基于LSTM的高层住宅电梯群客流模式识别_顾玲丽.pdf

基金项目:国家自然科学基金(62072324);国家重点研发计划课题(2020YFC2006602);江苏省重点研发计划项目(BE2020026)收稿日期:2021-04-26 修回日期:2021-05-20 第 40 卷 第 4 期计 算 机 仿 真2023 年 4 月 文章编号:1006-9348(2023)04-0449-06基于 LSTM 的高层住宅电梯群客流模式识别顾玲丽1,董佳琦2,许洪华2,徐 啸2(1.苏州科技大学电子与信息工程学院,江苏 苏州 215009;2.苏州科技大学江苏省建筑智慧节能实验室,江苏 苏州 215009)摘要:交通流模式识别是电梯群控系统进行优化调度必不可少的前提,针对高层住宅电梯交通流模式识别问题,经典的模式识别方法如支持向量机、模糊推理方法等应用广泛,但其仍存在长期记忆不足,识别准确度不高等缺点。深度学习中的LSTM 适合学习电梯交通流时间序列中的长期依赖关系,因此本文提出一种基于 LSTM 的高层住宅电梯群交通模式识别方法。方法通过 LSTM 建立神经网络模型,学习电梯交通流时间序列中的长期依赖关系,用 Softmax 分类器进行分类,同时通过 Adam 算法优化网络参数。实验结果表明,上述算法下的交通模式识别较传统的支持向量机(SVM)、多元线性回归等方法识别精度上有明显提高。关键词:电梯群客流;模式识别;长短期记忆网络;均方差标准化中图分类号:TP391.4 文献标识码:BPassenger Flow Pattern Recognition of Elevator Group in High-RiseResidential Buildings Based on LSTMGU Ling-li1,DONG Jia-qi2,XU Hong-hua2,XU Xiao2(1.School of Electronics and Information Engineering,Suzhou University of Scienceand Technology,Suzhou Jiangsu 215009,China;2.Jiangsu Building Smart Energy-saving Laboratory,Suzhou University of Scienceand Technology,Suzhou Jiangsu 215009,China)ABSTRACT:Traffic flow pattern recognition is an indispensable prerequisite for optimized dispatching of elevatorgroup control systems.For the problem of high-rise residential elevator traffic flow pattern recognition,classic patternrecognition methods such as support vector machines and fuzzy inference methods are widely used,but they still havethe shortcomings such as insufficient long-term memory and low recognition accuracy.The LSTM in deep learning issuitable for learning the long-term dependencies in the time series of elevator traffic flow,therefor the paper proposesa traffic pattern recognition method for high-rise residential elevator groups based on LSTM.This method builds aneural network model through LSTM,learns the long-term dependence in the elevator traffic flow time series,usesthe Softmax classifier to classify,and optimizes the network parameters through the Adam algorithm.Experimental re-sults show that the recognition accuracy of traffic pattern recognition under this algorithm is significantly improvedcompared with traditional support vector machine(SVR),multiple linear regression and other methods.KEYWORDS:Passenger flow of elevator group;Pattern recognition;Long and short-term memory network;Meansquare deviation standardization9441 引言电梯群控系统在现代高层住宅小区中发挥着必不可少的作用,而电梯模式识别和电梯群控调度技术更是直接影响着电梯群调度的效率1。可靠性好、精确度高地交通流模式识别能够实时有效的指导调度策略,提高系统整体运行效率2。传统的交通流模式识别方法有模糊推理方法、支持向量机、以及神经网络技术等。文献3提出模糊逻辑规则方法进行交通模式识别,但没有考虑相关的输入数据,如一天的时间或乘客到达或离开的比率。