SAS Kullanarak Asansör Trafik Akışını Tahmin Etme

İstatistiksel Analiz Sistemi (SAS) yazılımı kullanılmakta ve sonuçları ölçülen verilerle doğrulanmaktadır.

Xu Ruiying, Yao Lianghong, Yu Kun ve Wan Jianru tarafından

Son yıllarda inşaat sektörünün trendleri yüksek ve süper yüksek binalar. Ancak dikey trafik sorununun çözülmesi gerekiyor. Makul asansör seçimi ve yerleşimi, bina alanının etkin bir şekilde kullanılmasında ve yolcu akışının makul bir şekilde dağıtılmasında önemli bir rol oynar. Asansör seçimi ve grup kontrol simülasyonu için trafik akışı tahmini gerekli olduğundan, makul bir asansör konfigürasyonu seçimi elde etmek için binaların asansör trafik akışının doğru bir şekilde tahmin edilmesi gerekir. Bu nedenle, asansör trafik akış tahminini incelemek çok önemlidir.^[1]

Bu makale asansör trafik akışının özelliklerini analiz eder ve ardından asansör trafik akışını tahmin etmek için SAS yazılımını kullanır. Otoregresif Entegre Hareketli Ortalama (ARIMA) modelleme yöntemi daha sonra trafik akışının tahmin modelini oluşturmak için kullanılır. Yöntem, Tianjin, Çin'deki bir binanın ölçülen verileriyle doğrulandı. Deneysel ve ölçülen veriler karşılaştırılarak mükemmel tahmin performansı sergilenir. Simülasyon ve deneysel sonuçlar, modelin asansör trafik akışını etkili bir şekilde tahmin edebildiğini göstermektedir. Son olarak, bu makale çalışmaya dayalı olarak asansör seçimi ve yerleşimi hakkında bir fikir vermektedir.

Asansör Trafik-Akış Analizi

Emlaklar

Asansör trafik akışı analizi çoğunlukla bina tipine bağlıdır.^[2] Bu çalışmanın amacı bir ofis binasıdır. Bir ofis binasının asansör trafik akışı özelliği nispeten durağan görünmektedir, çünkü ofis binalarındaki insanlar genellikle düzenli olarak çalışır ve dinlenir. Bu özellik, trafik akışını analiz etmeyi ve tahmin etmeyi mümkün ve gerekli kılar. Asansör trafik akışı, her kattaki yolcu sayısı, meydana gelme süresi ve dağılımı ile tanımlanır.^[3] Pratik analizde, bu verilerin sadece bir kısmı bir binadaki asansör trafik akış özelliklerini yansıtabilir. Bunlar, giriş holüne giren ve çıkan yolcu sayısını ve binadaki 5 dakikadaki toplam yolcu akışını içerir. Aralık.

Her aralıkta elde edilen bir grup veri, asansör trafik akışı zaman serisi olarak kabul edilir. Asansör trafik akışı, bir zaman serisinde kullanılan tüm yöntemlerle analiz edilebilir ve tahmin edilebilir. Tahmin süreci, araştırma koşulu, veri ve deneyim ile başlar. Analiz ve yargıdan sonra, bir teori ve yönteme göre bir model inşa edilir. Ardından sonuçlar doğrulanır ve bu yöntem gelecekteki sorunları çözmek için yeniden kullanılır.

Zaman Serisi Özellikleri

Bir asansör trafik akışı modeli oluşturmadan önce trafik akışı zaman serisinin önceden işlenmesi gerekir. Modelleme yöntemi, seri özelliği doğru bir şekilde değerlendirildikten sonra seçilmelidir. Seri ön işleme iki önemli parça içerir: durağan ve saf rastgelelik testi. Zaman serileri farklı türler olarak sınıflandırılabilir ve farklı türlerde farklı yöntemler kullanılmaktadır.

Sabit Test

Bir zaman serisinin durağan olma derecesi modellemenin temelidir. Bu öznitelik genellikle karakteristik istatistiklerle tanımlanır. Bir zaman serisinin istatistiksel özelliklerinin, onun düşük dereceli matrisi tarafından belirlendiği kabul edilir. Dolayısıyla, zaman serisinin düşük mertebeden matrisi durağan ise, serinin ana özelliğinin yaklaşık olarak durağan olduğu garanti edilebilir.

Özelliği sıra diyagramına ve otokorelasyona göre değerlendirmek iki ana test yöntemidir. Durağan bir serinin dizi diyagramı, seriyi sınırlı bir aralıkta bir sabitin etrafında rastgele dalgalanan gösterir. Seri dizi diyagramı belirgin bir eğilim veya periyodiklik gösteriyorsa, seri genellikle durağan değildir. