CN113772503A - 一种基于大数据的小区电梯智能停靠方法 - Google Patents

Abstract

本发明公开了一种基于大数据的小区电梯智能停靠方法，包括：采集小区住户的信息数据并对所述信息数据进行预处理；将预处理后的数据分类存储于小区大数据信息库；实时获取电梯内使用人员数据信息，并上传至所述小区大数据信息库进行数据比对；若比对成功，则自动选择对应电梯停靠楼层，若比对不成功，则输入电梯密码进行住户信息数据的自动存储。本发明提高电梯智能化程度，从而提高电梯的使用效率，并且通过小区用户的一一对应的楼层响应，提高了小区的安全性。

Description

一种基于大数据的小区电梯智能停靠方法

技术领域

本发明涉及大数据的技术领域，尤其涉及一种基于大数据的小区电梯智能停靠方法。

背景技术

互联网时代，科技的进步带动着社会的进步，计算机技术的不断发展与创新,也使互联网与传统产业结合研发出更具智能化的产品应用到人们的日常生活中。随着电梯技术的广泛应用,人们对智能化、舒适化、安全化的电梯需求度也在逐渐提高,不仅能给人们的生活带来更多的方便。

智能电梯主要由曳引机、导轨、对重装置、安全装置、信号操纵***、轿厢与厅门等组成。这些部分分别安装在建筑物的井道和机房中。通常采用钢丝绳摩擦传动，钢丝绳绕过曳引轮，两端分别连接轿厢和平衡重，电动机驱动曳引轮使轿厢升降，电梯要求安全可靠、输送效率高、平层准确和乘坐舒适等，现有的智能电梯进入电梯内还需要手动按动对应楼层的按钮导致智能化程度低；故如何能够提高电梯使用效率和小区安全性是目前亟待解决的问题。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有的智能电梯进入电梯内还需要手动按动对应楼层的按钮导致智能化程度低。

为解决上述技术问题，本发明提供如下技术方案：采集小区住户的信息数据并对所述信息数据进行预处理；将预处理后的数据分类存储于小区大数据信息库；实时获取电梯内使用人员数据信息，并上传至所述小区大数据信息库进行数据比对；若比对成功，则自动选择对应电梯停靠楼层，若比对不成功，则输入电梯密码进行住户信息数据的自动存储。

作为本发明所述的基于大数据的小区电梯智能停靠方法的一种优选方案，其中：所述小区住户的信息数据包括小区住户的人脸图像。

作为本发明所述的基于大数据的小区电梯智能停靠方法的一种优选方案，其中：对所述信息数据进行预处理包括，对所述小区住户的人脸图像进行灰度化处理；利用ROF去噪模型对灰度化处理后的人脸图像进行去噪处理；提取去噪处理后的图像特征，生成第一特征数据集。

作为本发明所述的基于大数据的小区电梯智能停靠方法的一种优选方案，其中：将预处理后的数据分类存储于小区大数据信息库包括，将所述第一特征数据集与住户对应的楼层进行合并生成新的编码；基于所述新的编码与住户所在的楼宇编号同时存储于所述小区大数据信息库，并形成新的数据集合；在所述小区大数据信息库中根据住户使用电梯的频率对所述新的数据集合进行数据分层。

作为本发明所述的基于大数据的小区电梯智能停靠方法的一种优选方案，其中：所述数据分层包括，平均一天使用14次以上的为使用频繁，将该用户分层于频繁使用层；平均一天使用6～10次的为使用较频繁，将该用户分层于较频繁使用层；平均一天使用6次以下的为使用不频繁，将该用户分层于不频繁使用层。

作为本发明所述的基于大数据的小区电梯智能停靠方法的一种优选方案，其中：所述实时获取电梯内使用人员数据信息的获取及处理方式包括，利用安装于电梯入口处的高清摄像头获取所述电梯内使用人员数据信息；对所述人员数据信息进行灰度化和去噪处理，获取其第二特征数据集。

作为本发明所述的基于大数据的小区电梯智能停靠方法的一种优选方案，其中：所述数据比对过程包括，构建数据比对模型；基于预处理后的小区住户的信息数据对所述数据比对模型进行训练；将实时采集并处理后的第二特征数据集输入至训练好的数据比对模型并根据分层结果进行分层对比识别，输出识别比对结果。

