超高层建筑电梯交通流量预测方法研究

1、 毕业设计(论文)超高层建筑电梯交通流量预测方法研究摘 要本论文主要研究了超高层建筑电梯交通流的预测方法，良好的电梯交通流分析能够为电梯群组的调度单元提供有益的、具有预见性的指导，从而方便对楼内交通进行静态分区，合理选择井道数、电梯台数和型号，提高电梯的运行效率。论文先简述电梯的国内外发展状况，超高层建筑的相关知识,时间序列的特点和基本概念。将实地考察的平安大厦的交通流数据分为两组，分别作为样本数据训练模型和检验预测结果。首先应用arima建模方法和sas软件，建立电梯交通流预测模型并仿真出预测结果。然后用样本数据训练神经网络，基于matlab神经网络工具箱建立交通流量预测模型并仿真。将两种预

2、测结果比较，后者拟合预测效果要强于前者，于是便选择出较优的预测方法。最后概述了如何利用预测结果来配置电梯，用vc+的mfc建立对话框来说明。关键词：超高层建筑；电梯交通流；时间序列；预测；matlab神经网络abstractprediction method of the elevator traffic flow of super high-rise building is studied in this paper. as known, proper analysis on elevator traffic flow could provide useful and prospective

3、 guidance for dispatching unit of elevator groups. accordingly, it will help to make a reasonable choice of the number of shafts, the number and types of elevators and enhance the efficiency of elevators, it also can make static division of the building transport more easily. the article firstly des

4、cribes the development of the lift at home and abroad briefly, the knowledge of super high-rise building and the characteristics and basic concepts of time-series . the traffic flow data which is counted at pingan building is devided into 2 groups, one is used to train the model as a sample data and

5、 the other to test the results. first of all, the arima modeling methods and sas software are used to establish the elevator traffic flow prediction model and simulate the prediction outcome. then the sample data is used to train the neural network and establish and simulate the traffic flow model b

6、ased on the matlab neural network toolbox. and then by comparing the two prediction results, it is found that the latter effect of prediction is better than the former, so the better prediction method is selected. finally, the overview of how to configure the elevator using the prediction results is

7、 summarized, which is described by establishing dialog boxes with mfc of vc+. key words: super high-rise building；elevator traffic flow；time series；prediction； matlab neural network目 录1 绪 论11.1 选题背景及意义11.1.1 选题背景11.1.2 课题研究意义11.2 国内外发展状况21.2.1 国外发展状况21.2.2 国内发展现状31.3 课题研究内容42 超高层建筑交通流及时间序列分析52.1 超高层

8、建筑简介52.1.1 超高层建筑的优点52.1.2 超高层建筑的弊端52.1.3 超高层建筑在我国的发展52.2 平安大厦电梯交通流分析62.3 时间序列简介72.3.1 定义72.3.2 时间序列分析软件82.4 时间序列预处理82.4.1 平稳性检验82.4.2 纯随机性检验103 交通流量预测模型的建立及仿真123.1 预测的基本概念123.1.1 预测方法基本步骤123.1.2 预测方法的分类123.2 arma模型简介133.2.1 ar（p）模型预测方法的基本原理133.2.2 ma(q)模型预测方法的基本原理133.2.3 arma模型预测方法的基本原理143.3 arima模型

9、简介143.3.1 差分运算143.3.2 arima模型的结构153.4 电梯交通流预测153.4.1 平稳性检验153.4.2 纯随机性检验183.4.3 建模和仿真184 基于matlab的神经网络预测274.1 神经网络简介274.1.1 bp神经网络简介274.1.2 神经网络预测模型的基本原理274.1.3 bp算法及l-m算法304.2 电梯交通流预测304.2.1 matlab软件简介304.2.2 matlab神经网络工具箱函数314.2.3 利用matlab拟合交通流量预测模型324.3 两种预测方法比较375 电梯配置界面设计395.1 输入参数界面设计396 总结与展望

