基于乘员乘梯行为习惯的自学习电梯楼层选择方法及系统技术方案

本发明专利技术公开了基于乘员乘梯行为习惯的自学习电梯楼层选择方法及系统，方法包括：识别乘员，获取所述乘员的乘梯行为习惯特征；通过所述乘员的乘梯行为习惯特征，构建特征矩阵；利用所述特征矩阵预测所述乘员的目的楼层，获取预测结果；基于所述特征矩阵和所述预测结果，训练楼层预测模型，获取更新后的所述楼层预测模型；基于更新后的所述楼层预测模型预测所述乘员的目的楼层。本发明专利技术能够根据乘员的乘梯行为习惯，自动预测出乘员目的楼层，避免电梯内的直接接触，提高了乘梯效率，具有无接触、高效率、无感的特点。无感的特点。无感的特点。

【技术实现步骤摘要】
基于乘员乘梯行为习惯的自学习电梯楼层选择方法及系统


[0001]本专利技术属于电梯智能调度
，尤其涉及基于乘员乘梯行为习惯的自学习电梯楼层选择方法及系统。

技术介绍

[0002]电梯作为一种重要的垂直交通工具，已经广泛的应用于生活中的各种场合。目前，人们更加注意个人卫生，避免生活中与潜在细菌病毒的直接接触，如避免接触乘坐电梯时的电梯按钮。根据每个乘员的乘梯行为习惯，比如一个小区内住户都住在固定楼层，每天基本都是在一楼与居住楼层往返，根据此习惯可以预测出其目的楼层，避免了乘员每次进入电梯时接触楼层选择按钮，选择楼层等操作，从而避免了各个乘员之间的间接接触，降低感染风险，同时也可以改善乘员手拿重物、抱小孩腾不出手等情况下的乘梯体验，做到无接触、高效率、无感的乘梯。
[0003]现有技术主要考虑了乘梯方向这一行为习惯特征，且依靠乘员近段时间内选择某一目的楼层的次数来完成自学习的功能，如乘员在近段时间内从1楼到3楼的次数为2次，到5楼的次数为5次，到8楼的次数为3次，由此预测出乘员下次在1楼乘梯时的目的楼层为5楼。该自学习方法思路较为简单，依赖特征维度单一，只适用于较简单的目的楼层预测任务。如一乘员每天7点乘梯到
‑
1楼开车送小孩上学，10点乘梯到2楼商场购买食材，19点乘梯到1楼散步，此时其从居住楼层到
‑
1楼、2楼与1楼的次数几近相同，其方法无法准确预测出乘员目的楼层。

