基于电梯调度神经网络训练的人工智能优化操作系统技术方案

本发明专利技术涉及神经网络技术领域，具体涉及一种基于电梯调度神经网络训练的人工智能优化操作系统，该系统是一种采用神经网络模型的计算机系统，具体是一种人工智能优化操作系统，该系统包括：设置每个电梯的到达楼层；基于神经网络进行人脸识别，获取人员的目标楼层，基于目标楼层进行电梯的调度。本发明专利技术可以有效减少乘客的等待时间。本发明专利技术提供的一种基于电梯调度神经网络训练的人工智能优化操作系统可以用于计算机视听觉软件等应用软件开发。以用于计算机视听觉软件等应用软件开发。以用于计算机视听觉软件等应用软件开发。

【技术实现步骤摘要】
基于电梯调度神经网络训练的人工智能优化操作系统


[0001]本专利技术涉及神经网络领域，具体涉及一种基于电梯调度神经网络训练的人工智能优化操作系统。

技术介绍

[0002]在大型写字楼等场所虽然有多部电梯同时运行来满足人员的上下班需求，但因为楼层较高，等待电梯时会耗费很多不必要的时间，增加时间成本。

技术实现思路

[0003]为了解决上述技术问题，本专利技术的目的在于提供一种基于电梯调度神经网络训练的人工智能优化操作系统，所采用的技术方案具体如下：
[0004]本专利技术一个实施例提供了一种基于电梯调度神经网络训练的人工智能优化操作系统，该系统包括：
[0005]电梯分配模块，用于基于楼层的重要程度为不同高度的楼层分配相应的电梯数量，并设置每个电梯的到达楼层；
[0006]人脸识别模块，用于基于神经网络对进入办公楼的人员进行人脸识别，获取其目标楼层；
[0007]电梯调度模块，用于调度到达目标楼层的电梯。
[0008]进一步地，基于楼层的重要程度为不同高度的楼层分配相应的电梯数量，具体为：
[0009]根据楼层高度将楼层分为若干组；
[0010]基于组内各楼层的重要程度计算每个组的数量权重；
[0011]根据每个组的数量权重和电梯总数量为每个组分配电梯数量。
[0012]进一步地，楼层的重要程度的获取具体为：
[0013]根据所有电梯在每个楼层的停留总时长和停留总次数计算楼层的重要程度。
[0014]进一步地，设置每个电梯的到达楼层，具体为：
[0015]对于为每个组分配的每个电梯，该电梯到达楼层的电梯利用率等级有若干种。
[0016]进一步地，电梯利用率等级的获取具体为：
[0017]按照预设采样间隔获取各楼层的电梯门外开关的使用次数系列；
[0018]基于各楼层对应的使用次数序列和重要程度，对各楼层进行分类，每个类中楼层对应的电梯利用率相同，确定每个类的电梯利用率等级。
[0019]进一步地，调度到达目标楼层的电梯后，检测电梯内是否有乘客，若无乘客，则所调度电梯按照第一运行速度下降；若有乘客，则所调度电梯按照第二运行速度下降；其中，第一运行速度大于第二运行速度。
[0020]进一步地，基于神经网络对进入办公楼的人员进行人脸识别，获取其目标楼层，具体为：
[0021]利用神经网络提取人脸特征，基于预先搭建的人脸特征数据库获取所提取人脸特
征的目标楼层；人脸特征数据库中人脸特征与楼层存在对应关系。
[0022]本专利技术实施例至少具有如下有益效果：本专利技术涉及一种基于电梯调度神经网络训练的人工智能优化操作系统，该系统是一种采用神经网络模型的计算机系统，具体是一种人工智能优化操作系统，该系统包括：本专利技术基于楼层的重要程度和楼层高度进行电梯数量的分配，并结合楼层的电梯利用率等级设置各电梯的目标楼层；再基于神经网络进行人脸识别，获取人员的目标楼层，基于目标楼层进行电梯的调度。基于本专利技术的系统，可有效减少人员的等待时间，对电梯进行充分运用。
附图说明
[0023]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
[0024]图1为本专利技术实施例的模块构成图。
具体实施方式
[0025]为了更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的一种基于电梯调度神经网络训练的人工智能优化操作系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
