CN1113210A - 电梯的控制中枢网络 - Google Patents

Abstract

电梯车厢的控制方法和设备，利用一中枢网络估 算对一考虑中的电梯车厢分配新近记录的大厅呼叫 的剩余响应时间。该中枢网络或任何其他顺流模块 可被标准化，以供任何大楼之用，这是利用概括该大 楼在记录每个考虑中车厢的一或多条要求路径回答 新大厅呼叫用的记录该新大厅呼叫时刻的大楼状态 的一个上游(upstream)固定长度停车说明实现的。

Description

本发明涉及升降机，更具体地涉及对若干大楼内的许多电梯进行调度。

电梯调度***利用有关确定哪个电梯车厢是最适于一个请求（大厅呼叫）服务的若干因素。由于条件是在不断变化着的，这类***为服务于某一大厅对所有“在运行（on-the fly）”的车厢评价和再评价最佳车厢，因此直到最后可能瞬间之前不必作出最后选择。例如，看授予Bittar的U.S.专利4，815，568。剩余响应时间（RRT）可定义为：一个车厢从其现时位置运行到未完成大厅呼叫的那层楼要花费的时间量，这在确定最佳分配时是重要但不是决定性的因素。例如看授予powell的U.S专利5，146，053。如图2所示，在数据采集之后，车厢分配软件可估算RRT并将其用作选择分配时的唯一因素。

另一方面，在即时车厢分配（ICA）调度***中，为确保适宜响应，在大厅呼叫记录时刻精确地估算剩余响应时间是关键，因为该分配通常不会在稍后（时间）被转换。对ICA分配***而言精确估算RRT可确保作出最佳分配，从而改善电梯***的综合效率。

由于当前有关估算剩余响应时间的种种方法缺乏为满足ICA***性能要求所需要的精度，故显示出本文所描述方法的先进性。当前剩余响应时间是采用待运行的距离，在该路经上已知的停站数和该电梯的速度来计算的。这种计算法是不适当的，因为计算中未包含其他有关因素。再者，访RRT计算是静态的并不随电梯***条件变化而改变。例如，在运载高峰期间，停梯占去更多时间，而在这些当前的RRT计算中并未考虑这一不同。这些困难启示人们采用一种计算RRT的新方法，该方法考虑了许多因素的变化中的条件的种种细微影响。

本发明的一个目的是提供一种予测电梯车厢到某一大厅呼叫的响应时间的新方法。

本发明的另一目的是估算无变更地可从建筑物到建筑物的转移响应时间的新方法。

根据本发明第一方面，剩余响应时间是借助一中枢网络提供的。

模拟中枢网络（ANN）当配置有训练数据时能学习涉及大量输入的复杂功能。当供以适当输入时，ANN能计算更精确的RRT估算值，该估算值又使一个较好的车厢分配得以完成。如图3所示中枢网络，例如，一般包括一个或多个互连的“神经元”或结点，以根据输入值的加权组合计算所需输出。这已在“并行分布的处理：认识微结构方面的探索。第1卷基础：“（Cambridge MA:MIT Press/Bradford Books，1986，由D.E.Rumelhart等人）中作了描述。与结点间的链路相关的加权确定了该网络执行多好的程度。中枢网络能“学习”通过训练应达到的适当加权。在中枢网络中，训练数据包括输入矢量和对每个输入矢量的相应所需输出。该学习算法在实际输出与网络所需输出匹配之前调整加权Wi。反向传送是由Rumelhart等人描述的并包括一个标准中枢网络学习算法，以测量所需输出和一个具体训练情况的实际输出之差并确定用于校正观测误差的加权值的小变化。然后从训练组选择一种新的训练情况并重复此过程直到这些加权收敛于稳态值。为达到这一收敛可能要作许多次重复迭代。对于简单网络而言，与多层网络相反，可采用直线回归技术而不是用反向传送法，来确定网络加权。线性回归法消除了有关网络何时已完成学习的不确定性并从一给定的训练组获得单一可重复的解。例如，见“学习的计算机***”S.M.Weiss等人着，中枢网络第4章4.1-4.1.1节。

对一个中枢网络可规定若干不同的总体结构。最普通的是前馈网络，该网络的一个结点的多个输出仅通向该体系中较高等级的结点。Rumelhart等人描述了其他多种总体结构，同时本发明并不限于前馈网络。前馈网络的优点是他们对这些训练算法都学习得很好。

模拟中枢网络能从训练数据导出一个一般化的模型。该模型由那些加权值规定。该模型的结构满足训练阶段提供的明细规范，例如最大限度地减小所有实例的平方误差之和等要求。

当前，使用有关电梯***状态的信息必需对考虑到该建筑物内楼层数和建筑群的车厢数的每种设施加以改动。

根据本发明第二方面，沿一座大楼内所选电梯车厢路径与楼层相应子设备有关的输入信号子集被编组以产生一个指示其输出信号的一个固定数目，而与该子设备中输入信号的数目无关。

