CN115803275B 用于控制电梯组的运动的系统和方法 （三菱电机株式会社）

2023.01.09PCT/JP2021/02743820WO2022/014722EN2022.01.20EP3581533A1,2019.12.18US9834405B2,2017.12.05一种用于控制电梯组的电梯的运动的控制的扩展目的地预测的神经网络来生成所述扩展2第一输入接口，所述第一输入接口被配置为接受来自乘客的第二输入接口，所述第二输入接口被配置为接收在所述电梯将所述部分轨迹提交给被训练用于扩展目的地预测的神经网络以生对为来自乘客的当前请求和所述人的未来请求服务的所述电梯其中所述部分轨迹包括仅包含位置信息的轨迹数据，其中每个其中位置坐标的范围表示与所述棋盘形布置元素相关第一输入接口，所述第一输入接口被配置为接受来自乘客的第二输入接口，所述第二输入接口被配置为接收在所述电梯将所述部分轨迹提交给被训练用于扩展目的地预测的神经网络以生对为来自乘客的当前请求和所述人的未来请求服务的所述电梯其中所述第二维度的时间间隔对预测时间段进行量化，并且其中所述部分轨迹包括既包含位置信息又包含定时信息的轨迹数据3.根据权利要求2所述的控制系统，其中通过考虑就逝去时间而言的相对时间来提取3号是从指示所述位置信息和所述定时信息的棋盘形第一输入接口，所述第一输入接口被配置为接受来自乘客的第二输入接口，所述第二输入接口被配置为接收在所述电梯将所述部分轨迹提交给被训练用于扩展目的地预测的神经网络以生对为来自乘客的当前请求和所述人的未来请求服务的所述电梯其中所述变换器架构使用能够实现并行化的位置编获得在包括所述电梯组服务的区域的楼层上移动的人的运在接收到所述人的运动的部分轨迹后，根据所述部分轨对为来自乘客的当前请求和人的未来请求服务的所述电梯组的调度进其中所述部分轨迹包括仅包含位置信息的轨迹数据，其中每个其中位置坐标的范围表示与所述棋盘形布置元素相关获得在包括所述电梯组服务的区域的楼层上移动的人的运4在接收到所述人的运动的部分轨迹后，根据所述部分轨对为来自乘客的当前请求和人的未来请求服务的所述电梯组的调度进其中所述第二维度的时间间隔对预测时间段进行量化，并且其中所述部分轨迹包括既包含位置信息又包含定时信息的轨迹数据获得在包括所述电梯组服务的区域的楼层上移动的人的运在接收到所述人的运动的部分轨迹后，根据所述部分轨对为来自乘客的当前请求和人的未来请求服务的所述电梯组的调度进其中所述变换器架构使用能够实现并行化的位置编5[0006]一些实施例的目的是提供用于预测未来乘客的目的地、并且调度群梯系统(GES)的GES的调度，其中调度通过使对于所有乘客的平均等待时间(AWT)最小化来优化性能度[0007]一些实施例将未来电梯请求的发生的预测问题和未来电梯请求的发生的时间构6元素可以具有相同的或不同的形状以更好地贴合在电梯系统服务的区量化的时间段和粒度可以取决于计算能力和/或由应用要求定义。因此，预测期是可配置[0014]在一些实施例中，训练预测神经网络以多项式的形式输出预测估计具有若干优7示具有由用于电梯请求区域的值定义的对应概率的到达时间的连续分布上的样本。事实来请求的不同组合使得一些实施例可以捕捉未来请求测器生成的多项式抽取样本来获得延续集合，以使得对于与电梯服务的区域相关的目的[0019]在一些实施例中，利用目的地预测器来确定用于预测乘客的未来到达的多项这样的目的地预测器是根据基于深度学习的方法(深没有RNN模型中存在的任何循环基元单元，而是依赖于用于按顺序关联元素的更有效的关8位置坐标的范围和预测时间段离散化而获得的9[0030]另一实施例公开了一种用于控制电梯组中的电梯的运动上移动的人的运动的部分轨迹。所述方法进一步包括在接收到所述人的运动的部分轨迹调度以优化对于所有的延续集合的组合中的至少一些乘客[0032]将参照附图来进一步说明目前公开的实施例。