基于粒子群优化模糊核聚类的电梯群交通模式识别

为了改善电梯群控系统的性能,使电梯群节能并高效运行,针对不同的交通模式采用合理的调度算法对电梯群进行优化调度,提出一种基于粒子群(PSO)的模糊核聚类算法(KFCM)的电梯交通流模式识别方法．利用基于梯度下降的粒子群优化算法代替KFCM算法的迭代过程,可使算法具有较强的全局搜索能力和局部搜索能力,并降低了KFCM算法对初始值的敏感度．利用核方法将低维特征空间的样本映射到高维特征空间,增加对样本特征的优化,并使样本特征在高维特征空间线性可分,更加容易聚类．采用在某办公楼采集的电梯交通流数据作为测试样本,仿真结果表明,与FCM聚类算法相比,该算法具有良好的性能指标,对电梯交通流的聚类效果更准确．     

基于模糊控制技术的电梯群控系统设计

简要介绍了电梯群控系统(EGCS)及其特点,利用智能控制技术的优点,提出了一种基于模糊控制的电梯群控系统.设计构造了基于模糊控制技术的电梯群控调度系统,介绍并分析了电梯调度算法.分析了基于模糊控制技术的交通模式识别过程,介绍了实现交通模式识别算法的系统结构组成,分析了其输入量.定义了电梯群控系统厅层召唤分配的输入量.利用Matlab的模糊逻辑工具箱设计了交通模式识别模糊控制器和厅层召唤分配模糊控制器,用Simulink构建了简易仿真模型,并进行了仿真计算,得到的结果表明基于模糊控制的电梯群控系统具有一定的有效性和可行性.     

融合BP神经网络与ARIMA的短时交通流预测

为了能在交通管理中提前采取措施规避可能存在的交通拥挤或堵塞,提出了一种高效可靠的短时交通流预测算法.首先采用BP神经网络与自回归求和滑动平均(ARIMA)两种方法分别建立单项预测子模型,再以BP神经网络作为最优非线性组合模型的逼近器,建立组合预测模型,对单项预测子模型的预测值进行融合,由此得到最终的预测结果.通过MATLAB与SPSS平台对实测交通流量数据进行了仿真分析,结果表明,该种组合预测方法是切实可行的.     

粒子群优化的BP神经网络在电梯群控系统中的应用

目的提出基于粒子群优化的BP神经网络获取评价电梯群控系统派梯性能指标的新方法．方法综合考虑电梯运行特性,确定电梯调度控制策略,建立了电梯运行性能的评价指标函数,利用神经网络自学习功能获取评价指标的初始权值和阀值,针对平均候梯时间对比研究了普通BP神经网络算法和粒子群优化BP神经网络算法．结果将优化的权值和阀值代入BP神经网络获得平均候梯时间,粒子群优化的BP神经网络与BP神经网络相比,减少了迭代次数,缩短了运行时间．结论仿真实验表明,该方法可以避免BP神经网络训练中产生局部极小值,加快BP神经网络训练速率,提高电梯群控系统控制的速度．     

直驱多轿厢电梯群控系统的客流交通模式识别

在直驱多轿厢电梯运行中,乘客客流交通模式是影响电梯系统运行性能的一个重要因素。为了提高系统的服务标准,制定合理的群控调度策略,实现系统的优化调度,设计了基于目的层预约的直驱多轿厢电梯群控系统。在乘客客流交通信息提前预知的情况下,利用模糊逻辑控制,通过建立隶属度函数、模糊规则等步骤对多轿厢电梯系统的客流交通模式进行识别。最后,通过应用实例将模糊控制与BP神经网络算法进行对比,结果表明,在试验样本有限的条件下,基于目的层预约的直驱多轿厢电梯群控系统中采用模糊逻辑控制可以更加方便、准确地识别不同的客流交通类型,这为系统进一步的优化调度奠定了基础。     

基于LSSVM的电梯交通模式的模糊识别

提出可以对电梯交通模式进行模糊识别的方法.采用最小二乘支持向量机(LSSVM)的回归算法来学习2种交通模式的相对隶属度,通过相对比较法得到当前时刻所有交通模式的隶属度.介绍了LSSVM二值分类算法及传统的多值分类算法,分析LSSVM多值分类与函数回归的关系.分析结果表明,采用函数回归算法可以进行多值分类.若以交通模式的隶属度作为类标,则可采用LSSVM的回归算法来进行2种交通模式的模糊分类.为了提高LSSVM的线性度,分3步逐步细分电梯客流的交通模式.实验结果表明,采用该方法得到的各交通模式隶属度随时间的变化曲线与依据群控专家经验得到的曲线非常相似,识别结果的平均误差小于应用神经网络识别的平均误差,可将识别结果作为电梯群控系统的输入参数.     

高层建筑应急情况下电梯群控算法研究

高层建筑带来城市景观的同时也带来安全问题,高层建筑发生应急情况时可以利用电梯运输效率高的特点进行人员疏散.文章依据高层建筑应急疏散特点,提出群控系统正常工作与应急工作两种工作模式,分析研究了电梯在应急情况下的交通流的特点,结合疏散路线提出电梯的应急疏散交通模式,采用静态分区内以最小侯梯时间为优化目标的应急群控算法.通过MATLAB面向对象编程技术对算法进行仿真分析,仿真结果表明,采用电梯进行应急疏散是可行和有效的.     

