Dispacciamento di nuova generazione in Otis

di Juan Morales, Otis director, Data Science, Otis, USA, Arthur Hsu, Otis dispatching fellow, Otis, USA

PAROLE CHIAVE: ascensore, spedizioniere, analisi predittiva, apprendimento automatico, intelligenza artificiale.

In qualità di azienda leader mondiale nella produzione, installazione e assistenza di ascensori, Otis mantiene il suo vantaggio competitivo sviluppando la tecnologia per guidare il settore verso un mondo più alto, più veloce e più connesso. Stiamo costruendo su una ricca tradizione di innovazione e una cultura che promuove l'immaginazione, consentendo la creazione di una tecnologia all'avanguardia che ha reso Otis un leader mondiale per il dispacciamento nel settore degli ascensori. Con Otis NextGen Dispatcher, i nostri team di ingegneria e data science stanno lavorando per riunire funzionalità di intelligenza artificiale (AI), machine learning (ML), Internet of Things (IoT) e big data all'avanguardia per portare il dispacciamento degli ascensori a il livello successivo.

Previsione del traffico

Il dispacciamento non dovrebbe più essere una risposta reattiva in cui le azioni vengono posticipate fino a quando un passeggero non effettua una chiamata per un ascensore. La previsione del traffico può essere sfruttata per creare un ambiente che consenta algoritmi predittivi che non solo guardano al qui e ora, ma sono consapevoli della possibile realizzazione di chiamate future. Sebbene i precedenti sforzi per prevedere il traffico siano noti nel settore, con Otis NextGen Dispatcher, i dati provenienti da più fonti vengono acquisiti in modo efficiente e combinati armonicamente per alimentare algoritmi di previsione ML all'avanguardia. Il traffico dei passeggeri, i dati pedonali in tempo reale raccolti tramite sensori e le informazioni derivate dall'IoT, come il meteo, le condizioni del traffico stradale o gli orari ferroviari, possono essere utilizzati per anticipare la domanda di ascensori da parte dei passeggeri. I dati vengono costantemente raccolti e periodicamente utilizzati per addestrare gli algoritmi ad adattarsi continuamente alle mutevoli condizioni del traffico.

Le previsioni si basano su un approccio di apprendimento supervisionato costituito da più fasi, che coinvolgono alberi (decisionali) potenziati dal gradiente e algoritmi euristici. Questi algoritmi ML accuratamente sintonizzati includono funzionalità relative al tempo, come l'ora del giorno, il giorno della settimana e i dati delle festività, tra gli altri, per prevedere i modelli di traffico di base sottostanti. Inoltre, l'algoritmo utilizza le fluttuazioni del traffico e i dati IoT aggiornati al minuto per regolare le previsioni in tempo reale per tenere conto di circostanze specifiche che potrebbero materializzarsi in un giorno o un'ora specifici. Sia che si verifichi un temporale vagante o che si stia verificando un grande evento in una delle suite al piano della hall, le previsioni vengono aggiornate dinamicamente e le decisioni di spedizione vengono prese per consentire un'esperienza senza soluzione di continuità ai passeggeri.

Dispacciamento predittivo

Un algoritmo intelligente utilizza le previsioni del traffico per prendere dinamicamente decisioni di distribuzione predittiva per ottimizzare le prestazioni. Una volta che la chiamata di un passeggero è stata registrata e il dispatcher l'ha assegnata a un'auto, questo algoritmo non solo considera l'attuale posizione verticale degli ascensori in un gruppo e le assegnazioni di cabina effettuate fino a quel momento, ma anticipa anche le chiamate future e regola automaticamente le decisioni di dispacciamento tenendo conto il potenziale impatto che hanno sulla performance futura.

Sia che l'obiettivo sia quello di ridurre al minimo il tempo di attesa o il tempo necessario per raggiungere la destinazione, o di bilanciare entrambi a seconda dell'ora del giorno, un approccio basato sull'intelligenza artificiale effettua assegnazioni di auto intelligenti, evitando decisioni miopi e riducendo il numero di fermate intermedie non necessarie, il che si traduce in un'esperienza più piacevole per i passeggeri.

Le previsioni del traffico possono essere sfruttate quando un ascensore diventa inattivo in modo che possa essere pre-parcheggiato dinamicamente a un piano o in prossimità di piani in cui si prevede che la domanda si materializzerà. Ciò può ridurre notevolmente i tempi di attesa dei passeggeri. Affrontiamo il problema del pre-parcheggio degli ascensori risolvendo un problema di ottimizzazione stocastica utilizzando un algoritmo euristico di Neighbourhood Search. Per massimizzare i vantaggi del parcheggio predittivo, l'algoritmo esamina in modo olistico le previsioni delle chiamate provenienti dall'intero insieme di piani serviti dal gruppo di ascensori e prende decisioni di parcheggio che considerano anche l'ora e il luogo previsti in cui le altre auto rimarranno inattive . Questo approccio olistico che considera le richieste previste e l'offerta prevista di auto inattive consente una solida strategia di parcheggio che protegge da numerosi scenari di domanda e riduce i tempi di attesa (vedere la figura 2). 

