顧玲麗,董佳琦,許洪華,徐 嘯

(1. 蘇州科技大學(xué)電子與信息工程學(xué)院,江蘇 蘇州 215009;2. 蘇州科技大學(xué)江蘇省建筑智慧節(jié)能實驗室,江蘇 蘇州 215009)

1 引言

電梯群控系統(tǒng)在現(xiàn)代高層住宅小區(qū)中發(fā)揮著必不可少的作用,而電梯模式識別和電梯群控調(diào)度技術(shù)更是直接影響著電梯群調(diào)度的效率[1]?？煽啃院?、精確度高地交通流模式識別能夠?qū)崟r有效的指導(dǎo)調(diào)度策略,提高系統(tǒng)整體運行效率[2]。

傳統(tǒng)的交通流模式識別方法有模糊推理方法、支持向量機、以及神經(jīng)網(wǎng)絡(luò)技術(shù)等。文獻[3]提出模糊邏輯規(guī)則方法進行交通模式識別,但沒有考慮相關(guān)的輸入數(shù)據(jù),如一天的時間或乘客到達或離開的比率。文獻[4]等人提出的基于多值分類支持向量機的交通流模式識別方法,能夠較準確的辨識各種交通流模式,但其運算時間過長,降低交通流在線分類的效率。文獻[5]引入具有全局尋優(yōu)能力的蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),模式識別準確性得到大量提高,但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不僅耗時,還會對訓(xùn)練數(shù)據(jù)的依賴較大,且識別精度與可靠性不高。文獻[6]提出使用神經(jīng)網(wǎng)絡(luò)來進行交通模式識別的方法,取得了較好的實驗效果,但是也存在模型抗干擾不強的缺點,訓(xùn)練時需要學(xué)習(xí)大量數(shù)據(jù)。文獻[7]提出基于FCM聚類模糊神經(jīng)網(wǎng)絡(luò)的電梯交通模式識別方法,將模糊邏輯技術(shù)與神經(jīng)網(wǎng)絡(luò)相結(jié)合,識別效果較好,但同樣也存在需要大量數(shù)據(jù)訓(xùn)練以提高神經(jīng)網(wǎng)絡(luò)識別精度。

針對當(dāng)前方法存在的問題,文章提出基于長短期記憶網(wǎng)絡(luò)(LSTM)的高層住宅電梯交通模式識別方法,結(jié)合Softmax進行模式分類。通過實驗發(fā)現(xiàn),相較于對比方法,本文方法識別精度高,識別誤差較小,識別效果明顯。

2 高層住宅客流模式識別問題分析

2.1 問題描述

高層住宅電梯群控系統(tǒng)的客流模式識別問題可以劃分成兩個子問題:數(shù)據(jù)獲取、模式分類。通過傳感器采集到電梯的客流數(shù)據(jù)后,提取能夠反映高層住宅電梯客流模式特征的量,即提取交通流數(shù)據(jù)特征,并將特征值作為整個模式識別模型的輸入;針對模式分類問題,需要根據(jù)高層住宅內(nèi)業(yè)主的規(guī)律、數(shù)量與分布,運用數(shù)學(xué)模型找出其存在的規(guī)律與特征,劃分各種不同的交通模式。

2.2 高層住宅電梯群客流特點

分析高層住宅樓電梯群的客流特點可知,住宅樓區(qū)別于一般的公共建筑,在工作日期間業(yè)主的生活行為具有規(guī)律性與特征性,一般在上下班、上學(xué)放學(xué)時間段才會出現(xiàn)較為明顯的客流高峰[8],其余時間相對平衡;同時客流線相對單一,不像其它公共建筑的交通流體系那么豐富復(fù)雜,具體來說起始樓層較為統(tǒng)一,比如大多都是從基層去往目的樓層或者從某樓層去往基層。將住宅客流分為為空閑交通模式、隨機層間交通模式、上行高峰交通模式以及下行高峰交通模式這四種。

上行高峰模式下,大多數(shù)業(yè)主從基層進入上行去往目標(biāo)樓層。這種情況通常在業(yè)主下班時到達最高峰。圖1所示為上行高峰模式下的乘客到達率。下行高峰模式的情況通常出現(xiàn)在早晨業(yè)主上班、學(xué)生上學(xué)時段以及接孩子放學(xué)時段,由各樓層向目的樓層流動。圖2所示為下行高峰交通模式下的乘客離開率。隨機層間模式存在的比例在一天中最大,該模式客流大致相平衡,因此電梯的使用也處于相對較為平衡的狀態(tài)?？臻e客流模式下,基本上無人乘坐電梯,因此電梯不必全部投入使用,這種模式通常發(fā)生在凌晨到早上七點之間以及中午十二點左右。

