CN119409033A - 一种基于多场景的电梯控制方法、装置和计算机设备 - Google Patents

Abstract

本申请涉及一种基于多场景的电梯控制方法、装置和计算机设备，涉及智能联动技术领域。所述方法包括：获取电梯候梯厅中候梯对象的身体特征、目标楼层和客流信息，分析电梯使用需求并确定调度方案。在候梯厅输出引导信息后，利用登梯视频数据识别常驻和外来候梯对象，并基于常驻对象的历史行为生成常驻楼宇联动数据，提供定制化行为引导。对外来对象，则根据其候梯行为生成外来楼宇联动数据，供监测中心分析与管理。采用本方法能够实现动态的电梯控制以及电梯联动，进一步实现了电梯调度的精准性和楼宇客流的动态管理。

Description

一种基于多场景的电梯控制方法、装置和计算机设备

技术领域

本申请涉及智能联动技术领域，特别是涉及一种基于多场景的电梯控制方法、装置和计算机设备。

背景技术

传统技术中，电梯控制方法主要通过固定逻辑电路或简单的可编程控制器（PLC）实现，电梯内外设有按钮用于乘客发出呼叫信号，信号被传递到控制中心后，控制中心根据预先设定的优先级策略（如顺向优先、最短路径优先等）控制电梯的运行。整个过程依赖于机械继电器或简单的电气开关完成信号的识别和执行动作，通过固定线路实现楼层的到达和开关门控制。然而，传统技术中的电梯控制方法只针对电梯的优先级策略进行控制，难以根据当前实际情况进行动态调整，无法实现动态的电梯控制以及电梯联动。

发明内容

基于此，有必要针对上述技术问题，提供一种能够实现动态的电梯控制以及电梯联动的基于多场景的电梯控制方法、装置和计算机设备。

第一方面，本申请提供了一种基于多场景的电梯控制方法，包括：

获取电梯侯梯厅中各目标侯梯对象的身体特征信息和目标楼层信息，以及获取所述电梯侯梯厅的侯梯客流信息；

根据各所述身体特征信息、各所述目标楼层信息以及所述侯梯客流信息进行电梯使用需求分析，确定各电梯调度信息；

在所述电梯侯梯厅中输出各所述电梯调度信息对应的侯梯对象引导信息，并获取各所述侯梯对象引导信息对应的对象登梯视频数据；

在任一所述对象登梯视频数据对应的部分所述目标侯梯对象中，识别出各常驻侯梯对象以及各外来侯梯对象；

根据任一所述常驻侯梯对象在目标楼宇的历史行为数据，生成所述常驻侯梯对象的常驻楼宇联动数据；

根据任一所述外来侯梯对象在所述电梯侯梯厅的侯梯行为数据，生成所述外来侯梯对象的外来楼宇联动数据；

根据所述常驻楼宇联动数据，生成所述常驻侯梯对象的常驻行为引导数据；所述常驻行为引导数据通过控制电梯发送至所述常驻侯梯对象；

根据所述外来楼宇联动数据，生成所述外来侯梯对象的外来行为监测数据；所述外来行为监测数据通过控制所述电梯发送至楼宇监测中心。第二方面，本申请还提供了一种基于多场景的电梯控制装置，包括：

数据获取模块，用于获取电梯侯梯厅中各目标侯梯对象的身体特征信息和目标楼层信息，以及获取所述电梯侯梯厅的侯梯客流信息；

需求分析模块，用于根据各所述身体特征信息、各所述目标楼层信息以及所述侯梯客流信息进行电梯使用需求分析，确定各电梯调度信息；

对象引导模块，用于在所述电梯侯梯厅中输出各所述电梯调度信息对应的侯梯对象引导信息，并获取各所述侯梯对象引导信息对应的对象登梯视频数据；

对象识别模块，用于在任一所述对象登梯视频数据对应的部分所述目标侯梯对象中，识别出各常驻侯梯对象以及各外来侯梯对象；

数据分析模块，用于根据任一所述常驻侯梯对象在目标楼宇的历史行为数据，生成所述常驻侯梯对象的常驻楼宇联动数据；

数据分析模块，还用于根据任一所述外来侯梯对象在所述电梯侯梯厅的侯梯行为数据，生成所述外来侯梯对象的外来楼宇联动数据；

数据生成模块，用于根据所述常驻楼宇联动数据，生成所述常驻侯梯对象的常驻行为引导数据；所述常驻行为引导数据通过控制电梯发送至所述常驻侯梯对象；

数据生成模块，还用于根据所述外来楼宇联动数据，生成所述外来侯梯对象的外来行为监测数据；所述外来行为监测数据通过控制所述电梯发送至楼宇监测中心。

第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如一种基于多场景的电梯控制方法中任一项的步骤。

上述一种基于多场景的电梯控制方法、装置和计算机设备，通过获取电梯侯梯厅内各目标侯梯对象的身体特征信息、目标楼层信息以及侯梯客流信息，精准分析电梯使用需求并生成调度信息，实现了电梯运行的智能化、动态化管理。在此基础上，结合对象登梯视频数据，区分常驻侯梯对象与外来侯梯对象，并基于常驻侯梯对象在目标楼宇的历史行为数据生成联动引导信息，为常驻侯梯对象提供个性化的楼与通行服务，优化其使用体验；同时，根据外来侯梯对象在电梯侯梯厅的侯梯行为数据生成监测信息，强化楼宇安全管理与异常行为的实时监控能力。通过对不同对象需求的精准响应和管理，能够实现动态的电梯控制以及电梯联动，进一步实现了电梯调度的精准性和楼宇客流的动态管理，全面提升电梯调度的效率，改善用户体验，并为楼宇的安全性和运行效率提供了有力保障。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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他的附图。

图1为一个实施例中基于多场景的电梯控制方法的应用环境图；

图2为一个实施例中基于多场景的电梯控制方法的流程示意图；

图3为一个实施例中第一种电梯调度信息确定方法的流程示意图；

图4为一个实施例中电梯调度约束条件以及电梯调度目标信息确定方法的流程示意图；

图5为一个实施例中第二种电梯调度信息方法的流程示意图；

图6为一个实施例中外来楼宇联动数据生成方法的流程示意图；

图7为一个实施例中第一种外来对象风险评估数据得到方法的流程示意图；

图8为一个实施例中第二种外来对象风险评估数据得到方法的流程示意图；

图9为一个实施例中第三种外来对象风险评估数据得到方法的流程示意图；

图10为一个实施例中基于多场景的电梯控制装置的结构框图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请实施例提供的一种基于多场景的电梯控制方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。其中，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个示例性的实施例中，如图2所示，提供了一种基于多场景的电梯控制方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤202至步骤216。其中：

