基于貝葉斯網絡控制算法的智能電梯探討

吳旖珺，胡毅威

(1.湖北機場集團有限公司，湖北 武漢 430302；2.湖北國際物流機場有限公司，湖北 鄂州 436000 )

1 引言

“碳中和”時代的到來，自然環境的惡化和自然資源的消耗迫使人們追求“可持續”的生活方式。隨著物聯網、大數據時代、智能電網和智能建筑等智能技術的應用，將會促進人類在保護自然環境方面的進步。聯合國組織研究表明，到2050年有68%的世界人口將生活在城市地區。這表明，提高多層建筑的可持續性可能對環境問題會產生積極的影響。20世紀80年代初智能建筑的概念首次提出，目前也在學術界和許多其他領域得到了廣泛的普及。關于智能建筑有很多不同的定義，然而，這些定義中的大多數都有一個共同的理念，即智能建筑應該通過綜合技術的利用，為居住者提供可持續、安全、有效且靈活的環境系統。如今，典型的智能建筑解決方案能夠實現建筑物的供暖、通風、空調、照明、火警、安保監控和電梯系統的自動控制。電梯系統的有效運行是一項具有挑戰性而又值得研究的任務，因此電梯系統的有效運行引起了學術界的廣泛關注。

自1852年伊萊沙·格雷夫斯·奧的斯發明電梯以來，電梯技術經歷了巨大的進步。與早期的電梯相比，現代電梯更舒適、更安全，速度更快，消耗的能源更少。然而，由于控制系統運行不佳，大多數傳統的客運電梯無法充分處理繁忙的人流應對不同乘客的需求。IBM公司在美國16個城市進行的一項研究表明，辦公室職員在等待電梯或困在電梯里的時間相當長。很明顯，傳統的電梯控制方法必須被重塑，以應對大型城市不斷增長的人口基數。

在大多數現代建筑中，很少看到一部電梯轎廂服務于整棟樓，而是設計有多部電梯背靠背工作，以便及時轉運連續的人流。當多部電梯被放置在一組時，將采用電梯群控(EGC)算法控制電梯的運行。EGC算法是以最小化某一單元為目標控制每臺電梯，最常見的是能源消耗和乘客等待時間或移動時間。傳統的EGC算法是基于條件邏輯的，即根據電梯轎廂位置和乘客呼叫來進行電梯調度。更先進的傳統EGC算法能夠根據不同模式改變電梯調度策略。例如，在辦公大樓里，工作日早上的客流往往很緊張，因為大多數辦公室工作人員都在同一時間上班。在這種情況下，電梯轎廂的調度可能更注重將人們從大廳移動到他們的辦公室樓層，而不是在樓層間的移動。另一個智能EGC系統，即所謂的目的地控制(DC)系統，根據目的地對乘客進行分組。乘客在大廳使用專門的電子系統登記目的地樓層，一旦登記樓層，系統將顯示分配給乘客的電梯轎廂號。有研究表明，配備了DC系統的現代商用電梯可平均節約30%的到達時間。

然而，雖然現有的最先進的EGC系統具有顯著提高電梯系統運行效率的功能，但它們的主要弱點在于無法處理由不可預測的客流量造成的不確定性。如今，這些不確定性對電梯系統運行效率的負面影響則可以通過使用人工智能(AI)算法來緩解。

2 電梯人工智能技術

最早將AI算法引入EGC系統的方法之一是提出一個由模糊邏輯控制的EGC系統。該算法根據日常運行過程中記錄的統計信息來判斷流量模式。與傳統的EGC系統算法進行比較，結果表明該算法相比平均等到呼叫電梯的時間提高了35%～40%。雖然有點類似，但文獻[3]提出了一種基于模糊BP神經網絡和自尋優地圖算法的電梯模式交通識別方法。該算法利用模糊BP神經網絡對現有交通流進行分析，從而檢測出交通模式。結果表明，交通模式識別可極大地提高EGC系統策略的有效性。