电梯零速停靠的RBF神经网络预测算法

针对电梯运行过程中存在爬行距离的问题,提出了基于RBF(Radial Basis Function)神经网络的爬行距离预测模型.将预测的爬行距离增加到电梯速度曲线的匀速段,实现减小或消除爬行距离的目的,从而实现电梯的零速停靠.从电梯运行现场采集大量的原始数据,建立RBF神经网络预测模型,与BP(Back Propagation)预测方法进行仿真比较,结果表明RBF神经网络具有更好的预测效果.给出了应用零速停靠RBF预测算法前后电梯运行的速度曲线,爬行距离减小或消除,电梯的运行时间变短,实现了节能.     

基于粒子群-BP神经网络算法的电价预测

为了解决现有电价预测中BP神经网络法对初始权值敏感、易陷入局部最小值和收敛速度慢等问题,在神经网络训练中引入基于全局随机优化思想的粒子群优化(PSO)算法,先利用PSO优化BP神经网络的初始权值,然后采用神经网络完成给定精度的学习,建立了粒子群-BP神经网络模型.与传统BP神经网络、粒子群广义神经网络相比,该方法收敛速度快、所需历史数据少、预报精度高,可用于电力系统的短期电价预测.     

基于遗传算法的小波神经网络交通流预测

城市交通流的运行存在着高度的复杂性、时变性和随机性，实时准确的交通流预测是智能交通系统，特别是先进的交通管理系统与先进的出行者信息系统研究的关键. 基于交通流预测的特点，给出了基于遗传算法的小波神经网络的交通预测模型GA WNN，用具有自然进化规律的遗传算法来对小波神经网络的连接权值和伸缩平移尺度进行前期优化训练,部分代替了小波框架神经网络中按单一梯度方向进行参数优化的梯度下降法，克服了单一梯度下降法易陷入局部极小和引起振荡效应等缺陷. 仿真实验验证了GA WNN预测模型对短时交通流的预测的有效性.     

Prediction of elevator traffic flow based on SVM and phase space reconstruction

To make elevator group control system better follow the change of elevator traffic flow (ETF) in order to adjust the control strategy,the prediction method of support vector machine (SVM) in combination with phase space reconstruction has been proposed for ETF.Firstly,the phase space reconstruction for elevator traffic flow time series (ETFTS) is processed.Secondly,the small data set method is applied to calculate the largest Lyapunov exponent to judge the chaotic property of ETF.Then prediction model of ETFTS based on SVM is founded.Finally,the method is applied to predict the time series for the incoming and outgoing passenger flow respectively using ETF data collected in some building.Meanwhile,it is compared with RBF neural network model.Simulation results show that the trend of factual traffic flow is better followed by predictive traffic flow.SVM algorithm has much better prediction performance.The fitting and prediction of ETF with better effect are realized.     

基于支持向量机方法的短时交通流量预测方法

在总结已有多种预测模型的基础上,充分考虑了交通本身所存在的非线性、复杂性和不确定性,提出了一种基于支持向量机的短时交通流量预测模型。实例数据验证结果和基于BP神经网络的预测模型的对比结果表明,该模型在精度、收敛时间、泛化能力、最优性等方面均优于基于BP神经网络的预测模型。     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

电梯能耗的混合预测控制方法

目的为实现电梯群控系统的最佳派梯调度及节约能源提供重要的决策依据．方法针对电梯能耗的预测问题，分别讨论了基于ARMA模型的预测算法和基于径向基函数（RBF）神经网络的预测方法．在此基础上，提出了一种将ARMA模型预测与RBF神经网络预测相结合的混合预测方法．新方法综合了两种算法的优点．能较好地满足电梯能耗的预测要求．探讨了新方法在电梯能耗预测中的应用情况，根据电梯实测数据进行了仿真试验，对实际能耗和预测能耗进行了比较和误差分析．结果达到了预测速度较快、预测精度较高的效果，验证了该方法的可行性．结论该混合预测方法应用于电梯能耗的多步预测时，具有较好的预测性能．取得了较好的预测结果．     

基于群体智能聚类算法的电梯交通流分析

提出了一种基于群体智能的电梯交通流分析方法,该算法将电梯交通流模式投影于二维平面上,然后依据群体智能聚类,实现电梯交通流的自组织聚类分析．为了提高群体智能聚类算法的运行效率,采用了主成分分析方法改善模式投影时的随机性,同时在聚类过程中引入密度引导策略减小分类错误率和运行时间．仿真结果表明,群体智能聚类算法能对电梯交通流数据进行有效的聚类分析,具有较好的自组织聚类特性．     

基于随机过程下的交通流量预测方法

在考虑交通流量为随机过程的情况下,根据实际观测得到的交通流量,运用灰色预测模型、神经网络等方法,预测将要发生的交通流量数据.然后,根据以前相应的交通流量数据计算出预测结果的波动范围.最后,提出了解决交通拥堵的方案.