步骤202，获取电梯侯梯厅中各目标侯梯对象的身体特征信息和目标楼层信息，以及获取电梯侯梯厅的侯梯客流信息。

其中，目标侯梯对象可以是正在电梯候梯厅等待乘坐电梯的人员。

其中，身体特征信息可以是目标侯梯对象相关的生物识别数据，如面部特征、身高、体重、体型等，用于对对象进行身份确认和行为监控。

其中，目标楼层信息可以是侯梯对象选择的楼层，即该对象希望前往的电梯楼层。

其中，侯梯客流信息可以是电梯候梯厅内的客流量数据，包括候梯对象的数量、分布和滞留时间等。

具体地，在电梯侯梯厅中，安装摄像头和传感器来获取乘客的身体特征信息。例如，使用人脸识别技术来获取乘客的面部信息，从而推测其年龄、性别等身体特征；使用体重感应平台来判断乘客的大致体重或携带物品的重量。另外，通过安装流量计或热成像摄像头等设备，实时监测侯梯厅内的客流信息。例如，如果某个时间段侯梯厅内有30人等待电梯，可以记录这些人的目标楼层，如其中10人前往10楼，5人前往20楼，其他人分布在不同楼层。

步骤204，根据各身体特征信息、各目标楼层信息以及侯梯客流信息进行电梯使用需求分析，确定各电梯调度信息。

其中，电梯使用需求分析可以是基于目标侯梯对象的身体特征、目标楼层信息和侯梯客流信息，对电梯的需求进行评估，预测每个电梯的使用频率、所需服务时间、能耗等的分析。

其中，电梯调度信息可以是基于电梯使用需求分析结果，系统确定的电梯调度策略和安排。

具体地，在分析乘客的身体特征信息、各目标楼层信息以及侯梯客流信息时，可以应用机器学习模型预测电梯需求。在机器学习模型的实际运行中，通过实时采集的侯梯厅数据进行电梯使用需求分析。例如，系统实时监测到上午8:30，侯梯厅内有50名乘客，其中20人前往10楼，15人前往20楼，剩余的乘客目标楼层分布在其他楼层。基于这些数据，机器学习模型会根据历史行为数据和实时客流情况预测需要多少台电梯以及如何分配。例如，模型可能预测出，在这一时段需要3台电梯，其中1台优先服务10楼和20楼的高需求区域，剩下的2台分配给其他楼层。电梯调度系统会根据模型的电梯使用需求分析，自动调整电梯的停靠顺序和载客策略，以确保高效运作，减少等待时间并避免过载，从而调整电梯运行的优先级，得到各个电梯分别对应的电梯调度信息。

步骤206，在电梯侯梯厅中输出各电梯调度信息对应的侯梯对象引导信息，并获取各侯梯对象引导信息对应的对象登梯视频数据。

其中，侯梯对象引导信息可以是向目标侯梯对象提供的路径引导、乘梯提示等信息。

其中，对象登梯视频数据可以是电梯侯梯厅中，摄像头捕捉到的侯梯对象登梯的实时视频。

具体地，各个电梯对应的电梯调度信息通过大屏幕、LED显示屏或语音广播形式实时显示在侯梯厅中。假设调度系统根据A电梯的电梯调度信息分配了电梯A到10楼，电梯B到20楼，系统会在侯梯厅中显示："电梯A前往10楼，请前往左侧候梯"；"电梯B前往20楼，请前往右侧候梯"。同时，摄像头持续录制侯梯厅中的乘客登梯过程，得到对象登梯视频数据，以确保乘客按引导信息上车。例如，摄像头会记录乘客是否按照提示前往正确的电梯，实时获取数据进行行为分析。

步骤208，在任一对象登梯视频数据对应的部分目标侯梯对象中，识别出各常驻侯梯对象以及各外来侯梯对象。

具体地，常驻侯梯对象指的是经常在本栋楼宇进行活动的乘客，而外来侯梯对象则是偶尔在本栋楼宇进行活动的乘客。通过使用人脸识别、RFID标签等方式处理对象登梯视频数据，系统可以辨识出常驻侯梯对象。例如，如果某位乘客每周五下午5点都从1楼乘坐电梯到10楼，那么系统会识别她为常驻侯梯对象。与之相比，偶然在本楼与活动的乘客，在电梯里则被识别为外来侯梯对象，系统除了会根据对象登梯视频数据进行识别外，还辅助采用其行为数据（如首次在电梯侯梯厅出现、没有历史行为数据等）做出多重区分。

步骤210，根据任一常驻侯梯对象在目标楼宇的历史行为数据，生成常驻侯梯对象的常驻楼宇联动数据。

其中，目标楼宇可以是侯梯对象希望前往的建筑物或楼层。这些楼宇可以是商业大楼、办公楼、住宅等。

其中，历史行为数据可以是目标侯梯对象过去在电梯候梯厅及楼宇内的活动记录，包括乘坐电梯的时间、频率、常去楼层等。

其中，常驻楼宇联动数据可以是系统根据常驻侯梯对象的历史行为数据生成的联动信息，用于优化该对象的在目标楼宇生活的体验。

具体地，常驻侯梯对象的历史行为数据包括乘客的电梯使用时间、频率、常去楼层和路径等信息。通过这些数据，系统能够识别出常驻侯梯对象的常规行为模式。例如，常驻侯梯对象A每天早上8点乘坐电梯从1楼到15楼且经常通过指定的安全门禁区域，系统会根据这些行为记录生成常驻楼宇联动数据，自动为常驻侯梯对象A设定无缝的进入权限。当常驻侯梯对象A再次到达电梯并被正确识别时，无需进行身份认证，电梯和门禁系统会自动识别并直接为其提供服务。

步骤212，根据任一外来侯梯对象在电梯侯梯厅的侯梯行为数据，生成外来侯梯对象的外来楼宇联动数据。

其中，侯梯行为数据可以是外来侯梯对象在电梯候梯厅内的实时活动数据，包括候梯时间、位置变动、楼层选择等。

其中，外来楼宇联动数据可以是系统根据外来侯梯对象的侯梯行为数据生成的联动信息，主要用于评估外来人员在楼宇内的潜在风险并实施监控。

具体地，外来侯梯对象的侯梯行为数据是在侯梯厅中的活动数据，包括乘客进入侯梯厅的时间、停留的位置、选择的目标楼层、候梯时间、谈吐动作、走动的路径等。系统通过监测这些数据，系统会分析其行为模式并预测其可能的活动路径，并预测其会继续前往不同楼层、停留较长时间或者异常行为。根据预测结果，系统会生成用于指导监控的外来楼宇联动数据，用于标识外来侯梯对象并进行实时跟踪。例如，若外来侯梯对象B在早上9点进入侯梯厅并选择去20楼，系统会记录其在侯梯厅的活动轨迹并分析其行为，若此乘客在侯梯厅内徘徊时间较长，系统则会发出警报，提示监控人员该乘客的行为需要进一步观察，以判断其是否有异常或不寻常的活动。

