一種有效的交通流預(yù)測法在城市電梯中的應(yīng)用

常玲　郭莉莉

摘 要：一種好的電梯群控系統(tǒng)交通流預(yù)測方法，能夠為電梯群控調(diào)度算法的進(jìn)一步研究提供依據(jù)，實(shí)現(xiàn)電梯的優(yōu)化調(diào)度。該文針對電梯系統(tǒng)的交通流問題，提出了將小波與基于徑向基（RBF）函數(shù)的神經(jīng)網(wǎng)絡(luò)相結(jié)合的小波神經(jīng)網(wǎng)絡(luò)（WNN）預(yù)測方法，對現(xiàn)有電梯系統(tǒng)交通流進(jìn)行預(yù)測，并通過仿真研究，驗證該方法的可行性和有效性，為電梯群控系統(tǒng)的調(diào)度奠定了基礎(chǔ)。

關(guān)鍵詞：電梯群控系統(tǒng) 交通流預(yù)測 神經(jīng)網(wǎng)絡(luò)預(yù)測 小波神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP311.13 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2015）04（c）-0055-01

電梯群控系統(tǒng)是在建筑物內(nèi)控制3部或3部以上電梯，并實(shí)現(xiàn)優(yōu)化調(diào)度，從而有效地運(yùn)送乘客、改善服務(wù)質(zhì)量的控制系統(tǒng)。高效的電梯群控系統(tǒng)需要合理地安排與分配梯群對呼梯信號的響應(yīng)，準(zhǔn)確的交通流量預(yù)測是決定實(shí)時動態(tài)交通分配的重要因素，交通流量預(yù)測結(jié)果的好壞直接關(guān)系到交通控制與調(diào)度的效果。然而，在同一時間內(nèi)，交通流狀況并不是只符合一種交通模式的特征，幾種交通模式共存是電梯群控系統(tǒng)交通流的一大特點(diǎn)。只有對電梯群控系統(tǒng)交通流進(jìn)行準(zhǔn)確的識別，才能更好的為乘客服務(wù)。由于電梯群控系統(tǒng)本身存在的具有多目標(biāo)性、不確定性、非線性、擾動性和信息的不完備性等特點(diǎn)，導(dǎo)致電梯控制系統(tǒng)變得十分龐大，僅僅通過傳統(tǒng)的控制方法很難提高電梯群控系統(tǒng)的性能。因此，需要對電梯群控系統(tǒng)交通流進(jìn)行預(yù)測和研究，從而提高設(shè)備的運(yùn)行效率，節(jié)約能源。

在電梯交通流預(yù)測算法的研究中，主要有神經(jīng)網(wǎng)絡(luò)、指數(shù)平滑等方法。神經(jīng)網(wǎng)絡(luò)與模糊邏輯的結(jié)合使用在交通預(yù)測上取得了一定的進(jìn)展，由于神經(jīng)網(wǎng)絡(luò)自身結(jié)構(gòu)難以確定、參數(shù)訓(xùn)練復(fù)雜等特點(diǎn)導(dǎo)致其在預(yù)測控制上存在不足，因此，該文針對電梯系統(tǒng)的交通流問題，提出了將小波與基于徑向基（RBF）函數(shù)的神經(jīng)網(wǎng)絡(luò)相結(jié)合的小波神經(jīng)網(wǎng)絡(luò)（WNN）預(yù)測方法，對現(xiàn)有電梯系統(tǒng)交通流進(jìn)行預(yù)測。

1 基于小波神經(jīng)網(wǎng)絡(luò)的電梯交通流預(yù)測

本文針對某辦公樓的工作日（周一到周五）的交通流量的分析，采用時間序列預(yù)測方法對電梯交通流進(jìn)行預(yù)測。根據(jù)序列{x（t）}的歷史觀測值x（t-1），x（t-2），……，x（t-m）建立預(yù)測模型，對未來t+1時刻的客流值進(jìn)行預(yù)測。采用基于小波框架的函數(shù)與神經(jīng)網(wǎng)絡(luò)嵌套式結(jié)合的方法進(jìn)行交通流預(yù)測。該模型采用3層的小波神經(jīng)網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層。輸入層節(jié)點(diǎn)為全通節(jié)點(diǎn)，其個數(shù)設(shè)為n；隱含層節(jié)點(diǎn)數(shù)設(shè)為；輸出層個數(shù)為1。此時網(wǎng)絡(luò)的輸出函數(shù)為：

