梯运行状态大数据的数据特征类型自动选择最佳的预测模型，从而提高基于电梯运行状态大数据下参数预测的准确性。
附图说明
[0057]
附图1本发明的数据判别模型的框架图。
[0058]
附图2本发明蒙特卡洛建模过程流程图。
[0059]
附图3本发明holt-winters法分布图，图3-(a)holt-winters法正态分布图rmse＝5.95，r2＝-0.43；图3-(b)holt-winters法泊松分布图rmse＝15.25，r2＝-11.5。
[0060]
附图4本发明一次指数平滑法分布图，图4-(a)一次指数平滑法正态分布图rmse＝6.00，r2＝-0.49；图4-(b)一次指数平滑法泊松分布图rmse＝5.16，r2＝-0.43。
[0061]
附图5本发明二次指数平滑法分布图，图5-(a)二次指数平滑法正态分布图rmse＝6.62，r2＝-0.76；图5-(b)二次指数平滑法泊松分布图rmse＝5.58,r2＝-0.67。
[0062]
附图6本发明arima方法分布图，图6-(a)arima方法正态分布图rmse＝7.20,r2＝-1.09；图6-(b)arima方法泊松分布图rmse＝6.07,r2＝-0.98。
具体实施方式
[0063]
下面将结合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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实
施例，都属于本发明保护的范围。
[0064]
时间序列预测法其实是一种回归预测方法，属于定量预测，其基本原理是：一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。
[0065]
一种基于大数据的混合式时间序列电梯运行参数预测方法，所述预测方法包括以下步骤
[0066]
步骤1：获取电梯实时数据；电梯的运行速度、轿厢前后方向加速度、轿厢左右方向加速度、轿厢垂直方向加速度、运行环境温度、运行环境湿度、楼层信息、开关门状态、限速器使用时间、轿厢门开关次数、电梯已运行时间和安全钳已运行时间；
[0067]
步骤2：获取电梯实时信号；开关门信号、目标楼层信号和目前楼层信号；
[0068]
步骤3：将输入数据进行格式化；将得到的数据规范化，可能得到的数据是明显不正确的(可能超过阈值)，或者是该时间段的数据为空，在这个阶段应该处理错误数据或者空数据，将其舍去，保证进入下一步的数据是有效的
[0069]
步骤4：将步骤3的规范化数据进行预处理；
[0070]
步骤5：对步骤4预处理的数据利用指数平滑法或arima方法判断数据的特征类型；
[0071]
步骤6：将步骤5的利用指数平滑法处理后的数据进行预测，得到预测数据；
[0072]
步骤7：通过步骤6的预测数据，得到判别数据；
[0073]
步骤8：通过步骤7的判别数据进行蒙特卡洛建模；
[0074]
步骤9：运行蒙特卡洛模型，得到结果。
[0075]
进一步的，所述步骤4的数据采用指数平滑法判断数据的特征类型具体包括一下步骤：
[0076]
步骤4.1：确定数据的趋势性因素；
[0077]
步骤4.2：确定数据流的季节性因素；
[0078]
步骤4.3：对某一组特定的数据筛选一次指数平滑法、二次指数平滑法、holt-winters法和arima方法，判断数据的特征类型。
[0079]
进一步的，所述步骤4.1确定数据的趋势性因素具体为，如果一组数据的趋势性因素不明显，那么观测值的均值或方差随时间的变化是不明显的，故利用数据的观测值的均值或方差来确定趋势性因素，当观测值的均值方差变化超过某一阈值时，数据具有趋势性的因素。
[0080]
进一步的，所述步骤4.2确定数据流的季节性因素具体为，季节性因素就是周期性，将数据进行可视化，在图表中看出数据是否具有随周期变化的特征，确定数据的季节性因素。
[0081]
进一步的，所述步骤5具体为，对某一组特定的数据进行一次指数平滑法或二次指数平滑法或holt-winters法或arima方法的预测，得到预测数据。
[0082]
进一步的，所述一次指数平滑法具体为，一次指数平滑实际上就是对历史数据的加权平均，它可以用于一种没有明显函数规律但确实存在某种函数前后关联的时间序列的短期预测。一次指数平滑法的公式为：
[0083]st
＝a
×
x
t
(1-a)
×st-1
[0084]
其中x
t
代表t时刻的实际值，s
t
代表t 1时刻的预测值，a代表平滑系数。该方法的优点是能够跟踪数据变化，预测数据中添加最新数据之后，新数据应取代老数据的地位，这样预测值总是反映最新的数据结构。平滑系数根据序列的变化是否平稳来给出不同的数值。该方法的缺点是只考虑历史平均，不考虑趋势性因素。
[0085]
进一步的，所述二次指数平滑法具体为，二次指数平滑法的公式为：
[0086]st
＝αx
t