步骤214，根据常驻楼宇联动数据，生成常驻侯梯对象的常驻行为引导数据。

其中，常驻行为引导数据可以是基于常驻楼宇联动数据生成的用于指导常驻侯梯对象进行活动的引导信息。

具体地，根据常驻楼宇联动数据，系统为常驻侯梯对象生成符合常驻楼宇联动数据的转换指令，将常驻楼宇联动数据转换为常驻侯梯对象能够直观了解得信息，作为常驻侯梯对象的具行为引导数据。系统通过电梯的发射部件，采用如无线通讯的技术，发送至常驻侯梯对象的手持终端上，帮助其更加便捷地到达目标楼层以及在不同楼层进行通行。例如，常驻楼宇联动数据表示常驻侯梯对象A今天早上8点从1楼乘电梯到5楼，并且在5楼通过三个不同的门禁，系统会识别该行为并生成常驻行为引导数据。当常驻侯梯对象A乘坐电梯往目标楼层前进时，系统会将常驻行为引导数据发送至常驻侯梯对象A的手持终端，通过包括但不限于文字和图表进行提示：“请参考一下路线到达XX位置，谢谢。”。

步骤216，根据外来楼宇联动数据，生成外来侯梯对象的外来行为监测数据。

其中，外来行为监测数据可以是根据外来侯梯对象的侯梯行为数据生成的数据，用于分析和评估外来人员的行为模式、潜在风险及安全隐患，并输出用于调动监控的数据。

具体地，楼宇监测中心通过外来楼宇联动数据，生成与外来楼宇联动数据相匹配的监控指令（即外来行为监测数据），指示外来侯梯对象在可能出现的路径上或者可能发生异常行为的地方，对其进行全面跟踪。例如，预测到外来侯梯对象B在非典型的楼层或在敏感区域的停留时间过长，系统会自动启动通往这些区域的监控设备重点监控外来侯梯对象B，并传送该对象的行为数据至监测中心。监测中心的工作人员可以实时查看该对象的活动轨迹，并对其行为进行评估。如果发现外来侯梯对象有异常行为（如绕过安全门禁、改变目标楼层等），监测中心会触发相应的警报和安保措施，确保楼宇安全。

上述一种基于多场景的电梯控制方法中，通过获取电梯侯梯厅内各目标侯梯对象的身体特征信息、目标楼层信息以及侯梯客流信息，精准分析电梯使用需求并生成调度信息，实现了电梯运行的智能化、动态化管理。在此基础上，结合对象登梯视频数据，区分常驻侯梯对象与外来侯梯对象，并基于常驻侯梯对象在目标楼宇的历史行为数据生成联动引导信息，为常驻侯梯对象提供个性化的楼与通行服务，优化其使用体验；同时，根据外来侯梯对象在电梯侯梯厅的侯梯行为数据生成监测信息，强化楼宇安全管理与异常行为的实时监控能力。通过对不同对象需求的精准响应和管理，能够实现动态的电梯控制以及电梯联动，进一步实现了电梯调度的精准性和楼宇客流的动态管理，全面提升电梯调度的效率，改善用户体验，并为楼宇的安全性和运行效率提供了有力保障。

在一个示例性的实施例中，如图3所示，根据各身体特征信息、各目标楼层信息以及侯梯客流信息进行电梯使用需求分析，确定各电梯调度信息，包括步骤302至步骤306。其中：

步骤302，根据侯梯客流信息以及电梯侯梯厅的预测客流信息，确定电梯调度约束条件以及电梯调度目标信息。

其中，预测客流信息可以是基于历史数据、时间段、季节性变化和实时监控等因素，对电梯候梯厅及楼宇中即将到达的客流量进行预测得到的数据。

其中，电梯调度约束条件可以是在电梯调度过程中必须遵守的限制和要求，包括但不限于服务时间限制、电梯负载上限、电梯能耗控制、安全要求等。

其中，电梯调度目标信息可以是在电梯调度过程中要实现的目标，包括优化电梯的运行效率、减少等待时间、降低能耗、提升用户体验等。

具体地，系统通过实时监测，收集侯梯厅内的当前客流信息，如候梯人数、目标楼层和候梯时长等。同时，结合电梯候梯厅的客流预测模型生成的预测客流信息（例如，预测特定时间段的电梯使用量），系统确定电梯调度的约束条件，如电梯数量限制、每部电梯的负载上限、楼层停靠优先级等。而调度目标信息则包括优化电梯等待时间、减少高峰期乘客拥堵、确保楼层需求得到及时满足等目标。

例如在早高峰时段（8:00-9:00），侯梯厅内有60人等待电梯，其中有20人选择10楼，15人选择20楼，剩余25人选择其他楼层。系统预测到该时段电梯的负载即将达到最大值，因此设定电梯调度的约束条件为最大载客量10人/部电梯，并确保至少2部电梯在该时段运行。同时，调度目标为最大化乘客的乘坐效率，减少乘客的等待时间，并优先满足高需求楼层（如10楼和20楼）。

步骤304，根据电梯调度约束条件以及电梯调度目标信息，初始化电梯调度算法的参数，得到待使用电梯调度算法。

其中，电梯调度算法可以是根据电梯调度目标信息和约束条件，采用数学模型/神经网络来优化电梯调度的算法。

其中，待使用电梯调度算法可以是在电梯调度过程中，尚未使用运行但已经准备好使用的调度算法。

具体地，基于电梯调度约束条件和电梯调度目标信息，对电梯调度算法的各项参数进行初始化设定。这些参数可能包括电梯的运行速度、目标楼层的优先级、电梯的空载/满载状态等。通过设置这些参数，待使用电梯调度算法能够在满足约束条件的同时，优化电梯资源的分配。算法的初始化将确保在执行时，电梯调度能够平衡多方需求，如减少乘客的等待时间和避免电梯的过载。

具体实现中，基于电梯调度约束条件以及电梯调度目标信息，系统设置电梯调度算法中每部电梯的最大运行速度为每分钟2楼，优先服务选择10楼和20楼的乘客，空载电梯优先服务较远的楼层（如20楼），满载电梯则前往更近的楼层（如5楼、10楼）。此外，设置电梯的最小候梯时间为30秒，避免频繁启动电梯造成不必要的能源消耗。

步骤306，将各身体特征信息、各目标楼层信息以及侯梯客流信息输入至待使用电梯调度算法，得到各电梯调度信息。

具体地，在电梯调度算法初始化后，系统将实时收集到的电梯侯梯厅每一个目标侯梯对象的各类数据（如乘客的身体特征信息、选择的目标楼层信息等），以及收集电梯侯梯厅的当前侯梯厅的客流信息，并一起输入到待使用电梯调度算法中。例如，乘客的目标楼层信息帮助算法判断哪些楼层的需求量较大；乘客的身体特征信息（如老人、儿童等特殊需求群体）会影响电梯调度的优先级；侯梯客流信息则可以实时反映高峰期的压力。系统通过处理这些输入数据，最终生成具体的电梯调度信息，例如每部电梯的启动时间、停靠楼层的顺序、每部电梯的运行路线等，以确保电梯调度的高效和乘客的顺利出行。