圖1 上行高峰模式下的乘客到達率圖

圖2 下行高峰模式下的乘客離開率圖

在客流高峰模式下,最主要的目標(biāo)就是在短時間內(nèi)將乘客輸送到目的樓層,減少乘客扎堆;在層間隨機模式時,客流相對平衡,保證運輸效率的同時節(jié)能;在空閑模式時,客流較少,可以以較低運行能耗為主。

3 模型建立

3.1 LSTM神經(jīng)網(wǎng)絡(luò)模型

長短期記憶網(wǎng)絡(luò)[9]是一種較為典型的時間循環(huán)神經(jīng)網(wǎng)絡(luò),適合學(xué)習(xí)電梯客流時間序列中的長期依賴關(guān)系,可以對時序數(shù)據(jù)進行特征提取,并基于挖掘出的潛在信息對事物的狀態(tài)做出判斷或預(yù)測。因此通過建立基于LSTM的深度學(xué)習(xí)[10]模型對電梯交通流模式的精準判斷。其中,LSTM隱藏層細胞結(jié)構(gòu)如圖3所示。

圖3 LSTM隱藏層細胞結(jié)構(gòu)

在圖3中,LSTM記憶模塊中包括遺忘門、輸入門和輸出門三部分。輸入門由sigmoid、tanh和乘法單元組成,主要決定神經(jīng)細胞接受哪些輸入數(shù)據(jù)。遺忘門由sigmoid和乘法單元組成,負責(zé)控制神經(jīng)細胞中歷史數(shù)據(jù)的丟失。輸出門由sigmoid、乘法單元和tanh組成,作用是決定輸出哪些數(shù)據(jù)。輸入門、遺忘門和輸出門的狀態(tài)可由式(1-5)計算。

it=σ(Wxixt+Whiht-1+Wcict-1+bi)

(1)

ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)

(2)

ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)

(3)

ot=σ(Wxoxt+Whoht-1+Wcoct+bo)

(4)

ht=ottanh(ct)

(5)

式中i、f、o分別為輸入門、遺忘門、輸出門;c為細胞狀態(tài);W表示權(quán)重系數(shù)矩陣,b表示偏置項;σ和tanh是sigmoid和雙曲正切激活函數(shù)。

3.2 指標(biāo)模型

為了保證高層住宅電梯客流模式識別準確度,采用的評價指標(biāo)為均方根誤差(Root Mean Square Error,RMSE)以及平均絕對誤差(Mean Absolute Error,MAE)。通過輸出值與目標(biāo)值之間的誤差,誤差結(jié)果越小就說明客流模式識別準確度越高。公式分別如式(6,7)所示

(6)

(7)

3.3 客流數(shù)據(jù)模型

結(jié)合2.2節(jié)的高層住宅電梯群客流特點,乘客到達電梯的時間大體服從泊松分布,主要是在上下客流高峰期尤其明顯。由于在不同時間和不同樓層的乘客流量差異很大,因此需要在不同時段采取不同的λ取值,從而更真實的模擬高層住宅客流數(shù)據(jù)。λ的取值不再是單一的常數(shù),而是不同時段下的分段函數(shù),如式(8)

(8)

其中,u代表影響λi的其它因素,考慮到在對應(yīng)時間段乘客的到達率較為穩(wěn)定,故此函數(shù)gn是線性函數(shù)。泊松分布公式如式(9)所示

(9)

其中,λi用來表示乘客的到達率(人/秒),tg用來表示乘客到達時間間隔最大值(秒),τi和τi+1分別為第i個和第i+1個乘客的到達時間。已知λi和P就可求出tg

(10)

那么

(11)

乘客的到達電梯門廳的時間確定好后,就需要確定該乘客的當(dāng)前樓層以及他去往的目的樓層。由于群控系統(tǒng)存在不確定性與隨機性,所以利用起點密度矢量和起始-終止矩陣來確定呼梯樓層以及目的樓層,在具體實現(xiàn)這個過程是進行蒙特卡洛樣本試驗,得到具體樓層數(shù),從而進行客流仿真,分別模擬各個模式下的客流數(shù)據(jù)。

4 基于LSTM的客流模式識別方法實現(xiàn)

由2.1問題描述可知,在獲取到客流數(shù)據(jù)后,需要將數(shù)據(jù)進行相應(yīng)的規(guī)范化處理以及對應(yīng)的模式分類。圖4所示為整體客流模型訓(xùn)練識別流程圖。

圖4 模型訓(xùn)練識別流程圖

第一步劃分數(shù)據(jù)集,本文將客流數(shù)據(jù)集分為兩部分,即訓(xùn)練集和測試集。對訓(xùn)練集進行均方差標(biāo)準化處理,將預(yù)處理后的數(shù)據(jù)用型訓(xùn)練的輸入。用LSTM構(gòu)建的神經(jīng)網(wǎng)絡(luò)識別模型進行模式識別,輸出結(jié)果的同時對神經(jīng)網(wǎng)絡(luò)參數(shù)進行更新。當(dāng)模式識別準確度達到要求,即輸出當(dāng)前客流的識別結(jié)果。

