利用机器学习的电梯系统管理的制作方法

本文中公开的主题一般涉及电梯系统，并且更特别地，涉及利用机器学习的电梯系统管理。

背景技术：

当潜在电梯乘客按压在电梯门厅中的物理呼叫按钮时，电梯系统中的电梯轿厢通常响应电梯呼叫。利用控制逻辑，电梯系统中的电梯轿厢被按路线发送到潜在乘客。潜在乘客具有登上发送到潜在乘客的电梯轿厢或者等待不同电梯轿厢的选项。影响登上电梯轿厢或者等待另一电梯轿厢的潜在乘客决定的一些因素包含电梯轿厢的占位程度。一些个体更喜欢搭乘存在更少人的电梯轿厢，而一些个体不介意装满的电梯轿厢。此外，潜在乘客可具有与他或她在一起的另外的同事或朋友，这将影响该团体将登上电梯轿厢还是将等待下一电梯轿厢。

技术实现要素：

根据一个实施例，提供了一种电梯系统。该电梯系统包含：电梯轿厢；与电梯轿厢关联的多个传感器，其中所述多个传感器配置成收集来自与电梯轿厢关联的一个或多个预定义的区域的传感器数据；耦合到存储器的控制器，该控制器配置成接收对电梯轿厢的呼叫请求。接收来自所述多个传感器的传感器数据。基于由机器学习模型生成的包括从传感器数据提取的多个特征的特征向量，确定电梯轿厢中的占位程度，并且至少部分基于占位程度来操作电梯轿厢。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，电梯系统的进一步实施例可包含从接收用户输入的大厅呼叫装置接收呼叫请求。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，电梯系统的进一步实施例可包含从用户装置接收呼叫请求。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，电梯系统的进一步实施例可包含：至少部分基于占位程度来操作电梯轿厢包括：比较占位程度和占位阈值，并且基于占位程度高于占位阈值的确定，拒绝对于电梯轿厢的呼叫请求。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，电梯系统的进一步实施例可包含：至少部分基于占位程度来操作电梯轿厢包括：比较占位程度和占位阈值，并且基于占位程度低于占位阈值的确定，服务于对于电梯轿厢的呼叫请求。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，电梯系统的进一步实施例可包含：一个或多个预定义的楼层区域至少之一包括与用于电梯轿厢的入口通道相邻的区域。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，电梯系统的进一步实施例可包含控制器进一步配置成利用机器学习模型分析传感器数据以确定与呼叫请求关联的电梯门厅的门厅占位程度。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，电梯系统的进一步实施例可包含：控制器进一步配置成至少部分基于门厅占位程度来生成占位阈值，并且基于占位程度高于占位阈值的确定，拒绝对于电梯轿厢的呼叫请求。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，电梯系统的进一步实施例可包含：所述多个传感器包括重量传感器和摄像机至少之一。

根据一个实施例，提供了一种方法。方法包含由处理器接收对电梯系统中电梯轿厢的呼叫请求。接收来自与电梯轿厢关联的多个传感器的传感器数据，其中所述多个传感器配置成收集来自与电梯轿厢关联的一个或多个预定义的区域的传感器数据。基于由机器学习模型生成的包括从传感器数据提取的多个特征的特征向量，确定电梯轿厢中的占位程度，并且由处理器至少部分基于占位程度来操作电梯轿厢。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，方法的进一步实施例可包含从接收用户输入的大厅呼叫装置接收呼叫请求。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，方法的进一步实施例可包含从用户装置接收呼叫请求。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，方法的进一步实施例可包含：至少部分基于占位程度来操作电梯轿厢包括：比较占位程度和占位阈值，并且基于占位程度高于占位阈值的确定，拒绝对于电梯轿厢的呼叫请求。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，方法的进一步实施例可包含：至少部分基于占位程度来操作电梯轿厢包括：比较占位程度和占位阈值，并且基于占位程度低于占位阈值的确定，服务于对于电梯轿厢的呼叫请求。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，方法的进一步实施例可包含一个或多个预定义的楼层区域至少之一包括与用于电梯轿厢的入口通道相邻的区域。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，方法的进一步实施例可包含利用机器学习模型分析传感器数据以确定与呼叫请求关联的电梯门厅的门厅占位程度。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，方法的进一步实施例可包含至少部分基于门厅占位程度，生成占位阈值，并且基于占位程度高于占位阈值的确定，拒绝对于电梯轿厢的呼叫请求。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，方法的进一步实施例可包含基于占位程度低于占位阈值的确定，服务于对于电梯轿厢的呼叫请求。

