摘 要：為縮短電梯故障困人事件處置時(shí)間，故研究融合電梯故障原因預(yù)判、救援單位自動(dòng)推薦與救援站點(diǎn)選址優(yōu)化布置的應(yīng)急處置智能引導(dǎo)方法。歸集電梯檢驗(yàn)/維保/監(jiān)管/應(yīng)急等多源業(yè)務(wù)數(shù)據(jù)，通過(guò)建立多種詞嵌入模型實(shí)現(xiàn)歷史故障文本數(shù)據(jù)向量化，提出基于注意力機(jī)制與Bi-LSTM模型的故障文本聚類算法獲取電梯故障標(biāo)簽，利用Boosting集成學(xué)習(xí)算法構(gòu)建電梯故障原因預(yù)測(cè)分類模型；建立基于距離、品牌、維保星級(jí)、歷史響應(yīng)時(shí)間等的救援單位能力多維度評(píng)價(jià)指標(biāo)體系及任務(wù)推薦方法，提出基于多輪Meanshift聚類的電梯網(wǎng)格救援站點(diǎn)選址優(yōu)化算法。該方法能快速準(zhǔn)確地預(yù)測(cè)電梯故障原因（Top-3準(zhǔn)確率達(dá)到86.1%），實(shí)現(xiàn)最優(yōu)救援單位推薦和站點(diǎn)維修救援壓力均衡，能夠縮短故障困人事件的處理時(shí)間，提高電梯救援效率。文中提出的電梯應(yīng)急處置大數(shù)據(jù)智能引導(dǎo)方法，對(duì)于提高電梯困人故障救援能力具有重要意義。

關(guān)鍵詞：電梯；物聯(lián)網(wǎng)；大數(shù)據(jù)分析；應(yīng)急處置；智能引導(dǎo)；任務(wù)分派；故障預(yù)判；站點(diǎn)優(yōu)化

中圖分類號(hào)：TP391.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2025）06-0-06

DOI：10.16667/j.issn.2095-1302.2025.06.022

0 引 言

根據(jù)各市縣的電梯數(shù)量、維保單位和交通狀況等因素，全國(guó)各地的電梯96333應(yīng)急處置平臺(tái)一般會(huì)在各市縣設(shè)立N個(gè)電梯網(wǎng)格救援站點(diǎn)[1]，當(dāng)收到電梯故障救援請(qǐng)求后，平臺(tái)首先選擇該電梯對(duì)應(yīng)的維保公司，如果簽約維保公司不響應(yīng)，則派選距離最近的救援站點(diǎn)進(jìn)行救援，但是這樣的任務(wù)分派方式存在以下問(wèn)題：距離最近的救援站點(diǎn)可能對(duì)困人電梯品牌、特征、環(huán)境不熟悉，現(xiàn)場(chǎng)排查電梯故障時(shí)間長(zhǎng)，救援效率低，甚至由于操作不當(dāng)造成次生事故；在住宅區(qū)、商業(yè)區(qū)和偏遠(yuǎn)市郊承載的電梯和人流量壓力并不相同，就近分派導(dǎo)致任務(wù)分配不均，同時(shí)不合理的網(wǎng)格救援站點(diǎn)分布也會(huì)浪費(fèi)平臺(tái)的救援資源，出現(xiàn)人員閑置、利用率不高等問(wèn)題。

