ES2345647B1 - Controlador dinamico de deteccion de patrones de trafico mediante logica difusa. - Google Patents
Controlador dinamico de deteccion de patrones de trafico mediante logica difusa. Download PDFInfo
- Publication number
- ES2345647B1 ES2345647B1 ES200900840A ES200900840A ES2345647B1 ES 2345647 B1 ES2345647 B1 ES 2345647B1 ES 200900840 A ES200900840 A ES 200900840A ES 200900840 A ES200900840 A ES 200900840A ES 2345647 B1 ES2345647 B1 ES 2345647B1
- Authority
- ES
- Spain
- Prior art keywords
- traffic
- type
- mass
- period
- ascending
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 3
- 230000001174 ascending effect Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000008649 adaptation response Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004642 transportation engineering Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/24—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration
- B66B1/2408—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration where the allocation of a call to an elevator car is of importance, i.e. by means of a supervisory or group controller
-
- 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
- B66B1/14—Control systems without regulation, i.e. without retroactive action electric with devices, e.g. push-buttons, for indirect control of movements
- B66B1/18—Control systems without regulation, i.e. without retroactive action electric with devices, e.g. push-buttons, for indirect control of movements with means for storing pulses controlling the movements of several cars or cages
- B66B1/20—Control systems without regulation, i.e. without retroactive action electric with devices, e.g. push-buttons, for indirect control of movements with means for storing pulses controlling the movements of several cars or cages and for varying the manner of operation to suit particular traffic conditions, e.g. "one-way rush-hour traffic"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B2201/00—Aspects of control systems of elevators
- B66B2201/40—Details of the change of control mode
- B66B2201/403—Details of the change of control mode by real-time traffic data
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
- Elevator Control (AREA)
- Traffic Control Systems (AREA)
Abstract
Controlador dinámico de detección de patrones de
tráfico mediante lógica difusa.
Método, dispositivo y sistema controlador
dinámico de detección de patrones de tráfico (UPPEAK, DOWNPEAK,
LUNCHPEAK, INTERFLOOR) mediante lógica difusa en donde, en función
del valor de variables de masa y variaciones de masa, se desarrolla
un proceso de inferencia borrosa en función del componente de masa,
de la variación de dicha masa y del tipo de tráfico inmediatamente
anterior, determinando, en función de la evaluación de las reglas de
inferencia y del peso ponderado de dichos componentes, el tipo de
patrón de tráfico correspondiente a ese período de tiempo.
Description
Controlador dinámico de detección de patrones de
tráfico mediante lógica difusa.
El objeto principal de la presente invención es
un controlador dinámico configurado para la detección de patrones de
tráfico en sistemas de transporte vertical, definido este
controlador por un método y un dispositivo, y en donde dicha
identificación es un elemento clave para la determinación de los
algoritmos y reglas de despacho que deberán llevar a cabo las
asignaciones de cabina según la llamada de planta.
La presente invención se inscribe en el ámbito
de la ingeniería de transporte y más concretamente en el transporte
vertical mediante uso de ascensores o grupos de ascensores.
El problema del transporte vertical está
referido al problema que surge cuando un pasajero desea tomar un
ascensor para viajar entre plantas distintas de un edificio. Cuando
el pasajero pulsa el botón de llamada, el sistema debe asignar una
cabina a dicho pasajero de tal forma que se maximicen o minimicen
determinados índices de rendimiento tales como el tiempo de espera
del pasajero, el consumo energético, o la capacidad manejada por la
cabina.
La mayoría de los controladores están
preconfigurados para hacer uso de ciertas reglas que dependen del
tipo de tráfico. La identificación adecuada del tipo de tráfico por
parte del controlador se convierte en un elemento fundamental en el
buen funcionamiento del sistema global.
Uno de los aspectos más relevantes y sin embargo
menos estudiado en el funcionamiento de los sistemas de transporte
vertical es la detección del tipo tráfico, fundamental a la hora de
diseñar un sistema robusto que responda a las demandas de los
pasajeros de forma rápida y eficaz. Así pues, según el método de
control implementado y el flujo de tráfico detectado se elige un
algoritmo apropiado de despacho de entre varios o simplemente se
informa al despachador para que tenga en cuenta el patrón a la hora
de distribuir las llamadas, de tal forma que en ambos casos el
rendimiento aumenta gracias a la información proporcionada.
La teoría clásica [1] divide el tráfico en
cuatro clases posibles:
- \bullet
- Uppeak: flujo ascendente considerable y flujo descendente despreciable. Normalmente tiene lugar al inicio de la jornada laboral cuando la mayoría de los viajes comienzan desde la planta baja o el sótano y parten hacia otras plantas.
- \bullet
- Downpeak: flujo descendente considerable y flujo ascendente despreciable. Un ejemplo típico de este patrón sería al final de la jornada laboral cuando la mayoría de los viajes van desde cualquier planta hacia la planta baja o el sótano.
- \bullet
- Lunchpeak: flujo ascendente y descendente ambos de menor intensidad que los máximos y mínimos ascendentes y descendentes que se registran en modo uppeak y downpeak respectivamente, pero ambos de tamaño considerable y que en conjunto suponen una carga mayor para el sistema que en cualquier otro periodo.
- \bullet
- Interfloor: tráfico ligero con flujos medianos o bajos. Se considera cualquier periodo de tráfico que no se defina como uno de los anteriores.
\vskip1.000000\baselineskip
El procedimiento tradicional para la
identificación de patrones de tráfico era realizado mediante
informes manuales realizados por observadores. Estos informes pueden
ser realizados desde el terminal principal donde el conteo se
realiza exclusivamente desde la planta baja (de acceso). Siendo este
método sólo adecuado para la caracterización de situaciones uppeak.
O bien, mediante conteos realizados en cada planta, donde la
información aportada es mayor, pero también el coste. Los informes
manuales realizados por observadores se describe en detalle en [2],
y en [3].
El problema principal de estos informes estriba
en el carácter estadístico de los datos, los cuales se toman
únicamente en un momento específico de un día específico, bajo unas
circunstancias específicas. Realmente, el tráfico en grandes
edificios de oficinas puede llegar a ser extremadamente complejo y
variable en el propio día y entre días. Asimismo, en situaciones de
alta densidad de tráfico, la observación humana hace muy difícil el
conteo correcto de los eventos. Y errores en esta fase pueden
conducir a graves deficiencias del servicio.
Una alternativa al informe manual de
observadores es la utilización de datos históricos para la
generación a través de análisis estadísticos de un conjunto de
reglas basadas en umbrales. Así, en [7] se utiliza la carga de la
cabina a lo largo del día para predecir el comportamiento del día
siguiente. Los datos se comparan con los umbrales antes señalados
para identificar el periodo de pico de tráfico teniendo en cuenta la
población relativa del edificio. La toma de datos se realiza cada
pequeño intervalo de tiempo, configurándose un sistema experto.
La compañía KONE ha desarrollado diversas
propuestas basadas en el cálculo con series históricas de datos. Así
han desarrollado un algoritmo de alisamiento exponencial simple y
otro adaptativo: "Adaptive response rate single exponential
smoothing (ARRSES)" el cual ha sido utilizado en [5]. En el
sistema las predicciones se actualizan para cada planta y dirección
de viaje. Más recientemente, [8] describe un algoritmo que incluye
un análisis estadístico junto con conjunto de reglas basadas en
lógica difusa para la predicción del tráfico futuro.
De modo similar, [4] han presentado un sistema
de predicción de flujos de tráfico basado en teoría de aprendizaje
estadístico, para lo cual utilizan "least squares support
vector machines", procedimiento basado en "support
vector machine" con función de pérdidas cuadrática.
Actualmente se trabaja en equipos sofisticados
que incluyen la utilización de videocámaras, infrarrojos, o visión
computerizada que permiten la captación de datos en tiempo real. La
utilización de estos datos es clave para la identificación correcta
de patrones de tráfico de forma dinámica. En este contexto la lógica
difusa es un elemento con gran potencial de aplicabilidad. Hay que
destacar la propuesta [6] para un algoritmo de lógica difusa que
clasificaba patrones de tráfico. Sin embargo, el algoritmo no
incluía características de especial importancia tales como el
instante de captación de datos o los ratios de entrada/salida de
pasajeros, definidos por las masas instantáneas y sus variaciones en
cada momento y que son claves para establecer en un periodo de
tiempo determinado que tipo de tráfico está ocurriendo.
[1] Barney, G., 2003. Elevator
Traffic Handbook: Theory and practice, Taylor & Francis
Group.
