《建筑设计中电梯交通客流分析与选型技术》由会员分享，可在线阅读，更多相关《建筑设计中电梯交通客流分析与选型技术（61页珍藏版）》请在金锄头文库上搜索。
1、 国内图书分类号：TP273+.4 学校代码：10213 国际图书分类号：621.3 密级：公开 工程硕士学位论文工程硕士学位论文 建筑设计中电梯交通客流分析 与选型技术 硕 士 研 究 生：马云峰 导师：丁 宝 副教授 申 请 学 位：工程硕士 学科：电力电子与电力传动 所 在 单 位：电气工程系 答 辩 日 期：2010 年 7 月 授予学位单位：哈尔滨工业大学 Classified Index：TP273+.4 U.D.C.: 621.3 Dissertation for the Master Degree of Engineering ELEVATOR TRAFFIC FLOW ANA
2、LYSIS AND ELEVATOR SELECTION TECHNOLOGY FOR BUILDING DESIGN Candidate: Ma Yunfeng Supervisor: Prof. Ding Bao Academic Degree Applied for: Master of Engineering Specialty: Power Electronics ( , ), (1, )x kf x kmx kx t kxk=? (2-1) 2.2 数据采集及预处理 对电梯交通流进行数据采集的方法有多种，如人工采集法、计算机视觉、红外技术等。随着电梯控制系统的计算机化，客流数据的收
3、集方法出现了一些新的变化。录像带记录仪可用于手工分析客流，同控制系统连接的计数单元可用来获取乘客出入电梯的数量关系。此外，安装在轿厢底部的称重装置在电梯停靠时能准确地反映乘客进出轿厢的真实情况。目前更为先进的计算机视觉技术也可用于探测各层站的客流需求，其准确性达80%85%，但是其高昂的成哈尔滨工业大学工程硕士学位论文 - 14 - 本妨碍了技术的普及和推广，因此在使用中也受到了一定的限制。 本文中所使用的电梯客流通过人工采集法获得。在楼宇中，对于层间客流流动较小的建筑，电梯的交通流可以通过进入一楼大厅的客流和离开一楼大厅的客流来表征，反映了大楼的客流状态，本研究中将对进门厅的客流和出门厅的客
4、流进行预测。文中的电梯交通流数据来自于哈尔滨某典型办公楼现场采集的数据，采样时间为2007年12月某周五个工作日和下一周的一个工作日，观测时间为7：00-19：00，分别针对进门厅客流和出门厅客流。在一楼大厅进行数据采集，每个人负责一台电梯，并从7：00开始对进入、离开每台电梯的乘客数进行记录，并记录相应的时间，每天的观测和记录直到19：00结束。对观测获得的数据进行处理，将所采集的数据进行汇总，取时间间隔为5分钟，按照时间顺序，整理每5分钟进入电梯的乘客数和离开电梯的乘客数，这样就获得了电梯交通流数据。其第一周的客流曲线如图2-1所示，某一个工作日的客流如图2-2所示。从图2-1可以看出，每
5、个工作日的客流有类似的特征和变化趋势。 MON/7:05TUE/7:05WED/7:05THU/7:05FRI/7:05FRI/19:00-100-80-60-40-20020406080100Time (5min /in unit time)Passenges numbers in unit time图 2-1 电梯交通流时间序列 Fig.2-1 Elevator traffic flow time series 哈尔滨工业大学工程硕士学位论文 - 15 - 7:008:009:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00
6、19:00-80-60-40-20020406080时间单位时间内进出门厅的人数进门厅的乘客数出门厅的乘客数图 2-2 某工作日内办公楼的交通特征曲线 Fig.2-2 Traffic characteristic curve of office building 2.3 电梯交通流 SVR 预测模型 利用支持向量回归(SVR, Support Vector Machine)方法对电梯的交通流进行预测，实际上就是要确定函数( )f x的各系数及核函数，即 *1( )() ( ,)liii if xK x xb=+(2-2) 式中，可调模型参数包括惩罚系数C、核函数参数和不敏感系数。 给定训练样本
7、，并确定输入样本和输出样本，找到函数( )f x后，对训练样本以外的输入x，通过函数( )f x将找到对应的输出y，使期望风险函数最小。也就是说，上式即为电梯交通流的SVR预测模型。下面将对模型样本的选择及模型参数的确定方法给予说明。 2.3.1 模型的输入输出样本 对哈尔滨市某典型办公楼的客流进行数据采集，包括6个工作日的数据，获得典型工作日中7:00-19:00电梯交通流的变化趋势。结合办公楼的工作特点，统计一楼大厅中单位时间内进门厅的人数和出门厅的人数，构成典型的时间序列。时间间隔取5分钟，每天采集144个数据。第一周前五天的数据构成训练样本，第六天的数据构成测试样本。网络的输入包括两部
8、分，第一部分为当天的前三个时刻的客流值( (3), (2), (1)x kx kx k，由于样本数据有限，第哈尔滨工业大学工程硕士学位论文 - 16 - 二 部 分 为 前 一 天 当 前 时 刻 的 客 流 值 ， 即(1, )xk。 即 输 入 为( (3), (2), (1), (1, )x kx kx kxk，模型的输出为( )x k，其中输入样本共有568个，测试样本共有144个。即 ( )( (3), (2), (1), (1, )x kf x kx kx kxk= (2-3) 为了在理论上评价预测优劣，选用均方根误差RMSE和平均绝对误差MAE等来评价预测的精度。 211( (