还是根据本发明第二方面，对多个输入信号进行筛选用于构成简要说明大楼状态的固定长度的说明的方法包括以下步骤：规定沿所选路径的楼层/方向组合的子集，收集与该子集中与每个楼层/方向组合有关的输入信号，在对应于楼层/方向组合的当前状态的一个固定长度停梯说明表中递增一个单元（cell），以及形成一张输出信号的完整表格。

本发明的该第二方面提供一种对多个输入信号进行筛选用于调度的方法，而与大楼的大小和其内车厢数目无关。应该理解：虽然上述筛选方法是就其使用中枢网络方面加以详述的，但应理解除了中枢网络以外它也能用于同其他技术加以组合。

本发明的这些和其他目的，特点和优点将在以下对如附图所示的本发明最佳方式实施例的详细说明中变得更显而易见。

图1表示根据本发明用于估算一个电梯车厢的剩余响应时间（RRT）的模拟中枢网络（ANN）。

图2表示与一数据采集模块和一车厢分配模块有关的先有技术剩余响应时间模块。

图3表示诸如可用于ANN中估算图1的RRT的先有技术视感控器。

图4表示基于所选电梯输入，以用作估算RRT的视感控器形式的本发明一个典型ANN。

图5表示具有响应不同输入的信号处理器用以利用本发明中枢网络规程估算剩余响应时间的一个电梯***。

图6表示一系列可通过图5处理器实现的步骤，以按照本发明建立一中枢网络并将这样一种网络***整个调度计划中。

图7类似于图2，只是本图是表示按照本发明用法的插在数据采集软件和RRT模块之间的一个固定长度停留说明（FLSD）块，另一个区别于图2之处的是该RRT模块可为中枢网络或按照本发明实现图5编程信号处理器上的中枢网络功能的模块。

图8说明按照本发明的一种固定长度停留说明技术，以与大楼和该楼群中车厢数无关的格式表征一个电梯车厢在往所分配的呼叫大厅的行程中将经历的延迟程度。

图9表示使用图8的FLSD表格的一个实例，是有关在回答一新的大厅呼叫时一个车厢可能经历的典型最大路径长度。

图10-15说明怎样可利用图10的表去描绘一个特定车厢在回答与一特定大楼中一组特定车厢有关的新近记录的大厅呼叫有关车厢呼叫和大厅呼叫的信息特征。

图16-20说明诸如可用在一个固定长度停留说明中的根据本发明一些最小和最大路径的实例。

图21表示按本发明第二方面的图6的数据收集步骤。

图22表示按照本发明用于训练目的的图21的筛选步骤的实例。

图23表示根据本发明的，例如在训练之后实际使用中枢网络规程的一个实例。

图24表示根据本发明怎样可通过RRT模块中的ANN使用一个特定车厢的FLSD产生该车厢的RRT。

如图1所示本发明的模拟中枢网络（ANN）方面是能考虑到大量的因素并在对一电梯车厢进行剩余响应时间（RRT）估算时憑经验确定它们的重要性。

本文公开的用于估算RRT的该网络是一个线性视感控器，但本发明并不受此限制。也可使用其他类型的中枢网络。确实，对于本发明的固定长度停留描绘（FLSD）方面，丝毫都无需要求一个中枢网络。

然而，一个视感控器是不带任何隐蔽部件的前馈网络;该网络仅有一个直接连接到输出层的输入层。对本发明的该实施例而言，该输出层因此只有一个结点。在网络已处理了这些输入之后，输出结点的值即是对该大楼那种状态下一个特定大厅呼叫，对一特定车厢而言的RRT估算值。但所揭示的训练算法不必是对将线性启动函数，因为对一个实际***中的网络来说，该函数产生好效果还简化了训练过程。当使用非线性启动函数（例如，S型Sigmoid函数）时，该网络就不总是收敛于一组固定的加权了。在这种情况下，网络的性能可能发生剧烈变化。为采用这种网络，有必要开发一种复杂的测试规程，以控制学习网络的质量。通过使用线性起动函数，避免了这些问题，因为加权值总是收敛在满足训练规范的最佳解。然而应懂得本发明并不局限于使用线性起动函数。

