基于SVM的電梯群控系統(tǒng)交通流模式識別.pdf

《基于SVM的電梯群控系統(tǒng)交通流模式識別.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在應(yīng)用文檔-天天文庫。

1、華南理工大學(xué)學(xué)報（自然科學(xué)版）第33卷第6期JournalofSouthChinaUniversityofTechnologyVol.33No.62005年6月（NaturalScienceEdition）June2005文章編號：1000-565X（2005）06-0032-04>基于SVM的電梯群控系統(tǒng)交通流模式識別許玉格羅飛（華南理工大學(xué)自動化科學(xué)與工程學(xué)院，廣東廣州510640）摘要：針對電梯群控調(diào)度中的交通流模式識別問題，提出了一種基于多值分類支持向量機的電梯交通流模式識別方法.文中介紹了電梯交通流模式識別的設(shè)計流程，并建立了相應(yīng)的電梯交通流模

2、式識別器.結(jié)果表明，基于支持向量機的交通流模式識別方法能夠較準(zhǔn)確地辨識出各種交通流模式.通過對比試驗，證明了該算法的識別準(zhǔn)確率優(yōu)于人工神經(jīng)網(wǎng)絡(luò)算法，體現(xiàn)出較好的泛化能力，具有一定的實用價值.關(guān)鍵詞：支持向量機；電梯群控系統(tǒng)；交通流；模式識別中圖分類號：TP391文獻(xiàn)標(biāo)識碼：A隨著高層建筑的發(fā)展，電梯需求量和規(guī)模越來用于電梯交通流模式識別的算法以及與神經(jīng)網(wǎng)絡(luò)算越大，人們對電梯群控系統(tǒng)的服務(wù)質(zhì)量和性能要求法的試驗對比結(jié)果.也日益提高.建筑物內(nèi)部的交通流狀況是影響電梯1多值分類支持向量機在電梯交通流群控系統(tǒng)性能的一個重要因素.在不同的交通流狀模式識別中的應(yīng)用況

3、下采用不同的電梯群控策略，可以提高電梯的服務(wù)質(zhì)量和各項性能指標(biāo).電梯系統(tǒng)的交通流可以用支持向量機算法是基于結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則電梯群服務(wù)系統(tǒng)的乘客數(shù)、乘客出現(xiàn)的周期以及乘（StructuraIRiskMinimization，SRM）實現(xiàn)的模式分類客的分布情況來描述［1］.在電梯群控系統(tǒng)的交通流［6］方法.學(xué)習(xí)機器在測試數(shù)據(jù)上的誤差率（即泛化［2~5］分析方面國內(nèi)外學(xué)者進(jìn)行了一些研究，有學(xué)者誤差率）以訓(xùn)練誤差率和一個依賴于VC維數(shù)（Vap-采用人工神經(jīng)網(wǎng)絡(luò)或者模糊神經(jīng)網(wǎng)絡(luò)來進(jìn)行電梯交nik-ChervonenkisDimension）項的和為界，因此，盡管

4、通流模式識別，取得了一定成效.但是人工神經(jīng)網(wǎng)絡(luò)它不利用問題的領(lǐng)域知識，在模式分類問題上支持存在訓(xùn)練耗時、網(wǎng)絡(luò)結(jié)構(gòu)的不可確定性以及容易陷向量機仍能提供好的泛化性能.入局部極小化等問題.因此，本文提出了一種基于支支持向量機算法利用在樣本空間或者特征空間持向量機的交通流模式識別方法.支持向量機方法構(gòu)造出最優(yōu)超平面，使得超平面與不同類樣本集之依據(jù)結(jié)構(gòu)風(fēng)險最小化原則，盡量提高分類器的泛化間的距離最大，從而達(dá)到分類的能力.原始的支持向能力，即由有限訓(xùn)練樣本得到的分類器對獨立的測量機是用來解決二類分類情況.假定大小為!的訓(xùn)試集合仍能得到較小的誤差.此外，支持向量機是一

5、練樣本集｛（!"，""），"=1，2，?，!｝，由二類別組成，個凸二次優(yōu)化問題，能夠保證找到的極值解就是全$""E｛-1，1｝表示!"的類別#如果!"E!屬于第1局最優(yōu)解.這些特點使得支持向量機在模式識別中類，則標(biāo)記為正（""=1），如果屬于第2類，則標(biāo)記成為一種有效的學(xué)習(xí)算法.文中給出了支持向量機為負(fù)（""=-1）#學(xué)習(xí)的目的是構(gòu)造一個判別函數(shù)，將測試數(shù)據(jù)盡可能正確地分類#當(dāng)訓(xùn)練集為非線性時，通過一個非線性函數(shù)!（·）將訓(xùn)練集數(shù)據(jù)!映射收稿日期：2004-06-28到一個高維線性特征空間，在這個維數(shù)可能為無窮>基金項目：國家自然科學(xué)基金資助項目（696

6、84001）大的線性空間中構(gòu)造最優(yōu)分類超平面，并得到分類作者簡介：許玉格（1978-），女，博士生，主要從事離散事件動態(tài)系統(tǒng)及人工智能控制與應(yīng)用方面的研究.E-maiI：器的判別函數(shù)#xuyuge@163.com在電梯群控系統(tǒng)中，交通流模式識別和分類可第6期許玉格等：基于SVM的電梯群控系統(tǒng)交通流模式識別33以為電梯群控系統(tǒng)的綜合控制和交通誘導(dǎo)提供有用高峰期間）、下行高峰模式（一般出現(xiàn)在下班的高峰的信息.它主要是對電梯群所在建筑物內(nèi)客流信息期間）、層間運行模式（各樓層乘客量比較均衡）以的運動方向、乘客出現(xiàn)時間等交通流規(guī)律進(jìn)行辨識，及空閑模式.電梯交通流模

7、式分類的樣本主要根據(jù)確定某時刻的交通流主要特征，并進(jìn)行歸類.支持向?qū)＜医?jīng)驗來指定.一般選取5min作為交通流信息提量機算法體現(xiàn)出的分類能力和基于結(jié)構(gòu)風(fēng)險最小化取和模式識別的時間間隔.訓(xùn)練方式的優(yōu)勢讓我們考慮將該理論應(yīng)用在電梯的通過上述交通流信息特征提取，可得到電梯交交通流模式識別中.但是，在實際電梯群控系統(tǒng)中，通流模式的輸入特征值和分類樣本.然后設(shè)計建立交通流模式分類大多屬于多類別分類，例如交通模相應(yīng)算法的分類器，并對電梯交通流數(shù)據(jù)進(jìn)行訓(xùn)練.式可分為上行高峰模式、下行高峰模式、層間運行模分類器訓(xùn)練完成后，還需用多組交通流測試數(shù)據(jù)對式以及空閑模式等.因此，

8、本文采用一對一的多值分分類器進(jìn)行測試，直到分類器的分類準(zhǔn)確率達(dá)到所類支持向量機算