具体来说，假设系统实时检测到一名老年乘客进入侯梯厅并选择前往3楼，系统将老年乘客的身体特征信息（如乘坐电梯的缓慢速度）作为优先调度因素，将其分配给空载的电梯A，并确保电梯A能够先行服务。与此同时，系统根据高峰期的客流情况决定电梯B优先前往10楼，以满足大多数乘客的需求。最终，电梯调度信息会包括电梯A为老年乘客提供服务，电梯B优先服务10楼，并且各电梯的停靠顺序和路线也会相应调整，以优化效率。

本实施例中，通过根据侯梯客流信息和预测客流信息确定电梯调度约束条件和目标信息，系统能够更精确地理解侯梯厅的实时负荷和即将到达的需求。初始化电梯调度算法的参数并输入相关信息后，能够优化电梯的调度效率，实现最优的电梯分配和路线选择，从而减少电梯等待时间、提高电梯运行效率，并有效分配电梯资源，避免高峰期电梯过度拥挤或空闲。最终通过智能调度过程，系统能够为每个侯梯对象提供更加流畅、及时的电梯服务，提升整体的用户体验和建筑物的运行效率。

在一个示例性的实施例中，如图4所示，根据侯梯客流信息以及电梯侯梯厅的预测客流信息，确定电梯调度约束条件以及电梯调度目标信息，包括步骤402至步骤406。其中：

步骤402，对侯梯客流信息以及电梯侯梯厅的预测客流信息进行特征提取，得到侯梯客流特征数据以及预测客流特征数据。

其中，侯梯客流特征数据可以是对侯梯客流信息进行特征提取后得到实际行为特征数据，包括侯梯时间、到达人数、停留时间、楼层选择分布、候梯时段的变化趋势等；预测客流特征数据可以是对预测客流信息进行特征提取后得到预测未来一段时间内侯梯厅的客流特征。

具体地，系统使用神经网络（如CNN等），在侯梯客流信息以及电梯侯梯厅的预测客流信息中提取特征信息，例如结合节假日、工作日、天气变化等因素的特征，系统预测在未来特定时段内，侯梯厅的客流变化趋势及高峰时段的需求量的特征等。将从侯梯客流信息提取得到的数据作为侯梯客流特征数据，以及从预测客流信息中提取得到的数据作为预测客流特征数据。

例如，假设系统在早高峰时段通过摄像头监测到侯梯厅内有60人等待电梯，其中25人选择10楼，20人选择20楼，剩余15人选择其他楼层。同时，系统结合历史数据和天气情况，预测接下来10分钟内，侯梯厅的客流量会增加30%并且10楼和20楼的需求将显著增加。通过对这些数据进行特征提取，系统得到了侯梯客流特征数据（当前候梯人数和目标楼层）和预测客流特征数据（未来客流量和需求预测）。

步骤404，根据侯梯客流特征数据以及预测客流特征数据，计算侯梯厅预计到达人数、侯梯厅峰值到达率以及侯梯平均等待时间。

具体地，系统会根据侯梯客流特征数据（如当前侯梯人数、各楼层需求、候梯时长等）以及预测客流特征数据（如高峰期的客流变化）来估算在未来某段时间内进入侯梯厅的总人数。接着，系统某段时间内进入侯梯厅的总人数的基础上，结合设定的预测时间段，计算峰值到达率，即在高峰时段每分钟进入侯梯厅的乘客数量。最后，系统利用某段时间内进入侯梯厅的总人数的预测的到达频率和等待时间，计算出平均等待时间，即乘客从进入侯梯厅到乘上电梯的平均时间。其中侯梯厅预计到达人数是指在特定时间段内，预计进入侯梯厅的乘客总数；侯梯厅峰值到达率是指在高峰时段内，每分钟到达侯梯厅的乘客数量；而侯梯平均等待时间是指乘客从进入侯梯厅到实际搭乘电梯的平均时长。通过这些指标，系统可以预测在不同时间段内，电梯调度的负载情况和压力点。例如系统计算出在接下来10分钟内，侯梯厅将有约80人到达，峰值到达率为每分钟10人，平均等待时间为2分钟。

步骤406，根据侯梯厅预计到达人数、侯梯厅峰值到达率以及侯梯平均等待时间，确定电梯调度约束条件。

具体地，系统使用侯梯厅预计到达人数、侯梯厅峰值到达率以及侯梯平均等待时间来确定电梯调度的约束条件，设定电梯运行的上下限，也就是电梯约束条件，其中包括服务时间约束（要求电梯在规定时间内完成乘客的接送任务），电梯能耗约束（要求在保证服务质量的情况下，尽量降低电梯能耗），电梯负载约束（保证每部电梯的载客量不超过最大负荷）以及电梯安全约束（确保电梯操作安全，防止过载、故障等风险）。

例如，在早高峰时段，系统计算出预计到达人数为80人，且峰值到达率为每分钟10人。基于这些数据，系统决定设定电梯调度约束条件：确保每部电梯的载客量不超过10人（负载约束），在接送乘客时每部电梯的行程时间不超过5分钟（服务时间约束），并且要求在使用过程中尽量减少电梯的空载时间，从而降低能耗（能耗约束）。此外，系统会监控电梯的运行状态，确保其不发生过载或安全隐患（安全约束）。

本实施例中，通过对侯梯客流信息及预测客流信息进行特征提取和分析，系统能够精准计算侯梯厅的预计到达人数、峰值到达率和平均等待时间。这些关键指标为电梯调度提供了重要依据，确保在不同的客流负荷下，电梯能够在规定的服务时间内高效运行，并合理分配资源。通过考虑电梯的能耗、负载和安全等多重约束条件，系统不仅能够优化电梯调度，提升乘客的候梯体验，还能减少能耗和避免电梯过载，确保安全运行，最终实现楼宇运行的高效性与节能性。

在一个示例性的实施例中，如图5所示，将各身体特征信息、各目标楼层信息以及侯梯客流信息输入至待使用电梯调度算法，得到各电梯调度信息，包括步骤502至步骤506。其中：

步骤502，基于服务时间约束条件、电梯能耗约束条件、电梯负载约束条件以及电梯安全约束条件，根据各身体特征信息、各目标楼层信息以及侯梯客流信息，计算各初始电梯调度信息。

其中，初始电梯调度信息可以是在电梯调度过程中，根据输入的需求数据（如侯梯客流、目标楼层信息、服务时间等）和电梯的约束条件，初步生成的调度策略。

具体地，以服务时间约束条件、能耗约束条件、电梯负载约束条件以及电梯安全约束条件作为计算的约束条件，系统会根据乘客的目标楼层信息确定电梯的停靠顺序，如考虑到乘客的身体特征（如老年人、孕妇等）对电梯服务的特殊需求，并根据侯梯客流信息以及电梯负载限制来决定每个电梯的载客量以及需要调度的电梯。接着考虑在电梯调度的过程中出现意外的状况，还需要考虑出现意外的情况下的紧急电梯调度，系统计算出在当前条件下各个电梯调度方案，得到各个初始电梯调度信息。例如，假设有一名老年乘客选择前往10楼，系统根据其身体特征为该乘客优先安排电梯A。电梯A在服务时确保不超过最大载客量（例如10人），并且系统计算电梯A的运行时间和能耗，确保其在合理时间内完成任务并最大程度地节省能耗，同时不发生过载等安全问题；由于电梯A兼顾了特殊情况，因此对于其它电梯需要根据侯梯客流信息进行相互适应性调度。

