CN117842806A - 基于人工智能的用户乘梯控制方法及装置 - Google Patents
基于人工智能的用户乘梯控制方法及装置 Download PDFInfo
- Publication number
- CN117842806A CN117842806A CN202410267513.2A CN202410267513A CN117842806A CN 117842806 A CN117842806 A CN 117842806A CN 202410267513 A CN202410267513 A CN 202410267513A CN 117842806 A CN117842806 A CN 117842806A
- Authority
- CN
- China
- Prior art keywords
- elevator
- model training
- user
- training set
- floor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 206
- 238000004590 computer program Methods 0.000 claims description 18
- 230000001815 facial effect Effects 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 13
- 238000003825 pressing Methods 0.000 claims description 9
- 230000001960 triggered effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000004891 communication Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 10
- 239000000872 buffer Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0012—Devices monitoring the users of the elevator system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/02—Control systems without regulation, i.e. without retroactive action
- B66B1/06—Control systems without regulation, i.e. without retroactive action electric
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
- B66B1/3415—Control system configuration and the data transmission or communication within the control system
- B66B1/3423—Control system configuration, i.e. lay-out
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Elevator Control (AREA)
Abstract
本申请实施例提供一种基于人工智能的用户乘梯控制方法及装置,方法包括:通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略;本申请能够有效提高电梯调度的效率和准确率,有利于用户乘梯体验。
Description
技术领域
本申请涉及人工智能领域,具体涉及一种基于人工智能的用户乘梯控制方法及装置。
背景技术
由于目前智能化装置越来越普遍,在生活住房或办公区域的安全也越来越重要,因此有许多的智能电梯应用与发展,智能电梯是指在传统电梯的基础上改进的智能化控制电梯,在用户安全性、识别、管理性方面具有更加智能、简便的特点,广泛应用在住宅、银行、政府部门、酒店、学校宿舍、宾馆等场所,用以保证用户的安全。
发明人发现,现有技术中的电梯在进行调度时仍然不够智能,调度的效率和准确率不高,不利于用户乘梯体验。
发明内容
针对现有技术中的问题,本申请提供一种基于人工智能的用户乘梯控制方法及装置,能够有效提高电梯调度的效率和准确率,有利于用户乘梯体验。
为了解决上述问题中的至少一个,本申请提供以下技术方案:
第一方面,本申请提供一种基于人工智能的用户乘梯控制方法,包括:
通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;
将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;
根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,并在接收到用户发送的乘梯请求时通过所述电梯调度策略执行相应的电梯调度作业,其中,所述乘梯请求是所述用户通过按压/触摸电梯按钮触发的。
进一步地,所述通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,包括:
通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行面部图像采集,并对采集到的面部图像进行关键特征提取,得到面部特征向量;
根据所述面部特征向量与预设人脸数据库的匹配操作,确定对应的用户身份。
进一步地,所述根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集,包括:
根据所述用户身份与预设写字楼数据库的匹配结果确定对应的用户所属公司楼层;