在電梯故障應(yīng)急救援研究方面，文獻(xiàn)[2]研發(fā)了面向任務(wù)型對(duì)話的電梯應(yīng)急處置智能應(yīng)答系統(tǒng)，對(duì)電梯被困人員進(jìn)行語(yǔ)音引導(dǎo)和語(yǔ)音安撫，并通過(guò)云平臺(tái)與救援中心進(jìn)行交互及共享數(shù)據(jù)，實(shí)現(xiàn)應(yīng)急處置救援的高效性和準(zhǔn)確性。文獻(xiàn)[3]通過(guò)小波包分解對(duì)電梯轎廂振動(dòng)信號(hào)進(jìn)行特征參數(shù)提取，再結(jié)合BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論進(jìn)行故障診斷。文獻(xiàn)[4]提出了基于深度學(xué)習(xí)算法的通用多層感知器神經(jīng)網(wǎng)絡(luò)模型，通過(guò)電梯時(shí)間序列數(shù)提取的深度特征進(jìn)行故障檢測(cè)。文獻(xiàn)[5-6]對(duì)南京市電梯應(yīng)急處置平臺(tái)積累的數(shù)據(jù)進(jìn)行了深入分析和挖掘，采用GBDT（Gradient Boosting Decision Tree）算法對(duì)電梯故障原因進(jìn)行實(shí)時(shí)預(yù)測(cè)。文獻(xiàn)[7]提出了一種基于機(jī)器學(xué)習(xí)的電梯門故障診斷方法，通過(guò)圖像處理提取電梯門間動(dòng)態(tài)距離隨時(shí)間變化的信號(hào)，測(cè)量電梯門間變化的距離，從噪聲信號(hào)數(shù)據(jù)中提取出梯形曲線進(jìn)行建模，采用k近鄰分類器、支持向量機(jī)和二叉分類樹(shù)三種分類器動(dòng)態(tài)識(shí)別電梯門故障。文獻(xiàn)[8]提取了能夠反映電梯不同運(yùn)行狀態(tài)的振動(dòng)信息，通過(guò)基于小波包的多閾值去噪方法對(duì)信號(hào)進(jìn)行預(yù)處理，并通過(guò)特征信息提取進(jìn)行故障預(yù)測(cè)。目前，國(guó)內(nèi)外關(guān)于電梯應(yīng)急處置與故障原因預(yù)測(cè)的研究較少，主要利用電梯振動(dòng)等運(yùn)行信號(hào)對(duì)電梯是否會(huì)發(fā)生故障進(jìn)行預(yù)測(cè)，當(dāng)電梯發(fā)生故障后其運(yùn)行信號(hào)可能很難獲取，存在實(shí)時(shí)故障診斷困難及故障點(diǎn)定位準(zhǔn)確率低等缺點(diǎn)。

因此，本文研究了電梯故障數(shù)據(jù)集文本聚類及故障原因預(yù)測(cè)方法，通過(guò)多維度多指標(biāo)綜合考量各維保單位的救援能力，進(jìn)行救援派遣任務(wù)的自動(dòng)最優(yōu)推薦；通過(guò)設(shè)計(jì)合理的站點(diǎn)分布評(píng)價(jià)指標(biāo)和大數(shù)據(jù)聚類分析，尋求站點(diǎn)負(fù)載更加均衡的站點(diǎn)分布解決方案，實(shí)現(xiàn)電梯應(yīng)急處置智能引導(dǎo)，促進(jìn)平臺(tái)救援資源科學(xué)配置和高效利用，幫助救援人員縮短電梯故障處理時(shí)間，進(jìn)一步提升平臺(tái)應(yīng)急處置能力，減少乘客的生命財(cái)產(chǎn)損失。

1 電梯應(yīng)急處置智能引導(dǎo)關(guān)鍵技術(shù)

1.1 電梯多源數(shù)據(jù)歸集與數(shù)據(jù)庫(kù)構(gòu)建

本文研究采用的數(shù)據(jù)包括電梯基礎(chǔ)數(shù)據(jù)、檢驗(yàn)數(shù)據(jù)、救援?dāng)?shù)據(jù)、統(tǒng)計(jì)數(shù)據(jù)、維保數(shù)據(jù)、安全監(jiān)察系統(tǒng)數(shù)據(jù)、電梯二級(jí)網(wǎng)格救援單位及站點(diǎn)數(shù)據(jù)等，基礎(chǔ)數(shù)據(jù)包括電梯身份標(biāo)識(shí)、基本信息、技術(shù)參數(shù)等，救援?dāng)?shù)據(jù)包括96333平臺(tái)接到的各類報(bào)警及處理情況，其中比較關(guān)鍵的字段有救援單位、救援響應(yīng)時(shí)間、到場(chǎng)時(shí)間、救出時(shí)間、故障原因等。電梯統(tǒng)計(jì)數(shù)據(jù)包括電梯96333年報(bào)、電梯質(zhì)量安全報(bào)告等，包含電梯數(shù)量情況、電梯品牌及維保單位情況分析、電梯應(yīng)急處置情況、電梯困人救援分析等信息。