4.1 數(shù)據(jù)輸入與預(yù)處理

客流模式識別是以住宅小區(qū)客流數(shù)據(jù)為基礎(chǔ),通常反映了小區(qū)人流特性與規(guī)律,主要用乘客數(shù)量、乘客出現(xiàn)周期及其分布情況來描述。為了體現(xiàn)住宅樓內(nèi)客流的變化過程,本文選擇每隔5min采集客流情況,并采用如式(12)所示矩陣D表示交通流。其中,Dij表示這5min內(nèi)由第i層去第j層的客流量。

(12)

本文對原始電梯客流序列樣本進行均方差標(biāo)準化處理,然后再作為模型輸入進行訓(xùn)練。這樣既能解決樣本的伸縮不均勻性,也能提高模型的精度。

在對電梯客流序列樣本進行均方差標(biāo)準化時,用符號X表示其時間序列,X=x0,x1,…,xT,元素xt為時間步長t的值,通過式(13),就能得到經(jīng)過標(biāo)準化處理的數(shù)據(jù)。

(13)

4.2 客流模式識別方法實現(xiàn)

根據(jù)LSTM神經(jīng)網(wǎng)絡(luò)特點和模型應(yīng)用場景,本文設(shè)計了基于LSTM的客流模式識別模型,模型架構(gòu)如圖5所示。

圖5 基于LSTM的客流模式識別模型

電梯群客流模式識別模型由輸入層、輸出層、隱藏層、網(wǎng)絡(luò)訓(xùn)練四個部分組成。

輸入層模塊負責(zé)將采集到的電梯客流信息轉(zhuǎn)換成交通流矩陣,采用均方差標(biāo)準化進行預(yù)處理以減小外界環(huán)境波動對模型精度的影響,數(shù)據(jù)集總共分為訓(xùn)練集以及測試集兩部分。

隱藏層是整個客流模式識別模型的核心部分,由如圖5所示的LSTM神經(jīng)網(wǎng)絡(luò)搭建,該層接收輸入層處理后的電梯客流時間序列樣本并對其進行多層次的特征劃分。在該層中,本文在兩個LSTM神經(jīng)網(wǎng)絡(luò)之間添加Dropout層[11]。主要作用是在訓(xùn)練過程中將隱藏層中的部分神經(jīng)網(wǎng)絡(luò)使用一定的概率丟棄,能得到比原始網(wǎng)絡(luò)更瘦的網(wǎng)絡(luò),防止了大規(guī)模神經(jīng)網(wǎng)絡(luò)訓(xùn)練存在的費時和容易過擬合兩個缺點。

由于本文研究是住宅建筑客流模式識別屬于多類分類問題,因此在輸出部分采用如式(14)所示的Softmax激活函數(shù)。Softmax激活函數(shù)的作用是將輸出映射到0到1之間的實數(shù),并且保證總和為1。痛過輸出當(dāng)前客流屬于各個客流模式的概率以此來進行多分類。

(14)

其中C=4,si表示屬于類別i的概率。在此基礎(chǔ)上,模型中輸出層由長度為4且激活函數(shù)為Softmax的全連接層構(gòu)成,并輸出向量y=[y1,y2,y3,y4],其中每一個元素表示當(dāng)前電梯處于對應(yīng)客流模式的概率。

在神經(jīng)網(wǎng)絡(luò)優(yōu)化方面,采用適應(yīng)性動量估計(Adaptive moment estimation, Adam)算法[12]來更好的優(yōu)化隱藏層神經(jīng)網(wǎng)絡(luò)。Adam算法工作時會對網(wǎng)格參數(shù)進行初始化,并且設(shè)置相對應(yīng)的步長,將數(shù)據(jù)分批次輸入到隱藏層中,經(jīng)過誤差反向傳播和迭代不斷修正權(quán)重w和偏移量b。在網(wǎng)絡(luò)進行訓(xùn)練時需要設(shè)置基礎(chǔ)學(xué)習(xí)速率、最大迭代次數(shù)和梯度下降閾值。

在模式識別這種多類分類問題研究中,會存在梯度消散的問題,因此采用交叉熵函數(shù)來作為解決這個問題的損失函數(shù)。根據(jù)模式識別優(yōu)化的目標(biāo),設(shè)置相應(yīng)的損失函數(shù)如式(15)所示

(15)

式中:ti表示真實值,yi表示求出的Softmax值。

5 實驗與結(jié)果分析

5.1 實驗設(shè)置

在模型實現(xiàn)上,本文選擇Keras深度學(xué)習(xí)框架庫,在Python3.6開發(fā)環(huán)境下完成模型搭建和訓(xùn)練,編輯器采用Visual Studio Code。

