基于多维特征的乘梯不文明按键识别方法与流程

[0001]
本发明涉及一种基于多维特征的乘梯不文明按键识别方法。


背景技术：

[0002]
随着我国城市发展和居民生活水平的提高，电梯已越来越成为人们日常生活中不可或缺的交通工具。在方便人们的同时，乘客乘坐电梯的不文明现象也日益突出，而这些看似小小的不文明行为，一方面可能破坏电梯的正常使用，另一方面可能对其他乘客造成很不舒适的乘梯体验。乘梯不文明按键是指乘客胡乱按下较多自己不去的楼层，例如一些调皮的小孩，进/出电梯时会按下很多楼层按键，使得电梯每层都停，造成较多不必要的运行，给其他人乘梯带来一定的不便。
[0003]
目前电梯中常见的不文明按键识别技术，即防捣乱技术，是通过轿厢称重装置与轿厢内呼叫登记结合确定的。如专利cn103231952a公开了一种电梯轿厢内捣乱的判断方法。该方法需要通过轿厢底的称重开关仔细调整，若调整不当，较难检测到防止捣乱情况。又如专利cn110668272a通过登记楼层数、累计停靠楼层数、停靠层召唤信号、无光幕动作信号等数据进行防捣乱功能识别，但是这种方式需要电梯相关控制系统数据，非电梯厂商难以获得。


技术实现要素：

[0004]
本发明的目的在于提供一种无需利用电梯控制柜数据的基于多维特征的乘梯不文明按键识别方法。
[0005]
为实现上述目的，本发明提供一种基于多维特征的乘梯不文明按键识别方法，包括以下步骤：
[0006]
a、采集电梯运行过程和乘客人员类别数据；
[0007]
b、进行数据预处理，并对预处理后的数据进行特征提取，提取识别所需的特征；
[0008]
c、利用预先训练的识别模型对经过特征提取的数据进行识别，当识别出现不文明按键行为时进行告警。
[0009]
根据本发明的一个方面，电梯运行过程数据包括运行开始楼层、运行结束楼层、运行开始时间、运行结束时间；
[0010]
乘客人员类别包括小孩、成人、物业、保洁。
[0011]
根据本发明的一个方面，所述步骤(b)中的数据预处理步骤包括缺失值处理和异常值处理；
[0012]
所述缺失值处理为电梯运行两层以上的运行过程中，对中间层运行时间间隔小于第一设定时间的数据进行补全；
[0013]
所述异常值处理为对持续时间短于或者长于第二设定时间的异常运行过程数据，或是持续时间短于第三设定时间的乘客人员类别数据进行去除。
[0014]
根据本发明的一个方面，所述步骤(b)中的特征提取提取的特征包括连续运行最
大次数，连续无人运行最大次数，连续向下或向上运行最大次数，最大、最小、平均运行时间和间隔，电梯轿厢内是否有人，电梯轿厢内出现小孩的次数、出现保洁的次数、出现物业的次数。
[0015]
根据本发明的一个方面，识别模型的训练步骤为，利用所述步骤(a)的方法收集一段时间内的数据，筛选出数据中的不文明按键样本，并建立样本库；
[0016]
对样本库中的不文明按键样本进行训练集与测试集的划分，并利用所述步骤(b)的方法进行特征提取，随后进行模型训练。
[0017]
根据本发明的一个方面，在建立样本库的过程中，滑动运行窗口，并基于窗口的总时长、窗口内连续运行次数，排除不属于不文明按键行为的样本；
[0018]
排除窗口总时长大于20分钟，且电梯连续运行次数小于4次的样本；
[0019]
基于视频监控历史数据对剩余样本进行标定，将不文明按键行为样本存入正样本库，其余放入负样本库。
[0020]
根据本发明的一个方面，当电梯在同一方向上的相邻运行间隔在10s以内，则判定为连续运行，所述运行窗口包含6个运行过程。
[0021]
根据本发明的一个方面，所述训练集和测试集的样本比例为0.7:0.3。
[0022]
根据本发明的一个方面，所述识别模型包括逻辑回归、随机森林、梯度提升数、神经网络之一或多个的组合。
[0023]