采用Sqoop工具、FTP（File Transfer Protocol）、Flume工具、網(wǎng)絡(luò)爬蟲(chóng)等技術(shù)對(duì)上述多源數(shù)據(jù)進(jìn)行歸集，對(duì)基礎(chǔ)數(shù)據(jù)中電梯所在縣區(qū)和經(jīng)緯度缺失數(shù)據(jù)，利用高德地圖提供的Web Service API進(jìn)行補(bǔ)全，對(duì)于電梯所在地區(qū)、類型、歸屬公司等同一屬性的屬性值用多個(gè)值進(jìn)行表示的情況進(jìn)行屬性值統(tǒng)一。針對(duì)電梯故障預(yù)判、救援站點(diǎn)推薦、選址優(yōu)化等任務(wù)，建立以電梯96333編號(hào)為鍵的JSON格式數(shù)據(jù)庫(kù)，包括后續(xù)算法模型可直接調(diào)用的電梯故障文本數(shù)據(jù)、救援調(diào)度問(wèn)題的數(shù)據(jù)、選址優(yōu)化問(wèn)題的電梯位置數(shù)據(jù)等。

1.2 電梯故障原因預(yù)測(cè)分類算法

電梯故障原因預(yù)測(cè)算法流程如圖1所示。從電梯數(shù)據(jù)庫(kù)中抽取電梯歷史故障數(shù)據(jù)集，利用Skip-Gram模型、CBOW模型、Glove詞向量等多種詞嵌入模型進(jìn)行故障文本數(shù)據(jù)向量化，構(gòu)建Bi-LSTM和注意力機(jī)制模型，提取出詞向量中的詞特征[9]，獲取輸入故障文本序列的上、下文信息以提高模型準(zhǔn)確率，計(jì)算詞向量與詞向量、句子向量與句子向量、詞向量與句子向量的相似度，并進(jìn)行加權(quán)獲得其最終的相似度。根據(jù)相似度度量，采用K-means算法[10-12]對(duì)電梯歷史故障數(shù)據(jù)集進(jìn)行聚類，相同的故障描述聚為一類，將聚類簇作為電梯故障標(biāo)簽；然后將故障電梯數(shù)據(jù)的基本信息轉(zhuǎn)化為one hot向量或歸一化，將歷史故障信息等通過(guò)歸一化或log函數(shù)處理添加到特征中。利用得到的特征以及標(biāo)注信息構(gòu)建訓(xùn)練集和測(cè)試集，通過(guò)Boosting集成學(xué)習(xí)的方式構(gòu)建訓(xùn)練電梯故障原因預(yù)測(cè)分類模型。當(dāng)電梯發(fā)生困人故障時(shí)，根據(jù)故障電梯數(shù)據(jù)的基本信息以及該電梯歷史故障信息，提取相應(yīng)的特征輸入該模型，實(shí)時(shí)預(yù)測(cè)導(dǎo)致該電梯故障的原因，快速準(zhǔn)確定位故障區(qū)域。

1.3 應(yīng)急處置任務(wù)自動(dòng)分配推薦方法

自動(dòng)推薦算法分為數(shù)據(jù)預(yù)處理、指標(biāo)計(jì)算、結(jié)果推薦三個(gè)模塊，構(gòu)建基于距離、品牌、維保星級(jí)、歷史響應(yīng)時(shí)間等的救援單位能力多維度評(píng)價(jià)指標(biāo)體系，提出基于二部圖結(jié)構(gòu)的推薦算法，實(shí)現(xiàn)對(duì)故障電梯的最優(yōu)救援單位推薦。

