Despacho de próxima generación en Otis

por Juan Morales, director de Otis, Data Science, Otis, EE. UU., Arthur Hsu, compañero de despacho de Otis, Otis, EE. UU.

PALABRAS CLAVE: ascensor, despachador, análisis predictivo, aprendizaje automático, inteligencia artificial.

Como empresa líder mundial en la fabricación, instalación y servicio de ascensores, Otis mantiene su ventaja competitiva mediante el desarrollo de la tecnología para llevar a la industria a un mundo más alto, más rápido y más conectado. Nos basamos en una rica tradición de innovación y una cultura que fomenta la imaginación, lo que permite la creación de tecnología de punta que convirtió a Otis en un líder mundial en despacho en la industria de ascensores. Con Otis NextGen Dispatcher, nuestros equipos de ingeniería y ciencia de datos están trabajando para reunir funciones de inteligencia artificial (AI), aprendizaje automático (ML), Internet de las cosas (IoT) y big data de última generación para llevar el despacho de ascensores a el siguiente nivel.

Predicción de tráfico

El envío ya no debería ser una respuesta reactiva en la que las acciones se posponen hasta que un pasajero solicita un ascensor. La predicción del tráfico se puede aprovechar para crear un entorno que permita algoritmos predictivos que no solo miren el aquí y el ahora, sino que sean conscientes de la posible realización de futuras llamadas. Aunque los esfuerzos anteriores para predecir el tráfico son conocidos en la industria, con Otis NextGen Dispatcher, los datos de múltiples fuentes se incorporan de manera eficiente y se combinan armónicamente para alimentar los algoritmos de predicción de ML de última generación. El tráfico de pasajeros, los datos de peatones en tiempo real recopilados mediante sensores y la información derivada de IoT, como el clima, las condiciones del tráfico vial o los horarios de los trenes, se pueden utilizar para anticipar las demandas de ascensores de los pasajeros. Los datos se recopilan constantemente y se usan periódicamente para entrenar algoritmos para adaptarse continuamente a las condiciones cambiantes del tráfico.

Las predicciones se basan en un enfoque de aprendizaje supervisado que consta de múltiples etapas, que involucran árboles (de decisión) potenciados por gradientes y algoritmos heurísticos. Estos algoritmos de ML cuidadosamente ajustados incluyen características relacionadas con el tiempo, como la hora del día, el día de la semana y los datos de vacaciones, entre otros, para predecir los patrones de tráfico base subyacentes. Además, el algoritmo utiliza las fluctuaciones de tráfico actualizadas y los datos de IoT para ajustar las predicciones en tiempo real para tener en cuenta las circunstancias específicas que podrían materializarse en un día u hora específicos. Ya sea que se acerque una tormenta eléctrica aislada o que se esté produciendo un gran evento en una de las suites en el piso del vestíbulo, las predicciones se actualizan dinámicamente y se toman decisiones de despacho para permitir una experiencia perfecta para los pasajeros.

Envío predictivo

Un algoritmo inteligente utiliza predicciones de tráfico para tomar decisiones de despacho predictivas de forma dinámica para optimizar el rendimiento. Una vez que se registra una llamada de pasajero y el despachador la asigna a una cabina, este algoritmo no solo considera la posición vertical actual de los ascensores en un grupo y las asignaciones de cabina realizadas hasta el momento, sino que también anticipa llamadas futuras y ajusta automáticamente las decisiones de despacho considerando el impacto potencial que tienen en el rendimiento futuro.

Ya sea que el objetivo sea minimizar el tiempo de espera o el tiempo hasta el destino, o equilibrar ambos dependiendo de la hora del día, un enfoque basado en IA realiza asignaciones de automóviles inteligentes, evitando decisiones miopes y reduciendo la cantidad de paradas intermedias innecesarias, lo que da como resultado en una experiencia más placentera para el pasajero.

Las predicciones de tráfico se pueden aprovechar cuando un ascensor está inactivo para que se pueda estacionar previamente de forma dinámica en un piso o cerca de los pisos donde se espera que se materialice la demanda. Esto puede reducir en gran medida el tiempo de espera de los pasajeros. Abordamos el problema de estacionamiento previo de ascensores resolviendo un problema de optimización estocástica utilizando un algoritmo heurístico de búsqueda de vecindario. Para maximizar los beneficios del estacionamiento predictivo, el algoritmo toma una mirada holística a las predicciones de llamadas que se originan a través de todo el conjunto de pisos atendidos por el grupo de ascensores y toma decisiones de estacionamiento que también consideran la hora y el lugar previstos donde otros automóviles quedarán inactivos. . Este enfoque holístico que considera las demandas previstas y el suministro previsto de automóviles inactivos permite una sólida estrategia de estacionamiento que protege frente a numerosos escenarios de demanda y reduce el tiempo de espera (consulte la Figura 2). 