根据本发明的一个方面，当训练的精度在85％以上，保存模型；否则，通过调整模型、优化训练参数、增加训练样本或优化特征提取来提升精度，直至模型精度满足要求后保存。
[0024]
根据本发明的构思，利用电梯物联网获取识别所需的各种数据。并对这些数据进行特征提取，从而识别出与不文明按键行为最相关的关键特征。然后利用经过特征识别的数据在线下训练识别模型，随后在线上利用识别模型实时地识别不文明按键行为。如此，本方法仅通过物联网即可获得识别所需数据，而无需利用电梯自身控制柜数据，因此一般厂家均可做到。并且，基于这种根据不文明按键的不同形式进行对比识别的方式，其检测精度也较容易得到保证。
附图说明
[0025]
图1是示意性表示根据本发明的一种实施方式的基于多维特征的乘梯不文明按键识别方法的流程图；
[0026]
图2是示意性表示根据本发明的一种实施方式的样本库的建立流程图；
[0027]
图3是示意性表示根据本发明的一种实施方式的识别模型的训练流程图；
[0028]
图4是示意性表示根据本发明的一种实施方式的实时识别流程图；
[0029]
图5是电梯内存在小孩的情况下出现的不文明按键行为场景图。
具体实施方式
[0030]
为了更清楚地说明本发明实施方式或现有技术中的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些
附图获得其他的附图。
[0031]
下面结合附图和具体实施方式对本发明作详细地描述，实施方式不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施方式。
[0032]
参见图1，根据本发明的构思，利用数据采集模块采集电梯运行过程和乘客人员类别数据。利用特征提取模块对上述采集的数据进行特征提取，从而提取与乘梯不文明最相关的关键特征，随后由模型训练模块利用这些数据在线下训练识别模型。训练完成后，可由实时识别模块在线上利用识别模型实时地识别，从而检测出不文明按键行为。可见，本发明主要基于不文明按键的事件特点，并利用电梯物联网获取数据进行不文明按键行为的识别。因此，本发明的方法可以自动学习与乘梯不文明按键行为最相关的特征，并且无需电梯自身控制柜的数据。
[0033]
本发明中，电梯运行过程即电梯从某一层运行到另一层的过程，具体包括运行前开关门、运行中、运行后开关门。所提取的数据的相关字段包括运行开始楼层、运行结束楼层、运行开始时间、运行结束时间。乘客人员类别数据是指乘客是否属于小孩、成人、物业、保洁。由此，通过数据采集模块可以实时得到当前的运行过程与对应的乘客人员类别情况。上述一些数据为电梯运行的必要采集数据，一般电梯均可通过轿厢内的监控相机或电梯自身传感器提取或识别。因此，应用本方法时无需设置额外传感器，只需利用物联网即可获取这些数据。
[0034]
采集得到的数据可能存在缺陷，例如运行过程缺失或其他异常情况等。这些缺陷数据会造成模型的检测精度不高，因此在进行特征提取之前需要由数据预处理模块对采集到的数据进行预处理，从而消除缺陷数据。总体来讲，本发明的预处理包括缺失值处理和异常值处理。缺失值处理主要针对于缺失数据。例如，电梯存在1层到3层、5层到7层数据中，3层到5层的运行过程时间间隔较小(即小于第一设定时间)，则可以确定该过程数据(即经过6层的数据)存在缺失，可对例如缺失值进行补全。异常情况主要包括持续时间很短或者很长(即短于或长于第二设定时间)的异常运行过程数据，或是持续时间很短(即短于第三设定时间)的乘客人员类别数据，如某个运行过程只出现1s的小孩即可视为异常。异常值处理即为对这些极有可能为异常情况的数据进行去除，从而保证识别的精度。本发明中，对于上述时间较长或较小的判断均可基于各个电梯的正常运行状态下的运行过程数据而定，即，具体用于判断是否为缺失或异常的设定时间可根据所对应的电梯进行相应设定。
[0035]