指標(biāo)計(jì)算模塊根據(jù)維保電梯的經(jīng)緯度與維修救援站點(diǎn)的經(jīng)緯度，計(jì)算兩地之間的歐氏距離。根據(jù)維保星級(jí)變化數(shù)據(jù)，計(jì)算當(dāng)前各救援站點(diǎn)的維保星級(jí)得分。根據(jù)歷史數(shù)據(jù)中每次維修響應(yīng)單位到達(dá)現(xiàn)場(chǎng)總耗時(shí)與救援總耗時(shí)之和，計(jì)算出每個(gè)維保單位的歷史響應(yīng)時(shí)長(zhǎng)數(shù)據(jù)及平均值，作為響應(yīng)時(shí)間的指標(biāo)得分。采用詞頻-逆文本頻率指數(shù)加權(quán)方法（Term Frequency-Inverse Document Frequency， TF-IDF）衡量維保單位對(duì)于特定品牌電梯的維修專業(yè)程度以及不可替代性，某品牌的電梯在維保單位中的重要性隨著它在歷史記錄中出現(xiàn)的次數(shù)呈線性增加，并隨著它在所有維保單位中出現(xiàn)的頻率呈線性下降，根據(jù)公式（1）和公式（2）分別計(jì)算各個(gè)維保單位的TF值與該品牌的IDF值，相乘得到TF-IDF重要性指標(biāo)：

式中：i代表電梯品牌；j代表維保單位；D代表維保單位數(shù)量；d代表維保單位歷史記錄。

結(jié)果推薦模塊輸入為電梯經(jīng)緯度以及電梯品牌，輸出為維保單位或網(wǎng)格救援站點(diǎn)名稱。建立基于二部圖結(jié)構(gòu)的推薦算法，如圖2所示。自動(dòng)推薦系統(tǒng)包含m個(gè)電梯和n個(gè)維修站點(diǎn)，因此二部圖有m+n個(gè)節(jié)點(diǎn)，二部圖邊的權(quán)重為維修站點(diǎn)對(duì)于電梯的得分，來(lái)自于救援能力評(píng)價(jià)指標(biāo)計(jì)算的加權(quán)平均結(jié)果，得分為0的邊在圖中不顯示。

資源分配有兩個(gè)階段，首先由維修站點(diǎn)到電梯，然后回到維修站點(diǎn)。由此，維修站點(diǎn)p到維修站點(diǎn)q的資源分配權(quán)重wpq可以表示為：

式中：r表示權(quán)重分；k（iq）表示維修站點(diǎn)q的度；k（ul）表示電梯l的度。

得到資源分配矩陣后，對(duì)電梯重新分配資源，用式（4）計(jì)算維修站點(diǎn)的新資源：

最后按照綜合推薦得分從高到低排序，得到最終的自動(dòng)推薦結(jié)果。

1.4 基于多輪Meanshift聚類的救援站點(diǎn)優(yōu)化算法

對(duì)于電梯救援的全局效率而言，站點(diǎn)的合理分布至關(guān)重要。為了能夠進(jìn)一步提升電梯困人應(yīng)急處置能力，針對(duì)已有電梯分布和電梯的故障次數(shù)信息，研究救援站點(diǎn)優(yōu)化算法，基于多輪含接受和拒絕的Meanshift[13-14]電梯聚類，運(yùn)用基于故障質(zhì)心計(jì)算的方式計(jì)算出每類電梯的最終維修救援站點(diǎn)物理位置，算法流程如圖3所示，包括混合高斯模型GMM去噪、動(dòng)態(tài)半徑列表計(jì)算、聚類接受分?jǐn)?shù)評(píng)估、剩余樣本處理、故障質(zhì)心計(jì)算等步驟。