作为一个实例根据本发明，对一个用于估算具有18层楼和六个车厢的建筑物的RRT的ANN，如图4所示输入结点可为以下：

表1

输入结点  说明

1)大厅-呼叫-方向  请求服务方向

2)大厅-呼叫-楼层-1  来自楼层1请求的大厅呼叫

3)大厅-呼叫-楼层-2  来自楼层2请求的大厅呼叫

4)大厅-呼叫-楼层-3  来自楼层3请求的大厅呼叫

5)大厅-呼叫-楼层-4  来自楼层4请求的大厅呼叫

6)大厅-呼叫-楼层-5  来自楼层5请求的大厅呼叫

7)大厅-呼叫-楼层-6  来自楼层6请求的大厅呼叫

8)大厅-呼叫-楼层-7  来自楼层7请求的大厅呼叫

9)大厅-呼叫-楼层-8  来自楼层8请求的大厅呼叫

10)大厅-呼叫-楼层-9  来自楼层9请求的大厅呼叫

11)大厅-呼叫-楼层-10  来自楼层10请求的大厅呼叫

12)大厅-呼叫-楼层-11  来自楼层11请求的大厅呼叫

13)大厅-呼叫-楼层-12  来自楼层12请求的大厅呼叫

14)大厅-呼叫-楼层-13  来自楼层13请求的大厅呼叫

15)大厅-呼叫-楼层-14  来自楼层14请求的大厅呼叫

16)大厅-呼叫-楼层-15  来自楼层15请求的大厅呼叫

17)大厅-呼叫-楼层-16  来自楼层16请求的大厅呼叫

18)大厅-呼叫-楼层-17  来自楼层17请求的大厅呼叫

19)大厅-呼叫-楼层-18  来自楼层18请求的大厅呼叫

20)响应-车厢-方向  车厢运行方向

21)响应-楼层-1  响应车厢的位置为楼层1

22)响应-楼层-2  响应车厢的位置为楼层2

23)响应-楼层-3  响应车厢的位置为楼层3

24)响应-楼层-4  响应车厢的位置为楼层4

25)响应-楼层-5  响应车厢的位置为楼层5

26)响应-楼层-6  响应车厢的位置为楼层6

27)响应-楼层-7  响应车厢的位置为楼层7

28)响应-楼层-8  响应车厢的位置为楼层8

29)响应-楼层-9  响应车厢的位置为楼层9

30)响应-楼层-10  响应车厢的位置为楼层10

31)响应-楼层-11  响应车厢的位置为楼层11

32)响应-楼层-12  响应车厢的位置为楼层12

33)响应-楼层-13  响应车厢的位置为楼层13

34)响应-楼层-14  响应车厢的位置为楼层14

35)响应-楼层-15  响应车厢的位置为楼层15

36)响应-楼层-16  响应车厢的位置为楼层16

37)响应-楼层-17  响应车厢的位置为楼层17

38)响应-楼层-18  响应车厢的位置为楼层18

39)当前RRT估算  当前RRT估算值

40)大厅-呼叫-开关  大厅呼叫被转换的次数

41)车厢乘客  车厢上的乘客数

42)大厅间呼叫  ***的大厅呼叫数

43)车厢内呼叫  ***的车厢呼叫数

44)相互重合  ***一致的大厅/车厢呼叫数

45)车厢-状态-0  车厢X处于状态0?

46)车厢-状态-1  车厢X处于状态1?

47)车厢-状态-2  车厢X处于状态2?

48)车厢-状态-3  车厢X处于状态3?

49)车厢-状态-4  车厢X处于状态4?

50)车厢-状态-5  车厢X处于状态5?

51)车厢-状态-6  车厢X处于状态6?

52)车厢-状态-7  车厢X处于状态7?

53)车厢-状态-8  车厢X处于状态8?

54)车厢-状态-9  车厢X处于状态9?

55)车厢-状态-10  车厢X处于状态10?

56)车厢-状态-11  车厢X处于状态11?

57)车厢-状态-12  车厢X处于状态12?

58)车厢-状态-13  车厢X处于状态13?

59)车厢-状态-14  车厢X处于状态14?