除上面描述的特征中的一个或多个特征外，或者作为备选方案，方法的进一步实施例可包含：所述多个传感器包括重量传感器和摄像机至少之一。

附图说明

本公开通过示例图示并且不被限制于附图中，附图中相似参考标号指示类似元件。

图1是可采用本公开的各种实施例的电梯系统的示意图示；

图2描绘了供在实现本公开的一个或多个实施例中使用的计算机系统的框图；

图3描绘了根据本公开的一个或多个实施例，用于管理电梯系统的系统的框图；以及

图4描绘了根据本公开的一个或多个实施例，用于管理电梯系统的方法的流程图。

具体实施方式

如在本文中示出和描述的，将呈现本公开的各种特征。各种实施例可以具有相同或相似的特征，并因此，相同或相似的特征可以用相同的参考标号来标注，但在其之前加上指示该特征被示向的图的不同的第一编号。因此，例如，图x中所示出的元件“a”可以被标注为“xa”，并且图z中的相似特征可以被标注为“za”。虽然相似的参考编号可以在一般意义上来使用，但是将会描述各种实施例，并且各种特征可以包括如本领域技术人员将意识到的、不论是明确描述的还是本领域技术人员将以其他方式意识到的改变、变更、修改等等。

图1是电梯系统101的透视图，电梯系统101包括电梯轿厢103、配重105、挂绳107、导轨109、机器111、位置编码器113和控制器115。电梯轿厢103和配重105通过挂绳107彼此连接。挂绳107可以包括或配置为例如绳、钢缆和/或涂层钢带。配重105配置成平衡电梯轿厢103的负载，并且配置成促进电梯轿厢103在电梯井117内并且沿着导轨109相对于配重105同时地并且在相反方向上移动。

挂绳107接合机器111，机器111是电梯系统101的头顶结构的一部分。机器111配置成控制电梯轿厢103与配重105之间的移动。位置编码器113可以被装配在调速器系统119的上部滑轮上，并且可以配置成提供与电梯轿厢103在电梯井117内的位置相关的位置信号。在其它实施例中，位置编码器113可以被直接装配到机器111的移动组件，或可以位于如在本领域中已知的其它位置和/或配置中。

如所示出的，控制器115位于电梯井117的控制器室121中，并且配置成控制电梯系统101的操作，并且具体来说，控制电梯轿厢103的操作。例如，控制器115可以将驱动信号提供给机器111，以控制电梯轿厢103的加速、减速、置平、停止等等。控制器115还可以配置成从位置编码器113接收位置信号。当沿着导轨109在电梯井117内向上或向下移动时，电梯轿厢103可以按照控制器115控制的那样停止在一个或多个层站125处。虽然在控制器室121中示出控制器115，但本领域技术人员将意识到，控制器115能够位于和/或配置在电梯系统101内的其它位点或位置中。

机器111可以包括马达或相似的驱动机构。根据本公开的实施例，机器111配置成包括电驱动式马达。用于马达的电力供给可以是包括电网的任何电源，其与其它组件组合供应给马达。

虽然用挂绳系统示出和描述，但采用使电梯轿厢在电梯井内移动的其它方法和机构的电梯系统，诸如液压电梯和/或无绳电梯，可以采用本公开的实施例。图1仅仅是出于说明性和解释性目的而呈现的非限制性示例。

参考图2，示出用于实现本文中的教导的处理系统200的实施例。在此实施例中，系统200具有一个或多个中央处理单元（处理器）21a、21b、21c等等（统称为或一般称为（一个或多个）处理器21）。在一个或多个实施例中，每个处理器21可以包括精简指令集计算机（risc）微处理器。处理器21经由系统总线33耦合到系统存储器34（ram）和各种其它组件。只读存储器（rom）22耦合到系统总线33，并且可以包括对系统200的某些基本功能进行控制的基本输入/输出系统（bios）。