所示的附图不一定是按比例绘制[0035]图1C例示说明根据本公开的示例实施例的用于多项式分布的规则网格的棋盘形[0036]图1D例示说明根据本公开的示例实施例的用于多项式分布的不规则网格的棋盘[0037]图1E例示说明根据本公开的实施例的用于目的地预测的轨迹的逝去时间的量化[0038]图1F例示说明根据本公开的实施例的用于基于目的地预测来获得延续集合的蒙[0039]图1G例示说明根据本公开的示例实施例的基于目的地预测的延续集合的示例性[0040]图1H例示说明根据本公开的示例实施例的基于延续集合来调度电梯组的轿厢的长短期记忆(LSTM)的神经网络和基于双向长短期记忆(BiLSTM)的神经网络确定的目的地[0045]图2E例示说明根据本公开的另一示例实施例的通过基于变换器架构的神经网络、基于LSTM的神经网络和基于BiLSTM的神经网络确定的目的地预测的概率的[0046]图3例示说明根据本公开的一些实施例的被实现用于控制电梯组的运动的方法的[0047]图4例示说明根据本公开的一些实施例的被实现用于蒙特卡洛模拟的方法的步实施例的原理的范围和精神内的许多其他的修改和实施例可以被本领[0052]例如，建筑物的第六楼的第一乘客请求来自电梯组的服务以到建筑物的第一十楼的第二乘客也将请求服务以到第一楼。在这种情况下，调度器事先确定与未来乘客组概率分布用指定未来乘客的到达信息的概率变量[0057]图1A例示说明根据本公开的实施例的用于控制电梯组109的运动的控制系统101[0058]控制系统101可以基于乘客的轨迹来预测潜在的未来乘客的到达信息。预测的到或多个当前乘客请求119，并且接收在包括电梯组109服务的区域的楼层(例如，楼层集合129a至129f中的楼层)上移动的一个或多个人分轨迹103。部分轨迹113可以包括与潜在的未来乘客115在楼层集合129a至129f中的任意楼层中的移动相关联的数据。控制系统101可以使用传感器117来捕捉潜在的未来乘客115可以预测潜在的未来乘客的到达信息作为多项式111的形式的输出，其中到达信息可以包[0063]在一些实施例中，神经网络103可以被配置为利用感兴趣时间段和量化值来确定区域对应于电梯组109服务的区域，多项式111的对应值的概率可以是对于与电梯组109服的区域相关联的棋盘形布置元素确定的对应值的概率、请求电梯服务的一个或多个乘客(也被称为一个或多个未服务的乘客)相关联的信息来对一个或多个乘客对于服务的AWT进如，轿厢125和轿厢127)搭载的一个或多个未服务的乘客被称为现有的未服务的乘客121。[0067]电梯组109包括安装在具有多个楼层(楼层集合129a至129f)的建筑物中的多个轿出移动通过楼层集合129a至129f以相应地搭载所述一[0069]控制系统101可以包括第一输入接口131，第一输入接口131被配置为从一个或多述仪表盘包括可以被一个或多个乘客用来请求服务得所述楼层上的一个或多个乘客的运动的部分[0071]第一接口131和第二接口133每个都通过总线135连接到控制系统101的其他组件作为用于实现目的地预测器141的神经网络103的指令集。目的地预测器141可以被实现为得部分轨迹113后，处理器137可以通过生成对于人的扩展目的地预测的多项式111来执行125或轿厢127)分配给每个乘客，以使得性能度量(例如，对于所有乘客的平均等待时间存在的相机(例如，常被安置在建筑物中的各楼层129a至1[0076]在一个或多个示例实施例中，作为传感器117的无线电天线在建筑物的楼层集合电梯平台50米远的门厅中)被检测到时，可以通过将感测的数据与实际的服务请求相关来[0079]控制系统101可以将在建筑物的每个楼层上漫步的一个或多个乘客的这些轨迹存xlylylX其中量化间隔量化间隔元素可以具有相同的或不同的形状以更好地贴合在电梯系统服务的区[0084]图1C例示说明根据本公开的示例实施例的用于多项式分布的规则网格的规则的布置元素相对应的部分轨迹113可以被控制系统101分析以生成多项式111。