60)车厢1-方向  车厢0的运行方向

61)车厢1-位置  车厢1的位置

62)车厢2-方向  车厢2的运行方向

63)车厢2-位置  车厢2的位置

64)车厢3-方向  车厢3的运行方向

65)车厢3-位置  车厢3的位置

66)车厢4-方向  车厢4的运行方向

67)车厢4-位置  车厢4的位置

68)车厢5-方向  车厢5的运行方向

69)车厢5-位置  车厢5的位置

70)车厢6-方向  车厢6的运行方向

71)车厢6-位置  车厢6的位置

72)向上-大厅-呼叫-楼层1  为楼层1向上大厅呼叫所

指定的车厢的车厢号

73)向上-大厅-呼叫-楼层2  为楼层2向上大厅呼叫所

指定的车厢的车厢号

74)向上-大厅-呼叫-楼层3  为楼层3向上大厅呼叫所

指定的车厢的车厢号

75)向上-大厅-呼叫-楼层4  为楼层4向上大厅呼叫所

指定的车厢的车厢号

76)向上-大厅-呼叫-楼层5  为楼层5向上大厅呼叫所

指定的车厢的车厢号

77)向上-大厅-呼叫-楼层6  为楼层6向上大厅呼叫所

指定的车厢的车厢号

78)向上-大厅-呼叫-楼层7  为楼层7向上大厅呼叫所

指定的车厢的车厢号

79)向上-大厅-呼叫-楼层8  为楼层8向上大厅呼叫所

指定的车厢的车厢号

80)向上-大厅-呼叫-楼层9  为楼层9向上大厅呼叫所

指定的车厢的车厢号

81)向上-大厅-呼叫-楼层10  为楼层10向上大厅呼叫所

指定的车厢的车厢号

82)向上-大厅-呼叫-楼层11  为楼层11向上大厅呼叫所

指定的车厢的车厢号

83)向上-大厅-呼叫-楼层12  为楼层12向上大厅呼叫所

指定的车厢的车厢号

84)向上-大厅-呼叫-楼层13  为楼层13向上大厅呼叫所

指定的车厢的车厢号

85)向上-大厅-呼叫-楼层14  为楼层14向上大厅呼叫所

指定的车厢的车厢号

86)向上-大厅-呼叫-楼层15  为楼层15向上大厅呼叫所

指定的车厢的车厢号

87)向上-大厅-呼叫-楼层16  为楼层16向上大厅呼叫所

指定的车厢的车厢号

88)向上-大厅-呼叫-楼层17  为楼层17向上大厅呼叫所

指定的车厢的车厢号

89)保留  尚待后来确定

90)保留  尚待后来确定

91)向下-大厅-呼叫-楼层-2  为2楼向下大厅呼叫所

指定的车厢的车厢号

92)向下-大厅-呼叫-楼层-3  为3楼向下大厅呼叫所

指定的车厢的车厢号

93)向下-大厅-呼叫-楼层-4  为4楼向下大厅呼叫所

指定的车厢的车厢号

94)向下-大厅-呼叫-楼层-5  为5楼向下大厅呼叫所

指定的车厢的车厢号

95)向下-大厅-呼叫-楼层-6  为6楼向下大厅呼叫所

指定的车厢的车厢号

96)向下-大厅-呼叫-楼层-7  为7楼向下大厅呼叫所

指定的车厢的车厢号

97)向下-大厅-呼叫-楼层-8  为8楼向下大厅呼叫所

指定的车厢的车厢号

98)向下-大厅-呼叫-楼层-9  为9楼向下大厅呼叫所

指定的车厢的车厢号

99)向下-大厅-呼叫-楼层-10  为10楼向下大厅呼叫所

指定的车厢的车厢号

100)向下-大厅-呼叫-楼层-11  为11楼向下大厅呼叫所

指定的车厢的车厢号

101)向下-大厅-呼叫-楼层-12  为12楼向下大厅呼叫所

指定的车厢的车厢号

102)向下-大厅-呼叫-楼层-13  为13楼向下大厅呼叫所

指定的车厢的车厢号

103)向下-大厅-呼叫-楼层-14  为14楼向下大厅呼叫所

指定的车厢的车厢号

104)向下-大厅-呼叫-楼层-15  为15楼向下大厅呼叫所

指定的车厢的车厢号

105)向下-大厅-呼叫-楼层-16  为16楼向下大厅呼叫所

指定的车厢的车厢号

106)向下-大厅-呼叫-楼层-17  为17楼向下大厅呼叫所

指定的车厢的车厢号

107)向下-大厅-呼叫-楼层-18  为18楼向下大厅呼叫所

指定的车厢的车厢号

注1:  恰好该车厢状态输入之一被设定为1,其余全为0,这些状

态如下(示出在此情况下的三种附加状态但未被使用);

0-停放,电动机发电机抵销(set off)

1-停放,电动机发电机安置(set on)

2-停车,上向上乘客,门准备好关

3-停车,上向下乘客,门准备好关

4-停车,不上乘客,门准备好关

5-停车,上向上乘客,门打开时间未到期

6-停车,上向下乘客,门打开时间未到期

7-停车,不上乘客,门打开时间未到期

8-在上行,已被委托去停车

9-在下行,已被委托去停车

10-在上行,未被委托

11-在下行,未被委托

以上列举的输入可供给诸如图5所示用于或用作电梯调度控制器的一个信号处理器。这种信号处理器响应设置在其I/O端口的许多传感器和数据信号。类似地，另一输入/输出端口被示为连接到在该大楼的各楼层上固有的多个大厅呼叫按钮，每个车厢中固有一个以及挂在一般每层楼一个或更多个的许多大厅信号灯上的许多车厢呼叫按钮板。信号处理器本身包括数据总线，地址总线，中央处理单元（CPU）用以储存能实现诸如图1和4所示根据本发明的中枢网络的训练和实践的连接步骤的随机存取存贮器（RAM）和只读存贮器（ROM）。

这种中枢网络当通过图5的信号处理器实现时的训练阶段示于图6的流程图中。进入这一阶段后，对多个大厅呼叫和被分配的车厢收集有关不同实际剩余响应时间的数据。除了收集该实际响应时间外，还保存分配时刻该特定车厢的建筑物（大楼）状态和大厅呼叫，以便能用与对每个这样的RRT而言，分配时刻大楼状态的“快摄”组合的大量RRT来构造该中枢网络。在收集了这些RRT和该大楼的相关“快摄”之后，则在如图6所示的下一步骤中，该中枢网络受到训练。在训练了该中枢网络之后，训练过的网络被溶合到一种调度算法中，该算法也可驻留在图5的信号处理器中和进一步由图2的车厢分配模块表示。有关图6所示的数据收集和训练步骤将在下面的本发明第二方面的筛选构思之后，即在下面要揭示的固定长度停车描述中更详细地说明。

采用本发明方法进行了用上述输入的若干实验。表明该***能比诸如U.S专利5，146，053等中所示现有RRT估算法好得多地完成这一估算。实验表明，用现有方法估算的RRT的平均绝对误差为11.15秒。用根据本发明的用于RRT的ANN在相同条件下在估算RRT的平均绝对误差为6.79秒。