(1-α)(s
t-1
b
t-1
)
[0087]bt
＝β(s
t-s
t-1
) (1-β)b
t-1
[0088]
其中，α为平滑系数(0≤α≤1)；β为趋势平滑系数(0≤β≤1)；s
t
为第t时刻的一次指数平滑法预测值；b
t
就代表t时刻的趋势性因素，该方法考虑了函数趋势的影响，若要预测m天之后的数据，则预测值为：
[0089]ft m
＝s
t
mb
t
[0090]
f为预测值。
[0091]
进一步的，所述holt-winters法具体为，与前两种相比，holt-winters法多考虑了一种因素：季节性因素。比如说现实情况中电梯的速度会在某一个周期之内先增后减，而holt-winters法又可以细分为累乘性公式和累加性公式。因为累加性的公式比较适用于季节固定的情况，而结合具体的课题，由于季节性因素是不固定的，所以介绍累乘性的公式：
[0092][0093]bt
＝β(s
t-s
t-1
) (1-β)b
t-1
[0094][0095]
其中，c
t
为holt-winter法新引入的季节性因素；α为数据平滑因子；β为趋势平滑因子，γ为季节改变性因子，三者的参数范围都是(0，1)；b
t-1
为t时刻的趋势性因素；s
t
为第t时刻的holt-winter法预测值；c
t-l
为为t-l时刻的周期性预测值；x
t
为t时刻的真实数据值；l为周期；
[0096]
并对holt-winters法通过二阶拟牛顿算法来进行优化。
[0097]
表1
[0098][0099]
进一步的，所述arima方法具体为，arima方法的全称是自回归综合移动平均，当数据序列是平稳的和输入数据是单变量序列，
[0100]
arima方法具有三个分量，分别是自回归项、差分项和移动平均项；
[0101]
自回归项的模型公式为：
[0102][0103]
其中μ为常数，γi为自相关系数，ε
t
为误差，表示白噪声随机误差项(具有零均值、恒定方差、非自相关特性，y
t-i
为第t-i时刻的预测值；
[0104]
移动平均项的公式为：
[0105][0106]
其中θi为误差加权系数，ε
t-i
为第t-i时刻的误差项，ε
t
为误差；
[0107]
该公式能有效消除预测中的随机波动；
[0108]
则自回归移动平均模型为：
[0109][0110]
该方法的核心在于确定不同的参数值，考虑利用一些特定的方法来确定。
[0111]
在指数平滑法的三种方法之中，holt-winters法可以同时考虑到时间、趋势、季节性的因素，但是算法需要计算的参数也随之而来上升，二次指数平滑法则不需要对季节性因素进行考虑，可以一定程度上减少计算量，一次指数平滑法则最为简单，只考虑时间上的
因素。故可以先对不同的数据判定它是否具有时间性，趋势性，季节性等等因素，然后再选定具体的方法来对它进行预测，这样既可以保证数据上的准确性，又可以保证时间上的效率性。上述4中方法，可以根据实际不同的情况来选取不同的方法来建立对应的模型。
[0112]
进一步的，所述步骤8对判别数据进行蒙特卡洛建模具体包括以下步骤：
[0113]
步骤8.1：输入原始的数据；
[0114]
步骤8.2：产生随机数，产生[0,1]的均匀随机数；
[0115]
步骤8.3：建立时序的数学模型，仿真时间序列预测的数据；
[0116]
步骤8.4：对某一步的数据，利用反变换法来计算出某一个时刻的具体数值；
[0117]
步骤8.5：重复步骤8.4，直到已执行完所要求的次数，得到统计结果。
[0118]
统计结果通过正态分布与泊松分布来表示；
[0119]
选取的实验数据有两组，一组是利用正态分布生成的2000个随机数，均值为20，标准差为3，另一组是利用泊松分布生成的2000个随机数，参数λ＝20主要以图标的形式展现结果，也给出了rmse的值作为参考。
[0120]
图3holt-winters法可以预测趋势和季节性因素，对正态分布的结果较好，但对没有季节性的因素结果较差。
[0121]
图4一次指数平滑法能有趋势性预测，但对季节性的预测反应不足，对无季节性的泊松分布有较好预测。
[0122]
图5是二次指数平滑法的正态分布和泊松分布，该方法较为平均，能够反映出数据的趋势。
[0123]
图6为arima方法的正态分布和泊松分布的数据反映趋势
[0124]
首先，实际情况中电梯运行的数据类型较多，比如各方向的加速度数据，电梯安全钳的状态，而引起电梯故障的原因也是多发的，故在时间序列意义下的单一模型不能很好反映多个角度的预测，而应根据不同的类别做不同的模型，这样建立下来的时间序列模型才具有适定性。基于以上的考虑，在数据类型较为简单，只考虑之前数据的影响时，可以采用一次指数平滑法，在数据类型具有梯度特征时，考虑二阶指数平滑法，在数据类型具有季节性的影响因素时，考虑使用holt-winters法来进行建模。最后再通过判断，利用得到的预测的数据，来判定电梯是否出现了故障。