作为本发明所述的基于大数据的小区电梯智能停靠方法的一种优选方案，其中：所述数据比对模型包括，基于深度神经网络及第一、二特征数据集构建所述数据比对模型：

其中，x₁,x₂分别表示第一特征数据集、第二特征数据集，depth表示特征集中特征数据在语义树中的深度，len表示两个特征数据集之间的路径长度，lso表示两个特征数据集之间的公共父节点。

作为本发明所述的基于大数据的小区电梯智能停靠方法的一种优选方案，其中：根据所述识别比对结果进行识别成功与否的判断，其判断标准包括，当Sim(x₁,x₂)∈(0.84,1]时，表示识别成功；当Sim(x₁,x₂)≤0.84时，表示识别失败。

本发明的有益效果：提高电梯智能化程度，从而提高电梯的使用效率，并且通过小区用户的一一对应的楼层响应，提高了小区的安全性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述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例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种基于大数据的小区电梯智能停靠方法的基本流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的一个实施例，提供了一种基于大数据的小区电梯智能停靠方法，包括：

S1：采集小区住户的信息数据并对信息数据进行预处理；需要说明的是：

小区住户的信息数据包括小区住户的人脸图像。

进一步的，对信息数据进行预处理包括：

对小区住户的人脸图像进行灰度化处理；

利用ROF去噪模型对灰度化处理后的人脸图像进行去噪处理；

提取去噪处理后的图像特征，生成第一特征数据集。

S2：将预处理后的数据分类存储于小区大数据信息库；需要说明的是：

将预处理后的数据分类存储于小区大数据信息库包括：

将第一特征数据集与住户对应的楼层进行合并生成新的编码；

基于新的编码与住户所在的楼宇编号同时存储于小区大数据信息库，并形成新的数据集合；

在小区大数据信息库中根据住户使用电梯的频率对新的数据集合进行数据分层。

其中，数据分层包括：

平均一天使用14次以上的为使用频繁，将该用户分层于频繁使用层；

平均一天使用6～10次的为使用较频繁，将该用户分层于较频繁使用层；

平均一天使用6次以下的为使用不频繁，将该用户分层于不频繁使用层。

S3：实时获取电梯内使用人员数据信息，并上传至小区大数据信息库进行数据比对；需要说明的是：

实时获取电梯内使用人员数据信息的获取及处理方式包括：

利用安装于电梯入口处的高清摄像头实时获取电梯内使用人员数据信息；

对人员数据信息进行灰度化和去噪处理，获取其第二特征数据集。

进一步的，数据比对过程包括：

构建数据比对模型；

基于预处理后的小区住户的信息数据对数据比对模型进行训练；

将实时采集并处理后的第二特征数据集输入至训练好的数据比对模型并根据分层结果进行分层对比识别，输出识别比对结果。

更进一步的，数据比对模型包括，

基于深度神经网络及第一、二特征数据集构建数据比对模型：

其中，x₁,x₂分别表示第一特征数据集、第二特征数据集，depth表示特征集中特征数据在语义树中的深度，len表示两个特征数据集之间的路径长度，lso表示两个特征数据集之间的公共父节点。

S4：若比对成功，则自动选择对应电梯停靠楼层，若比对不成功，则输入电梯密码进行住户信息数据的自动存储；

具体的，根据识别比对结果进行识别成功与否的判断，其判断标准包括：

当Sim(x₁,x₂)∈(0.84,1]时，表示识别成功；

当Sim(x₁,x₂)≤0.84时，表示识别失败。

本发明方法通过高清摄像头进行小区住户信息的采集，并对数据信息进行分层储存，可以更快的获取所需要的比对数据，提高识别速度，进一步的，本发明利用数据比对模型利用大数据库中的数据和实时采集的数据进行比对，提高识别准确率，本发明通过无接触、根据用户所需实际楼层进行选择且无法选择其他非用户所住楼层，实现了小区电梯停靠智能化，提高小区的安全性。

实施例2

本实施例为本发明另一个实施例，该实施例不同于第一个实施例的是，提供了一种基于大数据的小区电梯智能停靠方法，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