根據(jù)小波基函數(shù)特點(diǎn)，在該預(yù)測模型中選用Mexican Hat（mexh）小波基函數(shù)代替?zhèn)鹘y(tǒng)的徑向基函數(shù)。此時，小波的伸縮、平移因子的最優(yōu)設(shè)置為，。

本文采用梯度下降法確定小波神經(jīng)網(wǎng)絡(luò)權(quán)值。利用誤差能量函數(shù)進(jìn)行優(yōu)化。根據(jù)結(jié)構(gòu)風(fēng)險最小化原則，確定輸入層節(jié)點(diǎn)數(shù)為7，利用歷史數(shù)據(jù)中的學(xué)習(xí)樣本對模型進(jìn)行學(xué)習(xí)訓(xùn)練，確定隱含層節(jié)點(diǎn)數(shù)為14，則該網(wǎng)絡(luò)模型為7—14—1。

經(jīng)過網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練之后，即得到圖1所示優(yōu)化后的小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型。，，表示預(yù)測當(dāng)天時刻、時刻和時刻的交通流數(shù)值；，P表示前1天至4天時刻的交通流歷史數(shù)值，系數(shù)49表示每個工作日數(shù)據(jù)采集的次數(shù)（每個工作日能交通流計時間為7：00～19：00，數(shù)據(jù)采集周期為15min），y表示得到的預(yù)測值。

2 仿真分析

模型建立好后對其進(jìn)行訓(xùn)練，訓(xùn)練后的模型才有可能滿足實(shí)際應(yīng)用的需要，設(shè)定訓(xùn)練目標(biāo)為0.01，訓(xùn)練次數(shù)為1000次。在經(jīng)過155次訓(xùn)練之后，模型的目標(biāo)誤差達(dá)到要求。

然后對訓(xùn)練好的預(yù)測模型進(jìn)行測試，使用該模型對一天中7：00～19：00時段內(nèi)的電梯交通流數(shù)據(jù)進(jìn)行預(yù)測，得出預(yù)測誤差，如圖2所示?？梢?，模型的預(yù)測值和實(shí)際值之間的誤差比較小，除了在開始階段，出現(xiàn)了相對較大的誤差之外，其余的誤差都在0左右，即使是最大的誤差也只有0.08，這完全滿足應(yīng)用要求。

考慮到電梯交通流新的變化趨勢和歷史信息，以15 min作為時間段對記錄到的交通流數(shù)據(jù)進(jìn)行統(tǒng)計，將歷史數(shù)據(jù)和預(yù)測當(dāng)天的數(shù)據(jù)同時輸入小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型中。通過比較能發(fā)現(xiàn)，一天中總客流量的變化比較大，呈現(xiàn)多峰特性，上班時間的上高峰、午間的上高峰和下高峰以及下班時間的下高峰等交通流狀況，小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型基本上可以跟隨實(shí)際的變化，預(yù)測能力較強(qiáng)，對于交通流轉(zhuǎn)折點(diǎn)的預(yù)測基本準(zhǔn)確。

3 結(jié)語

通過對電梯交通流進(jìn)行預(yù)測，電梯管理系統(tǒng)能夠明確了解電梯運(yùn)行情況，為調(diào)度決策提供依據(jù)，合理地安排與調(diào)度梯群對呼梯信號的響應(yīng)，盡量減少電梯停靠的次數(shù)，實(shí)現(xiàn)節(jié)約能源的目的。新算法綜合了小波分析與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法的優(yōu)點(diǎn)，能較好地滿足電梯交通流預(yù)測的要求。

參考文獻(xiàn)

[1] 國萍，朱明富.多目標(biāo)的電梯群控系統(tǒng)算法分析[J].自動化技術(shù)與應(yīng)用，2005，24（3）：6.

[2] 楊禎山，邵誠，馬海豐.電梯群控系統(tǒng)交通需求的迭代學(xué)習(xí)預(yù)測方法[J].控制與決策，2008（23）：302-303.

[3] 任俊玲，郭軍.基于小波理論的神經(jīng)網(wǎng)絡(luò)模型構(gòu)造[J].電腦開發(fā)與應(yīng)用，2004 （8）：19-21

[4] 王全鳳，鄭浩.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的高層建筑結(jié)構(gòu)選型[J].四川建筑科學(xué)研究，2010（5）.

[5] 項桂萍.群控電梯交通流預(yù)測與調(diào)度策略研究[D].南京：南京理工大學(xué)，2012.