10、44参考文献465.线性稳定性分析616.总结62致 谢631 绪 论1.1 选题背景及意义1.1.1 选题背景近十几年来，我国城市建设高速发展，城市中土地资源日益紧张，高层乃至超高层（常指提升高度在120米以上）建筑已经在我国各大城市兴起。随之而来的电梯“垂直交通”问题也日显重要性和紧迫性，每幢大型高楼都可以说是一座垂直的城市1。当前我国对道路交通问题非常关注，而对大楼内的“垂直交通”问题研究较少。然而据美国有关部门统计，当地人均乘坐电梯的次数远远高于乘坐汽车的次数。因此随着我国城市建设的快速发展，电梯交通问题将同道路交通一样越来越受到人们的重视。对“垂直交通”的研究主要分为两个方面：一是电

11、梯群控方法研究；二是电梯交通流量分析和选型配置问题。第一点是在大楼已建好并且电梯已安装的情况下，通过不同的控制方法来提高电梯的运行效率。第二点是在建筑物设计阶段及电梯安装之前，根据建筑大楼的用途、建筑面积、提升高度、层高、层数等参数，及大楼内部人员流动密度进行交通流量预测分析，并根据分析结果对电梯进行选型配置设计，以期达到最佳使用运行效果。我国在电梯“垂直交通”群控方法上有一定研究，而对于前期的交通流量分析和选型配置研究相对较少。而国外欧、美、日等发达国家非常重视对高层建筑交通流量分析和选型配置理论的研究，但大多都是针对某个电梯公司的某个特定型号的产品，缺乏通用性，且不太符合我国国情。要实现交

12、通系统畅通无阻必须准确的、合理的配置电梯容量、速度、轿厢数等重要参数，这些参数与大楼内实际交通流情况是密不可分的2，因此本课题拟针对我国超高层建筑，重点研究交通流量预测方法，建立交通流量的数学模型。1.1.2 课题研究意义电梯系统中，采用有效的方法对电梯交通系统进行预测，有助于改进电梯的控制方式和调度策略，改善电梯的服务，提高电梯资源的利用率和节约能源3。通过电梯有序的分配人群流向，使建筑空间得到充分利用并节省使用者的时间；不合理的电梯配置，则会降低建筑物的利用率，造成人流的拥挤或时间浪费。这一点对于超高层建筑尤为重要：一方面如果电梯安装过多，不仅会造成初期电梯投资浪费，还会减少建筑物的有效使

13、用面积；另一方面如果电梯配置过少，势必会造成人员拥挤，降低人们的工作效率，对于写字楼而言甚至会导致其贬值；再一方面即使电梯数量足够，如果电梯配置不合理也会造成运输效率降低。因此，对大楼交通流量进行有效的预测分析，达到电梯合理配置和优化调度，不但可节省资金，而且可提高交通运输效率；因为电梯设备投资约占建筑物基建总投资的204。在智能大厦中，包括电梯交通系统在内的电气工程造价有的甚至超过土木工程造价。国内目前有200多家电梯公司，去年生产电梯26万台，产值达720亿。中国已成为世界最大的电梯市场，但在超高层建筑的招投标电梯项目中，由于国内电梯厂家无交通流量分析等技术而未入围，最后总是国外电梯公司中

14、标，由此一年丢失的市场份额达近100亿元。超高层建筑往往是一个城市的标志性建筑，并且大楼内办公的常常是一些重要单位，甚至是国家要害部门。如果国外电梯公司中标，需将建筑图纸等资料提供给外方。无论是从经济上、保密的角度，还是从政治影响考虑，中国人都应该尽快占领这块市场。1.2 国内外发展状况电梯工业技术在20世纪得到了快速发展，这得益于同期微电子、计算机、网络通信、自动化与人工智能技术的发展。相对电梯本身的控制技术，电梯交通流量分析与选型配置则有一段滞后时间。1.2.1 国外发展状况20世纪90年代中期，神经网络成为一种具有学习能力的通行控制算法。但是与其它基于计算机的交通控制系统相比仍有不足之处

15、，神经网络算法还有待逐步改进。美国奥的斯电梯公司基于估计每个轿厢剩余响应时间(remaining response time)，应用神经网络开发了一种综合性调度决策。由于电梯交通流量问题固有的非确定性，目前可用的人工智能技术用于实际的智能化的、可靠的、自适应以及具有自主权的系统开发是非常困难的。人工智能理论应用于电梯群控制系统，虽然产生了一批重要的研究和应用开发成果，大大促进了电梯系统的智能化水平。但是，有关电梯交通分析与规划真正意义上的研究成果比较少见，没能取得重大进展。美国奥的斯电梯公司、瑞士迅达电梯公司、日本三菱电梯公司等国际著名大电梯公司，在电梯配置设计方面都有自己的研究，并为客户提供