（1）混合高斯模型GMM去噪處理

由于原始數(shù)據(jù)集X中存在較多噪聲，利用混合高斯模型GMM對(duì)整個(gè)數(shù)據(jù)集進(jìn)行去噪處理，設(shè)置閾值來(lái)過(guò)濾掉比較偏遠(yuǎn)、分散的低密度噪聲樣本，消除低密度電梯群對(duì)于最終站點(diǎn)覆蓋結(jié)果的影響。

（2）動(dòng)態(tài)半徑列表計(jì)算

對(duì)數(shù)據(jù)集X進(jìn)行預(yù)處理后，通過(guò)最密集區(qū)域的Meanshift類內(nèi)樣本數(shù)與最稀疏區(qū)域的類內(nèi)樣本數(shù)近似，得到最小和最大鄰域半徑rmin和rmax，如式（6）～式（8）所示，然后使用rmax作為初始值，通過(guò)重復(fù)乘以比例因子α（0lt;αlt;1）來(lái)生成與多輪 Meanshift 相對(duì)應(yīng)的增量鄰域半徑列表，直到它小于或等于rmin，再使用這個(gè)半徑列表中的所有半徑，自小到大地對(duì)樣本進(jìn)行聚類。（3）聚類接受分?jǐn)?shù)評(píng)估

對(duì)于鄰域半徑固定的單輪Meanshift聚類結(jié)果中的類c，假設(shè)其對(duì)應(yīng)的樣本集為Xc，可以基于類內(nèi)樣本數(shù)計(jì)算單類分?jǐn)?shù)來(lái)評(píng)估是否接受單類的聚類結(jié)果，計(jì)算如下：

如果Scorec較大，說(shuō)明類內(nèi)樣本數(shù)與標(biāo)準(zhǔn)數(shù)不同，該類樣本將被送入下一輪Meanshift聚類。否則，將其作為Z的一個(gè)元素，作為最終聚類結(jié)果之一：

式中：λ（λ≥0）表示單類分?jǐn)?shù)數(shù)量的接受閾值，當(dāng)λ較小時(shí)，會(huì)導(dǎo)致最終聚類較少，未分類樣本較多；當(dāng)λ足夠大時(shí)，算法最終會(huì)退化為原始的Meanshift，即用rmin進(jìn)行單輪Meanshift聚類。

（4）剩余樣本處理

對(duì)于多輪Meanshift聚類結(jié)束時(shí)仍未分類的樣本，記為集合XR，將它們分配給從類中心到樣本的距離不超過(guò)距離rmax的類。如果多個(gè)類同時(shí)滿足這個(gè)條件，則將每個(gè)剩余樣本xR∈XR分配給最符合聚類接受分?jǐn)?shù)標(biāo)準(zhǔn)的類，具體計(jì)算如下：

式中：Z表示在前多輪Meanshift中設(shè)置的可接受的聚類中心；XZ是對(duì)應(yīng)于某個(gè)已經(jīng)被接受的聚類中心z的所有樣本的集合。至此，完成對(duì)于所有樣本點(diǎn)的聚類，即每部電梯都分配給了對(duì)應(yīng)的救援站點(diǎn)。

（5）故障質(zhì)心計(jì)算

經(jīng)過(guò)多輪Meanshift聚類后，得到每部電梯和其對(duì)應(yīng)的救援站點(diǎn)位置，根據(jù)單個(gè)電梯的故障次數(shù)x與公式（14）計(jì)算出對(duì)應(yīng)的故障密度（權(quán)值weight）：

對(duì)于同一類中的電梯，計(jì)算所有電梯坐標(biāo)的帶權(quán)均值，用故障質(zhì)心作為本電梯類的救援站點(diǎn)選址位置，該算法流程如圖4所示。

2 實(shí)驗(yàn)與結(jié)果

2.1 電梯故障原因預(yù)判及救援單位自動(dòng)推薦實(shí)驗(yàn)