图2进一步描绘耦合到系统总线33的输入/输出（i/o）适配器27和网络适配器26。i/o适配器27可以是与硬盘23和/或磁带存储驱动器25通信的小型计算机系统接口（scsi）适配器或任何其它相似的组件。i/o适配器27、硬盘23以及磁带存储装置25在本文中统称为海量存储设备24。用于在处理系统200上执行的操作系统40可以存储在海量存储设备24中。网络通信适配器26将总线33与外部网络36互连，使数据处理系统200能够与其它此类系统通信。屏幕（例如，显示监测器）35通过显示器适配器32连接到系统总线33，显示器适配器32可以包括视频控制器和用以改进图形密集应用的性能的图形适配器。在一个实施例中，适配器27、26和32可以连接到一个或多个i/o总线，所述一个或多个i/o总线经由中间总线桥（未示出）连接到系统总线33。用于连接诸如硬盘控制器、网络适配器和图形适配器之类的外围装置的适合的i/o总线通常包括公共协议，诸如外围组件互连（pci）。额外的输入/输出装置被示为经由用户接口适配器28和显示器适配器32连接到系统总线33。键盘29、鼠标30以及扬声器31全部经由用户接口适配器28互连到总线33，用户接口适配器28可以包括例如将多个装置适配器集成到单个集成电路中的超级i/o芯片。

在示范性实施例中，处理系统200包括图形处理单元41。图形处理单元41是专用电子电路，其设计成操纵并且变更存储器，以使帧缓冲器中意在输出到显示器的图像的生成加速。一般而言，图形处理单元41在操纵计算机图形及图像处理方面是非常高效的，并且具有使其针对其中并行进行大块数据的处理的算法相比通用cpu更有效的高度并行结构。本文中所描述的处理系统200仅仅是示范性的，而并非意在限制能够以本领域中已知的各种形式体现的本公开的应用、使用和/或技术范围。

因此，如在图2中配置的那样，系统200包括：采取处理器21的形式的处理能力、包括系统存储器34和海量存储设备24的存储能力、诸如键盘29和鼠标30之类的输入部件以及包括扬声器31和显示器35的输出能力。在一个实施例中，海量存储设备24和系统存储器34的一部分共同地存储协调图2中所示的各种组件的功能的操作系统。图2仅仅是出于说明性和解释性目的而呈现的非限制性示例。

现在转到与本公开的方面更明确相关的技术的概述，在电梯轿厢已经满载乘客时，电梯系统通常冒着风险部署电梯轿厢到建筑的特定楼层。通常，电梯轿厢将基于确定电梯轿厢将服务于哪些楼层的电梯控制器逻辑来服务于大厅呼叫请求。遗憾的是，电梯占位能够促使在电梯门厅等待的潜在乘客等待更长时间，因为乘客或乘客群将由于过度占位而在电梯轿厢内无法容纳。在此情况发生时，潜在乘客将需要等待装满的电梯轿厢门关闭并且继续移动后来提交对电梯轿厢的另一大厅呼叫请求。部署、停止、重新部署电梯系统中的电梯轿厢能够由于另外的大厅呼叫而造成功率消耗的增大和磨损。除电梯系统的功率消耗的增大外，这些另外的大厅呼叫还能够导致增大行进时间和建筑中所有乘客的乘客等待

现在转到本公开的方面的概述，一个或多个实施例通过提供一种用于利用机器学习技术来识别满占位的电梯轿厢的系统，来解决现有技术的上述缺点，正如下文更详细描述的。一旦电梯轿厢被识别已经被满占位，则对该电梯轿厢的任何大厅呼叫能够被放弃。此外，低于满占位的任何电梯轿厢能够服务于大厅呼叫。

现在转到本公开的方面的更详细描述，图3描绘了根据一个或多个实施例，用于管理电梯呼叫请求的系统300。系统300包含电梯控制器302、电梯轿厢304、乘客占位引擎310和网络320。乘客占位引擎310能够与被固定到或者在电梯轿厢304附近的一个或多个传感器314进行电子通信。乘客占位引擎310或者直接地或者如在图示的示例中所示出的通过网络320与控制器302进行电子通信。

在本发明的实施例中，引擎310也能够被实现为所谓的分类器（在下文更详细地被描述）。在一个或多个实施例中，本文中描述的引擎/分类器（310）的特征能够在图2中示出的处理系统200上被实现，或者能够在神经网络（未示出）上被实现。在实施例中，引擎/分类器310的特征能够通过配置和布置处理系统200执行机器学习（ml）算法被实现。一般地，ml算法实际上从接收的数据（例如到引擎310的输入（传感器数据））提取特征以便“分类”接收的数据。适合分类器的示例包含但不限于神经网络（在下文更详细地被描述）、支持向量机（svm）、逻辑回归、判定树、隐马尔科夫模型（hmm）等。分类器的操作，即“分类”的最终结果是预测用于数据的类。ml算法将机器学习技术应用到接收的数据以便随着时间的过去创建/训练/更新独特的“模型”。引擎/分类器310执行的学习或训练能够是有监督的学习、无监督的学习或者是包含有监督的学习和无监督的学习的方面的混合体。有监督的学习是在训练数据已经可用并且被分类/标记时。无监督的学习是在训练数据未被分类/标记，因此必须通过分类器的迭代被开发时。无监督的学习能够利用另外的学习/训练方法，包含例如群集、异常检测、神经网络、深度学习及诸如此类。