技术实现思路

[0004]为解决上述技术问题，本专利技术旨在提出基于乘员乘梯行为习惯的自学习电梯楼层选择方法及系统,改善用户的乘梯体验。可以通过模型训练学习乘员的乘梯行为习惯，并根据此预测乘员的目的楼层。
[0005]一方面为实现上述目的，本专利技术提供了基于乘员乘梯行为习惯的自学习电梯楼层选择方法，包括：
[0006]识别乘员，获取所述乘员的乘梯行为习惯特征；
[0007]通过所述乘员的乘梯行为习惯特征，构建特征矩阵；
[0008]利用所述特征矩阵预测所述乘员的目的楼层，获取预测结果；
[0009]基于所述特征矩阵和所述预测结果，训练楼层预测模型，获取更新后的所述楼层预测模型；
[0010]基于更新后的所述楼层预测模型预测所述乘员的目的楼层。
[0011]可选的，识别乘员，获取所述乘员的乘梯行为习惯特征包括：
[0012]对所述乘员的人脸进行识别并与系统数据库进行匹配，确定所述乘员身份，获取所述乘员的乘梯行为习惯特征。
[0013]可选的，识别乘员还包括：获取所述乘员的人脸检测框和人体检测框，将所述人脸
检测框和所述人体检测框进行匹配，确定每位乘员位置并跟踪。
[0014]可选的，所述乘员的乘梯行为习惯特征包括：所述乘员的身份标识号、居住楼层、当前乘梯时间、乘梯方向、当前楼层和乘梯信息。
[0015]可选的，将所述特征矩阵输入楼层预测模型，获取预测结果之后还包括：
[0016]对所述预测结果进行判断，若所述预测结果错误，将所述乘员到达的目的楼层加入所述乘员的乘梯行为习惯特征；若所述预测结果正确，将所述预测的目的楼层加入所述乘员的乘梯行为习惯特征。
[0017]可选的，基于所述特征矩阵和所述预测结果，训练所述楼层预测模型，获取更新后的所述楼层预测模型包括：
[0018]获取新特征矩阵，对所述新特征矩阵进行过滤，获取更新后的所述特征矩阵；
[0019]将更新后的所述特征矩阵输入所述楼层预测模型，获取预测目的楼层；
[0020]基于所述预测目的楼层和正确目的楼层，更新所述楼层预测模型。
[0021]可选的，获取新特征矩阵，对所述新特征矩阵进行过滤包括：
[0022]获取所述楼层预测模型的准确率，若所述楼层预测模型的准确率小于设定的阈值，则将所述新特征矩阵加入所述特征矩阵，否则，将所述新特征矩阵输入所述楼层预测模块；
[0023]若所述楼层预测模型的预测结果错误，将所述新特征矩阵加入所述特征矩阵，否则计算所述新特征矩阵与所述特征矩阵的重合度；
[0024]基于所述重合度，判断是否将所述新特征矩阵加入所述特征矩阵，完成对所述新特征矩阵的过滤。
[0025]可选的，基于所述预测目的楼层和正确目的楼层，更新所述楼层预测模型包括：
[0026]基于所述预测目的楼层和正确目的楼层，计算损失函数，获得损失函数的损失值；
[0027]若所述损失函数的损失值大于设定的损失值，则继续训练并更新所述楼层预测模型，否则，完成所述预测模型的更新。
[0028]另一方面为实现上述目的，本专利技术还提供了基于乘员乘梯行为习惯的自学习电梯楼层选择系统，包括：摄像头模块，特征识别模块，无线传输模块，模型推理模块，云端训练模块，迁移学习模块，数据过滤模块；
[0029]所述摄像头模块用于识别乘员；
[0030]所述特征识别模块用于识别所述乘员的乘梯行为习惯特征；
[0031]所述模型推理模块用于基于所述乘员的乘梯行为习惯特征，预测所述乘员的目的楼层；
[0032]所述云端训练模块用于基于所述乘员的乘梯行为习惯特征和乘员目的楼层，对楼层预测模型进行训练，并将训练后的所述楼层预测模型更新到所述模型推理模块；
[0033]所述无线传输模块用于将所述乘员的乘梯行为习惯特征传输到所述模型推理模块，将所述乘员的乘梯行为习惯特征和所述乘员目的楼层传输到所述云端训练模块；
[0034]所述迁移学习模块用于将所述楼层预测模型中的参数迁移到另一个模型；
[0035]所述数据过滤模块用于对所述乘员的乘梯行为习惯特征进行过滤。
[0036]本专利技术技术效果：本专利技术通过过滤数据可以减少重复的、无用的乘员乘梯行为习惯特征数据，降低存储占用，避免模型过拟合。本专利技术能够将训练好的模型参数迁移到另一
个模型上，并利用小样本进行训练学习，微调模型，从而在短时间可以建立良好效果的模型。本专利技术能够根据乘员的乘梯行为习惯，自动预测出乘员目的楼层，避免电梯内的直接接触，提高了乘梯效率，具有无接触、高效率、无感的特点。
附图说明
[0037]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0038]图1为本专利技术实施例基于乘员乘梯行为习惯的自学习电梯楼层选择方法的流程示意图；
[0039]图2为本专利技术实施例乘员行为习惯特征矩阵示意图；
[0040]图3为本专利技术实施例基于乘员乘梯行为习惯的自学习电梯楼层选择系统的云端训练模块示意图；
[0041]图4为本专利技术实施例基于乘员乘梯行为习惯的自学习电梯楼层选择系统的模型推理模块示意图；
[0042]图5为本专利技术实施例基于乘员乘梯行为习惯的自学习电梯楼层选择系统的迁移学习模块示意图；
[0043]图6为本专利技术实施例基于乘员乘梯行为习惯的自学习电梯楼层选择系统的数据过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于乘员乘梯行为习惯的自学习电梯楼层选择方法，其特征在于，包括：识别乘员，获取所述乘员的乘梯行为习惯特征；通过所述乘员的乘梯行为习惯特征，构建特征矩阵；利用所述特征矩阵预测所述乘员的目的楼层，获取预测结果；基于所述特征矩阵和所述预测结果，训练楼层预测模型，获取更新后的所述楼层预测模型；基于更新后的所述楼层预测模型预测所述乘员的目的楼层。2.如权利要求1所述的基于乘员乘梯行为习惯的自学习电梯楼层选择方法，其特征在于，识别乘员，获取所述乘员的乘梯行为习惯特征包括：对所述乘员的人脸进行识别并与系统数据库进行匹配，确定所述乘员身份，获取所述乘员的乘梯行为习惯特征。3.如权利要求1所述的基于乘员乘梯行为习惯的自学习电梯楼层选择方法，其特征在于，识别乘员还包括：获取所述乘员的人脸检测框和人体检测框，将所述人脸检测框和所述人体检测框进行匹配，确定每位乘员位置并跟踪。4.如权利要求1或2所述的基于乘员乘梯行为习惯的自学习电梯楼层选择方法，其特征在于，所述乘员的乘梯行为习惯特征包括：所述乘员的身份标识号、居住楼层、当前乘梯时间、乘梯方向、当前楼层和乘梯信息。5.如权利要求1所述的基于乘员乘梯行为习惯的自学习电梯楼层选择方法，其特征在于，将所述特征矩阵输入楼层预测模型，获取预测结果之后还包括：对所述预测结果进行判断，若所述预测结果错误，将所述乘员到达的目的楼层加入所述乘员的乘梯行为习惯特征；若所述预测结果正确，将所述预测的目的楼层加入所述乘员的乘梯行为习惯特征。6.如权利要求1所述的基于乘员乘梯行为习惯的自学习电梯楼层选择方法，其特征在于，基于所述特征矩阵和所述预测结果，训练所述楼层预测模型，获取更新后的所述楼层预测模型包括：获取新特征矩阵，对所述新特征矩阵进行过滤，获取更新后的所述特征矩阵；将更新后的所述特征矩阵输入所述楼层预测模型，获取预测目的楼层；基于所述预测目的楼层和正确目的...

【专利技术属性】
技术研发人员：王海舰，莫涵，吴俊林，田玉东，赵佳，刘林，梁萌，李文杰，尹明军，杨贺欣，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：