根据所述用户所属公司的历史人流数据确定与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集。
进一步地, 所述将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集,包括:
采集所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据并进行异常缺失预处理;
将经过所述异常缺失预处理后的历史人流数据和历史乘梯数据按照设定时间段进行时间维度划分,并将经过所述时间维度划分后的历史人流数据和历史乘梯数据设定为第二模型训练集。
进一步地,所述根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,包括:
对所述第一模型训练集和所述第二模型训练集进行数据整合,得到整合后的模型训练集;
根据所述模型训练集对预设人工智能预测模型进行迭代训练,确定所述电梯调度策略,其中,所述电梯调度策略包括最短路径策略、最少等待时间策略以及最少运行时间策略中的至少一种。
进一步地,所述根据所述模型训练集对预设人工智能预测模型进行迭代训练,确定所述电梯调度策略,包括:
根据所述模型训练集中的楼层间距特征和电梯运行时间特征对预设人工智能预测模型进行迭代训练;
根据所述迭代训练的结果中的动态最短路径输出最短路径策略。
进一步地,所述根据所述模型训练集对预设人工智能预测模型进行迭代训练,确定所述电梯调度策略,还包括:
根据所述模型训练集中的用户等待时间特征、用户当前位置特征以及用户目标楼层特征对预设人工智能预测模型进行迭代训练;
根据所述迭代训练的结果中的动态最少等待时间输出最少等待时间策略。
进一步地,所述根据所述模型训练集对预设人工智能预测模型进行迭代训练,确定所述电梯调度策略,还包括:
根据所述模型训练集中的电梯运行时间特征对预设人工智能预测模型进行迭代训练;
根据所述迭代训练的结果中的动态最短运行时间输出最短运行时间策略。
第二方面,本申请提供一种基于人工智能的用户乘梯控制装置,包括:
第一模型训练集确定模块,用于通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;
第二模型训练集确定模块,用于将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;
电梯调度策略确定模块,用于根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,并在接收到用户发送的乘梯请求时通过所述电梯调度策略执行相应的电梯调度作业,其中,所述乘梯请求是所述用户通过按压/触摸电梯按钮触发的。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于人工智能的用户乘梯控制方法的步骤。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的基于人工智能的用户乘梯控制方法的步骤。
第五方面,本申请提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现所述的基于人工智能的用户乘梯控制方法的步骤。
由上述技术方案可知,本申请提供一种基于人工智能的用户乘梯控制方法及装置,通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,由此能够有效提高电梯调度的效率和准确率,有利于用户乘梯体验。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例中的基于人工智能的用户乘梯控制方法的流程示意图之一;
图2为本申请实施例中的基于人工智能的用户乘梯控制方法的流程示意图之二;
图3为本申请实施例中的基于人工智能的用户乘梯控制方法的流程示意图之三;
图4为本申请实施例中的基于人工智能的用户乘梯控制方法的流程示意图之四;
图5为本申请实施例中的基于人工智能的用户乘梯控制方法的流程示意图之五;
图6为本申请实施例中的基于人工智能的用户乘梯控制方法的流程示意图之六;
图7为本申请实施例中的基于人工智能的用户乘梯控制方法的流程示意图之七;
图8为本申请实施例中的基于人工智能的用户乘梯控制方法的流程示意图之八;
图9为本申请实施例中的基于人工智能的用户乘梯控制装置的结构图;
图10为本申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
考虑到现有技术中的电梯在进行调度时仍然不够智能,调度的效率和准确率不高,不利于用户乘梯体验的问题,本申请提供一种基于人工智能的用户乘梯控制方法及装置,通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,由此能够有效提高电梯调度的效率和准确率。
为了能够有效提高电梯调度的效率和准确率,有利于用户乘梯体验,本申请提供一种基于人工智能的用户乘梯控制方法的实施例,参见图1,所述基于人工智能的用户乘梯控制方法具体包含有如下内容:
步骤S101:通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;
可选的,本实施例中可以在写字楼的各楼层的候梯厅内部署摄像头,确保其能够全面捕捉候梯厅内的用户。调整摄像头的设置,包括角度、分辨率等,以确保获取清晰的人脸图像。本实施例的***可以是一个集成了人脸检测和识别功能的软件。确保***具备高效的人脸检测算法,能够快速而准确地识别候梯厅中的用户。
