基于LSTM的高層住宅電梯群客流模式識(shí)別

顧玲麗,董佳琦,許洪華,徐 嘯

(1. 蘇州科技大學(xué)電子與信息工程學(xué)院,江蘇 蘇州 215009;2. 蘇州科技大學(xué)江蘇省建筑智慧節(jié)能實(shí)驗(yàn)室,江蘇 蘇州 215009)

1 引言

電梯群控系統(tǒng)在現(xiàn)代高層住宅小區(qū)中發(fā)揮著必不可少的作用,而電梯模式識(shí)別和電梯群控調(diào)度技術(shù)更是直接影響著電梯群調(diào)度的效率[1]?？煽啃院?、精確度高地交通流模式識(shí)別能夠?qū)崟r(shí)有效的指導(dǎo)調(diào)度策略,提高系統(tǒng)整體運(yùn)行效率[2]。

傳統(tǒng)的交通流模式識(shí)別方法有模糊推理方法、支持向量機(jī)、以及神經(jīng)網(wǎng)絡(luò)技術(shù)等。文獻(xiàn)[3]提出模糊邏輯規(guī)則方法進(jìn)行交通模式識(shí)別,但沒有考慮相關(guān)的輸入數(shù)據(jù),如一天的時(shí)間或乘客到達(dá)或離開的比率。文獻(xiàn)[4]等人提出的基于多值分類支持向量機(jī)的交通流模式識(shí)別方法,能夠較準(zhǔn)確的辨識(shí)各種交通流模式,但其運(yùn)算時(shí)間過長(zhǎng),降低交通流在線分類的效率。文獻(xiàn)[5]引入具有全局尋優(yōu)能力的蟻群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),模式識(shí)別準(zhǔn)確性得到大量提高,但傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)不僅耗時(shí),還會(huì)對(duì)訓(xùn)練數(shù)據(jù)的依賴較大,且識(shí)別精度與可靠性不高。文獻(xiàn)[6]提出使用神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行交通模式識(shí)別的方法,取得了較好的實(shí)驗(yàn)效果,但是也存在模型抗干擾不強(qiáng)的缺點(diǎn),訓(xùn)練時(shí)需要學(xué)習(xí)大量數(shù)據(jù)。文獻(xiàn)[7]提出基于FCM聚類模糊神經(jīng)網(wǎng)絡(luò)的電梯交通模式識(shí)別方法,將模糊邏輯技術(shù)與神經(jīng)網(wǎng)絡(luò)相結(jié)合,識(shí)別效果較好,但同樣也存在需要大量數(shù)據(jù)訓(xùn)練以提高神經(jīng)網(wǎng)絡(luò)識(shí)別精度。

針對(duì)當(dāng)前方法存在的問題,文章提出基于長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)的高層住宅電梯交通模式識(shí)別方法,結(jié)合Softmax進(jìn)行模式分類。通過實(shí)驗(yàn)發(fā)現(xiàn),相較于對(duì)比方法,本文方法識(shí)別精度高,識(shí)別誤差較小,識(shí)別效果明顯。

2 高層住宅客流模式識(shí)別問題分析

2.1 問題描述

高層住宅電梯群控系統(tǒng)的客流模式識(shí)別問題可以劃分成兩個(gè)子問題:數(shù)據(jù)獲取、模式分類。通過傳感器采集到電梯的客流數(shù)據(jù)后,提取能夠反映高層住宅電梯客流模式特征的量,即提取交通流數(shù)據(jù)特征,并將特征值作為整個(gè)模式識(shí)別模型的輸入;針對(duì)模式分類問題,需要根據(jù)高層住宅內(nèi)業(yè)主的規(guī)律、數(shù)量與分布,運(yùn)用數(shù)學(xué)模型找出其存在的規(guī)律與特征,劃分各種不同的交通模式。

2.2 高層住宅電梯群客流特點(diǎn)

分析高層住宅樓電梯群的客流特點(diǎn)可知,住宅樓區(qū)別于一般的公共建筑,在工作日期間業(yè)主的生活行為具有規(guī)律性與特征性,一般在上下班、上學(xué)放學(xué)時(shí)間段才會(huì)出現(xiàn)較為明顯的客流高峰[8],其余時(shí)間相對(duì)平衡;同時(shí)客流線相對(duì)單一,不像其它公共建筑的交通流體系那么豐富復(fù)雜,具體來(lái)說(shuō)起始樓層較為統(tǒng)一,比如大多都是從基層去往目的樓層或者從某樓層去往基層。將住宅客流分為為空閑交通模式、隨機(jī)層間交通模式、上行高峰交通模式以及下行高峰交通模式這四種。