Gemello digitale per la regolazione adattiva dei parametri di dispacciamento

I moderni algoritmi di dispacciamento utilizzano intrinsecamente una serie di parametri di dispacciamento che regolano i compromessi tra le metriche delle prestazioni, come il tempo medio di attesa rispetto al tempo medio alla destinazione, quando si assegna una determinata chiamata a un'auto particolare. Con letteralmente centinaia di questi parametri di dispacciamento, è possibile mettere a punto il miglior set di parametri di dispacciamento in ogni cantiere, ma è molto noioso farlo manualmente senza essere in grado di misurare con precisione l'impatto di ogni modifica dei parametri.

In NextGen Dispatcher di Otis, ogni dispatcher ora contiene un "Digital Twin" integrato, che è un modello virtuale dello stesso gruppo di ascensori che riflette la configurazione identica del gruppo (numero di cabine, numero di piani serviti, ecc.) e che memorizza continuamente i modelli di traffico mentre cambiano dinamicamente nel tempo, su base oraria, giornaliera o settimanale o sistematicamente a causa di una pandemia.

Questo Otis Digital Twin può, tra le altre capacità, valutare l'impatto sulle prestazioni di spedizione molti ordini di grandezza più velocemente del tempo reale; quindi, con metodi di ottimizzazione dei parametri all'avanguardia, il dispatcher può ora beneficiare dei valori dei parametri distribuiti dalla sintonizzazione su Otis Digital Twin in base a modelli di traffico reali. Nel personalizzare le migliori prestazioni in un particolare luogo di lavoro, NextGen Dispatcher fornisce anche un'interfaccia utente che consente di specificare le preferenze del cliente in merito a diversi obiettivi di spedizione, come scambiare il tempo medio di attesa rispetto al lungo tempo di attesa, rispetto al numero di fermate subite dai passeggeri , rispetto al tempo a destinazione, ecc.

Gli algoritmi di ottimizzazione dei parametri di NextGen Dispatcher possono anche ottimizzare più set di parametri di invio per soddisfare diversi obiettivi in ​​diversi periodi di traffico critico durante il giorno o durante la settimana. Ad esempio, durante il periodo di punta mattutino in un edificio per uffici in cui l'affollamento nell'atrio al piano terra è un problema, l'obiettivo principale può essere quello di ridurre i tempi di attesa nell'atrio al piano terra. Durante il picco dell'ora di pranzo, l'attenzione potrebbe spostarsi sulla riduzione dei tempi di attesa ai piani della mensa. Durante il normale traffico dell'orario lavorativo, l'attenzione potrebbe spostarsi sulla riduzione del tempo totale per raggiungere la destinazione. Dalla sperimentazione, i parametri sintonizzati sono in grado di influenzare gli obiettivi, come il tempo medio di attesa, il tempo medio alla destinazione e i lunghi tempi di attesa (ad esempio, misurati come percentuale di passeggeri che aspettano più di 60 s).

Ad esempio, sei settimane di dati sono stati raccolti da un edificio per uffici commerciali durante un periodo di punta del traffico mattutino di 1 ora che rappresenta più di 70,000 chiamate di passeggeri. L'illustrazione sopra mostra che con i parametri di riferimento, la percentuale di passeggeri il cui tempo di arrivo a destinazione ha superato i 90 s era del 14.4%. Dopo la sintonizzazione utilizzando i dati sul traffico che hanno preceduto questo periodo di sei settimane, la percentuale è scesa al 7.5%, con una riduzione del 48%. Allo stesso tempo, il tempo medio per raggiungere la destinazione è sceso da 61.1 s con i parametri di riferimento scesi a 56.9 s, con una riduzione del 7%. Utilizzando un diverso insieme di parametri ottimizzati per migliorare i tempi di attesa, il tempo medio di attesa è sceso da 14.9 s a 11.9 s, rappresentando un miglioramento del 20% mentre, allo stesso tempo, i lunghi tempi di attesa, misurati dalla percentuale di passeggeri che attendono di più di 60 s, è sceso dall'1.06% allo 0.37%, con un miglioramento del 65%.

Conclusioni

Otis NextGen Dispatcher sta riunendo funzionalità AI, ML, IoT e big data all'avanguardia per portare il dispacciamento degli ascensori a un livello superiore. Il lavoro iniziale ha dimostrato la sua capacità di prevedere meglio la domanda di traffico e di adattarsi alle mutevoli esigenze degli edifici e degli occupanti. Il parcheggio predittivo sta mostrando il potenziale per posizionare meglio gli ascensori inattivi e migliorare il comfort percepito. La regolazione adattiva dei parametri di dispacciamento consente di personalizzare e adattare la risposta del gruppo di ascensori per migliorare le prestazioni o il comfort e soddisfare le esigenze del proprietario dell'edificio o degli inquilini.