目前，工程師們將大多數工作主要集中在電梯群控算法的改進方面，如耗電量或乘客滿意度、以及電梯調度優化等。在文獻[4]中，作者提出了基于光學攝像機的乘客檢測與跟蹤的EGC系統算法。該算法的主要目標是最小化乘客等待時間和電梯耗電量。該算法采用基于Haar-like類特征的乘客檢測，利用卡爾曼濾波實現乘客運動跟蹤。在文獻[5]中，作者提出了一個以電梯系統能效為核心的決策模型。該模型利用貝葉斯網絡實現電梯的有效調度。測試結果表明，該框架與傳統EGC系統相比，能耗明顯降低。在文獻[6]中，作者提出了電梯調度問題(EDP)的混合整數線性規劃(MILP)公式，該公式明確表述了操作規程。在文獻[7]中，作者將他們的研究擴大到在集體控制(CC)規則下運行的目標控制(DC)電梯系統。在文獻[8]中，作者提出了一種考慮交通流隨機性的面向節能的再生式電梯調度優化策略，該模型實現了考慮交通流模式的單目標優化，作者認為，每個樓層等待電梯的乘客數量是不確定性的主要來源。在文獻[9]中，作者試圖開發一個統一即時呼叫和延遲呼叫分配系統的模型，以改進電梯調度。前者在乘客發出呼叫后立即分配呼叫，后者在電梯準備為乘客服務之前分配呼叫。

隨著智能化可視系統的發展，在現有的智能電梯解決方案中，可視化輔助系統是最有前景的研究方向之一。在文獻[10]中，作者提出了一種基于攝像頭的電梯節能EGC算法。在一般信息(電梯轎廂位置、移動方向等)的基礎上，本文提出的EGC算法考慮了各樓層等待電梯的乘客規模數量，對電梯轎廂進行節能調度。研究結果表明，該算法在低峰流量下可節約20%的能量。文獻[11]中也提出了一些類似的方法。

然而，在本文中，主要目標是通過利用走廊攝像頭的信息最小化乘客等待時間。利用基于區域的神經網絡系統對采集到的數據進行分析，并將其傳輸到傳統的電梯控制系統中進行電梯調度。

本文是對文獻[12]的擴展，專注于基于視覺目標識別和貝葉斯網絡理論的智能電梯控制算法。

3 電梯控制邏輯建模

該控制邏輯算法應用于傳統的集中控制策略之上，其中電梯控制算法讓電梯朝一個方向移動。它只會停下來接同方向的人。當該方向的所有請求都被耗盡時，電梯將向另一個方向運行或停留在空閑狀態，以防再有電梯呼叫。本文提到的電梯控制算法，是根據等待電梯的乘客規模數量多少向電梯系統發送指令。這些信息可通過安裝在大廳、走廊和電梯門前的數碼攝像機獲取，并通過圖像處理系統進行實時處理。關于數據采集和圖像處理系統的討論超出了本文提到的范圍；因此，本節只著重討論用于控制電梯轎廂的貝葉斯分類模型即構造BN結構和參數。

由于貝葉斯推斷是需要根據新的證據更新變量的概率分布。在本文中，假設每30 s進行一次分組大小的測量，并將該信息隨機地發送到集中控制系統中。該算法以呼叫過程中乘客群體規模數量、等待時間和電梯轎廂位置為變量，優化電梯調度。調度優先級的參數可以根據用戶的喜好進行調整；即用戶可以對等待時間變量賦予更高的優先級，從而減少總體乘客等待時間，但代價是較高的耗電量。圖1描述了所提算法的向上方向的圖形模型。向下的模型與向上的模型相似，但BN結構有所不同。

圖1 向上方向的圖形模型

乘客群體規模數量這一變量決定了等待電梯的人數。分組大小數據的分類必須根據電梯轎廂的大小來進行。例如，對于一般的電梯轎廂的大小可做如下劃分：0名乘客—無(N)，1 - 2名乘—中(M)，3名或更多的乘客—大(H)。這些劃分可以基于用戶偏好和電梯的大小進行改變，然而重要的是，過多的分組類別可能會導致計算時間增加，而對電梯調度的整體性能幾乎沒有影響。由于不同乘客的隨機移動，乘客數量的多少可能會有所不同(產生不確定性)。在某些情況下，人們可能只是經過電梯時被攝像機拍到，或者等了幾分鐘后決定走樓梯，同時有些不確定性可能是由于光線的偏差或路過的行人所導致的。在更新每組大小節點的邊際概率時，必須考慮這些實例。因此，用該節點處于某些狀態的概率來表示不同組別的大小節點是很重要的。

然后，利用模糊規則計算各節點的CPT值。(Fi指建筑物的樓層，i為樓層編號，n為建筑物的總樓層數)向上方向的模糊規則概述如下：

(1)如果F1處于H狀態，忽略其他樓層，去F1。

(2)如果F1處于狀態M和狀態H，除了F(n-1)外．如果有幾層樓處于狀態H，則為每一層樓分配相同的優先級。

(3)如果F1處于狀態N然后需要去的樓層處于狀態M或者H。如果有幾個樓層處于狀態M或狀態H，則為每一個樓層分配相同的優先級。

(4)如果所有樓層都處于狀態N到F1。

(5)如果Fi處于狀態H且忽略其他樓層數量而去Fi，除非如果F1處于狀態H，則為每一個樓層分配相同的優先級。

由于本文只研究向上的方向，故Fn沒有規則。向下的方向也有類似的規則。

除了樓層狀態，該算法還考慮了其他因素，如電梯轎廂與呼叫者的距離以及呼叫者等待電梯的時間。電梯轎廂首先送達到哪里，最終結果很大程度上取決于這些變量。安裝在大廳、走廊和電梯門前的攝像頭每30 s向圖像處理算法發送圖像。圖像處理算法確定人數和他們的等待時間，并將這一信息報告給控制單元。與群體規模變量類似，等待時間變量是根據概率設置的，以解釋人們在電梯門前的隨機移動(等待時間與呼叫優先級在本文中不再贅述)。

4 結論與討論

電梯控制策略的成功實施，如本文描述的算法，將需要考慮現有的電梯控制的實際狀態，兩者是密不可分的。為了正確地調整電梯控制算法，各個信息的整合也是至關重要的。根據圖像采集和處理系統提供的模糊規則和數據，對控制系統進行調整，使其產生控制動作。

為了實現該算法，首先利用貝葉斯定理構建了BN模型。隨機選取第2節中35+個場景進行分析，以便用證據數據更新網絡。其次，評估算法所做出的決策，并調整BN變量的概率分布，以獲得更好的決策。經過對數調整后，算法與黃金決策的相似度可達94%。

(1)算法的優點是：①清晰簡單的圖形數據處理模型；②具有不確定性的信息也可以被包括進來并被充分調查；③決策策略可以根據用戶的喜好進行調整；④決策規則沒有硬編碼到算法中，因此可以調整或修改；⑤實施新的電梯控制規則只需要重新分配各種變量的條件概率或改變模型的拓撲。

(2)算法的缺點是：①為了確定對最終決策有很大影響的變量，必須進行敏感性分析；②算法的實施者要對電梯控制和調度及一般的BN和概率推理有全面的了解。

(3)與所提算法的實現有關的重要方面有：①模糊規則的推導是與現場專家協調進行的；②利用變量去模糊化和三階段算法調整，將模糊規則轉換為數值；③影響實用節點的節點數量保持在非常低的水平。

綜上所述，未來算法工程師更多的工作是將專注于擴展該算法，開發基于BN的EGC算法，來用于有多個電梯的大型辦公樓，以實現搭乘智能電梯效率的提升和樓宇智能化。