在其中引擎/分类器310被实现为神经网络的实施例中，电阻开关装置（rsd）能够被用作在前神经元与后神经元之间的连接（突触），因此表示以装置电阻形式的连接权重。神经形态系统是互连的处理器元件，其充当模拟“神经元”并且以电子信号的形式在彼此之间交换“消息”。类似于在生物神经元之间携带消息的所谓的突触神经递质连接的“可塑性”，在诸如神经网络的神经形态系统中的连接在模拟神经元之间携带电子消息，其被提供有对应于给定连接的优点或弱点的数字权重。权重能够基于经验来被调整和调谐，使神经形态系统适应输入并且有能力进行学习。例如，用于手写识别的神经形态/神经网络由输入神经元的集合定义，输入神经元能够由输入图像的像素激活。在通过由网络的设计者确定的函数被加权和变换后，这些输入神经元的激活随后被传递到经常被称为“隐藏”神经元的其它下游神经元。此过程被重复进行，直至输出神经元被激活。因此，激活的输出神经元确定（或者“学习”）哪个字符被读取。多个前神经元和后神经元能够通过rsd的阵列被连接，该阵列自然表达完全连接的神经网络。在这里的描述中，归于系统300的任何功能性能够使用处理系统200来实现。

在一个或多个实施例中，控制器302和传感器314能够在图2中发现的处理系统200上被实现。另外，在实施例中，云计算系统能够与系统300的一个或所有元件进行有线或无线电子通信。云能够补充、支持或替换系统300的元件的一些或所有功能性。另外，系统300的元件的一些或所有功能性能够被实现为云的节点。云计算节点只是适合的云计算节点的一个示例，并且无意于暗示对关于本文中描述的实施例的使用或功能性的范围的任何限制。

在一个或多个实施例中，系统300基于从传感器314收集的传感器数据，管理电梯轿厢304的操作。传感器314能够被固定到电梯轿厢304、部署在电梯轿厢304内、固定到电梯轿厢304外的一个或多个位置、和/或定位在电梯门厅或其它预定义的区域中。传感器314能够是用于收集与电梯乘客的占位检测关联的传感器数据的任何类型的传感器。在一个或多个实施例中，传感器314能够是传感器的任何组合，所述传感器包含但不限于图像感测硬件（例如，全景摄像机）、重量检测传感器或多普勒效应传感器。此外，在图示的示例中，仅一个传感器存在于电梯轿厢上，但任何数量的传感器能够被布置在电梯轿厢上或在电梯轿厢附近以监视乘客区域的乘客存在。

在一个或多个实施例中，乘客占位引擎310能够利用机器学习技术，识别电梯轿厢304中的占位。在电梯呼叫请求被接收时，乘客占位引擎310能够确定被调度的电梯轿厢的占位程度。占位阈值能够利用机器学习来被定义或者由电梯技术人员或大楼管理者定义。基于确定电梯轿厢304占位程度超过占位阈值，系统300能够拒绝对被占位的电梯轿厢的电梯呼叫请求。系统300能够调度不同的电梯轿厢(如果可用的话)来履行呼叫请求。在一个或多个实施例中，如果用于电梯轿厢304的占位程度低于占位阈值，则系统能够通过电梯轿厢304满足呼叫请求。

在一个或多个实施例中，机器学习模型能够由乘客占位引擎310训练和调谐以便确定电梯轿厢304的占位程度。来自电梯轿厢304内部或者附连到电梯轿厢304的重量传感器的数据能够确定重量增大并且利用有监督的/无监督的学习技术将重量增大与占位程度关联。摄像机能够验证从重量传感器数据分析产生的占位程度来验证占位程度。特征向量能够由机器学习模型通过从与传感器314关联的传感器数据提取特征来创建。特征能够包含重量范围、重量改变、摄像机图像、摄像机图像随时间的改变及诸如此类。根据一个或多个实施例，这些特征能够被向量化，并且群集算法能够被利用以产生用于电梯轿厢304的占位程度。深度学习能够被利用来确定电梯乘客占位。深度学习能够深入地通过分析电梯轿厢304内部的传感器314（例如，摄像机）所捕捉的图像，更有效地发现轿厢的占位。