可选的,本实施例中可以通过候梯厅摄像头进行人脸识别,获取用户的身份信息。这可能包括用户的姓名、员工ID等身份标识。在识别用户身份后,***访问预设写字楼数据库,该数据库中存储了所有注册用户的详细信息,包括公司楼层、员工信息等。根据用户身份在数据库中查询相应的信息,确定用户所属的公司楼层。这一步是基于已有的注册信息进行的,确保准确地匹配用户与公司楼层的关系。根据用户所属的公司楼层,从数据库中提取与该公司楼层相应的调度权重信息。这些权重可能基于楼层的历史数据、人流量预测、公司员工规模等因素,以影响后续电梯调度的权重分配。将用户身份、所属公司楼层以及获取到的调度权重设定为第一模型训练集的一部分。这个训练集将用于训练人工智能模型,以学习用户身份、公司楼层和调度权重之间的关联。
通过以上步骤,***能够根据用户的身份信息获取与之相关的公司楼层和调度权重,并将这些信息整理为第一模型训练集。这有助于建立模型,使其能够更好地预测不同用户在电梯调度中的权重分配。
步骤S102:将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;
可选的,本实施例中可以针对写字楼各楼层,收集历史人流数据和历史乘梯数据。历史人流数据包括各楼层在不同时间段内的人员流动情况,而历史乘梯数据则记录了每个楼层电梯的使用情况。同时,对收集到的历史人流数据和历史乘梯数据进行预处理,确保数据质量和一致性。这可能涉及去除异常值、填充缺失数据、标准化数据等操作,以使数据适用于模型训练。
然后,本实施例可以将历史人流数据和历史乘梯数据根据设定的时间段进行划分。这可以是按小时、按天、按工作日等时间维度划分,以获得更精确的训练集。将划分后的历史人流数据和历史乘梯数据组合成第二模型的训练集。每个样本可能包括特定时间段内某楼层的人流量、电梯的使用情况等信息。确保数据集具有多样性,覆盖不同楼层和时间段。
步骤S103:根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,并在接收到用户发送的乘梯请求时通过所述电梯调度策略执行相应的电梯调度作业,其中,所述乘梯请求是所述用户通过按压/触摸电梯按钮触发的。
可选的,本实施例可以将第一模型训练集(用户身份、公司楼层、调度权重)和第二模型训练集(历史人流数据、历史乘梯数据)整合成一个综合的训练集。确保数据集中包含了多样性和充分的信息。对整合后的训练集进行特征工程,提取与电梯调度相关的特征。这可能包括用户的调度权重、楼层的历史人流数据、电梯的历史使用情况等。确保选取的特征具有对模型预测目标的相关性。利用验证集对训练好的模型进行验证,评估模型的性能。根据验证结果进行模型的调整和优化,以提高模型的泛化性能。
通过以上步骤,预设的人工智能预测模型将通过训练,得到经过优化的电梯调度策略。这个策略将基于用户的身份信息、公司楼层、历史人流数据和历史乘梯数据等多方面考虑,以实现更智能、个性化的电梯调度。
从上述描述可知,本申请实施例提供的基于人工智能的用户乘梯控制方法,能够通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,由此能够有效提高电梯调度的效率和准确率。
在本申请的基于人工智能的用户乘梯控制方法的一实施例中,参见图2,还可以具体包含如下内容:
步骤S201:通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行面部图像采集,并对采集到的面部图像进行关键特征提取,得到面部特征向量;
步骤S202:根据所述面部特征向量与预设人脸数据库的匹配操作,确定对应的用户身份。
具体的,本实施例中,当用户进入候梯厅并站在摄像头的视野范围内时,***开始进行面部采集。这包括捕捉用户的面部图像,并提取关键特征以建立独特的面部特征向量。通过人脸识别***对采集到的面部图像进行特征提取,并将其与已注册用户的面部特征库进行匹配。这可以是一个存储在预设写字楼数据库中的数据库,其中包含已注册用户的面部特征信息。如果匹配成功,***确认用户的身份。将已注册用户的身份信息(例如公司楼层、用户姓名等)关联到当前识别的用户。这一步骤需要确保匹配算法的准确性和鲁棒性,以避免误识别。
在本申请的基于人工智能的用户乘梯控制方法的一实施例中,参见图3,还可以具体包含如下内容:
步骤S301:根据所述用户身份与预设写字楼数据库的匹配结果确定对应的用户所属公司楼层;
步骤S302:根据所述用户所属公司的历史人流数据确定与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集。
可选的,本实施例中可以通过候梯厅摄像头进行人脸识别,获取用户的身份信息。这可能包括用户的姓名、员工ID等身份标识。在识别用户身份后,***访问预设写字楼数据库,该数据库中存储了所有注册用户的详细信息,包括公司楼层、员工信息等。根据用户身份在数据库中查询相应的信息,确定用户所属的公司楼层。这一步是基于已有的注册信息进行的,确保准确地匹配用户与公司楼层的关系。根据用户所属的公司楼层,从数据库中提取与该公司楼层相应的调度权重信息。这些权重可能基于楼层的历史数据、人流量预测、公司员工规模等因素,以影响后续电梯调度的权重分配。将用户身份、所属公司楼层以及获取到的调度权重设定为第一模型训练集的一部分。这个训练集将用于训练人工智能模型,以学习用户身份、公司楼层和调度权重之间的关联。
在本申请的基于人工智能的用户乘梯控制方法的一实施例中,参见图4,还可以具体包含如下内容:
步骤S401:采集所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据并进行异常缺失预处理;
步骤S402:将经过所述异常缺失预处理后的历史人流数据和历史乘梯数据按照设定时间段进行时间维度划分,并将经过所述时间维度划分后的历史人流数据和历史乘梯数据设定为第二模型训练集。
可选的,本实施例中可以针对写字楼各楼层,收集历史人流数据和历史乘梯数据。历史人流数据包括各楼层在不同时间段内的人员流动情况,而历史乘梯数据则记录了每个楼层电梯的使用情况。同时,对收集到的历史人流数据和历史乘梯数据进行预处理,确保数据质量和一致性。这可能涉及去除异常值、填充缺失数据、标准化数据等操作,以使数据适用于模型训练。
