基于粒子群K均值聚类算法的电梯交通模式识别

针对传统方法存在的缺点,提出一种基于粒子群K均值聚类算法的电梯交通模式识别方法.该方法通过对此前一周的原始客流数据进行聚类分析,得到相应交通模式的聚类中心坐标.针对实时变化的交通流数据,采集5min时段客流数据,根据最近邻原则划分其归属的聚类中心,从而识别出当前的交通模式.仿真实验表明,该方法能对电梯交通模式进行有效识别,实时性较好.     

新型电梯群控系统交通模式识别方法

电梯交通模式识别是电梯群控调度的一个关键问题.针对实时变化的电梯交通流数据,提出一种新型的电梯系统交通模式识别方法.在不增加数据采集量的基础上,首先对基本交通信息进行预处理,再采用多值分类的支持向量机算法,对电梯群控系统建立交通模式分类器.建立的分类器可以根据交通流数据的变化,自适应地识别出建筑物内的最大客流层及次大客流层(厅堂除外).仿真结果表明,这种交通模式识别方法能较准确地辨识出各种交通流模式,并且通过对比试验,证明该算法的识别准确率优于人工神经网络算法,体现出较好的泛化能力,实用性强.     

基于FFCM聚类的城市交通拥堵判别研究*

对城市道路交通拥堵状态判别的问题,提出了一种硬C均值(HCM)聚类与模糊C均值(FCM)聚类相结合的快速模糊C均值聚类(FFCM)算法。用硬聚类的结果对模糊聚类初始值的选取进行指导,以加速算法的收敛过程。将该算法用于城市交通流数据的聚类分析结果表明,该算法能够快速而有效地对城市交通流状况进行判别,为动态交通拥堵预警和交通疏导策略的制定提供依据。     

GA模糊神经网络在电梯群控交通流识别中应用

本文介绍了应用基于遗传算法的模糊神经网络的电梯群控系统的交通流模式的识别方法.采用正规化模糊神经网络学习和训练来识别电梯群控系统交通流模式,并用遗传算法优化输入特征向量的隶属函数,实验结果表明,该方法能够准确识别交通流模式.     

一种电梯交通流多模式预测方法的研究

在分析电梯交通流的基础上提出一种多模式预测方法．该方法首先利用人工免疫聚类算法(AICA)对电梯交通流进行离线的模式识别和分类，然后在此基础上利用高斯混合模型（GMM）对具有多种模式的电梯交通流进行数学建模．通过EM算法优化估计高斯混合模型的参数，得到了确定的高斯混合模型，从而实现对电梯交通流的在线预测．与其它预测方法的仿真结果进行了比较，体现出该方法的有效性和优越性．     

电梯群控系统智能优化调度方法的研究

提出一种能够适应各种交通流模式的电梯群控智能优化调度方法．运用模糊神经网络对电梯的状态变量进行数据融合。融合出影响调度决策的电梯特征参数、通过小生境遗传算法对特征参数进行多目标优化分析，完成最优调度．仿真实验表明，该方法能够在各种交通流模式下进行相应的合理调度。     

智能多模式电梯群控调度方法的研究与实现

电梯群控系统的任务是有效地运送乘客，提高电梯运行效率、改善服务质量．根据 大楼不同交通流状况识别不同的交通流模式，并采用最合适的调度方法分派电梯是提高电梯 群控性能的关键．本文实现了一种基于模式识别的智能多模式电梯群控调度方法，该方法可 以在一天中根据不同的交通流状况，提供不同的群控策略,从而使电梯服务更优．仿真实验 表明了这种电梯调度方法是有效的．     

基于均值的谱聚类特征向量选择算法

在数据聚类当中,谱聚类是最流行的方法之一,其性能取决于所选取相关图的拉普拉斯(Laplacian)矩阵的特征向量。对于一个K类问题,Ng-Jordan-Weiss(NJW)谱聚类算法通常采用Laplacian矩阵的前K个最大特征值对应的特征向量作为数据的一种表示。然而,对于某些分类问题,这K个特征向量不一定能够很好地体现原始数据的信息。本文提出一种基于均值的谱聚类特征向量选择算法。该算法首先得出图的Laplacian矩阵的前3K个最大特征值的均值,然后选取K个离均值最近的特征值所对应的特征向量。相比传统谱聚类算法,该算法在UCI数据集上获得了较好的聚类性能。     

智能多模式电梯群控调度方法的研究与实现

电梯群控系统的任务是有效地运送乘客，提高电梯运行效率，改善服务质量，根据大楼不同交通流状况识别不同的交通流模式，并采用最合适的调度方法分派电梯是提高群控性能的关键，实现了一种基于模式识别的智能多模式电梯群控调度方法，该方法可以在一天中根据不同的交通流状况，提供不同的群控策略，从而使电梯服务更优，仿真实验表明了这种电梯调度方法是有效的。     

基于遗传算法的层间交通模式算法研究

针对电梯群控系统层间交通模式下用户对电梯需求多样化的特点,提出了一种用于不同交通流繁重程度的层间交通模式下的调度方法,并采用遗传算法动态优化电梯调度方案,以多目标的评价函数的优化组合作为目标寻求最优派梯方案,根据电梯的运行状态和各层站的呼叫信号,构造适应度函数。在虚拟电梯群控系统环境下,对该基于遗传算法的层间交通流模式下的派梯算法进行验证、比较和分析,证明了该算法的优越性。     

基于多值分类SVM的电梯交通模式识别

针对电梯群控系统中的交通模式识别问题,提出一种基于多值分类支持向量机(SVM)的电梯交通模式识别方法。采用直接多值分类SVM对采集的电梯交通流数据进行分析,得到交通模式分类器,从而解决电梯交通流模式识别中多输入、多输出的非线性系统辨识问题。实验结果表明,该方法可实现全局最优且分类误差较小,能满足群控系统的要求。     

电梯交通模式的模糊神经网络识别

交通模式识别的准确性将直接影响群控系统的整体性能,通过对各种电梯交通模式识别方法优、缺点的分析比较,考虑电梯交通模式的判断条件,结合神经网络和模糊推理,设计了一种基于模糊神经网络的电梯交通模式识别方法,该方法能够适应各种交通流模式的变化,并采用相应的电梯群控调度策略。     

基于模糊控制的电梯群控系统的研究与设计

本文对电梯群控系统输入的交通数据进行了分析,通过模糊识别把输入的交通特征量区分出四种交通模式。本文对厅层信号控制进行了重点的研究,对系统中的输入变量的选择进行了对比、分析,从而选择出了比较恰当的隶属函数。在算法的设计中还考虑到交通模式对本文提出的三个程度函数权重的影响,最终提出了基于模糊控制的电梯群控方法。设计了一个综合评价函数来衡量电梯群控系统的运行。通过控制相应的三个程度函数(平均等待时间、平均乘梯时间和能量消耗),达到乘客满意,系统节能的目的。论文最后对所设计的电梯群控算法进行计算机仿真,仿真结果验证了算法的可行性。     

多目标电梯群控系统的研究

为适应高层建筑和群控电梯的发展,木文对多目标的电梯群控系统进行了研究。由于系统的复杂性,所以必须采用优化调度的方法,通过分析群控系统的多目标要求,建立了多目标优化模型,提出了客流交通模式的识别方法,并给出了不同交通模式下的调度策略和群控方法,从而提高系统的性能。