步骤504，采用不同的调度信息寻优算法，分别寻找各初始电梯调度信息的帕累托前沿，得到各初始最优调度信息。

其中，调度信息寻优算法可以是在电梯调度过程中，为了使得初始电梯调度信息达到更优的效果，采用的优化算法。

其中，初始最优调度信息可以是经过调度信息寻优算法的计算和调整后，得出的最优初步调度方案。

具体地，系统分别使用多种不同的优化算法（如遗传算法、粒子群算法、模拟退火等）对各个初始电梯调度信息进行寻优，计算出它们的“帕累托前沿”。其中帕累托前沿是指在多个调度目标之间（如最小化等待时间、最小化能耗、最大化电梯利用率等）达到最优平衡点的解集。通过优化，每个优化算法均会得到一组候选的最优调度方案，得到各初始最优调度信息。

在进行优化时，假设系统同时优化“电梯等待时间”和“电梯能耗”，通过遗传算法以及粒子群算法分别计算出多个可能的调度方案。某些方案可能优先考虑减少等待时间，但能耗较高；而其他方案则可能优先降低能耗，但会增加等待时间。最终，系统找到了一组在这两个目标间最佳平衡的调度方案，形成了两组帕累托前沿。

步骤506，从各初始最优调度信息中选取数据均匀信息为最高的解作为各电梯调度信息。

其中，数据均匀信息可以是各个初始最优调度信息中数据分布的均匀程度。

具体地，在得到多个初始最优调度信息后，系统通过计算每个解的数据均匀信息，选择数据分布最均匀的解作为最终的电梯调度信息。数据均匀信息越高的解意味着它能够在多个目标之间提供更均衡的性能，不会偏重于某一个特定目标，而是综合考虑各方面需求。

例如系统得到了多个初始最优调度信息，其中一些方案的电梯调度集中在减少等待时间上，而其他方案则集中在降低能耗。如果某个方案在两者之间提供了均衡的优化结果（例如，减少等待时间的同时也有效降低了能耗），那么系统会选取这个方案作为最终的电梯调度信息。

本实施例中，通过综合考虑服务时间、能耗、负载和安全等约束条件，系统能够根据侯梯对象的身体特征、目标楼层和客流信息，计算出初步的电梯调度方案。进一步通过采用调度信息寻优算法，并计算各方案的帕累托前沿，系统能够找到最优的调度方案，平衡各项约束条件，确保电梯的高效运行。同时，通过从初始最优调度方案中选择数据均匀度最高的解决方案，系统能够避免出现不均衡的电梯调度情况，从而实现更精确的电梯资源分配，提升乘客的等待体验，减少能耗并提高整体的调度效率。

在一个示例性的实施例中，如图6所示，根据任一外来侯梯对象在电梯侯梯厅的侯梯行为数据，生成外来侯梯对象的外来楼宇联动数据，包括步骤602至步骤606。其中：

步骤602，对外来侯梯对象在电梯侯梯厅的侯梯行为数据进行行为模式分析，得到外来对象行为预测数据。

其中，行为模式分析可以是通过收集和分析外来侯梯对象在电梯侯梯厅内的行为数据，识别出其行为的规律和模式的过程。

其中，外来对象行为预测数据可以是对外来侯梯对象在电梯侯梯厅及周边区域的行为数据进行分析和建模，预测其未来行为的结果；例如外来侯梯对象的预测行为路径、目标楼层选择、停留时间等。

具体地，系统使用机器学习或数据挖掘技术对外来侯梯对象在电梯侯梯厅的侯梯行为数据进行行为模式分析，也就是采用如聚类算法、随机森林、K近邻算法、隐马尔可夫模型或者关联规则挖掘等识别外来侯梯对象的行为模式（例如，是否有规律的乘梯行为，常选择的楼层，等候的时间长短等）。并基于这些模式，系统可以预测外来侯梯对象在未来一段时间可能采取的行为，得到外来对象行为预测数据，如他们可能选择的目标楼层或到达电梯厅的时间点。

假设系统观察到外来侯梯对象C通常在上午9:00到达侯梯厅，并且在侯梯厅中出现了绕圈、偷看、非正常动作等。系统基于这些动作对外来侯梯对象进行行为模式分析，并进一步给予分析数据预测对象C未来在楼宇中将要走动的路径以及采取的行动动作，得到外来对象行为预测数据。

步骤604，根据外来对象行为预测数据，对外来侯梯对象在目标楼宇的风险进行评估，得到外来对象风险评估数据。

其中，外来对象风险评估数据可以是基于对外来侯梯对象的行为模式、预测数据以及与其他楼宇的数据交互，进行风险分析并生成的评估结果；例如外来侯梯对象的行为异常指标、行为预测与历史行为的差异、目标楼层的选择偏好、异常停留时间、以及在特定时段的活动轨迹。

具体地，系统通过外来对象行为预测数据评估外来侯梯对象的行为模式是否符合正常的行为模式，是否有可能与已知的风险行为（如进入敏感区域、不常见的楼层选择等）相关联。风险评估可能考虑到安全威胁、身份验证等因素，例如，外来对象是否频繁选择非公共区域的楼层，或是否在电梯厅内长时间停留，最终通过评估得到外来对象风险评估数据。例如对象C的外来对象行为预测数据表明，除5楼外还会选择前往24楼（一个不常见的楼层），且该楼层通常只有特定的员工才会访问，系统将把对象C在前往24楼时的行为评估为潜在风险，并标记该行为为需要监控的高风险行为。

步骤606，根据外来对象行为预测数据以及外来对象风险评估数据，生成外来楼宇联动数据。

具体地，根据外来对象行为预测数据和外来对象风险评估数据，系统将生成外来楼宇联动数据。这些数据用于与楼宇监控系统进行联动，帮助系统识别和跟踪外来对象的活动。例如，系统会触发对该对象的行为监控，调动摄像头、门禁系统等监控设备进行实时监控，并向楼宇安保中心提供外来对象的实时状态信息。外来楼宇联动数据不仅帮助实时跟踪外来人员，还能够在发生异常行为时及时发出警报，确保楼宇安全。

一般情况下，基于对象C的外来对象行为预测数据和外来对象风险评估数据，系统生成的外来楼宇联动数据会触发对对象C的监控。当对象C前往不常见的24楼时，系统会自动开启该楼层的监控摄像头，并将该信息传输给安保系统，以便安保人员随时查看和评估其行为。如果对象C进入受限区域或表现出异常行为，系统将及时发出警报。