9、)( )NkRMSEx kx kN=(2-4) 11( )( )NiMAEx kx kN=(2-5) 其中，N为预测样本数，( )x k和( )x k分别为第k个时刻的实际客流值和预测客流值。 设1n为预测时段采样的个数，2n为预测时段中( )( )5x kx k的采样点个数。则 21100%n n= (2-6) max( ( )( ) tix kx k = (2-7) 其中，表示预测时段中绝对误差小于5的采样点所占的比例，为ti时段中绝对误差的最大值。 2.3.2 模型参数及核函数的选取 SVR算法依赖于模型参数的选择。当核函数选择径向基核函数时，SVR的可调模型参数有惩罚系数C、核函数参数
10、和不敏感系数，其中核函数为 22( , )exp/iiK x xxx= (2-8) 其中，不敏感系数反映模型对输入变量所含噪声的敏感程度，控制模型拟合精度。不敏感系数取值越小，拟合精度越高，导出的支持向量数越多，模型复杂程度越高，求解时间越长。反之不敏感系数越大，拟合精度越低，支持向量数越少，模型的复杂程度越低，求解时间越小。但随着不敏感系数的下降，误差趋于稳定，但求解时间增大。 惩罚系数C的作用是在确定的数据子空间中调节置信范围和经验风险的比例使学习机器的推广能力最好，不同空间中最优的惩罚系数C不同。在确定的数据子空间中，惩罚系数C的取值小表示对经验误差的惩罚小，学习机器复杂哈尔滨工业大学工
11、程硕士学位论文 - 17 - 度小而经验风险值大；反之亦然。前者称为“欠学习” ，后者称为“过学习” 。同时，SVR的性能优劣直接受核参数的影响。核参数的改变隐含的改变映射函数，从而改变样本子空间分布的复杂程度。子空间的维数决定了能构造的线性回归的最大VC维，决定了能达到的最小经验误差。 以电梯门厅出门厅人数构成的数据样本为例，其中输入样本有568个，测试样本有144个，研究参数变化对预测性能的影响。参数的选择采用交叉验证的方式，即当惩罚系数C、核函数参数和不敏感系数中某两个参数为固定值时，改变另一个参数，当评价指标最优时该参数即为所求。结果表明，不敏感系数值越大，均方误差越大，训练所用的时间
12、较小，而随着不敏感系数的减少，最终均方误差趋于稳定，训练的时间随之增大。图2-3给出了取不同的宽度系数时，均方误差RMSE随着惩罚系数C的变化趋势。 1051010101522.533.544.555.56惩罚系数CRMSE =50. . . . . =100 - =200- - - - - =300图 2-3 参数选择对预测性能的影响 Fig.2-3 Influence to prediction performance by preferences 由图2-3可知，均方误差RMSE随着惩罚系数C的增大先减小，然后增大，核参数为50的曲线，均方误差RMSE增大到某个值后不再随惩罚系数C变化。
13、而核参数为100、200和300时，均方误差RMSE增大后在减小到某个值后不再变化。每个数据子空间至少存在一个合适的惩罚系数C使得SVM的推广能力最好，当惩罚系数C值超过一定值时，SVR的复杂度达到了数据子空间允许的最大值，此时经验风险和推广能力几乎不在变化。给定一个惩罚系数C，如果核参数取值不合适，SVR将无法达到预期学习效果。只有选择合适的核函数将数据投影到合适的特征空间，才能获得推广良好的预测性能。 哈尔滨工业大学工程硕士学位论文 - 18 - 2.4 电梯交通流预测结果及分析 按照所选择的评价标准，利用在哈尔滨某典型办公楼现场采集的数据，分别采用RBF神经网络和SVR方法构建电梯交通流
14、时间序列预测模型，分别对出门厅的客流人数和进门厅的客流人数进行预测，利用交叉验证的方法选择合适的参数，分别给出这两种方法的预测结果，并对这两种方法进行比较分析。结合前述的算法，在此预测模型采用四输入单输出的结构，对未来的交通客流进行预测。选择SVR和RBF交通流预测模型的参数如表2-1所示。其中，RBF网络选择高斯基函数。 表 2-1 预测模型的参数 Table 2-1 Parameters of prediction model SVR RBF C 隐层数 方差 进门厅模型 出门厅模型 310 510 50 77 0.001 0.001 33 30 2.55 11.89 根据所选择的参数，对
15、电梯交通流进行预测，得到预测结果如图2-4、2-5所示，表2-2给出了预测指标。 7:008:009:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:000102030405060708090100时间单位时间内进门厅的人数实际进门厅的人数 RBF 预测的进门厅的人数 SVM 预测的进门厅的人数图 2-4 进门厅人数预测曲线 Fig.2-4 Prediction curve of numbers of incoming passengers 哈尔滨工业大学工程硕士学位论文 - 19 - 7:008:009:00 10:00 11:00 12:00 13:00 14:00 15:00 16:00 17:00 18:00 19:000102030405060708090100时间单位时间内出门厅的人数实际出门厅的人数 RBF 预测的出门厅的人数 SVM 预测的出门厅的人数图 2-5 出门厅人数预测曲线 Fig.2-5 Prediction curve of numbers of outgoing passengers 表 2-2 预测指标参数的对比 Table 2-2 Compare among prediction ind