從電梯數(shù)據(jù)庫(kù)中抽取某市2014年1月至2020年12月的電梯歷史故障數(shù)據(jù)集，通過(guò)電梯故障文本聚類算法，得到12個(gè)故障類別，標(biāo)簽和具體頻次如圖5所示，可以發(fā)現(xiàn)，故障數(shù)量具有一定的周期性，每年二月故障數(shù)量驟減，然后逐月上升，7月、8月以及11月、12月故障較多（可能是天氣炎熱潮濕或寒冷導(dǎo)致）。但是有的故障的周期性不明顯或數(shù)據(jù)缺失嚴(yán)重（如故障2、8、10），可能是因?yàn)椴煌娜藛T記錄的故障原因主觀因素較多導(dǎo)致。

對(duì)于上述電梯歷史故障數(shù)據(jù)集，使用12個(gè)故障類別作為標(biāo)簽，通過(guò)Boosting集成學(xué)習(xí)的方式進(jìn)行訓(xùn)練，同時(shí)在迭代過(guò)程中設(shè)置early stopping的方式防止過(guò)擬合，結(jié)果顯示迭代75次時(shí)訓(xùn)練結(jié)果達(dá)到最優(yōu)，模型在測(cè)試集上top-1準(zhǔn)確率達(dá)到66.2%，top-3準(zhǔn)確率（預(yù)測(cè)最有可能的3類故障原因）達(dá)到86.1%，實(shí)現(xiàn)了基于歷史電梯故障記錄，在新電梯故障發(fā)生時(shí)對(duì)故障原因進(jìn)行預(yù)判，當(dāng)推薦top-k個(gè)預(yù)測(cè)結(jié)果時(shí)，正確結(jié)果的覆蓋率可以達(dá)到設(shè)定的要求。

選擇某臺(tái)真實(shí)電梯進(jìn)行救援單位推薦算法實(shí)驗(yàn)，輸入電梯經(jīng)緯度（經(jīng)度118.8°，緯度32°）以及電梯品牌（上海東芝電梯有限公司），輸出為維保單位或維修救援站點(diǎn)名稱。首先，使用電梯與維保單位的歐氏距離作為召回指標(biāo)，先初篩出若干個(gè)距離最近的5個(gè)維保單位作為后續(xù)推薦的候選集，根據(jù)品牌、維保星級(jí)、響應(yīng)時(shí)間和近期響應(yīng)四個(gè)指標(biāo)，進(jìn)行歸一化處理（0～5分）和排序，得到各個(gè)單一維度下的推薦結(jié)果，以江蘇粵立電梯安裝工程有限公司和日立電梯（中國(guó)）有限公司江蘇分公司為例，用Python pyecharts文件包中的雷達(dá)圖對(duì)其指標(biāo)結(jié)果進(jìn)行可視化處理，如圖6所示。將各個(gè)維度下的指標(biāo)得分進(jìn)行加權(quán)平均（各維度權(quán)值為0.2），計(jì)算出綜合推薦得分，產(chǎn)生推薦列表，見(jiàn)表1。從表1中可以看出，得分最高的救援單位為江蘇粵立電梯安裝工程有限公司，分值為3.128 6；得分第二高的為日立電梯（中國(guó)）有限公司江蘇分公司，分值為2.783 3。因此，最終的自動(dòng)推薦結(jié)果為江蘇粵立電梯安裝工程有限公司。通過(guò)表1和圖7可知，利用該方法可以為故障電梯分配最合理的救援單位，并可查看相關(guān)救援單位的各項(xiàng)指標(biāo)分，推薦算法有很好的可解釋性。

2.2 救援站點(diǎn)選址優(yōu)化仿真實(shí)驗(yàn)

