一种基于深度学习的智能调度方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113682908A(43)申请公布日2021.11.23(21)申请号202111012494.1(22)申请日2021.08.31(71)申请人电子科技大学地址611731四川省成都市高新区（西区）西源大道2006号(72)发明人段贵多张栗粽田玲解修蕊罗光春杨雨沛(74)专利代理机构成都希盛知识产权代理有限公司51226代理人陈泽斌李培茂(51)Int.Cl.B66B1/24(2006.01)B66B1/34(2006.01)B66B5/00(2006.01)权利要求书2页说明书7页附图3页(54)发明名称一种基于深度学习的智能调度方法(57)摘要本发明涉及调度控制技术，其公开了一种能够提高乘客乘梯体验，且具有较好灵活性和适应性的一种基于深度学习的智能调度方法。该方法包括以下步骤：S1、乘客通过所在楼层的预约面板进行乘梯预约，生成呼梯请求发送给电梯控制模块；S2、电梯控制模块获取收到呼梯请求时所有电梯的状态数据，并连同呼梯请求一并发送给算法调度模块；S3、算法调度模块采用训练好的电梯调度模型作为调度算法，以呼梯请求和所有电梯的状态数据为输入，生成派梯决策；S4、算法调度模块将派梯决策反馈给预约面板和电梯控制模块。本发明适用于目的层预约型电梯群调度。CN113682908ACN113682908A权利要求书1/2页1.一种基于深度学习的智能调度方法，应用于包括预约面板、电梯控制模块和算法调度模块的目的层预约型电梯群控调度系统，其特征在于，该方法包括以下步骤：S1、乘客通过所在楼层的预约面板进行乘梯预约，生成呼梯请求发送给电梯控制模块；S2、电梯控制模块获取收到呼梯请求时所有电梯的状态数据，并连同呼梯请求一并发送给算法调度模块；S3、算法调度模块采用训练好的电梯调度模型作为调度算法，以呼梯请求和所有电梯的状态数据为输入，生成派梯决策；S4、算法调度模块将派梯决策反馈给预约面板和电梯控制模块。2.如权利要求1所述的一种基于深度学习的智能调度方法，其特征在于，步骤S1中，所述进行乘梯预约的方式包括：输入目的楼层和预约乘梯人数，若未输入预约乘梯人数，则默认预约乘梯人数为1人；所述呼梯请求中包括呼梯楼层、预约乘梯人数和目的楼层。3.如权利要求1所述的一种基于深度学习的智能调度方法，其特征在于，步骤S2中，所述电梯的状态数据包括：当前电梯所在楼层、运行状态以及已有任务。4.如权利要求1所述的一种基于深度学习的智能调度方法，其特征在于，步骤S4中，所述算法调度模块将派梯决策反馈给预约面板和电梯控制模块具体包括：算法调度模块将派梯决策反馈给预约面板进行展示，供乘梯人前往相应电梯前等待乘梯；并且，算法调度模块将派梯决策反馈给电梯控制模块，供电梯控制模块根据所述派梯决策向相应电梯的任务列表中添加乘梯任务。5.如权利要求4所述的一种基于深度学习的智能调度方法，其特征在于，所述电梯的任务列表的行数＝楼层数，列数＝4；其中，任务列表的前两列分别用于描述电梯运行方向向上的乘客进电梯任务、出电梯任务；任务列表的后两列分别用于描述电梯运行方向向下的乘客进电梯任务、出电梯任务；任务列表的各行用于描述对应楼层在列属性上的取值。6.如权利要求1、2、3、4或5所述的一种基于深度学习的智能调度方法，其特征在于，所述电梯调度模型的训练方法包括：a.构建样本集：采集在一段时间内与调度系统所应用楼宇属性相同的其它楼宇的实际客流数据；根据采集的实际客流数据利用仿真系统进行仿真，获得为每个呼梯请求对应的乘梯任务分配的最优电梯并进行标注；所述实际客流数据包括：呼梯时间、呼梯时预约乘梯人数、呼梯楼层和目的楼层；b.将呼梯请求信息和电梯状态信息进行整合，并转换为矩阵图像，作为卷积神经网络的输入，计算输出，并与呼梯请求对应的乘梯任务的标签进行损失函数计算，然后通过反向传播更新卷积神经网络的权值，不断迭代直至网络收敛，获得电梯调度模型。7.如权利要求6所述的一种基于深度学习的智能调度方法，其特征在于，步骤b中，将呼梯请求信息和电梯状态信息进行整合，并转换为矩阵图像，具体包括：b1、根据楼层数、电梯群中的电梯数、电梯载荷人数确定矩阵图像大小，并进行初始化；b2、根据呼梯请求中的呼梯楼层和目的楼层，确定电梯执行此乘梯任务的运行方向，并对矩阵图像的最后一列相应位进行赋值；b3、根据电梯群中的各个电梯的状态信息对矩阵图像中的其余列的相应位进行赋值。2CN113682908A权利要求书2/2页8.如权利要求7所述的一种基于深度学习的智能调度方法，其特征在于，步骤b1中，矩阵图像的行数＝max{楼层数,电梯载荷人数}+1；矩阵图像的列数＝4*电梯数+1；其中，每4列数据用于描述一台电梯的状态信息，包括：每4列数据中的第