文章以高層住宅大樓為研究對象,提取一周7:00-19:00時間段內(nèi)的電梯交通信息,共12小時,采集周期為5min。同時,為每個數(shù)據(jù)樣本打上標(biāo)簽用于分類,標(biāo)簽分為四種客流模式類型。將一天的客流折算成數(shù)據(jù)點共144個,實驗中按照4:1的比例劃分數(shù)據(jù)集,將前80%的數(shù)據(jù)用來訓(xùn)練預(yù)測模型,剩余20%作為測試數(shù)據(jù)。交通客流曲線圖如圖6所示。

圖6 交通客流曲線圖

5.2 實驗結(jié)果與分析

本文設(shè)計三組實驗,分別從不同角度對比本文所提模型與其它模型間的差異。

1)算法收斂性

在深度學(xué)習(xí)中,算法的性能如何能通過損失函數(shù)的收斂情況判斷。因此,在算法性能方面的評估,需要觀察模型損失函數(shù)的變化情況,以此評估其算法收斂性。在本實驗中,模型損失函數(shù)的變化結(jié)果如圖7所示。

圖7 損失函數(shù)變化

通過觀察圖3-9中損失函數(shù)值變化曲線可以看出,在訓(xùn)練前期損失函數(shù)值較高。隨著訓(xùn)練進行,曲線快速下降。從200步開始,曲線慢慢趨于平穩(wěn),并在400步后趨于平穩(wěn),最終達到收斂。因此可以認為,本文提出LSTM識別模型具有良好的收斂性。

2)模式識別誤差對比

為了對比驗證本文提出模型的效果,選取了3個經(jīng)典模式識別方法進行對比:

①自回歸差分移動平均模型(Autoregressive Integrated Moving Model,ARIMA)[13];②多元線性回歸(Multiple Linear Regression,MLR)[14];③支持向量機(Support Vector Machine,SVM)[15];評價指標(biāo)為RMSE和MAE,實驗結(jié)果如表1所示。

表1 各模型的識別誤差對比

從表3-1中總結(jié)出兩個結(jié)論。首先本文建立的LSTM識別模型明顯優(yōu)于ARIMA、MLR以及SVM模型。在RMSE指標(biāo)上,較各個對比模型,本文所提模型分別得到了24.5%、13.6%、6.3%的效果提升。此外,在MAE指標(biāo)上,較各個對比模型,本文所提模型分別得到了35.3%、20.7%、17.5%的效果提升。這些結(jié)果表明本文模型具備的長期記憶的能力很好地挖掘了各變量之間的非線性關(guān)系,從而準確地做出識別。

3)交通流模式識別結(jié)果分析

通過與理論分析的實際客流模式進行比較,得到如下圖所示的各個客流模式識別結(jié)果,如圖8-11所示。

在圖8為上行交通模式識別結(jié)果圖,在高層住宅小區(qū)內(nèi),上行高峰主要發(fā)生在5、6點放學(xué)以及下班時間段,另外在11點左右也會出現(xiàn)強度較小的上行高峰,此時需要以提升業(yè)主乘梯體驗為主,將電梯提前?？炕鶎?圖9為下行交通模式識別結(jié)果圖,下行高峰主要發(fā)生在8點左右的上學(xué)以及上班時間段和下午4點30分左右時間段,此時也需要以減少業(yè)主的候梯時間與乘梯時間,可以將電梯?？吭谥虚g樓層和頂層以便調(diào)度;可以看出在上行和下行兩個模式下識別準確度較高;圖10為隨機層間交通模式識別結(jié)果圖,在這種模式下,均勻分配電梯,兩部停靠基站,另外兩部?？恐虚g站和頂層站,以便更快相應(yīng)召梯信號;圖11為空閑模式識別結(jié)果圖,這種模式多發(fā)生在半夜12點之后到七點上班之前,人流較為稀少,此時可以將部分電梯投入使用以減少能耗,在這兩種交通模式下,識別交通模式與實際的交通模式稍有誤差,但影響不大,識別效果也較好。

圖8 上行高峰模式識別結(jié)果

圖9 下行高峰模式識別結(jié)果

圖10 隨機層間交通模式識別結(jié)果

圖11 空閑交通模式識別結(jié)果

6 總結(jié)

文章通過對住宅客流特性詳細分析,引入深度學(xué)習(xí)方法,搭建基于LSTM的高層住宅電梯群客流模式識別模型。模型通過 LSTM 提取特征值,學(xué)習(xí)時間序列中的長期依賴關(guān)系,并通過Softmax進行分類,同時使用Adam算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)。通過實驗發(fā)現(xiàn),相較于一些經(jīng)典的模式識別模型,本文所提模型能夠更加準確有效的辨識各種交通模式。