基于多项式括电梯平台的区域和/或其中布置了第一接口131[0086]图1D例示说明根据本公开的示例实施例的用于多项式分布的不规则网格的棋盘素145d对应于与对于电梯组提供的服务的请求相关联的服确定楼层集合129a至129f中的每个楼层上的一个或应的若干棋盘形布置元素(例如，规则的棋盘形布置元素143或不规则的棋盘形布置元素楼层的与电梯组109服务的区域无关联的若干棋盘形布置元素可以在确定控制电梯组109盘形布置元素143或不规则的棋盘形布置元素145)相关联的信息可以用于确定用于控制电[0090]图1E例示说明根据本公开的实施例的用于目的地预测的轨迹的逝去时间的量化给定轨迹中的位置坐标的给定元组的当前时间戳t149的逝去时间的棋盘形布置索引tm。布置索引pl1被确定为(相应地，pz=j+1)。p22n2[0098]处理器137可以仅从方程(2)的上述轨迹表示保留棋盘形布置索引本身(没有括号[0099]在一些实施例中，构成轨迹的棋盘形布置索引的元组被映射到新的单个的符[0101]在各种实施例中，调度器105被配置为对为来自乘客的当前请求和人的未来请求105是考虑未来乘客的请求的概率的概率调度器。不同的实施例使用概率调度器的不同实在被分配给轿厢c时的等待时间的裕量增长月(t),j=1,2,…,M,这些延续集合可能不一定具有相同的长度。[0114]其中.e)表示分配给轿厢c的(乘客的)延续集合的子集。对于该分配的平[0123]其中ir(rrs-1)表示在时调度未来乘客时重新分配为什么很可能不应产生蒙特卡洛集合的一般格式独立于传感器117。该格式是对每对原点和目的地楼层指定[0133]蒙特卡洛模拟用于对由于随机变量的干预而可能不能容易预测的过程中的不同后果的概率进行建模。这是用于理解预测和预报模型中的风险和不确定性的影响的技术。一些实施例使用蒙特卡洛模拟来使用延续集合以确定性的方式表示未来服务请求的概率[0134]蒙特卡洛模拟可以是依赖于重复的随机样本来获得数值结果的广泛的一类计算后果和对于最保守的决策的后果——连同对于中间立场的决策的所有的可能的后果。此可以确定电梯组109的调度107以优化对于所有的延续集合的组合中的至少一些乘客的性[0136]图1F例示说明根据一些实施例的用于通过使用蒙特卡洛模拟来基于乘客的多项乘客1的多项式中的带圆圈的值190，乘客2的样本2对应于乘客2的多项式中的带圆圈的值[0138]图1G例示说明根据本公开的示例实施例的基于目的地预测的延续集合170的示例集合170包括一个或多个乘客对于电梯组109中的电梯的服务的当前请求150和未来请求160(如图1F所示那样产生)的组合。当前请求还129a至129f的每个区域。楼层集合129a至129f的不被电梯组109服务的区域被丢弃不予考续集合中的每个延续集合都包括与当前请求和未来请求相去时间的棋盘形布置索引为900)的概率为80将在9.5s内到达电梯(对于逝去时间的棋盘形布置索引为950)的概率为20在第8楼，乘客2将在10s内到达电梯(对于逝去时间的棋盘形布置索引为1000)的概率为20将在10.2s内到达电梯(对于逝去时间的棋盘形布置索引为1020)的概率为60将在10.6s内到达电梯(对于逝去时间的棋盘形布置索引为考虑当前服务请求和未来服务请求这二者来控制电梯[0145]图1H例示说明根据本公开的示例实施例的基于延续集合来调度电梯组109的轿厢梯的所有乘客的AWT的最小化可以被构想为群梯调度(间t为止发生的所有的服务请求以及电梯组109中的C个轿[0150]基于这样的认识，GES系统的目的是通过使对于从当前时间和未来时间间隔请求[0152]当集合A中的所有乘客都被分配给轿厢c时，对于分配给轿厢c的集合A中的乘客h[0154]对于给定的完全分配，对于集合H中的所有乘客的总等待时间W(H)可以被如下表请求服务的电梯组109的调度107进行优化，以在多项式111中提供的时间实例、与电梯组[0159]所有的延续集合上的AWT是针对当前乘客请求(在这种情况下，要么是对轿厢1的络103可以根据基于模型的方法来实现，其中所述基于模型的方法在处理过去观察到的数有适应非语言应用(诸如目的地/轨迹预测用可变长度的时间序列数据工作的循环神经网络(RNN)，(对应于时间序列数据的)轨迹可t-1可以被传递通过sigmoid隐藏层。