本实施例中，通过对外来侯梯对象的行为模式分析，系统能够预测其在侯梯厅的行为，并基于这些预测数据对其在目标楼宇的潜在风险进行评估。此过程不仅提升了对外来对象行为的精准监测，还能有效识别可能的安全隐患，为楼宇管理人员提供风险预警。通过生成外来楼宇联动数据，系统能够实时调动监控设备，加强对外来对象的动态监控，从而在确保安全的同时优化楼宇的运营效率。这一流程有效提升了楼宇的安全性，减少了潜在风险的发生，保障了人员和设施的安全。

在一个示例性的实施例中，如图7所示，根据外来对象行为预测数据，对外来侯梯对象在目标楼宇的风险进行评估，得到外来对象风险评估数据，包括步骤702至步骤706。其中：

步骤702，从与目标楼宇进行数据交互的各其他楼宇中识别外来侯梯对象的记录行为数据。

其中，记录行为数据可以是其他楼宇对外来侯梯对象的行为过程进行实时记录和存储的数据信息。

具体地，系统可以从其他楼宇的数据交互系统进行互联互通，达到数据交互的效果。具体来说，系统会查看外来侯梯对象在其他楼宇中与电梯、门禁系统、楼层访问等相关的行为记录。这些数据可能包括该对象曾经访问的楼层、停留时间、是否有不寻常的行为模式等。通过这些记录行为数据，系统能够进一步了解外来对象的行为背景和过往活动。假设外来对象D曾在某些楼宇的电梯候梯厅长时间滞留，并曾尝试进入受限区域。系统通过与这些楼宇的数据交互获取了对象D的这些记录，帮助判断其行为的潜在风险。

步骤704，将外来对象行为预测数据与记录行为数据进行比对，得到行为数据比对结果。

其中，行为数据比对结果可以是将外来侯梯对象的当前行为数据与该对象过往的行为数据进行比对后得到的结果。

具体地，系统将外来侯梯对象的外来对象行为预测数据（如根据其习惯、目标楼层等推测的行为）与从其他楼宇获取的行为记录数据进行比对。比对的目的是识别是否存在预测行为与过往行为不一致或者差异过大的异常情况，也或者是否存在该对象在其他地方已知的风险行为。例如，系统可以检查该对象是否有规律地进入特定楼层或在某些区域停留过长时间，这些行为模式可以提示风险，得到行为数据比对结果。在具体的例子下，系统预测对象D将在上午9:00到达10楼并通过走火通道前往11楼，但通过与其在其他楼宇的记录比对，发现该对象曾在多个地点尝试进入敏感区域（如地下停车场或管理层），这表明其行为具有潜在的风险性。系统标记这种行为为可疑，并将其记录在风险评估数据中。

步骤706，根据行为数据比对结果以及外来对象行为预测数据，对外来侯梯对象在目标楼宇的风险进行评估，得到外来对象风险评估数据。

具体地，系统基于行为数据比对结果以及外来对象行为预测数据，对其在目标楼宇的行为进行风险评估。此时，系统会分析外来对象行为预测数据是否存在可疑或异常的行为模式，同时根据行为数据比对结果中的差异信息，评估该对象是否构成潜在的安全风险。如果外来对象行为预测数据表示存在可疑的行为模式，但是行为数据比对结果中的差异信息表示差异小于安全阈值，或者外来对象行为预测数据表示不存在可疑的行为模式，但是行为数据比对结果中的差异信息表示差异大于安全阈值，则根据安全原则，选取可疑的行为模式或者差异信息进行风险评估；如果外来对象行为预测数据表示存在可疑的行为模式，且行为数据比对结果中的差异信息表示差异大于安全阈值，则采用可疑的行为模式和差异信息进行风险评估，得到外来对象风险评估数据。

经过比对后，系统发现对象D在其他楼宇中有多次未经授权的行为记录，同时预测其可能在目标楼宇内选择一个不寻常的楼层。基于这些数据，系统评估对象D在目标楼宇的风险为“高风险”，并生成相应的风险评估数据，提醒楼宇管理系统加强对该对象的监控。

本实施例中，通过与其他楼宇的数据交互，系统能够识别外来侯梯对象的历史行为数据，并将其与当前的行为预测数据进行比对，进而获得行为数据比对结果。基于这些比对结果，系统能够更加精确地评估外来对象在目标楼宇的潜在风险，提前识别可能的异常行为或安全隐患。此过程提高了对外来对象的行为监控和风险识别能力，确保楼宇管理人员能够及时采取措施应对潜在的安全威胁，进而提升楼宇的安全性和运营效率。

在一个示例性的实施例中，如图8所示，根据行为数据比对结果以及外来对象行为预测数据，对外来侯梯对象在目标楼宇的风险进行评估，得到外来对象风险评估数据，包括步骤802至步骤806。其中：

步骤802，在行为数据对比结果表征行为数据差异值小于预设风险阈值的情况下，根据记录行为数据，预测外来侯梯对象在目标楼宇的当次行走路径。

其中，预设风险阈值可以是系统用于评估外来侯梯对象行为是否存在潜在风险的临界值。

其中，当次行走路径可以是外来侯梯对象在当前访问过程中，从进入走出电梯到最终目的楼层的移动轨迹。

具体地，如果行为数据对比结果表征行为数据差异值小于预设风险阈值，说明外来侯梯对象的在目标楼宇行为与其他楼宇的行为较为正常或一致，未能识别出明显的异常或风险迹象。此时，系统将基于外来侯梯对象在其他楼宇中的记录行为数据（如常选择的楼层、停留时间等）预测其在目标楼宇的行走路径，其中系统会分析该对象的历史行为模式，结合目标楼宇的结构（如楼层布局、常用路线等）推测出该对象可能采取的路径作为当次行走路径。

假设外来侯悌对象E在目标楼宇的行为与在其他楼宇中的行为表现出一致的模式——总是从电梯厅直接前往2楼并停留5分钟。由于其在其他楼宇的行为与预测一致，系统无法识别出异常的情况，则系统根据该对象在其他楼宇从电梯厅前往2楼的行为，预测在目标楼宇的行走路径很可能也是从电梯厅前往2楼，系统因此预测该对象的当次行走路径为“电梯厅→2楼”。

步骤804，根据当次行走路径以及外来对象行为预测数据，预测外来侯梯对象在目标楼宇的预测风险行为以及预测风险目标。

其中，预测风险行为可以是系统基于外来侯梯对象的行为模式分析、历史数据以及当前的行为预测、判断其可能发生的异常行为。

其中，预测风险目标可以是系统在对外来侯梯对象的行为进行分析后，预测该对象可能对外造成风险的具体目标对象或目标区域。

具体地，在确定了外来侯梯对象的当次行走路径后，系统结合其外来对象行为预测数据，进一步分析其在目标楼宇中的潜在的预测风险行为以及预测风险目标。具体来说，系统会预测该对象是否可能偏离正常路线、是否有可能进入限制区域或执行其他不寻常的行为。例如，如果外来侯梯对象E的历史数据表明它经常选择进入高风险区域，系统将根据其当次行走路径判断其在目标楼宇中可能的预测风险行为（如进入限制区域、长时间滞留、打砸行为、伤害行为等）。同时，系统还会识别其预测风险行为可能针对的预测风险目标，如限制区域的服务器数据、打砸玻璃门、伤害特定人员等。