传统的技术方案：智能化程度低，安全性低，使用效率低。为验证本方法相对传统方法具有较高智能化程度及安全性，以及较高的使用效率。本实施例中将采用传统手动按动对应楼层的方法和本方法分别对电梯的停靠效率进行实时测量对比。

测试环境：在仿真平台模拟电梯的运行，采用实时电梯使用人员信息为测试样本，分别利用传统方法的人工操作进行电梯停靠楼层的选择并获得测试结果数据。采用本方法，则开启自动化测试设备并运用MATLB软件编程实现本方法的仿真测试，根据实验结果得到仿真数据。每种方法各测试20组数据，计算获得每组数据运行时间，与仿真模拟输入的标准值进行对比计算误差，结果如下表所示。

表1：实验结果对比表。

从上表可以看出，本发明方法相较与传统方法有较高的运行效率，以及能够提高电梯的智能化程度和安全性。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于大数据的小区电梯智能停靠方法，其特征在于，包括：

采集小区住户的信息数据并对所述信息数据进行预处理；

将预处理后的数据分类存储于小区大数据信息库；

实时获取电梯内使用人员数据信息，并上传至所述小区大数据信息库进行数据比对；

若比对成功，则自动选择对应电梯停靠楼层，若比对不成功，则输入电梯密码进行住户信息数据的自动存储。

2.如权利要求1所述的基于大数据的小区电梯智能停靠方法，其特征在于：所述小区住户的信息数据包括小区住户的人脸图像。

3.如权利要求1或2所述的基于大数据的小区电梯智能停靠方法，其特征在于：对所述信息数据进行预处理包括，

对所述小区住户的人脸图像进行灰度化处理；

利用ROF去噪模型对灰度化处理后的人脸图像进行去噪处理；

提取去噪处理后的图像特征，生成第一特征数据集。

4.如权利要求3所述的基于大数据的小区电梯智能停靠方法，其特征在于：将预处理后的数据分类存储于小区大数据信息库包括，

将所述第一特征数据集与住户对应的楼层进行合并生成新的编码；

基于所述新的编码与住户所在的楼宇编号同时存储于所述小区大数据信息库，并形成新的数据集合；

在所述小区大数据信息库中根据住户使用电梯的频率对所述新的数据集合进行数据分层。

5.如权利要求4所述的基于大数据的小区电梯智能停靠方法，其特征在于：所述数据分层包括，

平均一天使用14次以上的为使用频繁，将该用户分层于频繁使用层；

平均一天使用6～10次的为使用较频繁，将该用户分层于较频繁使用层；

平均一天使用6次以下的为使用不频繁，将该用户分层于不频繁使用层。

6.如权利要求1所述的基于大数据的小区电梯智能停靠方法，其特征在于：所述实时获取电梯内使用人员数据信息的获取及处理方式包括，

利用安装于电梯入口处的高清摄像头获取所述电梯内使用人员数据信息；

对所述人员数据信息进行灰度化和去噪处理，获取其第二特征数据集。

7.如权利要求1、4～6任一所述的基于大数据的小区电梯智能停靠方法，其特征在于：所述数据比对过程包括，

构建数据比对模型；

基于预处理后的小区住户的信息数据对所述数据比对模型进行训练；

将实时采集并处理后的第二特征数据集输入至训练好的数据比对模型并根据分层结果进行分层对比识别，输出识别比对结果。

8.如权利要求7所述的基于大数据的小区电梯智能停靠方法，其特征在于：所述数据比对模型包括，

基于深度神经网络及第一、二特征数据集构建所述数据比对模型：

其中，x₁,x₂分别表示第一特征数据集、第二特征数据集，depth表示特征集中特征数据在语义树中的深度，len表示两个特征数据集之间的路径长度，lso表示两个特征数据集之间的公共父节点。

9.如权利要求8所述的基于大数据的小区电梯智能停靠方法，其特征在于：根据所述识别比对结果进行识别成功与否的判断，其判断标准包括，

当Sim(x₁,x₂)∈(0.84,1]时，表示识别成功；

当Sim(x₁,x₂)≤0.84时，表示识别失败。

Images