隐藏层中的每个神经元都可以计算输入的条目的加权和(例如，用相关参数加权)，并且向它添加偏置值。所得的标量然后可以通过被命名为换器架构使用能够实现并行化的位置编码和关注机制的方式，N个编码器201块和N个解码器203块中的每个的叠层包括自关注的并且全连接的前馈层中的关注可以被用作当尝试对特定标记进行编码时、用于参考输入的轨迹205中的其他标[0174]在一些实施例中，多头关注机制涉及利用不同的学习的投影来计算多个关注函编码块219，嵌入和位置编码块219可以类似于嵌入和位置编码块207。掩模式多头关注块头关注块221只可以参考前面的输出轨迹位置之外。此外，包括残差连接连同层规范化(RLN)的加法和规范化块223可以将掩模式多头关注块221的输入与掩模式多头关注块221[0178]此外，另一个加法和规范化块227可以将多头关注块225的输入与多头关注块225码器203的路径上后面接着是另一个加法和规范化块231。加法和规范化块231可以将前馈预测的目的地、或者产生利用电梯轿厢(例如，轿厢125或轿厢127)到达楼层集合129a至129f中的特定的一个楼层或多个楼层作为一个或多个目的地的到达时间的多个实现(诸如以通过增大查询测试轨迹的百分比来获得正确的目的地概率的阵列。可以在所有的S次迭代上对这样的概率阵列求取平均以获得对于给定模型的平均目的地是具有9(相应地，)的元组，该元组表示用于轨迹S(ξ)的第ĸ记录的位置[0186]控制系统101可以进一步包括预测时间段或预测持续时间T，所述T表示用于产生有的行人移动，并且让处理器137识别时间间隔[t,t+T]内的候选未来到达的部分轨迹(例[0187]设表示第ζ这样的部分轨迹，"(i,那么对于给定的输入的部分轨迹st,目的地预测器141的实际输出是位置和逝去时间的棋盘形布置索引的所有的候选元组的集合Ω上的概率分(ζ)可用的部分轨迹113的预测信息来获得完整的延续集合和进一步的[0189]在一些实施例中，可以在线训练控制系统101中的神经网络103(基于LSTM的神经的目的地预测器141预测。利用训练轨迹239训练的目的地预测器141可以基于人的部分轨迹来准确地预测人的可能的目的地和人到达对应的目的地的长短期记忆(LSTM)的神经网络和基于双向长短期记忆(BiLSTM)的神经网络确定的目的地[0197]绘图251包括在X轴上绘制的观察到的测试轨迹的百分比、以及在Y轴上绘制的正[0198]此外，绘图251示出基于变换器架构的神经网络可以在轨迹的发展的早期得到改LSTM的神经网络和BiLSTM的神经网络确定的目的地预测的概率的比[0200]绘图253对应于当真实的测试轨迹目的地概率是观察到的测试轨迹的百分比的函通过增大测试轨迹的20％标记周围的真实的目的地[0202]图3例示说明根据本公开的一些实施例的被实现用于控制电梯组109的运动的方训练用于具有所述运动的所述人的扩展目的地预测的神经网络103，以生成对于所述人的组109服务的区域相关联的棋盘形布置元素确定的对应值的概率、提供电梯服务来对调度[0208]图4例示说明根据本公开的一些实施例的被实现用于蒙特卡洛模拟的方法的步[0210]在步骤405，可以基于与电梯组109服务的区域相关联的目的地来对多项式111的的时间实例和与电梯组109服务的区域相关联的棋盘形布置元[0213]在步骤409，可以将请求的时间的所述多个组合中的每个与当前请求组合以生成器可以触发基于神经网络103的目的地预测器141。目的地预测器141然后可以检索过去的[0218]在另一示例实施例中，控制系统101可以被配