Gemelo digital para el ajuste adaptativo de los parámetros de envío

Los algoritmos de despacho modernos utilizan inherentemente un conjunto de parámetros de despacho que rigen las compensaciones entre las métricas de rendimiento, como el tiempo de espera promedio frente al tiempo promedio hasta el destino, al asignar una llamada determinada a un automóvil en particular. Con literalmente cientos de estos parámetros de despacho, es posible ajustar el mejor conjunto de parámetros de despacho en cada sitio de trabajo, pero es muy tedioso hacerlo manualmente sin poder medir con precisión el impacto de cada cambio de parámetro.

En el despachador NextGen de Otis, cada despachador ahora contiene un "gemelo digital" incorporado, que es un modelo virtual del mismo grupo de ascensores que refleja la configuración idéntica del grupo (cantidad de automóviles, cantidad de pisos servidos, etc.) y que almacena continuamente patrones de tráfico a medida que cambian dinámicamente con el tiempo, ya sea cada hora, día o semana, o sistémicamente debido a una pandemia.

Este Otis Digital Twin puede, entre otras capacidades, evaluar el impacto en el desempeño del despacho muchos órdenes de magnitud más rápido que en tiempo real; por lo tanto, con métodos de optimización de parámetros de última generación, el despachador ahora puede beneficiarse de los valores de los parámetros implementados a partir de la sintonización en Otis Digital Twin en función de los patrones de tráfico reales. Al personalizar el mejor rendimiento en un lugar de trabajo en particular, NextGen Dispatcher también proporciona una interfaz de usuario que permite especificar las preferencias del cliente con respecto a diferentes objetivos de despacho, como el tiempo de espera promedio versus el tiempo de espera prolongado, versus la cantidad de paradas experimentadas por los pasajeros. , versus el tiempo hasta el destino, etc.

Los algoritmos de ajuste de parámetros de NextGen Dispatcher también pueden ajustar múltiples conjuntos de parámetros de despacho para adaptarse a diferentes objetivos en diferentes períodos críticos de tráfico durante el día o la semana. Por ejemplo, durante el período pico de la mañana en un edificio de oficinas donde el hacinamiento en el vestíbulo de la planta baja es un problema, el objetivo principal puede ser reducir el tiempo de espera en el vestíbulo de la planta baja. Durante el pico de la hora del almuerzo, el enfoque puede cambiar a reducir los tiempos de espera en los pisos de la cafetería. Durante el tráfico normal en horario comercial, el enfoque puede cambiar a reducir el tiempo total hasta el destino. A partir de la experimentación, los parámetros sintonizados pueden impactar objetivos, como el tiempo de espera promedio, el tiempo promedio hasta el destino y los tiempos de espera prolongados (por ejemplo, medidos como el porcentaje de pasajeros que esperan más de 60 s).

Como ejemplo, se recopilaron seis semanas de datos de un edificio de oficinas comerciales durante un período de tráfico pico matutino de 1 h que representa más de 70,000 90 llamadas de pasajeros. La ilustración anterior muestra que con los parámetros de línea de base, el porcentaje de pasajeros cuyo tiempo hasta el destino superó los 14.4 s fue del 7.5 %. Después de sintonizar con los datos de tráfico que precedieron a este período de seis semanas, el porcentaje se redujo al 48 %, lo que representa una reducción del 61.1 %. Al mismo tiempo, el tiempo medio hasta el destino se redujo de 56.9 s con los parámetros de referencia a 7 s, lo que representa una reducción del 14.9 %. Utilizando un conjunto diferente de parámetros ajustados para mejorar los tiempos de espera, el tiempo de espera promedio se redujo de 11.9 s a 20 s, lo que representa una mejora del 60 % mientras que, al mismo tiempo, los tiempos de espera prolongados, medidos por el porcentaje de pasajeros que esperan más de 1.06 s, pasó de 0.37% a 65%, lo que representa una mejora del XNUMX%.

Conclusiones

Otis NextGen Dispatcher reúne funciones de IA, ML, IoT y big data de última generación para llevar el despacho de ascensores al siguiente nivel. El trabajo inicial ha demostrado su capacidad para predecir mejor la demanda de tráfico y adaptarse a las necesidades cambiantes de los edificios y los ocupantes. El estacionamiento predictivo está mostrando el potencial para posicionar mejor los ascensores inactivos y mejorar la comodidad percibida. El ajuste adaptativo de los parámetros de envío permite personalizar y adaptar la respuesta del grupo de ascensores para mejorar el rendimiento o la comodidad para satisfacer las necesidades del propietario o los inquilinos del edificio.