[2] Barney, G.C., Dos Santos S.M.,
1985. Elevator traffic analysis design and control second ed.
London Peter Peregrinus.
[3] Elevator World's Guide to Elevatoring
1992, Mobile AL: Elevator World.
[4] Luo, F., Xu,
Y-G., Cao, J-Z., 2005.
Elevator traffic flow prediction with least squares support vector
machines, in: Proceedings of the Fourth International Conference on
Machine Learning and Cybernetics, Guangzhou, pp.
18-21.
[5] Siikonen, M.L., 1997. Elevator
group control with artificial intelligence, Helsinki University of
Technology, Systems Analysis Laboratory, Research Reports A67.
[6] Siikonen, M.L., Leppala, J.,
1991. Elevator traffic pattern recognition, in: Proceedings
of the 4th IFSA Congress, pp. 195-198.
[7] Thangavelu, S. and Kandasamy,
G., 1993. "Artificial intelligence" y "Based learning
system predicting ``peak-period'' times for elevator
dispatching". Otis Elevator Company, U.S. Patent No. 5 241
142.
[8] Tyni, T., 2005. Identification
of incoming peak traffic for elevators. KONE Corporation patent
WO/2005/000726 (application number PCT/FI2004/000232).
Para paliar el problema técnico definido de
disponer de un controlador dinámico de detección de patrones de
tráfico mediante lógica difusa, que permita para un periodo de
tiempo determinado, determinar dinámicamente el tipo de flujo de
tráfico (UPPEAK, DOWNPEAK, LUNCHPEAK, e INTERFLOOR) en función de
las masas ascendentes y descendentes, la variación de dichas cargas
y el periodo del tráfico anterior, valores estos que no se han
tenido en cuenta en el actual estado de la técnica, es un objetivo
de la presente invención establecer un método en donde, en función
del valor de dichas variables, se desarrolla un proceso de
inferencia borrosa en función del componente de masa, de la
variación de dicha masa y del tipo de tráfico inmediatamente
anterior, determinando, en función de la evaluación de las reglas de
inferencia y del peso ponderado de dichos componentes, el tipo de
patrón de tráfico correspondiente a ese periodo de tiempo.
Es otro objeto de la presente invención un
controlador dinámico de detección de patrones de tráfico mediante
lógica difusa, de los del tipo empleado en sistemas de transporte
vertical en la determinación de un patrón de tráfico de tipo uppeak,
downpeak, lunchpeak e interfloor, en un determinado instante de
tiempo, y que comprende, al menos, medios configurados para la
detección de las masas ascendentes y descendentes y medios
configurados para el cálculo de la variación de las cargas
ascendentes y descendentes caracterizado porque además comprende
unos medios configurados para establecer un proceso de inferencia
borrosa en función de las masas ascendentes, descendentes, sus
variaciones y el periodo de tiempo de tráfico anterior; y unos
medios lógicos configurados para establecer un proceso de inferencia
borrosa en función de la masa del transporte vertical, de las
variaciones de dicha masa y del tipo de tráfico establecido en el
periodo de tiempo inmediatamente anterior; en donde dichos medios
lógicos están a su vez configurados para evaluar las reglas de
inferencia establecidas y calcular el peso ponderado de las masas
para determinar el tipo de patrón de tráfico correspondiente a ese
periodo de tiempo.
Es un tercer objetivo de la presente invención
el describir un sistema de transporte vertical que comprende el
controlador dinámico descrito y que implementa el método igualmente
descrito.
A continuación se pasa a describir de manera muy
breve una serie de dibujos que ayudan a comprender mejor la
invención y que se relacionan expresamente con una realización de
dicha invención que se presenta como un ejemplo no limitativo de
ésta.
Fig. 1 muestra la función de membresía en el
proceso de fuzzyficación, en donde la figura 1A representa la
fuzzyficación de las cargas totales ascendentes y descendentes
durante el periodo \Deltat; y en donde la figura 1B representa la
fuzzyficación de la variación tanto ascendente como descendente de
la carga.
Fig. 2 muestra la función de membresía en el
proceso de defuzzyficación, en donde la figura 2A muestra la función
de membresía para el flujo ascendente y la figura 2B muestra la
función de membresía para el flujo descendente.