在電梯應(yīng)急處置過(guò)程中，需要根據(jù)不同的維修人員到場(chǎng)時(shí)間來(lái)對(duì)維修站點(diǎn)的救援有效范圍進(jìn)行進(jìn)一步確定。下面結(jié)合實(shí)際地圖給出當(dāng)救援時(shí)間分別為7、10、15 min時(shí)，MRM算法在同一數(shù)據(jù)集上的表現(xiàn)，如圖7（a）～圖7（c）所示，圖7中，點(diǎn)表示電梯的分布，三角形表示救援站點(diǎn)的選址位置；對(duì)于抵達(dá)搶修現(xiàn)場(chǎng)時(shí)間限定在15 min內(nèi)的場(chǎng)景中，標(biāo)明了每個(gè)救援站點(diǎn)負(fù)責(zé)的電梯范圍，如圖7（d）所示，可以看出本文算法擁有較強(qiáng)的抗敏感性。

另外，圖8（b）給出了10 min場(chǎng)景下各個(gè)站點(diǎn)的電梯負(fù)載，以此和圖8（a）初始救援站點(diǎn)分布的電梯不均衡負(fù)載進(jìn)行對(duì)比，進(jìn)一步展現(xiàn)了MRM算法對(duì)于站點(diǎn)壓力的公平性和有效性。

3 結(jié) 語(yǔ)

（1）在電梯應(yīng)急處置平臺(tái)基礎(chǔ)上，為進(jìn)一步提高電梯故障困人救援效率，提出基于電梯故障原因預(yù)判、救援單位自動(dòng)推薦與站點(diǎn)選址優(yōu)化布置的應(yīng)急處置智能引導(dǎo)方法，實(shí)現(xiàn)對(duì)故障電梯的救援單位推薦，以及對(duì)電梯故障原因的預(yù)判，減少故障困人事件的處理時(shí)間，提高救援效率，保障被困人員的生命財(cái)產(chǎn)安全，同時(shí)降低人力成本，為各物業(yè)公司減少人員被困超過(guò)30 min以上造成的賠償損失。

（2）研究基于協(xié)同訓(xùn)練的電梯故障文本聚類方法，構(gòu)建了注意力機(jī)制與Bi-LSTM模型分別提取文本數(shù)據(jù)的句子信息和關(guān)鍵詞信息，利用多層相似加權(quán)計(jì)算電梯故障文本相似度，根據(jù)相似度度量從歷史故障描述的文本數(shù)據(jù)進(jìn)行聚類得到故障標(biāo)簽；基于具有可類比性的電梯故障數(shù)據(jù)集，構(gòu)建基于Boosting集成學(xué)習(xí)的電梯故障預(yù)測(cè)分類模型，實(shí)時(shí)預(yù)測(cè)導(dǎo)致電梯發(fā)生故障的原因，通過(guò)電梯應(yīng)急處置平臺(tái)告知救援人員，救援人員可以根據(jù)預(yù)測(cè)結(jié)果有針對(duì)性地處理電梯故障，加快解救被困人員。

（3）對(duì)于救援單位自動(dòng)推薦問(wèn)題，將多個(gè)維度下的指標(biāo)得分進(jìn)行加權(quán)平均，計(jì)算出綜合推薦得分，得到最終的自動(dòng)推薦結(jié)果；針對(duì)電梯網(wǎng)絡(luò)救援站點(diǎn)的選址優(yōu)化問(wèn)題，提出多輪Meanshift聚類算法優(yōu)化救援站點(diǎn)的位置，實(shí)現(xiàn)每個(gè)站點(diǎn)的維修救援壓力均衡和救援資源的最優(yōu)利用，進(jìn)一步提高平臺(tái)的電梯應(yīng)急處置能力，后續(xù)可進(jìn)一步研究面對(duì)電梯數(shù)量的逐年增長(zhǎng)，新增的救援站點(diǎn)如何優(yōu)化配置等問(wèn)題。

注：本文通訊作者為曹宏偉。

參考文獻(xiàn)

[1]宿愛(ài)香，車剛，李嫄.面向新型智慧城市的電梯智慧應(yīng)急處置一體化平臺(tái)構(gòu)建方案[J].特種設(shè)備安全技術(shù)，2022（1）：47-48.

