إيفاد الجيل القادم في أوتيس

بقلم خوان موراليس ، مدير أوتيس ، علوم البيانات ، أوتيس ، الولايات المتحدة الأمريكية ، آرثر هسو ، زميل إيفاد أوتيس ، أوتيس ، الولايات المتحدة الأمريكية

الكلمات الدالة: المصعد ، المرسل ، التحليلات التنبؤية ، التعلم الآلي ، الذكاء الاصطناعي.

بصفتها الشركة الرائدة عالميًا في مجال تصنيع وتركيب وخدمة المصاعد ، تحافظ Otis على قدرتها التنافسية من خلال تطوير التكنولوجيا لقيادة الصناعة إلى عالم أطول وأسرع وأكثر ارتباطًا. نحن نبني على تقليد غني من الابتكار وثقافة تعزز الخيال ، مما يتيح إنشاء تقنية رائدة جعلت Otis شركة رائدة عالميًا في مجال صناعة المصاعد. مع Otis NextGen Dispatcher ، تعمل فرق الهندسة وعلوم البيانات لدينا على الجمع بين أحدث تقنيات الذكاء الاصطناعي (AI) والتعلم الآلي (ML) وإنترنت الأشياء (IoT) وميزات البيانات الضخمة لنقل المصاعد إلى المستوى التالي.

التنبؤ بحركة المرور

يجب ألا يكون الإرسال استجابة تفاعلية حيث يتم تأجيل الإجراءات حتى يقوم الراكب بإجراء مكالمة لمصعد. يمكن الاستفادة من التنبؤ بحركة المرور لإنشاء بيئة تمكن الخوارزميات التنبؤية التي لا تنظر فقط إلى هنا والآن ، ولكنها تدرك إمكانية تحقيق المكالمات المستقبلية. على الرغم من أن الجهود السابقة للتنبؤ بحركة المرور معروفة في الصناعة ، مع Otis NextGen Dispatcher ، يتم استيعاب البيانات من مصادر متعددة بكفاءة ودمجها بشكل متناسق لتغذية خوارزميات التنبؤ ML الحديثة. يمكن استخدام حركة مرور الركاب وبيانات المشاة في الوقت الفعلي التي يتم جمعها باستخدام أجهزة الاستشعار والمعلومات المشتقة من إنترنت الأشياء ، مثل الطقس أو ظروف حركة المرور على الطرق أو جداول السكك الحديدية ، لتوقع طلبات الركاب على المصاعد. يتم جمع البيانات باستمرار واستخدامها بشكل دوري لتدريب الخوارزميات على التكيف باستمرار مع ظروف حركة المرور المتغيرة.

تستند التنبؤات إلى منهج تعليمي خاضع للإشراف يتكون من مراحل متعددة ، تشمل الأشجار المعززة بالتدرج (القرار) وخوارزميات الكشف عن مجريات الأمور. تتضمن خوارزميات التعلم الآلي هذه التي تم ضبطها بعناية ميزات متعلقة بالوقت ، مثل الوقت من اليوم واليوم من الأسبوع وبيانات العطلات ، من بين أمور أخرى ، للتنبؤ بأنماط حركة المرور الأساسية الأساسية. بالإضافة إلى ذلك ، تستخدم الخوارزمية تقلبات حركة المرور الحديثة وبيانات إنترنت الأشياء لضبط التنبؤات في الوقت الفعلي لمراعاة الظروف المحددة التي قد تتحقق في يوم أو وقت معين. سواء اجتاحت عاصفة رعدية طائشة أو حدث حدث كبير في أحد الأجنحة في طابق الردهة ، يتم تحديث التنبؤات ديناميكيًا واتخاذ قرارات الإرسال لتمكين تجربة ركاب سلسة.