正如将要观测到的，上述表格包括仅由一个大楼使用的极大量的输入量。换句话说，当人们想要使用另一大楼的另一ANN时，就会因为楼层数不同和车厢数不同而要改变输入数目。这造成以下情况的困难和不便，即，试图设计一种能从大楼间转移而不必改变对其输入数目的ANN或任何其他下游（downstream）模块的情况。

固定长度停车描述（FLSD）

本发明的第二方面提供一种以一种与大楼大小和成组车厢数无关的标准形式描述根据特定工况进程从一具体电梯车厢观测到的该大楼现时状态的方法。图4的上述方法对该组中每一车厢产生了一组导向标。每一车厢有一用于已知大厅呼叫的导向标（vector）和另一用于记录车厢呼叫的导向标。当然，大厅呼叫是在某人按压了按钮请求电梯服务时发生的。同样，电梯用户在按压车厢内按钮以指示所需目的地时，自动记录一次车厢呼叫。每个导向体的尺寸大致是大楼层数的两倍（导向体的一半用于上楼呼叫，一半用于下楼呼叫）。要使用有关车厢呼叫和大厅呼叫的信息的***必需处理一个特定车厢组的所有导向体（每个车厢两个导向体）。当一种调度***要装在不同大楼内时，必须为考虑到不同导向体数目和不同导向体长度而作出修改。考虑到ANN所需的训练过程，使得要产生用于调度***的可迁移ANN变得困难了。

本发明的固定长度停车描述（FLSD）充当描述一个大楼各站和利用那个信息的方式（system）的导向标之间的一个筛选程序。先前描述过的用于RRT估算的ANN便是这种FLSD的一种应用。若将特定大楼的未处理导向标用作输入，则对每个大楼重新设计ANN显然是非常不实际的。此外，训练时间会根据大楼改变。代之以将导向标转换成固定长度停车描述（FLSD）这就无需改变大楼间的RRT估算用的ANN。

为使用固定长度停车描述，将与当前电梯车厢RRT问题相关的大楼的每一层数据传送到一个FLSD筛选程序。在供RRT情况用的ANN中，相关楼层就是那些位于从当前电梯车厢位置到待服务的未完成大厅呼叫的一条所选路径上的楼层。对于该筛选程序可使用不同路径，例如最佳和最坏情况下的路径。所有路径，被选路径或中点或平均路径均可被选。对一个车厢考虑到的每一路径，该筛选程序构成或编译成，例如如图8所示的三乘三表格。该表格的一维空间代表，例如，车厢呼叫而另一维空间表示大厅呼叫。应懂得该表可占据其他维度空间以包含更多或更少信息。例如，每一维中的标记被标为无人，本车厢，和其他车厢。在所讨论的现时维度下当没有一个车厢有楼层请求时，则不用标变址。当为新分配所考虑的现行车厢有该楼层请求服务时，则使用本车厢。其他车厢表示：现行车厢没有该楼层请求，但至少一个其他车厢有该楼层的服务请求。该表格的每一单元是满足其变址要求的楼层的层数。例如，大厅呼叫量纲设定为本车厢和车厢呼叫量纲设定至其他车厢的表单元保持现行车厢必须停车以服务一被指定的大厅呼叫和其他车厢必须在该（同一）层停车以让当时乘客下梯的那个楼层号。筛选程序可对每一层进行个别处理。使用所提供的导向标，筛选程序确定该表格的哪个项目应被递增从而编译该表格。由于对每一层楼沿每一方向恰好有一项被递增，故所有项目的总体总是等于该路径的长度。

在充分赋予该路径特征之后，筛选程序提供该表格的九个项目作为输出。无论导向标尺寸，导向标数和所提供路径如何，仅仅九项项目就需要占据对这些停车站的许多感兴趣的方面。该表项目表示该车厢为指定考虑的停车站有多少是与没有其他车厢，任一其他车厢，或本身相一致的。该表格表明：多少楼层不在当前计划通过任何车厢将要服务或仅为大厅呼叫或车厢呼叫服务的。这种综合性信息以一种新的紧凑格式提供了先前所用信息和额外提供不是先前显见的已准备好的新信息。

当将固定长度停车描述用在诸如（但不限于）RRT模块之类的顺流模块（downstream module）（例如上述的用于RRT的ANN）时，可使顺流模块接收与哪个大楼无关的一个固定数目的输入，而表示不同楼层状态的先前未组织的输入单元被代之以来自，例如由以下所示表格的输入项，表中缩写HC用来代表大厅呼叫而CC用来代表车厢呼叫：

表2

ANN输入  说明

1)乘客  当前在车厢X中的乘客数。

2)每CC的乘客  输入#1)除以当前车厢呼叫数

3)当前RRT估算  当前的RRT估算

4)指定的停车  车厢X被指定停车的次数

5)转向  在沿正确方向实现该呼叫之前

必须改变车厢X方向的次数

6)最大²-路径-长度 若车厢X遵循最大路径则为通过

的楼层总数(包括快区层),

若同一层楼通过一次以上,则

它是每次的计数。该输入与其

说是对可能停车的计数不如说

是对距离的测量。

7)最大-走廊-停车  处于走廊诸层的输入#6)的停

车次数

8)最大-快-区-计数  处于快区范围内的输入#6)的

楼层数

9)最大-停车-类型-1  输入#6)中没有一个车厢有HC

或CC的非-快区停车数

10)最大-停车-类型-2  输入#6)中车厢X有CC和没有车

厢有HC时的停车数

11)最大-停车-类型-3  输入#6)中车厢X没有CC但一些

其他车厢有CC,以及还未分配

HC时的停车数

12)最大-停车-类型-4  在输入#6)中车厢X有-HC但没

有车厢有CC时的停车数

13)最大-停车-类型-5  输入#6)中车厢X有HC和CC时的

停车数

14)最大-停车-类型-6  输入#6)中车厢X有HC无CC和甘

另一个车厢有CC时的停车数

15)最大-停车-类型-7  输入#6)中某个其他车厢有HC

同时没有车厢有CC时的停车数

16)最大-停车-类型-8  输入#6)中车厢X有CC,某另一

车厢有HC时的停车数

17)最大-停车-类型-9  在输入#6)中车厢X没有HC或CC

但某个其他车厢有CC或-HC已

被指定给某车厢时的停车数

18)最小³-路径-长度 在车厢遵循最小路径所通过楼

层总数(包括快车区停站)。

若通过连同一楼层一次以上则

它被每次计数。该输入与其说

是对可能停车的计数不如说是

距离的测量

19)最小-走廊-停车  在输入#18)中处于走廊层的停

车数。

20)最小-快车-区-计数  输入计数#18)中处于快区范围

中的停车次数

21)最小-停车-类型-1  在输入#18)中没有车厢有HC或

CC时的非快区停车次数

22)最小-停车-类型-2  在输入#18)中车厢X有一个CC

而没有车厢有HC时的停车次数

23)最小-停车-类型-3  在输入#18)中车厢X没有CC但

某个其他车厢有一个CC并且没

有HC已被指定时的停车数

24)最小-停车-类型-4  在输入#18)中车厢X有一个HC

,但无车厢有CC时的停车数。

25)最小-停车-类型-5  在输入#18)中车厢X有一个HC

和CC两者时的停车数

26)最小-停车-类型-6  在输入#18)中车厢X有-HC,

无CC,同时某其他车厢有-CC

时的停车数

27)最小-停车-类型-7  在输入#18)中某一其他车厢有

-HC,同时无车厢有CC时的停

车数。

28)最小-停车-类型-8  在输入#18)中车厢X有CC,某

个其他车厢有HC时的停车数

29)最小-停车-类型-9  在输入#18)中,车厢X没有HC

或CC,但某其他车厢有CC和已

被分配给某车厢的HC时的停车

数。

30)车厢-状态-0⁴是否车厢X处于0状态?

31)车厢状态-1  是否车厢X处于1状态?

32)车厢状态-2  是否车厢X处于2状态?

33)车厢状态-3  是否车厢X处于3状态?

34)车厢状态-4  是否车厢X处于4状态?

35)车厢状态-5  是否车厢X处于5状态?

36)车厢状态-6  是否车厢X处于6状态?

37)车厢状态-7  是否车厢X处于7状态?

38)车厢状态-8  是否车厢X处于8状态?

39)车厢状态-9  是否车厢X处于9状态?

40)车厢状态-10  是否车厢X处于10状态?

41)车厢状态-11  是否车厢X处于11状态?

42)车厢状态-12  是否车厢X处于12状态?

43)车厢状态-13  是否车厢X处于13状态?

44)车厢状态-14  是否车厢X处于14状态?

注2：最大路径（图16-20）是通过按照该车厢从当前位置直移到实现呼叫时仅允许在大楼顶层和底层转向时计算得到的。该车厢仅仅当其沿呼叫方向运行移动到呼叫层时才完成该呼叫。通过顶层或底层的行程仅计为沿该路径的一个可能的停车站。输入＃8）至＃17总是共计等于输入＃6）。

3：最小路径（图16-20）类似于最大路径，只是这里的转向只要已满足现时方向上的指定即被允许。大厅呼叫被假定：仅有一个目的地一刚好离开呼叫一层楼。该最小路径决不可能长于最大路径。输入＃20）至＃29）总是共计等于输入＃18）。

4：恰好车厢状态输入的一被设定为1，其余全部为0。

图9表示一个其内有四个车厢服务于大厅呼叫和车厢呼叫的十二层大楼，一个新的下行大厅呼叫记录在到达8层时的情况。在该例图中，图8进一步示出了认为车厢A是为服务该新的大厅呼叫时有最大路径长度;因它必须从2楼沿升降路径（hoistway）向上到达12楼再转向向下沿该路径到8楼。就图8和9所示的该最大路径而言，如图10所示，图8的最左列中所编译的是在没有与其相关的车厢呼叫的情况下该路径上的停车站总数。这些车站包括3上，4上，5上，6上，11下和10下，如图8的FLSD表的上左侧框和下左侧框内所示。因此，对没有车厢呼叫的车厢A而言，在图9的最大路径上总共有6站要停车。

同样，图8的FLSD表的中央列示出对车厢A的车厢呼叫总数，即为2（10上和7下）。要注意：车厢A的10上车厢呼叫被编译在FLSD表的中间框而车厢A的7上车厢呼叫被编译在中间那列的底框。这些以图示方式的编译是为区分这样一个事实：虽然两停车站均有与其相关的大厅呼叫和车厢呼叫，但一致的大厅呼叫指定仅适用于10上。也就是说，就车厢A而言，仅认为10上是一个大厅/车厢重合呼叫楼层。

图12示出图8的FLSD如何可用于计算图9中车厢A在最大路径运行中的总路径长度，即，通过将该方块中所有数字直接相加即得到13层楼到达新大厅呼叫处的路径总长。

图13示出图8的FLSD表如何能用于确定当前车厢的大厅呼叫分配数。在图8图例中，车厢A有2个指定给它的大厅呼叫，即9和10上。虽然它们是与车厢呼叫相关的，但从表可清楚看出，这两个车厢呼叫被记录在不同车厢内。

图14表明从FLSD表的顶行可容易地确定未完成大厅呼叫的楼层数。例如，图9示出在3楼向上沿车厢A路径直到6楼上达到新大厅呼叫处，没有大厅呼叫和沿相同最大路径在8楼上，12和9下处没有未完成的大厅呼叫，没有未完成大厅呼叫的总数为7层楼。

图15表示沿车厢A路径达到新大厅呼叫的未完成大厅呼叫的总数为6，即7上，9-11上，11下和10下。

这样可见，编译成图8的表FLSD是一种概括与一具体车厢任何特选路径相关的大楼状况的传统方法。

图16-20示出用于回答记录的但非指定的大厅呼叫（非黑三角形）的最小和最大路径长度的不同实例。这些实例中有些包括沿考虑中路径的已记录车厢呼叫（黑园）和已指定大厅呼叫（黑三角形）。图16表示12楼的一个大厅呼叫可通过一个车厢非委托而是直接的回答以致最小和最大路径可重合的情况。图17表示10楼的一个上楼大厅呼叫已被指配给其向上路径上的一个车厢并在10楼考虑回答一个新近记录的向下大厅呼叫的情况。在回答了10接的上楼大厅呼叫之后，一个最大路径可能要求继续上到大楼顶层，15楼，转向和沿升降通道下行至12楼。一个最小路径可能涉及在11或12楼要下一乘客和在12楼为想下楼的乘客服务。

图18表示一个被指配的上楼大厅呼叫是在8楼新记录的一个下楼大厅呼叫上方的两层情况。在此情况下，一个最小路径长度可能涉及至少一层至11楼，反向再向下几层到8楼。一个最大路径可能涉及运行完全程至大楼顶层，反向并几乎行至大楼的一半长度，以服务8楼的下楼大厅呼叫。

图19表示另一实例，在所研究车厢内的一个车厢呼叫是8楼新记录的下楼大厅呼叫的上方两层。这类似于图18的情况，只是除了现最小路径是有限的一层，更少，因为不可能再要上一层。

图20表示两个大厅呼叫已指配给所研究中的车厢，一个为10楼上和一个为12楼下的情况。在此情况下，一个6楼的新近记录的上楼大厅呼叫可能导致最大路径长度必须从该车厢当前位置的7楼，服务了10楼的上楼大厅呼叫之后行完全程至大楼顶，反向并在12楼停车以服务该层的已指定下楼大厅呼叫然后行完全程至前厅并返回再上至6楼以服务该层楼的新近记录的上楼大厅呼叫。对于相同概述的一个最小路径可能仅包括在服务10楼之后上一层，然后有12楼想下楼乘客在12楼与6楼之间的某层下车，从而避免了必须下到6楼以下。

这些图例表明对研究中的各个新记录大厅呼叫为由一给定车厢提供服务的最佳和最坏情况概述。然而，应认识到那些所考虑和用作表格输出基础的路径，即最坏和最佳情况的概要无需受其限制。可以考虑所有可能路径。可考虑中等路径。同样也可考虑一平均路径，因此，应认识到可借助该FLSD表和，可用时，借助顺流中枢网络模块，考虑任何不同路径数。

现看图21，该图更详细地示出了图6的数据收集步骤。在开始输入之后，设定变址n等于1并进入用于构造训练图6训练步骤中的中枢网络的历史数据的重复循环。这可包括成百或甚至成千种测试情况以促成输入和图1与4的中枢结点之间连接的最佳权重。

图例循环只是一种例子并当然可为本领域技术人员以任何数量的不同方式作出显而易见的改动。该图例的第一步是检测分配所记录大厅呼叫的车厢。然后对那个车厢特定一个或多个路径而言获取如在图8所示FLSD表中的电梯***状态。然后测量分配后该车厢为服务该呼叫的实际时间并将其与分配时间所获取到的电梯***状态一起加以记录。然后递增变址n并确定是否已达到所需取样数。若没达到，则重复整个过程直至达到所需数。

图22，在其左侧表示由特定车厢回答的一万个被记录大厅呼叫的实例，其每一个有一个相关的所获取电梯***状态，这包括由图21程序储存的与其相关的107个输入。这107个输入对应于已在表1作为一个18层大楼带6部车厢的实例所述的107个输入。

在借助图21程序收集到图22左侧数据之后，诸如图8所示的FLSD筛选程序以可被一标准化顺流模块所利用的方式用来概括（如表2中）的数据，所述模块诸如一种具有固定输入数的模拟中枢网络（ANN），如由已图解描述为带有44个输入的ANN。这使得相同ANN或顺流模块能用于任何建筑物内。

图22的右侧示出标有A的表格，该表格代表对应于左侧10，000实例的10.000FLSD表，它们已借助FLSD“筛选程序”缩减为每例44特征，而不是107。该图还示出10，000事件中每一个有一个的RRT并标有B的RRT单列。

然后对由图22的A和B所示实例组执行最小平方线性回归。这种最小平方线性回归由以下矩阵表达式作数学概括：

AX＝B

A是图22中所示实例状态矩阵，B为相应的实际RRT矩阵。通过计算A的倒数，再将A的倒数乘以B，我们得到包含中枢网络的权重的矩阵X。

一旦以这种方式确定了该中枢网络的权重，便可在回答一个新大厅呼叫过程中估算该大楼中的每个车厢，回答过程如图24所示是通过识别新近记录的大厅呼叫然后获取该时间点的大楼的诸变量状态来完成的。这些状态变量经受，如图24中所示，大楼中每个车厢的FLSD，和（例如）对顺流RRT模块中每个车厢予测到的RRT的筛选。然后这些RRT便可以任何所需方式用于诸如图2所示的车厢指配模块中。

虽然现已就本发明最佳方式实施例对其进行图示和说明，但应理解本领域的技术人员可能作出未脱离本发明精神和范围的形式及其细节方面的各种其他变化，删减和增加。

Claims (8)

1、用于估算电梯车厢在回答一座大楼中某一大厅呼叫时的剩余响应时间的方法，包括以下步骤：

提供与该电梯车厢及在为即时分配记录大厅呼叫时刻的大楼状态有关的许多输入信号；

以按照对一中枢网络提供加权的输入信号的某种迭代训练计划予选的加权值，对每个输入信号进行加权；和

对加权后的输入信号求和，以提供该电梯车厢的剩余响应时间信号。

2、对指示有电梯车厢的一座建筑物内各种状态的许多输入信号进行处理的方法，包括以下步骤：

以输入信号子集的方式提供若干输入信号，该输入信号子集与沿该建筑物内所选电梯车厢路径的相应楼层子集有关;和

响应输入信号子集，汇编一固定规模的表格，以产生与输入信号子集中输入信号数目无关的固定数目的输出信号。

3、根据权利要求2的处理多个输入信号的方法，供估算一电梯车厢在回答所述建筑物内一个新近记录的大厅呼叫中的剩余响应时间之用，其中所述汇编步骤包括：

汇编所述固定规模表格中的各单元的输入信号;并进一步包括响应汇编在所述固定规模表格中的输出信号的所述固定数，以产生指示所述剩余响应时间的输出信号。

4、权利要求2所述的方法，其特征在于所述响应步骤包括以下步骤：

以按照对一中枢网络提供加权的输出信号的某种迭代训练计划予选的加权值，对每个输出信号进行加权;和

对加权后的输出信号求和，以提供指示所述剩余响应时间的所述输出信号。

5、权利要求2所述的方法，其特征在于：输入信号的所述子集代表沿所述所选电梯车厢路径的一个相应的楼层/方向组合子集，和其中所述汇编步骤包括对每个对应于所述各楼层/方向组合的现时状态的楼层/方向组合，在所述表格中增加一个单元的步骤。

6、用于处理指示有电梯车厢的一座建筑物中种种状态的许多输入信号的设备，包括：

用于提供与沿该建筑物中所选电梯车厢路径的相应子集相关的输入信号子集中的若干输入信号的装置;和

用于响应输入信号子集汇编一固定规模的表格的装置，用以产生与输入信号子集中输入信号个数无关的固定数目的输出信号。

7、如权利要求6的设备，供估算在回答所述建筑物中一新近记录的大厅呼叫中一电梯车厢的剩余响应时间之用，其中所述用于汇编的装置将输入信号编入所述固定规模表格的各单元中并利用汇编在所述固定规模表格中输出信号的所述固定数目产生指示所述剩余响应时间的输出信号。

8、如权利要求7的设备，其特征在于还包括：以按照为一中枢网络提供加权输出信号的一种迭代训练计划予选的加权值对每个固定数目输出信号进行加权的装置，和用于将所述加权后输出信号求和的装置，以产生指示所述剩余响应时间的所述输出信号。

Images