然后,本实施例可以将历史人流数据和历史乘梯数据根据设定的时间段进行划分。这可以是按小时、按天、按工作日等时间维度划分,以获得更精确的训练集。将划分后的历史人流数据和历史乘梯数据组合成第二模型的训练集。每个样本可能包括特定时间段内某楼层的人流量、电梯的使用情况等信息。确保数据集具有多样性,覆盖不同楼层和时间段。
在本申请的基于人工智能的用户乘梯控制方法的一实施例中,参见图5,还可以具体包含如下内容:
步骤S501:对所述第一模型训练集和所述第二模型训练集进行数据整合,得到整合后的模型训练集;
步骤S502:根据所述模型训练集对预设人工智能预测模型进行迭代训练,确定所述电梯调度策略,其中,所述电梯调度策略包括最短路径策略、最少等待时间策略以及最少运行时间策略中的至少一种。
可选的,本实施例可以将第一模型训练集(用户身份、公司楼层、调度权重)和第二模型训练集(历史人流数据、历史乘梯数据)整合成一个综合的训练集。确保数据集中包含了多样性和充分的信息。对整合后的训练集进行特征工程,提取与电梯调度相关的特征。这可能包括用户的调度权重、楼层的历史人流数据、电梯的历史使用情况等。确保选取的特征具有对模型预测目标的相关性。利用验证集对训练好的模型进行验证,评估模型的性能。根据验证结果进行模型的调整和优化,以提高模型的泛化性能。
通过以上步骤,预设的人工智能预测模型将通过训练,得到经过优化的电梯调度策略。这个策略将基于用户的身份信息、公司楼层、历史人流数据和历史乘梯数据等多方面考虑,以实现更智能、个性化的电梯调度。
在本申请的基于人工智能的用户乘梯控制方法的一实施例中,参见图6,还可以具体包含如下内容:
步骤S601:根据所述模型训练集中的楼层间距特征和电梯运行时间特征对预设人工智能预测模型进行迭代训练;
步骤S602:根据所述迭代训练的结果中的动态最短路径输出最短路径策略。
可选的,本实施例中最短路径算法旨在找到电梯运行的最短路径,以尽快到达目标楼层。常用的算法包括Dijkstra算法和A*算法。
具体的,构建楼层之间的图,将电梯的当前楼层视为起点,目标楼层视为终点。初始化距离表,记录起点到各楼层的距离,初始距离设为无穷大。从起点开始,选择距离最短的相邻楼层,更新距离表。重复前述步骤,直至到达目标楼层,得到最短路径。
由此可知,在这个算法中,可以使用机器学习模型来预测每个楼层之间的距离。这个预测模型可以使用历史数据集(第二模型训练集)中的楼层间距离、电梯运行时间等特征进行训练。模型训练后,通过实时监测电梯和楼层之间的情况,可以动态地计算最短路径。
在本申请的基于人工智能的用户乘梯控制方法的一实施例中,参见图7,还可以具体包含如下内容:
步骤S701:根据所述模型训练集中的用户等待时间特征、用户当前位置特征以及用户目标楼层特征对预设人工智能预测模型进行迭代训练;
步骤S702:根据所述迭代训练的结果中的动态最少等待时间输出最少等待时间策略。
可选的,本实施例中最少等待时间算法考虑当前电梯的运行状态和乘客的等待情况,以最小化乘客等待时间。
具体的,对每个楼层的等待乘客进行计数。当电梯空闲或运行方向与等待最多的方向一致时,选择前往等待最多的楼层。如果电梯已有目标楼层,则保持当前方向行驶;否则,根据等待乘客选择方向。
由此可知,这个算法关注乘客的等待时间,第一模型训练集可以包含有关每位乘客等待时间的信息。通过训练模型,可以根据当前乘客的位置、目标楼层、电梯状态等特征,预测最优的电梯调度决策。
在本申请的基于人工智能的用户乘梯控制方法的一实施例中,参见图8,还可以具体包含如下内容:
步骤S801:根据所述模型训练集中的电梯运行时间特征对预设人工智能预测模型进行迭代训练;
步骤S802:根据所述迭代训练的结果中的动态最短运行时间输出最短运行时间策略。
可选的,本实施例中最少运行时间算法旨在最小化电梯的总运行时间,考虑已有目标楼层和当前乘客的请求。
具体的,统计当前乘客请求的楼层,将其作为目标楼层。根据电梯当前楼层和方向,选择最近的目标楼层。如果当前没有目标楼层,选择最近的乘客请求楼层。更新目标楼层后,根据最短路径算法确定行驶路径。
由此可知,在这个算法中,考虑到电梯的总运行时间,第一模型训练集可以包含有关电梯运行时间的信息。通过历史数据集,可以训练一个模型,预测在不同情况下选择哪个目标楼层会导致最少的总运行时间。
综合来说,第一模型训练集和第二模型训练集是通过机器学习技术来学习历史数据中的模式,以便更好地优化电梯调度算法。这些模型可以通过监测实时数据来不断更新,以适应变化的电梯使用情况。
为了能够有效提高电梯调度的效率和准确率,有利于用户乘梯体验,本申请提供一种用于实现所述基于人工智能的用户乘梯控制方法的全部或部分内容的基于人工智能的用户乘梯控制装置的实施例,参见图9,所述基于人工智能的用户乘梯控制装置具体包含有如下内容:
第一模型训练集确定模块10,用于通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;
第二模型训练集确定模块20,用于将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;
电梯调度策略确定模块30,用于根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,并在接收到用户发送的乘梯请求时通过所述电梯调度策略执行相应的电梯调度作业,其中,所述乘梯请求是所述用户通过按压/触摸电梯按钮触发的。
从上述描述可知,本申请实施例提供的基于人工智能的用户乘梯控制装置,能够通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,由此能够有效提高电梯调度的效率和准确率。
从硬件层面来说,为了能够有效提高电梯调度的效率和准确率,有利于用户乘梯体验,本申请提供一种用于实现所述基于人工智能的用户乘梯控制方法中的全部或部分内容的电子设备的实施例,所述电子设备具体包含有如下内容:
处理器(processor) 、存储器(memory) 、通信接口(Communications Interface)和总线;其中,所述处理器、存储器、通信接口通过所述总线完成相互间的通信;所述通信接口用于实现基于人工智能的用户乘梯控制装置与核心业务***、用户终端以及相关数据库等相关设备之间的信息传输;该逻辑控制器可以是台式计算机、平板电脑及移动终端等,本实施例不限于此。在本实施例中,该逻辑控制器可以参照实施例中的基于人工智能的用户乘梯控制方法的实施例,以及基于人工智能的用户乘梯控制装置的实施例进行实施,其内容被合并于此,重复之处不再赘述。
可以理解的是,所述用户终端可以包括智能手机、平板电子设备、网络机顶盒、便携式计算机、台式电脑、个人数字助理(PDA)、车载设备、智能穿戴设备等。其中,所述智能穿戴设备可以包括智能眼镜、智能手表、智能手环等。
在实际应用中,基于人工智能的用户乘梯控制方法的部分可以在如上述内容所述的电子设备侧执行,也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力,以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成,所述客户端设备还可以包括处理器。
上述的客户端设备可以具有通信模块(即通信单元),可以与远程的服务器进行通信连接,实现与所述服务器的数据传输。所述服务器可以包括任务调度中心一侧的服务器,其他的实施场景中也可以包括中间平台的服务器,例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备,也可以包括多个服务器组成的服务器集群,或者分布式装置的服务器结构。
图10为本申请实施例的电子设备9600的***构成的示意框图。如图10所示,该电子设备9600可以包括中央处理器9100和存储器9140;存储器9140耦合到中央处理器9100。值得注意的是,该图10是示例性的;还可以使用其他类型的结构,来补充或代替该结构,以实现电信功能或其他功能。
一实施例中,基于人工智能的用户乘梯控制方法功能可以被集成到中央处理器9100中。其中,中央处理器9100可以被配置为进行如下控制:
步骤S101:通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;
步骤S102:将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;
步骤S103:根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,并在接收到用户发送的乘梯请求时通过所述电梯调度策略执行相应的电梯调度作业,其中,所述乘梯请求是所述用户通过按压/触摸电梯按钮触发的。
从上述描述可知,本申请实施例提供的电子设备,通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,由此能够有效提高电梯调度的效率和准确率。
在另一个实施方式中,基于人工智能的用户乘梯控制装置可以与中央处理器9100分开配置,例如可以将基于人工智能的用户乘梯控制装置配置为与中央处理器9100连接的芯片,通过中央处理器的控制来实现基于人工智能的用户乘梯控制方法功能。
如图10所示,该电子设备9600还可以包括:通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是,电子设备9600也并不是必须要包括图10中所示的所有部件;此外,电子设备9600还可以包括图10中没有示出的部件,可以参考现有技术。
如图10所示,中央处理器9100有时也称为控制器或操作控件,可以包括微处理器或其他处理器装置和/或逻辑装置,该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中,存储器9140,例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息,此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序,以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器,但并不限于此。
该存储器9140可以是固态存储器,例如,只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器,其即使在断电时也保存信息,可被选择性地擦除且设有更多数据,该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142,该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143,该数据存储部9143用于存储数据,例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100,以提供输入信号和接收输出信号,这可以和常规移动通信终端的情况相同。
基于不同的通信技术,在同一电子设备中,可以设置有多个通信模块9110,如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132,以经由扬声器9131提供音频输出,并接收来自麦克风9132的音频输入,从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外,音频处理器9130还耦合到中央处理器9100,从而使得可以通过麦克风9132能够在本机上录音,且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于人工智能的用户乘梯控制方法中全部步骤的一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的基于人工智能的用户乘梯控制方法的全部步骤,例如,所述处理器执行所述计算机程序时实现下述步骤:
步骤S101:通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;
步骤S102:将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;
步骤S103:根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,并在接收到用户发送的乘梯请求时通过所述电梯调度策略执行相应的电梯调度作业,其中,所述乘梯请求是所述用户通过按压/触摸电梯按钮触发的。
从上述描述可知,本申请实施例提供的计算机可读存储介质,通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,由此能够有效提高电梯调度的效率和准确率。
本申请的实施例还提供能够实现上述实施例中的执行主体为服务器或客户端的基于人工智能的用户乘梯控制方法中全部步骤的一种计算机程序产品,该计算机程序/指令被处理器执行时实现所述的基于人工智能的用户乘梯控制方法的步骤,例如,所述计算机程序/指令实现下述步骤:
步骤S101:通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;
步骤S102:将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;
步骤S103:根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,并在接收到用户发送的乘梯请求时通过所述电梯调度策略执行相应的电梯调度作业,其中,所述乘梯请求是所述用户通过按压/触摸电梯按钮触发的。
从上述描述可知,本申请实施例提供的计算机程序产品,通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,由此能够有效提高电梯调度的效率和准确率。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于人工智能的用户乘梯控制方法,其特征在于,所述方法包括:
通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;
将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;
根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,并在接收到用户发送的乘梯请求时通过所述电梯调度策略执行相应的电梯调度作业,其中,所述乘梯请求是所述用户通过按压/触摸电梯按钮触发的。
2.根据权利要求1所述的基于人工智能的用户乘梯控制方法,其特征在于,所述通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,包括:
通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行面部图像采集,并对采集到的面部图像进行关键特征提取,得到面部特征向量;
根据所述面部特征向量与预设人脸数据库的匹配操作,确定对应的用户身份。
3.根据权利要求1所述的基于人工智能的用户乘梯控制方法,其特征在于,所述根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集,包括:
根据所述用户身份与预设写字楼数据库的匹配结果确定对应的用户所属公司楼层;
根据所述用户所属公司的历史人流数据确定与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集。
4.根据权利要求1所述的基于人工智能的用户乘梯控制方法,其特征在于,所述将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集,包括:
采集所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据并进行异常缺失预处理;
将经过所述异常缺失预处理后的历史人流数据和历史乘梯数据按照设定时间段进行时间维度划分,并将经过所述时间维度划分后的历史人流数据和历史乘梯数据设定为第二模型训练集。
5.根据权利要求1所述的基于人工智能的用户乘梯控制方法,其特征在于,所述根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,包括:
对所述第一模型训练集和所述第二模型训练集进行数据整合,得到整合后的模型训练集;
根据所述模型训练集对预设人工智能预测模型进行迭代训练,确定所述电梯调度策略,其中,所述电梯调度策略包括最短路径策略、最少等待时间策略以及最少运行时间策略中的至少一种。
6.根据权利要求5所述的基于人工智能的用户乘梯控制方法,其特征在于,所述根据所述模型训练集对预设人工智能预测模型进行迭代训练,确定所述电梯调度策略,包括:
根据所述模型训练集中的楼层间距特征和电梯运行时间特征对预设人工智能预测模型进行迭代训练;
根据所述迭代训练的结果中的动态最短路径输出最短路径策略。
7.根据权利要求5所述的基于人工智能的用户乘梯控制方法,其特征在于,所述根据所述模型训练集对预设人工智能预测模型进行迭代训练,确定所述电梯调度策略,还包括:
根据所述模型训练集中的用户等待时间特征、用户当前位置特征以及用户目标楼层特征对预设人工智能预测模型进行迭代训练;
根据所述迭代训练的结果中的动态最少等待时间输出最少等待时间策略。
8.根据权利要求5所述的基于人工智能的用户乘梯控制方法,其特征在于,所述根据所述模型训练集对预设人工智能预测模型进行迭代训练,确定所述电梯调度策略,还包括:
根据所述模型训练集中的电梯运行时间特征对预设人工智能预测模型进行迭代训练;
根据所述迭代训练的结果中的动态最短运行时间输出最短运行时间策略。
9.一种基于人工智能的用户乘梯控制装置,其特征在于,所述装置包括:
第一模型训练集确定模块,用于通过候梯厅摄像头对写字楼各楼层候梯厅的所有用户进行人脸识别,确定对应的用户身份,并根据所述用户身份和预设写字楼数据库确定对应的用户所属公司楼层和与所述用户所属公司楼层相应的调度权重,并将所述用户身份、所述用户所属公司楼层以及所述调度权重设定为第一模型训练集;
第二模型训练集确定模块,用于将所述写字楼各楼层设定时间段内的历史人流数据和历史乘梯数据设定为第二模型训练集;
电梯调度策略确定模块,用于根据所述第一模型训练集和所述第二模型训练集对预设人工智能预测模型进行模型训练,得到经过所述模型训练后的电梯调度策略,并在接收到用户发送的乘梯请求时通过所述电梯调度策略执行相应的电梯调度作业,其中,所述乘梯请求是所述用户通过按压/触摸电梯按钮触发的。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8任一项所述的基于人工智能的用户乘梯控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410267513.2A CN117842806B (zh) | 2024-03-08 | 2024-03-08 | 基于人工智能的用户乘梯控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410267513.2A CN117842806B (zh) | 2024-03-08 | 2024-03-08 | 基于人工智能的用户乘梯控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117842806A true CN117842806A (zh) | 2024-04-09 |
CN117842806B CN117842806B (zh) | 2024-05-03 |
Family
ID=90542194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410267513.2A Active CN117842806B (zh) | 2024-03-08 | 2024-03-08 | 基于人工智能的用户乘梯控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117842806B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5616896A (en) * | 1993-11-11 | 1997-04-01 | Kone Oy | Procedure for controlling an elevator group |
JP2003095562A (ja) * | 2001-07-18 | 2003-04-03 | Mitsubishi Electric Building Techno Service Co Ltd | エレベータの戸の制御装置 |
TW201504130A (zh) * | 2013-07-17 | 2015-02-01 | Hon Hai Prec Ind Co Ltd | 電梯控制系統及方法 |
CN104340779A (zh) * | 2013-07-23 | 2015-02-11 | 鸿富锦精密工业(深圳)有限公司 | 电梯控制***及方法 |
CN109179101A (zh) * | 2018-09-07 | 2019-01-11 | 平安科技(深圳)有限公司 | 电梯控制方法、装置、计算机设备及计算机可读存储介质 |
CN110980456A (zh) * | 2019-12-17 | 2020-04-10 | 南京理工大学 | 基于交通流和自适应神经模糊推理的电梯群控调度方法 |
CN113682908A (zh) * | 2021-08-31 | 2021-11-23 | 电子科技大学 | 一种基于深度学习的智能调度方法 |
CN114229637A (zh) * | 2021-12-03 | 2022-03-25 | 北京声智科技有限公司 | 电梯楼层确定方法、装置、设备及计算机可读存储介质 |
CN114634071A (zh) * | 2022-01-30 | 2022-06-17 | 别克派利尔电梯(扬州)有限公司 | 基于电梯调度神经网络训练的人工智能优化操作*** |
CN115057308A (zh) * | 2022-07-20 | 2022-09-16 | 上海三菱电梯有限公司 | 电梯调配方法 |
CN116663748A (zh) * | 2023-07-26 | 2023-08-29 | 常熟理工学院 | 基于循环神经网络的电梯调度决策方法及*** |
-
2024
- 2024-03-08 CN CN202410267513.2A patent/CN117842806B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5616896A (en) * | 1993-11-11 | 1997-04-01 | Kone Oy | Procedure for controlling an elevator group |
JP2003095562A (ja) * | 2001-07-18 | 2003-04-03 | Mitsubishi Electric Building Techno Service Co Ltd | エレベータの戸の制御装置 |
TW201504130A (zh) * | 2013-07-17 | 2015-02-01 | Hon Hai Prec Ind Co Ltd | 電梯控制系統及方法 |
CN104340779A (zh) * | 2013-07-23 | 2015-02-11 | 鸿富锦精密工业(深圳)有限公司 | 电梯控制***及方法 |