La identificación de los patrones de tráfico en
un edificio es un elemento clave para la determinación de los
algoritmos y reglas de despacho para llevar a cabo la asignación de
cabina a la llamada de planta. Tal y como se puede observar en las
figuras adjuntas, se consideran cuatro flujos principales de
tráfico: uppeak, downpeak, lunchpeak e interfloor.
La presente invención propone un método y un
dispositivo de control por lógica difusa, configurado para
identificar los procesos de tráfico en un edificio de forma
dinámica, en función de las variables siguientes:
- -
- masa ascendente total (m_{u}) masa total ascendente durante un periodo de tiempo \Deltat;
- -
- variación de la masa ascendente total (m_{u}) entre el periodo \Deltat y el periodo \Deltat-1;
- -
- masa total descendente (m_{d}) durante el periodo \Deltat; y
- -
- variación de la masa total descendente (m_{d}) entre el periodo \Deltat y el periodo \Deltat-1;
en donde \Deltat es el periodo de tiempo tras
el cual se efectúa el análisis y posterior toma de decisión respecto
al tipo de tráfico que acontece y el T_anterior es el tipo de
tráfico detectado al finalizar el periodo anterior.
\vskip1.000000\baselineskip
En la figura 1A queda representada la función de
membresía de las cargas totales ascendentes y/o descendentes, en
donde para valores de carga inferiores a un tercio la máxima carga
ascendente (M/3) se define como componente de masa pequeña
(m_{s}), referencia S en la figura, y en donde para valores
de carga superiores a dos tercios de la carga máxima ascendente
(2M/3) se define el componente de masa grande (m_{b}),
referencia B en la figura. Para valores intermedios entre estos dos
valores queda definido el componente de masa mediana
(m_{m}). Así pues, tenemos que la carga es grande (B)
cuando supera los dos tercios de la carga máxima, tenemos que la
carga es pequeña (S) cuando es inferior a un tercio de la carga
máxima y tenemos que la carga es mediana (X) cuando está comprendida
entre esos valores.
En la figura 1B queda representada la función de
membresía de las variaciones de carga tanto ascendente como
descendente, en donde para variaciones positivas de carga superiores
a un 30% se define una variación positiva (m_{p}); para
variaciones de carga comprendidas entre un 30% y un -30% se define
como variación nula (m_{z}); y finalmente para variaciones
de carga superiores a un -30% se define como variación negativa
(m_{n}). Así pues, tenemos que la variación es positiva (P)
cuando se incrementa la carga en más de un 30%, tenemos que la
variación es negativa (N) cuando se decrementa la carga más de un
-30% y tenemos que la variación es nula (Z) cuando está comprendida
entre esos valores.
Evidentemente, para cada conjunto de pertenencia
se definen unas zonas intermedias, convenientemente representadas e
identificadas en la figura 1, donde la carga, o su variación, toman
valores intermedios entre estos conjuntos de pertenencia.
\newpage
Las reglas de inferencia borrosa, definidas por
la figura 1 se indican en la siguiente tabla:
De estas reglas de inferencia borrosa se
determina la fuerza de los componentes para uppeak se define
como:
Mientras que para downpeak se define como:
Finalizado el proceso de fuzzificación, se
procede a defuzzificar los procesos de tráfico descritos, tal y como
se observa en las funciones de membresía representadas en la figura
2, en donde para la figura 2A tenemos la función de membresía para
el flujo ascendente y en la figura 2B la función de membresía para
el flujo descendente.
Este proceso de defuzzificación parte de la
ponderación de cada centro (en la figura M/6 para
non-uppeak y non-downpeak, mientras
que es 7M/6 para uppeak y downpeak) mediante la fuerza de la
componente respectiva, es decir, de los resultados obtenidos en las
fórmulas anteriores, así pues tenemos que:
Finalmente, tenemos las reglas lógicas de
decisión finales para la toma de decisiones y detección del patrón
de comportamiento:
En el siguiente ejemplo no limitativo se puede
observar una aplicación práctica del método descrito para la
detección de patrones de tráfico.