上行高峰模式下,大多數(shù)業(yè)主從基層進(jìn)入上行去往目標(biāo)樓層。這種情況通常在業(yè)主下班時(shí)到達(dá)最高峰。圖1所示為上行高峰模式下的乘客到達(dá)率。下行高峰模式的情況通常出現(xiàn)在早晨業(yè)主上班、學(xué)生上學(xué)時(shí)段以及接孩子放學(xué)時(shí)段,由各樓層向目的樓層流動(dòng)。圖2所示為下行高峰交通模式下的乘客離開率。隨機(jī)層間模式存在的比例在一天中最大,該模式客流大致相平衡,因此電梯的使用也處于相對(duì)較為平衡的狀態(tài)。空閑客流模式下,基本上無(wú)人乘坐電梯,因此電梯不必全部投入使用,這種模式通常發(fā)生在凌晨到早上七點(diǎn)之間以及中午十二點(diǎn)左右。

圖1 上行高峰模式下的乘客到達(dá)率圖

圖2 下行高峰模式下的乘客離開率圖

在客流高峰模式下,最主要的目標(biāo)就是在短時(shí)間內(nèi)將乘客輸送到目的樓層,減少乘客扎堆;在層間隨機(jī)模式時(shí),客流相對(duì)平衡,保證運(yùn)輸效率的同時(shí)節(jié)能;在空閑模式時(shí),客流較少,可以以較低運(yùn)行能耗為主。

3 模型建立

3.1 LSTM神經(jīng)網(wǎng)絡(luò)模型

長(zhǎng)短期記憶網(wǎng)絡(luò)[9]是一種較為典型的時(shí)間循環(huán)神經(jīng)網(wǎng)絡(luò),適合學(xué)習(xí)電梯客流時(shí)間序列中的長(zhǎng)期依賴關(guān)系,可以對(duì)時(shí)序數(shù)據(jù)進(jìn)行特征提取,并基于挖掘出的潛在信息對(duì)事物的狀態(tài)做出判斷或預(yù)測(cè)。因此通過建立基于LSTM的深度學(xué)習(xí)[10]模型對(duì)電梯交通流模式的精準(zhǔn)判斷。其中,LSTM隱藏層細(xì)胞結(jié)構(gòu)如圖3所示。

圖3 LSTM隱藏層細(xì)胞結(jié)構(gòu)

在圖3中,LSTM記憶模塊中包括遺忘門、輸入門和輸出門三部分。輸入門由sigmoid、tanh和乘法單元組成,主要決定神經(jīng)細(xì)胞接受哪些輸入數(shù)據(jù)。遺忘門由sigmoid和乘法單元組成,負(fù)責(zé)控制神經(jīng)細(xì)胞中歷史數(shù)據(jù)的丟失。輸出門由sigmoid、乘法單元和tanh組成,作用是決定輸出哪些數(shù)據(jù)。輸入門、遺忘門和輸出門的狀態(tài)可由式(1-5)計(jì)算。

it=σ(Wxixt+Whiht-1+Wcict-1+bi)

(1)

ft=σ(Wxfxt+Whfht-1+Wcfct-1+bf)

(2)

ct=ftct-1+ittanh(Wxcxt+Whcht-1+bc)

(3)

ot=σ(Wxoxt+Whoht-1+Wcoct+bo)

(4)

ht=ottanh(ct)

(5)

式中i、f、o分別為輸入門、遺忘門、輸出門;c為細(xì)胞狀態(tài);W表示權(quán)重系數(shù)矩陣,b表示偏置項(xiàng);σ和tanh是sigmoid和雙曲正切激活函數(shù)。

3.2 指標(biāo)模型

為了保證高層住宅電梯客流模式識(shí)別準(zhǔn)確度,采用的評(píng)價(jià)指標(biāo)為均方根誤差(Root Mean Square Error,RMSE)以及平均絕對(duì)誤差(Mean Absolute Error,MAE)。通過輸出值與目標(biāo)值之間的誤差,誤差結(jié)果越小就說(shuō)明客流模式識(shí)別準(zhǔn)確度越高。公式分別如式(6,7)所示

(6)

(7)

3.3 客流數(shù)據(jù)模型

結(jié)合2.2節(jié)的高層住宅電梯群客流特點(diǎn),乘客到達(dá)電梯的時(shí)間大體服從泊松分布,主要是在上下客流高峰期尤其明顯。由于在不同時(shí)間和不同樓層的乘客流量差異很大,因此需要在不同時(shí)段采取不同的λ取值,從而更真實(shí)的模擬高層住宅客流數(shù)據(jù)。λ的取值不再是單一的常數(shù),而是不同時(shí)段下的分段函數(shù),如式(8)