CN109179101A (zh) * | 2018-09-07 | 2019-01-11 | 平安科技(深圳)有限公司 | 电梯控制方法、装置、计算机设备及计算机可读存储介质 |
CN110980456A (zh) * | 2019-12-17 | 2020-04-10 | 南京理工大学 | 基于交通流和自适应神经模糊推理的电梯群控调度方法 |
CN113682908A (zh) * | 2021-08-31 | 2021-11-23 | 电子科技大学 | 一种基于深度学习的智能调度方法 |
CN114229637A (zh) * | 2021-12-03 | 2022-03-25 | 北京声智科技有限公司 | 电梯楼层确定方法、装置、设备及计算机可读存储介质 |
CN114634071A (zh) * | 2022-01-30 | 2022-06-17 | 别克派利尔电梯(扬州)有限公司 | 基于电梯调度神经网络训练的人工智能优化操作*** |
CN115057308A (zh) * | 2022-07-20 | 2022-09-16 | 上海三菱电梯有限公司 | 电梯调配方法 |
CN116663748A (zh) * | 2023-07-26 | 2023-08-29 | 常熟理工学院 | 基于循环神经网络的电梯调度决策方法及*** |
Non-Patent Citations (1)
Title |
---|
乔元健;: "基于PLC和神经网络的电梯群控最优化方法设计", 智慧工厂, no. 05, 15 May 2020 (2020-05-15), pages 47 - 49 * |
Also Published As
Publication number | Publication date |
---|---|
CN117842806B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103918247B (zh) | 基于背景环境的智能手机传感器逻辑 | |
CN102782733B (zh) | 采用配备有传感器的智能电话的方法和配置方案 | |
CN103269510B (zh) | 位置跟踪操作中的高效功率使用 | |
CN111114554B (zh) | 行驶轨迹预测方法、装置、终端及存储介质 | |
CN113064700B (zh) | 容器部署方法及装置 | |
US20220277752A1 (en) | Voice interaction method and related apparatus | |
CN105357371A (zh) | 用于移动装置的智能音频记录的***和方法 | |
CN110471735A (zh) | 操作视图界面推送方法及装置 | |
CN110992963A (zh) | 网络通话方法、装置、计算机设备及存储介质 | |
KR20180081922A (ko) | 전자 장치의 입력 음성에 대한 응답 방법 및 그 전자 장치 | |
WO2019205398A1 (zh) | 用户行为激励方法、装置、计算机设备及存储介质 | |
CN112766978A (zh) | 地铁刷脸支付方法及装置 | |
KR102492333B1 (ko) | 뉴럴 네트워크를 이용하여 주차와 관련된 정보를 기반으로 단말에게 진료 예약 일정에 대한 정보를 제공하는 방법 및 장치 | |
CN117842806B (zh) | 基于人工智能的用户乘梯控制方法及装置 | |
CN112017670B (zh) | 一种目标账户音频的识别方法、装置、设备及介质 | |
CN113065879A (zh) | 一种数据流质检方法及*** | |
CN113727272A (zh) | 分布式智能交互方法、装置、电子设备及存储介质 | |
CN112562688A (zh) | 语音转写方法、装置、录音笔和存储介质 | |
KR102339494B1 (ko) | 입차 또는 출차되는 차량을 관리하기 위한 전자 장치 및 그 동작 방법 | |
CN112820298B (zh) | 声纹识别方法及装置 | |
CN115118820A (zh) | 一种通话处理方法、装置、计算机设备及存储介质 | |
CN111089581A (zh) | 交通引导方法、终端及机器人 | |
CN117455558A (zh) | 基于组合模型的数据处理方法及装置 | |
CN112766698B (zh) | 应用业务压力确定方法及装置 | |
CN111292766B (zh) | 用于生成语音样本的方法、装置、电子设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address |
Address after: 310000, 24th, 25th, and 26th floors of Building 3, Fashion Wantong City, Cangqian Street, Yuhang District, Hangzhou City, Zhejiang Province Patentee after: Hangzhou Yufan Intelligent Technology Co.,Ltd. Country or region after: China Address before: 310000, 24th, 25th, and 26th floors of Building 3, Fashion Wantong City, Cangqian Street, Yuhang District, Hangzhou City, Zhejiang Province Patentee before: UNIVERSAL UBIQUITOUS TECHNOLOGY Co.,Ltd. Country or region before: China |