在一个或多个实施例中，系统300能够确定用于操作电梯轿厢304的占位阈值。占位阈值能够基于在等待电梯轿厢的潜在乘客的数量。例如，如果四个乘客在电梯门厅中等待电梯轿厢304，则占位阈值能够被设置成对于四个乘客所需的占位的预期量。预期量能够基于需要的占位的百分比或任何其它估计技术。电梯门厅的占位程度能够通过在门厅区域中的摄像机或者关于用于确定占位的任何其它感测技术来确定。

在一个或多个实施例中，占位阈值能够基于请求电梯呼叫的乘客的预期等待时间来调整。例如，如果占位阈值被设置在例如80%，并且潜在乘客对于下一可用电梯轿厢将需要等待某个量的时间，则占位阈值能够被增大到85%，例如以允许该乘客登上电梯轿厢304来避免过长等待时间。此等待时间阈值能够由建筑管理者、技术人员设置，和/或由机器学习算法设置。

在一个或多个实施例中，能够利用机器学习技术来设置占位阈值。例如，被设置过高的占位阈值可具有拒绝登上电梯轿厢304并且选择等待下一可用电梯轿厢的潜在乘客。此行为的模式能够由电梯门厅中的传感器检测到并且在电梯轿厢304中被确认。机器学习算法能够确定占位程度能够被调整以避免行为的此模式。在另一示例中，电梯门厅传感器可确定三个潜在乘客在请求电梯轿厢并且占位程度被设置成75%。如果仅两个潜在乘客登上电梯轿厢并且第三个潜在乘客等待下一可用电梯轿厢，则机器学习算法能够基于实际登上电梯轿厢304的乘客调整占位阈值，以调谐占位阈值来满足乘客舒适度和/或预期。

在一个或多个实施例中，能够利用诸如电梯呼叫按钮之类的在电梯轿厢附近的输入端，提出电梯呼叫请求。或者能够利用在电梯门厅中的终端/面板和/或在诸如手机的用户装置上的应用及app，提出呼叫请求。

图4描绘了根据一个或多个实施例，用于操作电梯系统的方法的流程图。方法400包含由处理器接收对电梯系统中电梯轿厢的呼叫请求，如框402中所示出的。在框404，方法400包含接收来自与电梯轿厢关联的多个传感器的传感器数据，其中所述多个传感器配置成收集来自与电梯轿厢关联的一个或多个预定义的区域的传感器数据。在框406，方法400包含基于由机器学习模型生成的包括从传感器数据提取的多个特征的特征向量，确定电梯轿厢中的占位程度。而且在框408，方法400包含由处理器至少部分基于占位程度，操作电梯轿厢。

另外的过程也可被包含在内。应理解的是，图4中描绘的过程表示图示说明，并且在不脱离本公开的范围和精神的情况下，其它过程可被添加，或者现有过程可被移除，修改或重新布置。

本文中参照附图，作为范例并且不是限制来呈现公开的设备和方法的一个或多个实施例的详细描述。

用语“大约”旨在包含与基于在提交申请时可用的装备的具体量的测量关联的误差度。

本文中使用的术语只是用于描述具体实施例的目的，而不旨在限制本公开。在本文使用时，除非上下文另有明确指示，否则，单数形式“一（a/an）”以及“该”也旨在包含复数形式。将进一步理解的是，用语“包括（comprise和/或comprising）”在本说明书中使用时指定所陈述的特征、整数、步骤、操作、元件和/或组件的存在，而不排除存在或添加一个或多个其它特征、整数、步骤、操作、元件组件和/或其的群组。

虽然已经参考一个或多个示例性实施例描述了本公开，但是本领域技术人员将理解，在不脱离本公开的范围的情况下，可以进行各种改变并且等同物可以替代其元件。此外，在不脱离本公开的实质范围的情况下，可以进行许多修改以使特定情形或材料适于本公开的教导。因此，预期本公开不限于作为用于实施本公开所设想到的最佳模式而公开的特定实施例，而是本公开将包括落入权利要求范围内的所有实施例。