(8)

其中,u代表影響λi的其它因素,考慮到在對(duì)應(yīng)時(shí)間段乘客的到達(dá)率較為穩(wěn)定,故此函數(shù)gn是線性函數(shù)。泊松分布公式如式(9)所示

(9)

其中,λi用來(lái)表示乘客的到達(dá)率(人/秒),tg用來(lái)表示乘客到達(dá)時(shí)間間隔最大值(秒),τi和τi+1分別為第i個(gè)和第i+1個(gè)乘客的到達(dá)時(shí)間。已知λi和P就可求出tg

(10)

那么

(11)

乘客的到達(dá)電梯門廳的時(shí)間確定好后,就需要確定該乘客的當(dāng)前樓層以及他去往的目的樓層。由于群控系統(tǒng)存在不確定性與隨機(jī)性,所以利用起點(diǎn)密度矢量和起始-終止矩陣來(lái)確定呼梯樓層以及目的樓層,在具體實(shí)現(xiàn)這個(gè)過程是進(jìn)行蒙特卡洛樣本試驗(yàn),得到具體樓層數(shù),從而進(jìn)行客流仿真,分別模擬各個(gè)模式下的客流數(shù)據(jù)。

4 基于LSTM的客流模式識(shí)別方法實(shí)現(xiàn)

由2.1問題描述可知,在獲取到客流數(shù)據(jù)后,需要將數(shù)據(jù)進(jìn)行相應(yīng)的規(guī)范化處理以及對(duì)應(yīng)的模式分類。圖4所示為整體客流模型訓(xùn)練識(shí)別流程圖。

圖4 模型訓(xùn)練識(shí)別流程圖

第一步劃分?jǐn)?shù)據(jù)集,本文將客流數(shù)據(jù)集分為兩部分,即訓(xùn)練集和測(cè)試集。對(duì)訓(xùn)練集進(jìn)行均方差標(biāo)準(zhǔn)化處理,將預(yù)處理后的數(shù)據(jù)用型訓(xùn)練的輸入。用LSTM構(gòu)建的神經(jīng)網(wǎng)絡(luò)識(shí)別模型進(jìn)行模式識(shí)別,輸出結(jié)果的同時(shí)對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行更新。當(dāng)模式識(shí)別準(zhǔn)確度達(dá)到要求,即輸出當(dāng)前客流的識(shí)別結(jié)果。

4.1 數(shù)據(jù)輸入與預(yù)處理

客流模式識(shí)別是以住宅小區(qū)客流數(shù)據(jù)為基礎(chǔ),通常反映了小區(qū)人流特性與規(guī)律,主要用乘客數(shù)量、乘客出現(xiàn)周期及其分布情況來(lái)描述。為了體現(xiàn)住宅樓內(nèi)客流的變化過程,本文選擇每隔5min采集客流情況,并采用如式(12)所示矩陣D表示交通流。其中,Dij表示這5min內(nèi)由第i層去第j層的客流量。

(12)

本文對(duì)原始電梯客流序列樣本進(jìn)行均方差標(biāo)準(zhǔn)化處理,然后再作為模型輸入進(jìn)行訓(xùn)練。這樣既能解決樣本的伸縮不均勻性,也能提高模型的精度。

在對(duì)電梯客流序列樣本進(jìn)行均方差標(biāo)準(zhǔn)化時(shí),用符號(hào)X表示其時(shí)間序列,X=x0,x1,…,xT,元素xt為時(shí)間步長(zhǎng)t的值,通過式(13),就能得到經(jīng)過標(biāo)準(zhǔn)化處理的數(shù)據(jù)。

(13)

4.2 客流模式識(shí)別方法實(shí)現(xiàn)

根據(jù)LSTM神經(jīng)網(wǎng)絡(luò)特點(diǎn)和模型應(yīng)用場(chǎng)景,本文設(shè)計(jì)了基于LSTM的客流模式識(shí)別模型,模型架構(gòu)如圖5所示。

圖5 基于LSTM的客流模式識(shí)別模型

電梯群客流模式識(shí)別模型由輸入層、輸出層、隱藏層、網(wǎng)絡(luò)訓(xùn)練四個(gè)部分組成。

輸入層模塊負(fù)責(zé)將采集到的電梯客流信息轉(zhuǎn)換成交通流矩陣,采用均方差標(biāo)準(zhǔn)化進(jìn)行預(yù)處理以減小外界環(huán)境波動(dòng)對(duì)模型精度的影響,數(shù)據(jù)集總共分為訓(xùn)練集以及測(cè)試集兩部分。