步骤806，根据预测风险行为以及预测风险目标，对外来侯梯对象在目标楼宇进行风险分析，得到外来对象风险评估数据。

具体地，在预测了外来侯梯对象的风险行为和风险目标后，系统将对其在目标楼宇的总体风险进行评估。评估综合考虑预测的风险行为和风险目标，结合楼宇的安全管理措施、监控覆盖、与不同人员和物品与外来侯梯对象的接触程度等因素，计算外来对象会对楼宇中各部分安全构成威胁程度，生成相应的外来对象风险评估数据，包括高风险警报、需要重点监控的区域、安保人员的响应建议等。

本实施例中，通过在行为数据比对结果表明外来侯梯对象的行为差异小于预设风险阈值时，系统能够基于其记录行为数据预测该对象的行走路径，并进一步结合预测的行为数据评估其可能的风险行为和目标。这一过程可以有效识别潜在的安全隐患，提前评估外来对象在目标楼宇内的活动风险。通过准确的风险预测，楼宇管理系统能够实时调整安全监控策略，优化资源调配，加强高风险区域的监控，确保及时发现异常行为并采取必要的安全措施，从而保障楼宇的安全运营和提升管理效率。

在一个示例性的实施例中，如图9所示，根据行为数据比对结果以及外来对象行为预测数据，对外来侯梯对象在目标楼宇的风险进行评估，得到外来对象风险评估数据，包括步骤902至步骤906。其中：

步骤902，在行为数据对比结果表征行为数据差异值大于预设风险阈值的情况下，识别外来对象行为预测数据与记录行为数据之间的行为数据差异点。

其中，行为数据差异点可以是外来侯梯对象在预测行为与记录行为之间存在显著差异的部分。

具体地，如果行为数据对比结果表征行为数据差异值大于预设风险阈值，说明外来侯梯对象的某个或者多个预测的行为与其历史的行为或正常的行为存在显著偏离。此时系统需要识别出外来对象行为预测数据与记录行为数据两者之间存在差异的部分，即哪些预测的行为点与正常的行为点或历史的行为点不符。例如，外来侯梯对象可能在预期的楼层停留时间较长，或者选择了不常见的目标楼层，但外来侯梯对象在历史的数据中并未出现这种情况，系统通过算法（如距离度量、模式识别等）分析并确定具体的行为数据差异点。在一种特殊的情况下，记录行为数据为空值的时候，则将外来对象行为预测数据的各个数据点作为行为数据差异点。

假设外来侯梯对象F的记录行为数据显示在其他楼宇选择在侯梯厅采用静止侯梯，但预测该对象在目标楼宇的侯梯厅表现出跺脚、转圈，摇动身体、非正常观看等，系统发现这一行为差异，计算出差异值大于预设阈值，并标记外来侯梯对象可能存在异常的动作对应的数据。

步骤904，根据外来对象行为预测数据，预测外来侯梯对象在行为数据差异点的对象异常行为。

其中，对象异常行为可以是外来侯梯对象偏离了正常的、预期的行为的行，通常具有潜在的风险或不符合常规行为的特征。

具体地，在识别出行为数据差异点后，系统基于外来侯梯对象的外来对象行为预测数据，推测该对象可能在这些行为数据差异点上执行的对象异常行为。具体而言，系统的预测模型会根据对象的外来对象行为预测数据判断其是否有可能执行非典型行为，例如进入受限区域、长时间滞留等。如果判断外来侯梯对象具有非典型性为的执行趋势，系统进一步利用基于规则推理方法或决策树模型，进一步利用外来对象行为预测数据推测该对象在行为数据差异点且特定情境下可能采取的对象异常行为，并对潜在风险进行评估。例如系统预测对象F前往20楼而非常规的5楼，可能是试图进入该楼层的某个受限区域。由于该楼层是技术部门的办公区域，通常只有特定人员能够进入，系统预测该对象可能企图进入未授权区域，因此将这一行为标记为异常行为。

步骤906，根据对象异常行为，对外来侯梯对象在目标楼宇进行风险分析，得到外来对象风险评估数据。

具体地，在预测到外来侯梯对象的对象异常行为后，系统将综合考虑对象异常行为的严重性、可能对楼宇安全构成的威胁以及楼宇的安全环境（如监控设备、门禁控制等），对外来侯梯对象进行风险分析。如果预测行为表明该对象存在安全威胁（如可能进入限制区域、滞留过长等），系统会生成相应的外来对象风险评估数据，包括风险等级（如高风险、中风险、低风险）、需要特别关注的区域或动作，以及针对安保人员的实时建议（如提前部署监控、立即介入等）。

本实施例中，通过识别外来侯梯对象在行为数据比对中存在显著差异的行为数据差异点，系统能够及时发现其与预期行为模式之间的异常偏差，并预测其可能的异常行为。根据这些异常行为的预测，系统能够对外来对象在目标楼宇内的潜在风险进行深入分析，从而评估其是否会对楼宇安全造成威胁。这一过程不仅提高了对潜在风险的预警能力，也为楼宇管理人员提供了更精准的决策依据，确保能够快速响应异常情况，采取适当的安全措施，有效提升楼宇的整体安全性和应急响应效率。

应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基于多场景的电梯控制方法的一种基于多场景的电梯控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基于多场景的电梯控制装置实施例中的具体限定可以参见上文中对于一种基于多场景的电梯控制方法的限定，在此不再赘述。

在一个示例性的实施例中，如图10所示，提供了一种基于多场景的电梯控制装置，包括：数据获取模块1002、需求分析模块1004、对象引导模块1006、对象识别模块1008、数据分析模块1010和数据生成模块1012。

上述一种基于多场景的电梯控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例中的步骤。

需要说明的是，本申请所涉及的用户信息（包括但不限于用户设备信息、用户个人信息等）和数据（包括但不限于用于分析的数据、存储的数据、展示的数据等），均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于多场景的电梯控制方法，其特征在于，应用于电梯楼宇控制中心，所述方法包括：

