電梯交通流分析及電梯群控策略研究.pdf

1、在經濟不斷發(fā)展、科學技術日新月異的今天，電梯作為建筑物內的主要運輸工具，已成為我們日常生活中一個不可缺少的重要組成部分。隨著建筑物規(guī)模的擴大及電梯部數(shù)的增加，電梯客流呈現(xiàn)新的變化，隨之對電梯群控系統(tǒng)的性能提出了更高的要求。因此，一方面需要對不斷發(fā)展變化的電梯交通流進行調查研究，分析其規(guī)律特征，另一方面要求研究處理電梯交通流的群控策略。本文針對電梯群控系統(tǒng)中的一些關鍵問題進行了研究，其主要成果如下： 電梯交通流產生的理論和方法是深

2、入研究電梯群控策略必須解決的關鍵問題。為了描述乘客分布，首次提出了電梯乘客起始-目標樓層(Origin-Destination，O-D)矩陣的概念。以交通流采集數(shù)據(jù)為基礎，以熱力學熵、信息熵理論為指導，建立極大熵模型，用以推算乘客O-D矩陣。極大熵模型的求解本質上是一個優(yōu)化問題，首先提出了極大熵模型的拉格朗日乘子求解方法，該方法計算結果從實數(shù)解到整數(shù)解的推定中采用啟發(fā)式搜索，得到的是次優(yōu)解。為了對求解結果進行改進，經對遺傳算法機制的深入

3、思考，提出了一種啟發(fā)式遺傳算法求解方法，可以直接求得極大熵模型的最優(yōu)解?；诔丝蚈-D矩陣，利用蒙特卡羅采樣法進行客流仿真。隨著交通測定的持續(xù)執(zhí)行，利用極大熵模型可以產生持續(xù)的O-D交通流，建立乘客O-D交通流數(shù)據(jù)庫，為群控系統(tǒng)的仿真試驗奠定了數(shù)據(jù)基礎。 電梯交通流預測是實現(xiàn)電梯交通模式識別和電梯群控系統(tǒng)的重要組成部分。針對該問題，提出了將歷史數(shù)據(jù)和最新的客流數(shù)據(jù)相結合，利用小波支持向量機(WSVM)建立了電梯交通流預測模型，預

4、測模型采用SMO算法進行訓練。通過與自回歸滑動平均(ARMA)模型、BP神經網(wǎng)絡、高斯核支持向量機(GSVM)三種方法預測結果的比較，說明了WSVM提高了預測準確性和預測精度。 電梯交通模式識別是電梯群控系統(tǒng)的重要功能模塊。為此，提出了基于高斯核粒子群K均值聚類算法的電梯交通模式識別方法。該方法以粒子群優(yōu)化算法為框架，以適應度函數(shù)設計為核心。為了增強聚類算法的魯棒性，采用高斯核距離替換歐氏距離設計適應度函數(shù)，利用M-估計的影響函

5、數(shù)分析了聚類算法的魯棒性。仿真實驗表明該方法不需要任何先驗知識就能達到準確分類的目的。粒子群K均值聚類算法需要調整的參數(shù)少，易于實現(xiàn)，計算速度快，且具有穩(wěn)定的收斂特征，能很好滿足群控系統(tǒng)實時性的要求?？勺鳛殡娞萑嚎叵到y(tǒng)的一個模塊，輔助電梯群控系統(tǒng)做出決策，以期提高電梯群控系統(tǒng)在各種交通狀況下的服務性能。針對強化學習應用于電梯調度時存在學習速度緩慢問題，本文采用CMAC網(wǎng)絡建立基于先驗知識的電梯群強化學習系統(tǒng)，一個方面是利用先驗知識縮小強

6、化學習算法要探索的狀態(tài)空間，加快強化學習算法的收斂速度，另一個方面利用CMAC神經網(wǎng)絡具有較好的在線增量學習能力以及收斂性快、不存在局部極小點的特點，從這兩個方面對電梯群控調度進行優(yōu)化，試驗結果表明其有效性。 建立了電梯群控仿真環(huán)境，包括電梯群控仿真試驗臺(硬件設計)和電梯群控仿真系統(tǒng)(軟件設計)。電梯群控試驗臺符合實際電梯群控系統(tǒng)的結構，可以滿足電梯群控系統(tǒng)研究的需要。而電梯群控仿真系統(tǒng)為電梯群控策略的研究提供了仿真平臺。在該