16、针对自己品牌的电梯配置方案；出于技术保密、知识产权保护以及商业竞争的需要，各自的电梯配置方法均鲜为人知，而且各主要电梯公司对电梯配置结果差异较大，无统一的电梯配置评判标准。1.2.2 国内发展现状我国在电梯交通配置方面的研究，特别是应用方面以及投入的人力和物力与国外发达国家相比有很大差距。20世纪90年代初，以vladimir vapnik创立的统计学习理论为基础，提出的支持向量机（svm）作为新一代学习系统，在机器学习与数据挖掘中已被确立为一种工具。华南理工大学许玉格、罗飞等人针对电梯群控调度的交通流模式问题，提出了一种基于多值分类支持向量机的电梯交通流模式识别方法。沈阳建筑大学朱德文教授，

17、编写了电梯选型、配置与量化一书，从理论定义和概念等方面介绍了国外不同研究方法和特点，并进行了电梯交通配置计算机辅助设计方法的介绍。国内还有的学者提出应用小波神经网络（wnn）来建立电梯交通流的预测模型，并运用统计学理论中的结构风险最小化原则来训练网络。总的来说，我国自己在电梯交通配置方面的研究主要是侧重于电梯群控问题，通过对工程设计初期电梯的交通流量分析，而进行电梯选型配置的研究则相对较少，且目前在国内尚无实际应用先例。此外，我国关于风摆、地震、火灾等问题对高层建筑本身的影响有较多研究，而对于高层建筑电梯如何抵抗风摆、地震及火灾等问题的研究较少。1.3 课题研究内容本课题主要针对超高层建筑电梯

18、交通流量预测方法进行研究，建立数学模型并将仿真结果进行比较，具体如下：1、选择好一类智能大楼作为研究对象，进行实地调查，观测记录大楼的交通流。查阅资料，搜索关于智能大楼交通流量统计的数据结果，摘抄记录，充分利用这些结果，为建模服务。2、学习建模的理论知识，了解建模的几种基本方法，区分arma和arima模型的用途，在智能方法中重点掌握人工神经网络这一方法。3、以超高层建筑电梯交通流为研究对象，采用不同方法建立交通流量分析预测模型并进行机理分析，以期达到对楼内交通进行静态分区，决定需用电梯井道数、电梯台数、型号及群控方式。4、以上述模型为基础，进行仿真，验证所建模型的合理性，根据仿真结果实时修正

19、该模型，比较不同建模方案的优缺点，确定合适的模型，确定其优越性。2 超高层建筑交通流及时间序列分析2.1 超高层建筑简介对超高层建筑的界定不同国家有不同的标准，根据我国民用建筑设计通则和高层民用建筑设计防火规范，建筑高度超过24米即被称为高层建筑，如果超过120米均被称为超高层建筑。超高层建筑作为现代经济社会建筑业发展的一大主流，是经济发展的标志，它正在不断的改变着城市的经济结构与城市景观。超高层建筑的大量涌现，为城市的经济建设、商业繁荣、人口聚集带来生机与活力，一定程度上加速了城市化进程的发展。2.1.1 超高层建筑的优点1.容量大。一定程度上能缓解日益严峻的城市住房紧张问题。2.节约用地。

20、高层建筑土地利用率高、容积率大。3.适宜居住。高层建筑光线明媚，与普通多层建筑相比，超高层住宅视线无遮挡，景观效果好；而且高处的湿度小，远离汽车尾气、尘埃，空气质量优良，受干扰程度小，远离空气和噪音污染，是比较理想的居住环境。2.1.2 超高层建筑的弊端1.超高层建筑开发建设成本高，后期维护运营费用大。2.超高层建筑对周边环境产生不利影响。2.1.3 超高层建筑在我国的发展我国是人口大国，土地资源很缺乏，允许一定的高层和超高层建筑是必要的。但必须承认的是，超高层建筑技术更复杂，工艺更先进，投入更大。而日常管理开支又十分高昂，建筑及运营成本很高，同时还带来一系列的安全问题、环境问题、内部交通问题