隱藏層是整個(gè)客流模式識(shí)別模型的核心部分,由如圖5所示的LSTM神經(jīng)網(wǎng)絡(luò)搭建,該層接收輸入層處理后的電梯客流時(shí)間序列樣本并對(duì)其進(jìn)行多層次的特征劃分。在該層中,本文在兩個(gè)LSTM神經(jīng)網(wǎng)絡(luò)之間添加Dropout層[11]。主要作用是在訓(xùn)練過程中將隱藏層中的部分神經(jīng)網(wǎng)絡(luò)使用一定的概率丟棄,能得到比原始網(wǎng)絡(luò)更瘦的網(wǎng)絡(luò),防止了大規(guī)模神經(jīng)網(wǎng)絡(luò)訓(xùn)練存在的費(fèi)時(shí)和容易過擬合兩個(gè)缺點(diǎn)。

由于本文研究是住宅建筑客流模式識(shí)別屬于多類分類問題,因此在輸出部分采用如式(14)所示的Softmax激活函數(shù)。Softmax激活函數(shù)的作用是將輸出映射到0到1之間的實(shí)數(shù),并且保證總和為1。痛過輸出當(dāng)前客流屬于各個(gè)客流模式的概率以此來(lái)進(jìn)行多分類。

(14)

其中C=4,si表示屬于類別i的概率。在此基礎(chǔ)上,模型中輸出層由長(zhǎng)度為4且激活函數(shù)為Softmax的全連接層構(gòu)成,并輸出向量y=[y1,y2,y3,y4],其中每一個(gè)元素表示當(dāng)前電梯處于對(duì)應(yīng)客流模式的概率。

在神經(jīng)網(wǎng)絡(luò)優(yōu)化方面,采用適應(yīng)性動(dòng)量估計(jì)(Adaptive moment estimation, Adam)算法[12]來(lái)更好的優(yōu)化隱藏層神經(jīng)網(wǎng)絡(luò)。Adam算法工作時(shí)會(huì)對(duì)網(wǎng)格參數(shù)進(jìn)行初始化,并且設(shè)置相對(duì)應(yīng)的步長(zhǎng),將數(shù)據(jù)分批次輸入到隱藏層中,經(jīng)過誤差反向傳播和迭代不斷修正權(quán)重w和偏移量b。在網(wǎng)絡(luò)進(jìn)行訓(xùn)練時(shí)需要設(shè)置基礎(chǔ)學(xué)習(xí)速率、最大迭代次數(shù)和梯度下降閾值。

在模式識(shí)別這種多類分類問題研究中,會(huì)存在梯度消散的問題,因此采用交叉熵函數(shù)來(lái)作為解決這個(gè)問題的損失函數(shù)。根據(jù)模式識(shí)別優(yōu)化的目標(biāo),設(shè)置相應(yīng)的損失函數(shù)如式(15)所示

(15)

式中:ti表示真實(shí)值,yi表示求出的Softmax值。

5 實(shí)驗(yàn)與結(jié)果分析

5.1 實(shí)驗(yàn)設(shè)置

在模型實(shí)現(xiàn)上,本文選擇Keras深度學(xué)習(xí)框架庫(kù),在Python3.6開發(fā)環(huán)境下完成模型搭建和訓(xùn)練,編輯器采用Visual Studio Code。

文章以高層住宅大樓為研究對(duì)象,提取一周7:00-19:00時(shí)間段內(nèi)的電梯交通信息,共12小時(shí),采集周期為5min。同時(shí),為每個(gè)數(shù)據(jù)樣本打上標(biāo)簽用于分類,標(biāo)簽分為四種客流模式類型。將一天的客流折算成數(shù)據(jù)點(diǎn)共144個(gè),實(shí)驗(yàn)中按照4:1的比例劃分?jǐn)?shù)據(jù)集,將前80%的數(shù)據(jù)用來(lái)訓(xùn)練預(yù)測(cè)模型,剩余20%作為測(cè)試數(shù)據(jù)。交通客流曲線圖如圖6所示。

圖6 交通客流曲線圖

5.2 實(shí)驗(yàn)結(jié)果與分析

本文設(shè)計(jì)三組實(shí)驗(yàn),分別從不同角度對(duì)比本文所提模型與其它模型間的差異。

1)算法收斂性

在深度學(xué)習(xí)中,算法的性能如何能通過損失函數(shù)的收斂情況判斷。因此,在算法性能方面的評(píng)估,需要觀察模型損失函數(shù)的變化情況,以此評(píng)估其算法收斂性。在本實(shí)驗(yàn)中,模型損失函數(shù)的變化結(jié)果如圖7所示。