经过上述预处理的数据即可进行后续特征提取，从而提取出与不文明按键行为有关的特征。本发明的特征提取针对于一个运行窗口内的数据进行。本实施方式中，每个运行窗口包括含当前在内的最近的6个运行过程。另外，具体运行窗口的范围也可根据实际需求选取。本发明特征提取提取的特征包括连续运行最大次数x1，原因在于，若存在不文明按键行为，如图5所示，电梯一般会连续运行。本发明根据运行间隔判断电梯是否为连续运行(此处不区分是否有人)。即，相邻运行过程的时间间隔一般会较小，具体可通过设定实现间隔阈值的方式。本实施方式中，上述间隔阈值为10s，即两次运行过程间隔10s以内则认为是连续运行。除此之外，在一些电梯的设定模式中，乘客到站出梯，电梯仍旧会按照已按下的楼层运行。因此，不文明按键多数可能存在连续几次的无人运行，所以本发明还提取窗口内连续无人运行最大次数x2作为特征。另根据电梯运行规律可知，不文明按键的连续运行一般为连续向上或向下的运行，不会出现上下交替运行的现象，因此本发明还提取连续向下或
向上运行最大次数x3作为可识别的特征。可以看出，本发明判断电梯连续运行的条件为基础，后续的连续无人运行和向上、向下连续运行均基于此进行判断。
[0036]
上述提取特征均基于不文明按键行为致使电梯连续运行的特征，此外，不文明按键发生后，电梯一般会运行一层停靠一层，且运行间隔也较为均衡、稳定，使得运行时间或运行间隔不会太长。因此，本发明提取平均运行时间x6/间隔x9作为特征。当然，保洁、物业、人为遮挡或数据异常行为等行为还可能会导致运行时间/间隔过短或较大。因此，还需要剔除一些运行时间/间隔过长的情况，从而避免误报。本发明提取最大、最小运行时间(x4，x5)和最大、最小运行间隔(x7，x8)作为特征。即，若出现运行时间或间隔过长或过短的情况，则有可能是上述正常维保行为或其他异常行为，而非不文明按键行为(本发明对于遮挡现象或其他异常情况不做控制)。
[0037]
综上，提取这些特征供模型学习的目的在于保证模型后续的识别过程不会发出误报。当然，不文明按键的发生一定是人为因素，因此本发明也提取电梯轿厢内是否有人x10作为特征。又如图5所示场景，电梯内出现存在小孩则也极易发生不文明按键行为。另外，按照上述可知，运行窗口内若存在保洁或物业则可能是正常清洁或例行检查，而存在维保则可能是在维保检修，这些情况均应排除。因此本发明进一步还提取是否有出现小孩的次数x11、出现保洁的次数x12、出现物业的次数x13等特殊人员作为特征。这样，可以更准确的判定不文明按键行为，从而排除一些正常乘梯的情况，进一步避免误报并提高识别精度。
[0038]
如图2所示，在模型的训练过程中，需要建立样本库，样本分为正、负两类。正样本即为不文明按键样本，其余为负样本。具体为，先按照上述数据采集方法收集一段时间内的历史数据样本，即同样基于滑动运行窗口实现，每个窗口即可视为一个样本，并对这些样本进行标定。由于不文明按键行为本身极少发生，经过统计可知，平均10万部电梯，一天才有几百条正样本，因此想要收集足够数量的样本构成足以训练模型的样本库也较为困难，因此需要一些策略增加样本收集速度。本发明利用以下判断流程，并结合人工标定的方式，从而提高样本的收集速度。实际上，运行窗口可以理解为可包含多个运行过程的区间，本实施方式中，运行窗口包含6个运行过程。本发明中，运行窗口均包含的运行过程数量在滑动的过程中不发生改变。但是，每个运行过程的时长不完全相同，因此运行窗口在滑动的过程中，其时间长短会发生变化，如此通过滑动窗口即可获得一系列不同的样本。运行窗口的滑动可通过相应的软件实现，一般的样本提取软件均可完成此步骤，因此不再赘述。如此可以通过判断运行窗口的时长来在标定过程中初步排除一些明显不属于不文明按键的情况，即初步排除可能性最低的情形。