21、等。随着高科技的发展，智能建筑、生态建筑、生命建筑、地下“高楼”等，将成为人类对新建筑的追求5。2.2 平安大厦电梯交通流分析 交通流是指由乘客数、乘客出现的周期及乘客分布情况来描述的状态量6。超高层建筑一般建筑面积很大，楼内的垂直交通工具就是电梯。进出大楼的人流量大，楼内层与层间也有大量的人的流动，随时随地都有对电梯的使用要求。交通流的情况主要与建筑物的性质有关，如办公写字楼、宾馆酒店、商业广场、医院住宅等，不同性质的建筑客流量有所不同，但基本都可归为以下几类：上行高峰，下行高峰，午餐上/下行高峰，随机层间交通及空闲交通五种不同交通流模式。交通流随时间推移呈现不同的变化规律，可表示为x(t)

22、,即t(atb,0achisq该qlb统计量的p值。autocorrelation计算得出的延迟各阶qlb统计量的样本自相关系数的具体数值。在=0.05时，p,表明该序列不是白噪声序列。3.4.3 建模和仿真由于该序列不是平稳序列，需要使用arima模型。一个完整的arima程序是有identify（识别）、estimate(估计)、forecast(预测)三条命令组成。下面以数据集a1的数据进行交通流量预测模型的建立和仿真。流程图，见图3.3程序如下data a1；input x；difx=dif(x)；t=_n_；cards；1 1 1 5 5 8 7 16 15 20 35 34 32

23、39 36 39 31 39 38 31 36 29 26 27 25 20 18 16 17 16 15 13 11 13 14 11 10 10 9 11 13 10 12 12 12 14 13 15 14 13 12 13 20 25 34 38 35 32 37 33 35 32 31 34 29 27 20 17 18 16 16 17 15 13 14 10 9 8 10 12 11 13 14 15 13 11 13 9 13 14 12 13 11 8 14 9 8 5 6 9 7 6 4 8 5 5 7 6 9 11 14 17 16 17 19 24 30 32 31 3

24、6 35 34 35 37 33 32 31 27 15 14 14 11 9 7 5 6 4 3 2 3 3 2；data a2；输入数据x判断序列是否稳定？n是否是白噪声序列？y确定模型阶数n拟合模型预测y结束开始差分运算input y；t=_n_；cards；0 1 1 5 6 6 10 15 14 21 36 33 35 32 37 29 36 37 30 34 28 2126 25 19 19 17 18 15 17 13 1412 11 13 10 11 8 12 10 9 11 1113 12 14 12 13 12 13 21 26 3237 36 31 36 35 34 33

25、 32 32 3233 30 26 17 16 17 15 15 16 1415 13 11 10 9 9 11 12 12 14 1514 12 13 10 12 12 13 12 12 1012 10 8 6 5 7 5 5 6 7 6 6 6 6 78 13 15 12 18 21 25 31 31 2934 36 32 34 38 37 31 35 20 1413 12 10 8 6 4 5 3 4 2 3 2 2； proc arima data=a1；identify var=x(1) nlag=24 minic p=(0:8) q=(0:8)； 图3.3 交通流量预测模型建立和仿

26、真流程图estimate p=3 noint； forecast lead=3 id=t out=results； data a3；set a2 results； proc gplot data=a3；plot y*t=1 forecast*t=2/overlay legend=legend1；symbol1 c=red i=join v=star width=2 l=2；symbol2 c=blue i=join v=none width=2；legend1 down=2 position=(top right inside)value=(f=宋体 h=40pt t=1实测数据 t=2预测结

27、果)；run；3.语句说明1）“identify var=x(1) nlag=24 minic p=(0:8) q=(0:8)；”其中“identify var=x(1)；”使用该命令可以识别差分后序列的平稳性，纯随机性和适当的的拟合模型阶数。其中x(1)表示识别变量x的1阶差分后序列。其中的minic选项是指定sas系统输出所有自相关延迟阶数小于等于8，移动平均延迟阶数也小于等于8的arma（p, q）模型的bic信息量，并指出其中bic信息量达到最小的模型的阶数，这实际上就是模型优化的过程。2）“estimate p=3 noint；”此语句是在前一句运行之后得出模型之后又添加的语句，表示