圖7 損失函數(shù)變化

通過觀察圖3-9中損失函數(shù)值變化曲線可以看出,在訓(xùn)練前期損失函數(shù)值較高。隨著訓(xùn)練進(jìn)行,曲線快速下降。從200步開始,曲線慢慢趨于平穩(wěn),并在400步后趨于平穩(wěn),最終達(dá)到收斂。因此可以認(rèn)為,本文提出LSTM識(shí)別模型具有良好的收斂性。

2)模式識(shí)別誤差對(duì)比

為了對(duì)比驗(yàn)證本文提出模型的效果,選取了3個(gè)經(jīng)典模式識(shí)別方法進(jìn)行對(duì)比:

①自回歸差分移動(dòng)平均模型(Autoregressive Integrated Moving Model,ARIMA)[13];②多元線性回歸(Multiple Linear Regression,MLR)[14];③支持向量機(jī)(Support Vector Machine,SVM)[15];評(píng)價(jià)指標(biāo)為RMSE和MAE,實(shí)驗(yàn)結(jié)果如表1所示。

表1 各模型的識(shí)別誤差對(duì)比

從表3-1中總結(jié)出兩個(gè)結(jié)論。首先本文建立的LSTM識(shí)別模型明顯優(yōu)于ARIMA、MLR以及SVM模型。在RMSE指標(biāo)上,較各個(gè)對(duì)比模型,本文所提模型分別得到了24.5%、13.6%、6.3%的效果提升。此外,在MAE指標(biāo)上,較各個(gè)對(duì)比模型,本文所提模型分別得到了35.3%、20.7%、17.5%的效果提升。這些結(jié)果表明本文模型具備的長(zhǎng)期記憶的能力很好地挖掘了各變量之間的非線性關(guān)系,從而準(zhǔn)確地做出識(shí)別。

3)交通流模式識(shí)別結(jié)果分析

通過與理論分析的實(shí)際客流模式進(jìn)行比較,得到如下圖所示的各個(gè)客流模式識(shí)別結(jié)果,如圖8-11所示。

在圖8為上行交通模式識(shí)別結(jié)果圖,在高層住宅小區(qū)內(nèi),上行高峰主要發(fā)生在5、6點(diǎn)放學(xué)以及下班時(shí)間段,另外在11點(diǎn)左右也會(huì)出現(xiàn)強(qiáng)度較小的上行高峰,此時(shí)需要以提升業(yè)主乘梯體驗(yàn)為主,將電梯提前?？炕鶎?圖9為下行交通模式識(shí)別結(jié)果圖,下行高峰主要發(fā)生在8點(diǎn)左右的上學(xué)以及上班時(shí)間段和下午4點(diǎn)30分左右時(shí)間段,此時(shí)也需要以減少業(yè)主的候梯時(shí)間與乘梯時(shí)間,可以將電梯停靠在中間樓層和頂層以便調(diào)度;可以看出在上行和下行兩個(gè)模式下識(shí)別準(zhǔn)確度較高;圖10為隨機(jī)層間交通模式識(shí)別結(jié)果圖,在這種模式下,均勻分配電梯,兩部?？炕?另外兩部?？恐虚g站和頂層站,以便更快相應(yīng)召梯信號(hào);圖11為空閑模式識(shí)別結(jié)果圖,這種模式多發(fā)生在半夜12點(diǎn)之后到七點(diǎn)上班之前,人流較為稀少,此時(shí)可以將部分電梯投入使用以減少能耗,在這兩種交通模式下,識(shí)別交通模式與實(shí)際的交通模式稍有誤差,但影響不大,識(shí)別效果也較好。

圖8 上行高峰模式識(shí)別結(jié)果

圖9 下行高峰模式識(shí)別結(jié)果

圖10 隨機(jī)層間交通模式識(shí)別結(jié)果

圖11 空閑交通模式識(shí)別結(jié)果

6 總結(jié)

文章通過對(duì)住宅客流特性詳細(xì)分析,引入深度學(xué)習(xí)方法,搭建基于LSTM的高層住宅電梯群客流模式識(shí)別模型。模型通過 LSTM 提取特征值,學(xué)習(xí)時(shí)間序列中的長(zhǎng)期依賴關(guān)系,并通過Softmax進(jìn)行分類,同時(shí)使用Adam算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)。通過實(shí)驗(yàn)發(fā)現(xiàn),相較于一些經(jīng)典的模式識(shí)別模型,本文所提模型能夠更加準(zhǔn)確有效的辨識(shí)各種交通模式。