إيفاد التنبؤي

تستخدم الخوارزمية الذكية تنبؤات حركة المرور لاتخاذ قرارات إرسال تنبؤية ديناميكية لتحسين الأداء. بمجرد تسجيل مكالمة راكب ويقوم المرسل بتعيينها للسيارة ، فإن هذه الخوارزمية لا تأخذ فقط في الاعتبار الوضع الرأسي الحالي للمصاعد في مجموعة وتخصيصات السيارة التي تم إجراؤها حتى الآن ، بل إنها تتوقع أيضًا المكالمات المستقبلية وتعديل قرارات الإرسال تلقائيًا مع الأخذ في الاعتبار التأثير المحتمل على الأداء المستقبلي.

سواء كان الهدف هو تقليل وقت الانتظار أو وقت الوصول إلى الوجهة ، أو تحقيق التوازن بين كليهما اعتمادًا على الوقت من اليوم ، فإن النهج القائم على الذكاء الاصطناعي يجعل تعيينات السيارة الذكية ، وتجنب قرارات قصر النظر وتقليل عدد التوقفات الوسيطة غير الضرورية ، مما ينتج عنه في تجربة ركاب أكثر متعة.

يمكن الاستفادة من تنبؤات حركة المرور عندما يصبح المصعد خاملاً بحيث يمكن إيقافه بشكل ديناميكي مسبقًا في الطابق أو بالقرب من الطوابق حيث من المتوقع أن يتحقق الطلب. هذا يمكن أن يقلل بشكل كبير من وقت انتظار الركاب. نعالج مشكلة مصاعد ما قبل وقوف السيارات من خلال حل مشكلة التحسين العشوائية باستخدام خوارزمية إرشادية للبحث في الجوار. لتعظيم فوائد وقوف السيارات التنبؤية ، تأخذ الخوارزمية نظرة شاملة على تنبؤات المكالمات التي تنشأ من خلال مجموعة الطوابق الكاملة التي تخدمها مجموعة المصاعد وتتخذ قرارات وقوف السيارات التي تراعي أيضًا الوقت والمكان المتوقعين حيث ستصبح السيارات الأخرى خاملة . يتيح هذا النهج الشامل الذي يأخذ في الاعتبار الطلبات المتوقعة والإمداد المتوقع للسيارات الخاملة إستراتيجية قوية لوقوف السيارات تعمل على التحوط ضد سيناريوهات الطلب العديدة وتقلل من وقت الانتظار (انظر الشكل 2). 

التوأم الرقمي للضبط التكيفي لمعلمات الإرسال

تستخدم خوارزميات الإرسال الحديثة بطبيعتها مجموعة من معلمات الإرسال التي تحكم المقايضات بين مقاييس الأداء ، مثل متوسط ​​وقت الانتظار مقابل متوسط ​​الوقت للوصول إلى الوجهة ، عند تعيين مكالمة معينة لسيارة معينة. من خلال المئات من معلمات الإرسال هذه ، من الممكن ضبط أفضل مجموعة من معلمات الإرسال في كل موقع عمل ، ولكن من الممل جدًا القيام بذلك يدويًا دون القدرة على قياس تأثير كل تغيير في المعلمة بدقة.

في مرسل NextGen الخاص بشركة Otis ، يحتوي كل مرسل الآن على "Digital Twin" مدمج ، وهو نموذج افتراضي لمجموعة المصاعد نفسها التي تعكس تكوين المجموعة المتطابق (عدد السيارات وعدد الطوابق المخدومة وما إلى ذلك) وأيها يخزن باستمرار أنماط حركة المرور لأنها تتغير ديناميكيًا بمرور الوقت ، سواء على أساس كل ساعة أو يوميًا أو أسبوعيًا ، أو بشكل منهجي بسبب الوباء.

يمكن لهذا التوأم الرقمي من Otis ، من بين قدرات أخرى ، تقييم التأثير على أداء الإرسال بعدة أوامر من حيث الحجم أسرع من الوقت الحقيقي ؛ وبالتالي ، مع أحدث أساليب تحسين المعلمات ، يمكن للمرسل الآن الاستفادة من قيم المعلمات التي تم نشرها من الضبط على Otis Digital Twin استنادًا إلى أنماط حركة المرور الحقيقية. عند تخصيص أفضل أداء في موقع عمل معين ، يوفر مرسل NextGen أيضًا واجهة مستخدم تسمح بتحديد تفضيلات العملاء فيما يتعلق بأهداف الإرسال المختلفة ، مثل مقايضة متوسط ​​وقت الانتظار مقابل وقت الانتظار الطويل ، مقابل عدد مرات التوقف التي يمر بها الركاب ، مقابل الوقت للوصول إلى الوجهة ، إلخ.