\vskip1.000000\baselineskip
Supóngase que se detecta una masa media
ascendente igual a 11M/24 y una descendente igual a 14M/24 con una
variación de masa ascendente igual a +26,25% y descendente igual a
+22,50% y que el periodo anterior se detectó tráfico
interfloor. El controlador realizaría el proceso de
inferencia obteniendo los siguientes valores:
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
Estos valores han sido obtenidos de la siguiente
forma: los valores directos (m_{us}, m_{um},
m_{ub}) son obtenidos mediante pesaje del
pesa-cargas que todo ascensor tiene instalado,
mientras que los valores increméntales (m_{un},
m_{uz}, m_{up}) como el tanto por uno de
incremento o decremento de la carga en cabina entre dos periodos
consecutivos.
Como el periodo anterior era interfloor,
las reglas lógicas se calculan de la siguiente forma:
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
Las aplicaciones del tipo AND toman el menor
valor en salida de los dos input de entrada, obteniéndose las
valoraciones para cada regla, tanto de UPPEAK como de
NON-UPPEAK.
Siendo todas las demás igual a cero. A
continuación se calcula la fuerza de las componentes uppeak y
non-uppeak como se describió:
\vskip1.000000\baselineskip
\vskip1.000000\baselineskip
Quedando agrupados los resultados tenemos
que
NON-UPPEAK = 0,28
UPPEAK = 0,76
NON-DOWNPEAK = 0,00
DOWNPEAK = 0,79.
\newpage
El proceso de defuzzicación quedaría de la
siguiente forma, en donde dados M/6 y 7M/6 como valores prefijados
para los centros, tal y como se ha descrito anteriormente, se
pondera cada uno de los centros mediante la fuerza de cada
componente calculada anteriormente en el proceso de inferencia,
obteniendo así la media:
Aplicando estos resultados ponderados en las
funciones de membresía representadas en la figura 2 tenemos que, por
probabilidad estamos en el caso donde tanto UPPEAK como DOWNPEAK se
cumplen. Así pues, aplicando las reglas de decisión finales:
Así pues, el resultado final es que estamos en
un patrón de tráfico tipo LUNCHPEAK.
Claims (3)
1. Método dinámico de detección y predicción de
patrones de tráfico mediante lógica difusa, de los del tipo empleado
en sistemas de transporte vertical en la determinación y predicción
de un patrón de tráfico de tipo uppeak, downpeak, lunchpeak e
interfloor en un determinado instante y para un intervalo de tiempo
dado caracterizado porque
determina y predice dinámicamente el tipo de
flujo de tráfico en función de las masas ascendentes y descendentes,
la variación de dichas cargas y el periodo del tráfico anterior,
y en donde, en función del valor de dichas
variables se establece un proceso de inferencia borrosa en función
del componente de masa, de la variación de dicha masa y del tipo de
tráfico inmediatamente anterior, determinando y prediciendo, en
función de la evaluación de las reglas de inferencia y del peso
ponderado de dichos componentes, el tipo de patrón de tráfico
correspondiente a un periodo de tiempo.
\vskip1.000000\baselineskip
2. Controlador dinámico de detección y
predicción de patrones de tráfico mediante lógica difusa, de los del
tipo empleado en sistemas de transporte vertical en la determinación
y predicción de un patrón de tráfico de tipo uppeak, downpeak,
lunchpeak e interfloor, en un determinado instante y para un
intervalo de tiempo dado, y que comprende, al menos, medios
configurados para la detección de las masas ascendentes y
descendentes y medios configurados para el cálculo de la variación
de las cargas ascendentes y descendentes caracterizado porque
además comprende
medios configurados para establecer un proceso
de inferencia borrosa en función de las masas ascendentes,
descendentes, sus variaciones y el periodo de tiempo de tráfico
anterior; y
medios lógicos configurados para establecer un
proceso de inferencia borrosa en función de la masa del transporte
vertical, de las variaciones de dicha masa y del tipo de tráfico
acontecido en el periodo de tiempo inmediatamente anterior;
en donde dichos medios lógicos están a su vez
configurados para evaluar las reglas de inferencia establecidas y
calcular el peso ponderado de las masas para determinar el tipo de
patrón de tráfico correspondiente a un determinado instante y
predecir el tipo de patrón de tráfico para un intervalo de tiempo
dado.