通常情况下，不文明按键行为发生后，会导致电梯连续且有序的运行，因此其相邻运行过程的间隔不会太长，进而使得运行窗口的总时长也较短。因此，可将一些时长过长的运行窗口样本排除。本发明中，用于进行上述判断的时长阈值为20分钟，即大于20分钟的运行窗口即可被初步排除。其余的窗口样本还需要做下一步判断，具体为判断样本中连续运行的次数是否过大。一般认为，电梯连续运行是指同向上的运行。依照上述可知，相邻运行间隔小于10s则判定为连续运行。本实施方式中，将连续运行的间隔小于4次的样本剔除。当然，上述对于窗口时长大于20分钟的样本剔除工作被剔除的样本中，也会存在连续运行大于4次的样本，即，某一次运行时间过长导致窗口时长过长的情况。但这些样本也可能是物业或保洁人员在工作，因此上述关于20分钟判断的主要起到初步剔除不可能样本的作用，而连续运行4次的判断则起到主要的样本库建立的作用。此时，通过上
述逻辑算法已经排除的大量无意义的数据，从而减轻了后续标定的工作量，并提高了样本库的建立速度。随后，即可由人工参考监控相机采集的历史视频数据对剩余的样本进行标定，将其中的不文明按键行文样本则标定为正样本，存入样本库，此样本库即为正样本库；非不文明按键行为的样本则标定为负样本，并存入负样本库。若通过此步骤采集的样本数量依然不足，则可以通过增加历史数据时间跨度的方式进行调整。
[0039]
参见图3，利用上述所建立的样本库即可在线下训练识别模型，具体利用正样本库完成训练。本发明中，需要先对正样本库进行训练集和测试集的划分，训练集和测试集无交叉，比例可选为0.7:0.3，训练集用来训练模型，并在测试集上测试效果，从而较好的验证模型的真实效果。训练时，对训练集和测试集使用上述特征提取的方法提取特征，并结合机器学习模型进行模型训练。具体的，一组特征x(x1,x2,x3,
…
)对应一个标签y(y＝1,存在不文明按键,y＝0，不存在不文明按键)。如此，模型的训练可理解为学习一个函数f(.)，即学习label＝f(x),其中x是上述特征，label为标签。抽象的函数f(.)即为模型，可应用到本发明的模型包括逻辑回归、随机森林、梯度提升数、神经网络等。当训练的精度满足要求时，保存模型，当精度不满足要求时，可通过调整模型、优化训练参数、增加训练样本、优化特征提取(或称特征工程)等方式提升精度，直至模型精度满足要求。本发明中，模型优劣的衡量指标使用精准率，即识别为不文明按键的样本中为真实的比例。本发明设定测试集识别出的模型精准率在85％以上的模型为满足精度要求的模型。另外，为了模型精度的提升，还可以使用多个上述模型进行组合的方法(即模型集成)。由此，本发明上述提取的特征均为能够准确体现不文明按键行为和正常乘梯行为的区别点的典型特征，因此机器模型可自主的学习不文明行为的特点，在实时识别的过程中，也可利用这些特征精准的判断出当前时刻是否发生不文明行为。
[0040]
参见图4，当模型训练完成后，将实时采集的数据进行数据预处理与特征提取。随后可将数据输入至识别模型进行识别。若识别到不文明按键行为，即可进行线上报警，进而发布到页面或手机端，通知物业进行监管等。综上，本发明上述训练模型的过程为机器模型自主学习的过程，因此在训练时只需按照上述标注样本即可。实时识别的过程为输入数据而模型自主根据各项特征综合判断是否发生不文明行为，例如使用逻辑回归时考虑各项特征权重。
[0041]
综合而言，本发明提出一种基于多维特征的呈梯不文明按键识别方法，本方法无需电梯控制器的数据，而是依靠物联网传感器得到的运行过程与乘客类别数据。然后基于线下训练的机器学习模型，完成不文明按键行为识别工作。当发现不文明按键时，能够及时告知相关单位，增强监管，以期减少不文明现象的发生。
[0042]
以上所述仅为本发明的一个实施方式而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。