يمكن لخوارزميات ضبط معلمة مرسل NextGen أيضًا ضبط مجموعات متعددة من معلمات الإرسال لتلائم أهدافًا مختلفة في فترات مرور حرجة مختلفة خلال اليوم أو خلال الأسبوع. على سبيل المثال ، خلال فترة الذروة الصباحية في مبنى المكاتب حيث يمثل الازدحام في ردهة الطابق الأرضي مشكلة ، يمكن أن يكون الهدف الأساسي هو تقليل وقت الانتظار في ردهة الطابق الأرضي. خلال ذروة ساعة الغداء ، قد يتحول التركيز إلى تقليل أوقات الانتظار في طوابق الكافتيريا. أثناء حركة المرور العادية في ساعات العمل ، قد يتحول التركيز إلى تقليل الوقت الإجمالي للوصول إلى الوجهة. من خلال التجربة ، يمكن للمعلمات المضبوطة التأثير على الأهداف ، مثل متوسط ​​وقت الانتظار ومتوسط ​​الوقت للوصول إلى الوجهة وأوقات الانتظار الطويلة (على سبيل المثال ، يتم قياسها كنسبة مئوية للركاب الذين ينتظرون أكثر من 60 ثانية).

على سبيل المثال ، تم جمع ستة أسابيع من البيانات من مبنى المكاتب التجارية خلال فترة ذروة حركة المرور الصباحية لمدة ساعة والتي تمثل أكثر من 1 مكالمة ركاب. يوضح الرسم التوضيحي أعلاه أنه باستخدام معلمات خط الأساس ، كانت النسبة المئوية للمسافرين الذين تجاوز وقت وصولهم إلى وجهتهم 70,000 ثانية 90٪. بعد الضبط باستخدام بيانات حركة المرور التي سبقت فترة الستة أسابيع هذه ، انخفضت النسبة إلى 14.4٪ ، وهو ما يمثل انخفاضًا بنسبة 7.5٪. في الوقت نفسه ، انخفض متوسط ​​الوقت للوصول إلى الوجهة من 48 ثانية مع انخفاض المعلمات الأساسية إلى 61.1 ثانية ، وهو ما يمثل انخفاضًا بنسبة 56.9٪. باستخدام مجموعة مختلفة من المعلمات التي تم ضبطها لتحسين أوقات الانتظار ، انخفض متوسط ​​وقت الانتظار من 7 ثانية إلى 14.9 ثانية ، وهو ما يمثل تحسنًا بنسبة 11.9٪ بينما ، في نفس الوقت ، فترات الانتظار الطويلة ، مقاسة بالنسبة المئوية للركاب الذين ينتظرون أكثر من 20 ثانية ، انخفض من 60٪ إلى 1.06٪ ، وهو ما يمثل تحسنًا بنسبة 0.37٪.

استنتاجات

يجمع Otis NextGen Dispatcher بين أحدث ميزات الذكاء الاصطناعي والتعلم الآلي وإنترنت الأشياء والبيانات الضخمة لنقل إرسال المصعد إلى المستوى التالي. أظهر العمل الأولي قدرته على التنبؤ بشكل أفضل بالطلب على حركة المرور والتكيف مع الاحتياجات المتغيرة للمباني والركاب. يُظهر وقوف السيارات التنبئي إمكانية تحسين وضع المصاعد الخاملة وتحسين الراحة المتصورة. يسمح الضبط التكيفي لمعلمات الإرسال بتخصيص وتكييف استجابة مجموعة المصاعد لتحسين الأداء أو الراحة لتلبية احتياجات مالك المبنى أو المستأجرين.