28、对1阶差分后的序列拟合ar(3)模型，未知参数估计结果中mu不显著，所以选择noint选项，除去常数项。3）“forecast lead=3 id=t out=results；”拟合好模型之后，对序列进行短期预测，lead是指定预测期数；id是指定身份标识；out是指定预测后的结果存入某个数据集。4）“set a2 results；”表示将数据集a2和results集中到数据集a3中，以便后面绘图时使用。5）“proc gplot data=a3；”表示对临时数据集a3中的数据绘图。6）“plot y*t=1 forecast*t=2/overlay legend=legend1；”这是要求系

29、统绘制两条时序曲线，第一条是以y为横坐标，t为纵坐标，以symbol1语句所规定的格式绘制。第二条是以forecast为横坐标，t为纵坐标，以symbol2语句所规定的格式绘制。overlay选项指令系统将这两条时序线绘制在同一张图中，同时显示。如果没有overlay选项，系统将这两条时序线分开输出。legendn 选项legend语句的形式为：legend语句的功能有：l 控制图例个元素的布局l 图例的大小l 控制图例区是否要加框及框的形式l 图例在画面上的位置l 图例中文字的属性167）“symbol1 c=red i=join v=star width=2 l=2；” symbol语句是

30、专门的指令绘制的格式，一个gplot程序中允许使用过多个symbol语句，所以就有了symbol1，symbol2，symbol语句中有许多选项，比较常用的几项是：c图线颜色，可自由选择red（红色），black（黑色），green（绿色），blue（蓝色），pink（粉红色）等各种颜色。v表示观察值图形，可自由选择star（星号），dot(点)，circle（圆圈），diamond（菱形）等各种形状，也可选择none（不使用特别图形标注观察值）。i观察值之间的连线方式，可自由选择join(线性连接)，spline（光滑连接），needle（作观察值到横轴的悬垂线）等各种连线方式，也可选择no

31、ne（不使用任何线连接）。l表示线型，0表示空白线，1表示实线，2表示虚线，缺省值为1。width表示线的宽度，缺省值为1。8）“legend1 down=2 position=(top right inside) value=(f=宋体 h=40pt t=1实测数据 t=2预测结果)；”以下是legend的几个常用选项：down=n：将图例元素排为包含n个元素的列position=（bottom|middle|top left|center|right outside|inside）：指明图例区在画面上的位置（上下，左右，图外或图内，缺省在下方中间图外）。value=（字符属性n 字符串n）

32、：设定第n个图例元素的说明标签。4.运行结果1） 描述性信息2） 平稳性检验图3.4 序列x一阶差分后样本自相关图图3.5 序列x一阶差分后样本偏自相关图由图可见，一阶差分后序列基本符合平稳序列要求。纯随机性检验在=0.05时，p,表明该序列不是白噪声序列。相对最优定阶为了避免因个人经验不足导致的模型识别问题，sas系统还提供了相对最优模型识别。只要是我们在identify命令中增加一个可选命令minic，就可以获得一定范围的最优定阶模型。本例输出信息如下：信息显示在自相关延迟阶数和移动平均延迟阶数均小于等于8的所有arma(p ,q)模型中，bic信息量最小的是arma(3,0)模型，即ar

33、(3)模型。5）参数估计确定了拟合模型的阶数后，下一步就是要估计模型中未知参数的值，以确定模型的口径，并对拟合好的模型进行显著性诊断。输出信息如下：图3.6 estimate命令输出的未知参数估计结果6）拟合统计量的值这部分输出五个统计量的值，由上到下分别是方差估计值、标准差估计值、aic信息量、sbc信息量及残差个数。结果如下： 7）残差自相关检验结果这部分的输出格式和序列自相关系数白噪声检验部分的输出结果一样。结果如下：图3.7 残差自相关系数检验结果本例中由于延迟各阶的lb统计量的p值均显著大于（=0.05），所以该拟合模型显著成立。8）拟合模型的具体形式该输出形式等价于或记为9）序列预测拟合好模型之后，还可以利用该模型对序列进行短期预测。本例运行结果如下：图3.8 forecast命令输出的预测结果该输出结果从左到右分别为序列值的序号、预测值、预测值的标准差、95%的置信下限、95%的置信上限。10）输出图像t图3.9 预测拟合效果图上图中实线表示预测结果，虚线是图2.2中的调查结果。由图可见，预测结果与实际数据比较，变化趋势是一致的，但有一定误差。 4 基于matlab的神经网络预测 为了