\vskip1.000000\baselineskip
3. Sistema de transporte vertical que comprende
el controlador dinámico de la reivindicación 2.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES200900840A ES2345647B1 (es) | 2009-03-27 | 2009-03-27 | Controlador dinamico de deteccion de patrones de trafico mediante logica difusa. |
PCT/ES2010/000122 WO2010109035A2 (es) | 2009-03-27 | 2010-03-25 | Controlador dinámico de detección de patrones de tráfico mediante lógica difusa |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES200900840A ES2345647B1 (es) | 2009-03-27 | 2009-03-27 | Controlador dinamico de deteccion de patrones de trafico mediante logica difusa. |
Publications (2)
Publication Number | Publication Date |
---|---|
ES2345647A1 ES2345647A1 (es) | 2010-09-28 |
ES2345647B1 true ES2345647B1 (es) | 2011-07-11 |
Family
ID=42729393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES200900840A Active ES2345647B1 (es) | 2009-03-27 | 2009-03-27 | Controlador dinamico de deteccion de patrones de trafico mediante logica difusa. |
Country Status (2)
Country | Link |
---|---|
ES (1) | ES2345647B1 (es) |
WO (1) | WO2010109035A2 (es) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886720A (zh) * | 2017-11-07 | 2018-04-06 | 长沙理工大学 | 一种基于区间二型模糊集合节假日城市交通拥堵转移分析方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5252789A (en) * | 1991-04-29 | 1993-10-12 | Otis Elevator Company | Using fuzzy logic to determine the traffic mode of an elevator system |
US5750946A (en) * | 1995-11-30 | 1998-05-12 | Otis Elevator Company | Estimation of lobby traffic and traffic rate using fuzzy logic to control elevator dispatching for single source traffic |
-
2009
- 2009-03-27 ES ES200900840A patent/ES2345647B1/es active Active
-
2010
- 2010-03-25 WO PCT/ES2010/000122 patent/WO2010109035A2/es active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2010109035A3 (es) | 2010-11-18 |
ES2345647A1 (es) | 2010-09-28 |
WO2010109035A2 (es) | 2010-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR940009984B1 (ko) | 엘리베이터 제어장치 | |
KR101153086B1 (ko) | 엘리베이터의 군 관리 제어 장치 | |
CN103508277B (zh) | 一种智能调度电梯及其待梯方法 | |
Cortés et al. | Fuzzy logic based controller for peak traffic detection in elevator systems | |
CN112047212B (zh) | 电梯运行控制方法、装置、计算机设备和存储介质 | |
Bolat et al. | A particle swarm optimization algorithm for optimal car-call allocation in elevator group control systems | |
JPH0428680A (ja) | エレベータ制御装置 | |
US5511635A (en) | Floor population detection for an elevator system | |
CN112182723A (zh) | 人群疏散瓶颈拥堵状况分析方法和*** | |
Zhou et al. | Field observations and modeling of waiting pedestrian at subway platform | |
ES2345647B1 (es) | Controlador dinamico de deteccion de patrones de trafico mediante logica difusa. | |
Nasser et al. | Crowd management services in Hajj: a mean-field game theory approach | |
CN113526272B (zh) | 电梯群控***和电梯群控设备 | |
KR20020021099A (ko) | 엘리베이터의 군관리 제어장치 | |
Basagoiti et al. | Origin destination matrix estimation and prediction in vertical transportation | |
Xiong et al. | Group elevator scheduling with advanced traffic information for normal operations and coordinated emergency evacuation | |
Yuyang et al. | Study on evacuation simulation of medical pension building based on anylogic | |
Vodopija et al. | Model-based multiobjective optimization of elevator group control | |
JPWO2019016937A1 (ja) | エレベーター装置 | |
Ngetha | An Optimized Parking Algorithm to Control Passenger Elevator Groups Using Artificial Neural Network | |
ES2370616B1 (es) | Controlador dinámico y método de control difuso de grupo de ascensores para la optimización del consumo energético. | |
CN112163774B (zh) | 手扶梯人流量评估模型建立方法、人流量分析方法及装置 | |
KR102136022B1 (ko) | 강화학습 기반의 승강기 운행 제어 장치 | |
Cisek et al. | The use of fine–coarse network model for simulating building evacuation with information system | |
Tang et al. | Optimization of elevator group control scheduling with multi-strategy switch |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
EC2A | Search report published |
Date of ref document: 20100928 Kind code of ref document: A1 |
|
FG2A | Definitive protection |
Ref document number: 2345647 Country of ref document: ES Kind code of ref document: B1 Effective date: 20110711 |