[0026]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。
[0027]本专利技术实施例以下面的应用场景为例对本专利技术进行说明：
[0028]该应用场景为：办公楼场景。
[0029]下面结合附图具体的说明本专利技术所提供的一种基于电梯调度神经网络训练的人工智能优化操作系统的具体方案。
[0030]请参阅图1，其示出了本专利技术一个实施例提供的一种基于电梯调度神经网络训练的人工智能优化操作系统的模块构成图，该系统包括：
[0031]电梯分配模块，用于基于楼层的重要程度为不同高度的楼层分配相应的电梯数量，并设置每个电梯的到达楼层；
[0032]人脸识别模块，用于基于神经网络对进入办公楼的人员进行人脸识别，获取其目标楼层；
[0033]电梯调度模块，用于调度到达目标楼层的电梯。
[0034]下面对上述各个模块进行详细展开：
[0035]电梯分配模块，用于基于楼层的重要程度为不同高度的楼层分配相应的电梯数量，并设置每个电梯的到达楼层。
[0036](1)基于楼层的重要程度为不同高度的楼层分配相应的电梯数量，具体为：根据楼层高度将楼层分为若干组；基于组内各楼层的重要程度计算每个组的数量权重；根据每个
组的数量权重和电梯总数量为每个组分配电梯数量。其中，楼层的重要程度的获取具体为：根据所有电梯在每个楼层的停留总时长和停留总次数计算楼层的重要程度。
[0037](a)根据所有电梯在每个楼层的停留总时长和停留总次数计算楼层的重要程度：
[0038]正常情况下每楼层的乘客人数是不同的，因此有的楼层电梯停留时间长，停留次数多，而有的楼层停留时间相对较短，停留次数较少。采集一整天内所有电梯在每楼层的总停靠时长及停靠次数，停靠时长的记录方法为每次电梯到达此楼层后，乘客离开后再次启动的中间时长，停靠次数记录方法为每停靠一次记录一次；停靠总时长记录为T
i
，T
i
表示一天内所有电梯在第i层的停留总时长；停靠总次数为S
i
，S
i
表示一天内所有电梯在第i层的停留总次数。通过T
i
、S
i
这两个数据可以得到每个楼层的重要程度，当两个数据越大，意味着此楼层越重要，相应的此楼层的电梯利用率比较高。计算楼层的重要程度时，可以是基于历史某一天的数据计算，也可以基于历史多天的数据计算即基于历史数据的均值计算，实施例基于历史一天的数据计算各楼层的重要程度，优选地，基于每周一的数据计算各楼层的重要程度，进而进行接下来一周电梯的调度；具体地，第i层楼层的重要程度Q
i
为所有电梯在第i层的停留总时长T
i
和停留总次数S
i
的乘积。需要说明的是，计算重要程度时所用的停留总时长和停留总次数为归一化后的结果。
[0039]由于是用归一化后的数据计算得到的重要程度，因此本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电梯调度神经网络训练的人工智能优化操作系统，其特征在于，该系统包括：电梯分配模块，用于基于楼层的重要程度为不同高度的楼层分配相应的电梯数量，并设置每个电梯的到达楼层；人脸识别模块，用于基于神经网络对进入办公楼的人员进行人脸识别，获取其目标楼层；电梯调度模块，用于调度到达目标楼层的电梯。2.如权利要求1所述的系统，其特征在于，基于楼层的重要程度为不同高度的楼层分配相应的电梯数量，具体为：根据楼层高度将楼层分为若干组；基于组内各楼层的重要程度计算每个组的数量权重；根据每个组的数量权重和电梯总数量为每个组分配电梯数量。3.如权利要求2所述的系统，其特征在于，楼层的重要程度的获取具体为：根据所有电梯在每个楼层的停留总时长和停留总次数计算楼层的重要程度。4.如权利要求3所述的系统，其特征在于，设置每个电梯的到达楼层，具体为：对于为每个组分配的...

【专利技术属性】
技术研发人员：周结，
申请(专利权)人：别克派利尔电梯扬州有限公司，
类型：发明
国别省市：