[2]張海燕.面向任務(wù)型對(duì)話的電梯應(yīng)急處置智能應(yīng)答系統(tǒng)研發(fā)[D].銀川：北方民族大學(xué)，2021.

[3]趙裕峰.神經(jīng)網(wǎng)絡(luò)和D-S理論在電梯故障診斷中的應(yīng)用[J].微處理機(jī)，2018，39（4）：51-55.

[4] MISHRA K M， HUHTAL A K J. Fault detection of elevator systems using multilayer perceptron neural network [C]// 2019 24th IEEE International Conference on Emerging Technologies and Factory Automation （ETFA）. [S.l.]： IEEE， 2019.

[5]慶光蔚，劉肖凡.基于機(jī)器學(xué)習(xí)的城市電梯困人故障原因預(yù)測(cè)方法研究[J]. 物聯(lián)網(wǎng)技術(shù)，2022，12 （10）： 55-58.

[6]張慎如，王爽，王會(huì)方，等. 電梯應(yīng)急處置與安全監(jiān)管大數(shù)據(jù)分析決策技術(shù)研究[J]. 機(jī)電工程技術(shù)，2019，48（5）：125-128.

[7] HSU C Y， QIAO Y， WANG C， et al. Machine learning modeling for failure detection of elevator doors by three-dimensional video monitoring [J]. IEEE access， 2020（8）： 211595-211609.

[8] JIANG X， NAMOKEL M， HU C， et al. Research on elevator fault information extraction and prediction diagnosis [Z]. 2021.

[9]馮月春， 陳惠娟. 改進(jìn)Bi-LSTM的文本相似度計(jì)算方法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2022， 43 （5）： 1397-1403.

[10] BRZEZI?SKA N A， HORY? C. Outliers in rules-the comparision of LOF， COF and KMEANS algorithms [J]. Procedia computer science， 2020， 176： 1420-1429.

[11]劉洪基. 基于混沌PSO的大數(shù)據(jù)智能加權(quán)K均值聚類算法[J]. 計(jì)算機(jī)應(yīng)用與軟件，2022，39（4）：311-319.

[12] GHADIRI M， SAMADI S， VEMPALA S. Socially fair k-means clustering [C]// FAccT'21： 2021 ACM Conference on Fairness， Accountability， and Transparency. [S.l.]： ACM， 2021.

[13] CHEN Q Q， HE L J， DIAO Y N， et al. A novel neighborhood granular meanshift clustering algorithm [J]. Mathematics， 2022， 11 （1）： 207-207.

[14]趙宇紅， 張曉楠. 基于超圖和K-means改進(jìn)的異質(zhì)網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)算法[J]. 計(jì)算機(jī)應(yīng)用與軟件，2021，38（10）：290-296.

作者簡(jiǎn)介：周前飛，博士，正高級(jí)工程師，主要從事電梯物聯(lián)網(wǎng)與大數(shù)據(jù)分析技術(shù)研究工作。

曹宏偉，碩士，高級(jí)工程師，主要從事特種設(shè)備風(fēng)險(xiǎn)監(jiān)測(cè)技術(shù)研究工作。

慶光蔚，博士，正高級(jí)工程師，主要從事電梯大數(shù)據(jù)分析與智慧應(yīng)急處置技術(shù)研究工作。

馮月貴，碩士，正高級(jí)工程師，主要從事電梯物聯(lián)網(wǎng)與大數(shù)據(jù)分析技術(shù)研究工作。

王會(huì)方，博士，正高級(jí)工程師，主要從事電梯物聯(lián)網(wǎng)與應(yīng)急處置技術(shù)研究工作。

李 歌，碩士，工程師，主要從事特種設(shè)備風(fēng)險(xiǎn)監(jiān)測(cè)技術(shù)研究工作。

收稿日期：2024-04-02 修回日期：2024-05-10

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃資助（2022YFF0607405）