随机森林在群控电梯交通模式识别中的应用

Elevator Group Control Trafic Patern Recognition Based on Random ForestLIU Mei-ju，LIU Dong，LIU Jian(School ofInformation and Control Engineering，Shenyang Jianzhu University，Liaoning Shenyang 110168.China)Abstract：It utilizes the randomforest algorithm to design an elevator pattern recognition system.By colecting the valid datain the current elevator operation to form the training data.it establishes a pattern recognition model by using the RandomForest Algorithm Then it brings the operating parameters of the elevator into the pattern recognition model which is b uilt Oilthe basis of the Random Forest Algorithm to obtain the trafic mode of the group control elevator and get the conclusion tbatthe simulation result is the salte with expected.Theoretical analysis and simulation results show that applying the RandomForest Algorithm to the trafic pattern recognition ofelevators can not only ef[bctively identify the current trafic pattern aftheelevator，but also Can improve the speed ofanalysis.The algorithm can be applied to the identifcation ofthe traJfic patern a variety ofgroup control elevators andit owns the merit offlexibility。

Key Words：Random Forest；Group Control Elevator；Elevator Trafi c Pattern；Pattern Recognitionl I商群控电梯的交通流模式是影响电梯群控性能的重要因素，能否准确识别群控电梯系统的交通模式，对其运输能力的提高起着至关重要作用。在电梯交通流模式识别中采用人工神经网络和模糊神经网络等方法虽然取得了-定成就，但仍存在-些问题，如：实时性较差，网络结构存在不确定性 ，易陷入局部极携，通用性较差等。首次将随机森林算法运用于电梯的模式识别中，通过分析乘客对电梯运输的需求 ，每隔几分钟辨识-次电梯的运行状态，通过由随机森林建立的模式识别模型对当前交通模式进行有效识别，实验验证了算法的有效性。

2随机森林2.1原理作为-种统计学习理论，随机森林(RF)按照Bootstrap抽样法从已获得的原始数据样本中随机抽取-定数量样本，再运用决策树算法对数据建模，如图 1所示。通过产生 n个随机向量0 ，02 0 ”，0 ，定义分类器h(x，0 )，后面我们简化为 ( )，其中，0是相互独立且I吾l件布的。给定k个分类器 .( )， ：( )，..，hk( )和- 组从随机向量 、l，的分布中随机抽取的训练集，k次抽取产生k棵树，再由k棵树投票获得最终结果I ，最终决策表示为：日( )：a蜡max∑，(fl ( )：Y) (1)Y I式中：H(x)-组合分类模型；y-输fI变量；，(·)-示性函数。

- U- U图 1随机森林分类原理Fig.1 Random Forest ClassificatiOil Principle22泛化误差随机森林的间隔函数为[41：mr(X，Y)Po(h(X， )l，)-max (h(X， ) )J≠ r来稿 日期：2012-06-21基金项目：住房与城乡建设部基金项目(2010-K9-22)作者简介：刘美菊，(1972-)，女，黑龙江人，博士，硕士生导师，主要研究方向：智能控制、非线性系统分析、优化与控制(2)第4期 刘美菊等：随机森林在群控电梯交通模式识别中的应用 89分类器h(x， )的强度：sEy mr(X，Y) (3)没 >10，则由切比霄大小等式得：PE ! (4)其中，方差var(mr)的形式如下：j var(mr)sof d( ) r 1V3r(mr)sp c var(0))假没出任意 数 厂对 求平均值科方差，并求方差的上界，可以得 lJ：var(mr) p(1- !) (6)结合式(8)可得下面结果： p(1 (7)1上式l可看，泛化误筹收敛，即 只要分类树足够多，该算法下会出现过拟合。

3电梯交通模式乘客对电梯的需求牢占整 个建筑总人数的比例随时问的变化.如 2所示。从 2丁香Hj，电梯运行过程巾人数的出现是随fJl的，而电梯的交通模式却屉有规律的FI 电悌的交通模式主要有以下几种 ，如丧 1所示。能够准确把握这 模式状态对于优化电怫调度将起到关键性的作j。

三 5i 10誊1 52025图2某办公大楼-天内乘客对电悌的需求率Fig.2 Passengers Demand Rate of Elevator in 8nOfice Building in One Day表 1电梯交通模式Tab.1 Elevator Traffic Patern模式 特性-klf高峰交通模式下行高峰交通模式随机层间交通模式空闲交通模式上行人数较多下行人数较多上下行人数不定乘梯人数较少4实验结果4.1统计电梯运行数据正确的参数能够有效地反映电梯当前的运行状态。所取每条数据涉及以下参数，如表 2所示。

表 2参数及对应变量Tab.2 Parameters and COrrespOnding Variables参数 意义星期时间轿厢内重力传感器所感应到的轿厢的重量各楼层停梯次数(共 15层楼共 l5条数据)轿fli过载报警次数轿厢过载报警所在楼层号总呼梯信号个数产生呼梯信号最多的楼层数其巾，表 2中的 2表示为： 2 V (max(x4，X ，X18))(8)NUM用于获取楼层号。数据采集硬件结构，如图 3所示。

电梯的各个端 口的信号可由检测端口上传给 plc控制器 ，各从站将信号通过PROFIBUS总线传给总站，上位机与下位机的通信，选择 I，Pl协议。

口电梯 梯图 3数据采集硬件结构l、jg 3 Data Acquisition Hardware Structure4.2构建电梯的随机森林模型如图 1所示，埘采集刮的数据按照经验进行所属模式状态定义，坩 n b 、d分别表示上行高峰 、下行高峰、随机层问 、空闲交通四种模式，该数据与采集刮的数据共同组成训练数据 D。

图4随机森林函数中产生的-棵树Fig.4 Random Forests Function Resulting in a Rree如图 1所示，将训练数据 D随机化，产生 k组训练数据 D ，D ，D，D 随机森林是-个包含多个决策树的分类器，将训练数据建立决策树模型，如图 4(其中-棵树)所示，K组训练数据共产生 棵树，由 棵树组建出电梯的随机森林模式识别系统。

4.3获取当前运行参数按照Xl- 的获取方式在电梯的实际运行过程中实时地获取当前电梯运动状态下的参数，如表 3所示。

表 3程序投票结果Tab.3 PrOgram Voting Results(下转第93页).扔 三jNo.4Apr.201 3 机械设计与制造 93由图 8和图 9比较可知，虽然随着当量比的增加提高了缸内的燃烧热效率，燃烧温度和燃烧压力.但是过大的当量比会使氢发动机缸内形成大量的混合气体，从而在燃烧初期大量的混合气体同时燃烧，着火后使得压力升高率过大出现压力波动现象。

这些加大了氢发动机异常燃烧的可能性 ，因此选取适当的当量比也是抑制发动机异常燃烧的途径之-卸。

4结论(1)当初始温度逐渐升高时，点火后缸内燃烧温度的升高率以及缸内的压力升高率都有所增大，缸内峰值压力有所降低，但达到峰值压力的时刻提前；(2)当初始压力逐渐增大时，缸内的峰值温度呈逐渐上升趋势，且达到峰值温度的时问逐渐提前，缸内的峰值压力随着初始压力的增大而升高；(3)当当量比逐渐增加时，缸内的温度和压力都呈明显上升的趋势，而且达到峰值温度和峰值压力的时间都有所提前。随着当量比的升高.氢发动机发生异常燃烧的概率大大增加。