文献4等人提出的基于多值分类支持向量机的交通流模式识别方法,能够较准确的辨识各种交通流模式,但其运算时间过长,降低交通流在线分类的效率。文献5引入具有全局寻优能力的蚁群算法优化BP 神经网络,模式识别准确性得到大量提高,但传统的神经网络不仅耗时,还会对训练数据的依赖较大,且识别精度与可靠性不高。文献6提出使用神经网络来进行交通模式识别的方法,取得了较好的实验效果,但是也存在模型抗干扰不强的缺点,训练时需要学习大量数据。文献7提出基于FCM 聚类模糊神经网络的电梯交通模式识别方法,将模糊逻辑技术与神经网络相结合,识别效果较好,但同样也存在需要大量数据训练以提高神经网络识别精度。针对当前方法存在的问题,文章提出基于长短期记忆网络(LSTM)的高层住宅电梯交通模式识别方法,结合 Softmax进行模式分类。通过实验发现,相较于对比方法,本文方法识别精度高,识别误差较小,识别效果明显。2 高层住宅客流模式识别问题分析2.1 问题描述高层住宅电梯群控系统的客流模式识别问题可以划分成两个子问题:数据获取、模式分类。通过传感器采集到电梯的客流数据后,提取能够反映高层住宅电梯客流模式特征的量,即提取交通流数据特征,并将特征值作为整个模式识别模型的输入;针对模式分类问题,需要根据高层住宅内业主的规律、数量与分布,运用数学模型找出其存在的规律与特征,划分各种不同的交通模式。2.2 高层住宅电梯群客流特点分析高层住宅楼电梯群的客流特点可知,住宅楼区别于一般的公共建筑,在工作日期间业主的生活行为具有规律性与特征性,一般在上下班、上学放学时间段才会出现较为明显的客流高峰8,其余时间相对平衡;同时客流线相对单一,不像其它公共建筑的交通流体系那么丰富复杂,具体来说起始楼层较为统一,比如大多都是从基层去往目的楼层或者从某楼层去往基层。将住宅客流分为为空闲交通模式、随机层间交通模式、上行高峰交通模式以及下行高峰交通模式这四种。上行高峰模式下,大多数业主从基层进入上行去往目标楼层。这种情况通常在业主下班时到达最高峰。图 1 所示为上行高峰模式下的乘客到达率。下行高峰模式的情况通常出现在早晨业主上班、学生上学时段以及接孩子放学时段,由各楼层向目的楼层流动。图 2 所示为下行高峰交通模式下的乘客离开率。随机层间模式存在的比例在一天中最大,该模式客流大致相平衡,因此电梯的使用也处于相对较为平衡的状态。空闲客流模式下,基本上无人乘坐电梯,因此电梯不必全部投入使用,这种模式通常发生在凌晨到早上七点之间以及中午十二点左右。图 1 上行高峰模式下的乘客到达率图图 2 下行高峰模式下的乘客离开率图在客流高峰模式下,最主要的目标就是在短时间内将乘客输送到目的楼层,减少乘客扎堆;在层间随机模式时,客流相对平衡,保证运输效率的同时节能;在空闲模式时,客流较少,可以以较低运行能耗为主。3 模型建立3.1 LSTM 神经网络模型长短期记忆网络9是一种较为典型的时间循环神经网络,适合学习电梯客流时间序列中的长期依赖关系,可以对时序数据进行特征提取,并基于挖掘出的潜在信息对事物的状态做出判断或预测。因此通过建立基于 LSTM 的深度学习10模型对电梯交通流模式的精准判断。其中,LSTM 隐藏层细胞结构如图 3 所示。在图 3 中,LSTM 记忆模块中包括遗忘门、输入门和输出门三部分。输入门由 sigmoid、tanh 和乘法单元组成,主要决定神经细胞接受哪些输入数据。遗忘门由 sigmoid 和乘法单054图 3 LSTM 隐藏层细胞结构元组成,负责控制神经细胞中历史数据的丢失。输出门由sigmoid、乘法单元和 tanh 组成,作用是决定输出哪些数据。输入门、遗忘门和输出门的状态可由式(1-5)计算。it=(Wxixt+Whiht-1+Wcict-1+bi)(1)ft=(Wxfxt+Whfht-1+Wcfct-1+bf)(2)ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)(3)ot=(Wxoxt+Whoht-1+Wcoct+bo)(4)ht=ottanh(ct)(5)式中 i、f、o 分别为输入门、遗忘门、输出门;c 为细胞状态;W表示权重系数矩阵,b 表示偏置项;和 tanh 是 sigmoid 和双曲正切激活函数。3.2 指标模型为了保证高层住宅电梯客流模式识别准确度,采用的评价指标为均方根误差(Root Mean Square Error,RMSE)以及平均绝对误差(Mean Absolute Error,MAE)。通过输出值与目标值之间的误差,误差结果越小就说明客流模式识别准确度越高。公式分别如式(6,7)所示RMSE=1NNi=1yi-yi()2(6)MAE=1Nyi-yi(7)式中:yi为系统第 i 个测试样本训练输出值;yi为第 i 个测试样本实际结果值;N 指的是测试样本个数。3.3 客流数据模型结合 2.2 节的高层住宅电梯群客流特点,乘客到达电梯的时间大体服从泊松分布,主要是在上下客流高峰期尤其明显。由于在不同时间和不同楼层的乘客流量差异很大,因此需要在不同时段采取不同的 取值,从而更真实的模拟高层住宅客流数据。的取值不再是单一的常数,而是不同时段下的分段函数,如式(8)i=G(ti,u)=g1(ti,u),case 1gn(ti,u),case n|(8)其中,u 代表影响 i的其它因素,考虑到在对应时间段乘客的到达率较为稳定,故此函数 gn是线性函数。泊松分布公式如式(9)所示Pi+1-i=tg=1-e-itg tg 00 tg 0(9)其中,i用来表示乘客的到达率(人/秒),tg用来表示乘客到达时间间隔最大值(秒),i和 i+1分别为第 i 个和第 i+1个乘客的到达时间。已知 i和 P 就可求出 tgtg=i+1-i=-ln(1-P)i(10)那么i+1=i+tg=i-ln(1-P)i(11)乘客的到达电梯门厅的时间确定好后,就需要确定该乘客的当前楼层以及他去往的目的楼层。由于群控系统存在不确定性与随机性,所以利用起点密度矢量和起始-终止矩阵来确定呼梯楼层以及目的