获取电梯侯梯厅中各目标侯梯对象的身体特征信息和目标楼层信息，以及获取所述电梯侯梯厅的侯梯客流信息；

根据各所述身体特征信息、各所述目标楼层信息以及所述侯梯客流信息进行电梯使用需求分析，确定各电梯调度信息；

在所述电梯侯梯厅中输出各所述电梯调度信息对应的侯梯对象引导信息，并获取各所述侯梯对象引导信息对应的对象登梯视频数据；

在任一所述对象登梯视频数据对应的部分所述目标侯梯对象中，识别出各常驻侯梯对象以及各外来侯梯对象；

根据任一所述常驻侯梯对象在目标楼宇的历史行为数据，生成所述常驻侯梯对象的常驻楼宇联动数据；

根据任一所述外来侯梯对象在所述电梯侯梯厅的侯梯行为数据，生成所述外来侯梯对象的外来楼宇联动数据；

根据所述常驻楼宇联动数据，生成所述常驻侯梯对象的常驻行为引导数据；所述常驻行为引导数据通过控制电梯发送至所述常驻侯梯对象；

根据所述外来楼宇联动数据，生成所述外来侯梯对象的外来行为监测数据；所述外来行为监测数据通过控制所述电梯发送至楼宇监测中心。

2.根据权利要求1所述的方法，其特征在于，所述根据各所述身体特征信息、各所述目标楼层信息以及所述侯梯客流信息进行电梯使用需求分析，确定各电梯调度信息，包括：

根据所述侯梯客流信息以及所述电梯侯梯厅的预测客流信息，确定电梯调度约束条件以及电梯调度目标信息；

根据所述电梯调度约束条件以及所述电梯调度目标信息，初始化电梯调度算法的参数，得到待使用电梯调度算法；

将所述各所述身体特征信息、各所述目标楼层信息以及所述侯梯客流信息输入至所述待使用电梯调度算法，得到各所述电梯调度信息。

3.根据权利要求2所述的方法，其特征在于，所述根据所述侯梯客流信息以及所述电梯侯梯厅的预测客流信息，确定电梯调度约束条件以及电梯调度目标信息，包括：

对所述侯梯客流信息以及所述电梯侯梯厅的预测客流信息进行特征提取，得到侯梯客流特征数据以及预测客流特征数据；

根据所述侯梯客流特征数据以及所述预测客流特征数据，计算侯梯厅预计到达人数、侯梯厅峰值到达率以及侯梯平均等待时间；

根据所述侯梯厅预计到达人数、所述侯梯厅峰值到达率以及所述侯梯平均等待时间，确定所述电梯调度约束条件；所述电梯调度约束条件包括服务时间约束条件、电梯能耗约束条件、电梯负载约束条件以及电梯安全约束条件。

4.根据权利要求3所述的方法，其特征在于，所述待使用电梯调度算法包括分项调度信息子算法以及调度优化子算法；所述将所述各所述身体特征信息、各所述目标楼层信息以及所述侯梯客流信息输入至所述待使用电梯调度算法，得到各所述电梯调度信息，包括：

基于所述服务时间约束条件、所述电梯能耗约束条件、所述电梯负载约束条件以及所述电梯安全约束条件，根据所述各所述身体特征信息、各所述目标楼层信息以及所述侯梯客流信息，计算各初始电梯调度信息；

采用不同的调度信息寻优算法，分别寻找各所述初始电梯调度信息的帕累托前沿，得到各初始最优调度信息；

从各所述初始最优调度信息中选取数据均匀信息为最高的解作为各所述电梯调度信息。

5.根据权利要求1所述的方法，其特征在于，所述根据任一所述外来侯梯对象在所述电梯侯梯厅的侯梯行为数据，生成所述外来侯梯对象的外来楼宇联动数据，包括：

对所述外来侯梯对象在所述电梯侯梯厅的侯梯行为数据进行行为模式分析，得到外来对象行为预测数据；

根据所述外来对象行为预测数据，对所述外来侯梯对象在所述目标楼宇的风险进行评估，得到外来对象风险评估数据；

根据所述外来对象行为预测数据以及所述外来对象风险评估数据，生成所述外来楼宇联动数据。

6.根据权利要求5所述的方法，其特征在于，所述根据所述外来对象行为预测数据，对所述外来侯梯对象在所述目标楼宇的风险进行评估，得到外来对象风险评估数据，包括：

从与所述目标楼宇进行数据交互的各其他楼宇中识别所述外来侯梯对象的记录行为数据；

将所述外来对象行为预测数据与所述记录行为数据进行比对，得到行为数据比对结果；

根据所述行为数据比对结果以及所述外来对象行为预测数据，对所述外来侯梯对象在所述目标楼宇的风险进行评估，得到所述外来对象风险评估数据。

7.根据权利要求6所述的方法，其特征在于，所述根据所述行为数据比对结果以及所述外来对象行为预测数据，对所述外来侯梯对象在所述目标楼宇的风险进行评估，得到所述外来对象风险评估数据，包括：

在所述行为数据对比结果表征行为数据差异值小于预设风险阈值的情况下，根据所述记录行为数据，预测所述外来侯梯对象在所述目标楼宇的当次行走路径；

根据所述当次行走路径以及所述外来对象行为预测数据，预测所述外来侯梯对象在所述目标楼宇的预测风险行为以及预测风险目标；

根据所述预测风险行为以及所述预测风险目标，对所述外来侯梯对象在所述目标楼宇进行风险分析，得到所述外来对象风险评估数据。

8.根据权利要求6所述的方法，其特征在于，所述根据所述行为数据比对结果以及所述外来对象行为预测数据，对所述外来侯梯对象在所述目标楼宇的风险进行评估，得到所述外来对象风险评估数据，包括：

在所述行为数据对比结果表征行为数据差异值大于预设风险阈值的情况下，识别所述外来对象行为预测数据与所述记录行为数据之间的行为数据差异点；

根据所述外来对象行为预测数据，预测所述外来侯梯对象在所述行为数据差异点的对象异常行为；

根据所述对象异常行为，对所述外来侯梯对象在所述目标楼宇进行风险分析，得到所述外来对象风险评估数据。

9.一种基于多场景的电梯控制装置，其特征在于，应用于电梯楼宇控制中心，所述装置包括：

数据获取模块，用于获取电梯侯梯厅中各目标侯梯对象的身体特征信息和目标楼层信息，以及获取所述电梯侯梯厅的侯梯客流信息；

需求分析模块，用于根据各所述身体特征信息、各所述目标楼层信息以及所述侯梯客流信息进行电梯使用需求分析，确定各电梯调度信息；

对象引导模块，用于在所述电梯侯梯厅中输出各所述电梯调度信息对应的侯梯对象引导信息，并获取各所述侯梯对象引导信息对应的对象登梯视频数据；

对象识别模块，用于在任一所述对象登梯视频数据对应的部分所述目标侯梯对象中，识别出各常驻侯梯对象以及各外来侯梯对象；

数据分析模块，用于根据任一所述常驻侯梯对象在目标楼宇的历史行为数据，生成所述常驻侯梯对象的常驻楼宇联动数据；

数据分析模块，还用于根据任一所述外来侯梯对象在所述电梯侯梯厅的侯梯行为数据，生成所述外来侯梯对象的外来楼宇联动数据；

数据生成模块，用于根据所述常驻楼宇联动数据，生成所述常驻侯梯对象的常驻行为引导数据；所述常驻行为引导数据通过控制电梯发送至所述常驻侯梯对象；

数据生成模块，还用于根据所述外来楼宇联动数据，生成所述外来侯梯对象的外来行为监测数据；所述外来行为监测数据通过控制所述电梯发送至楼宇监测中心。

10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。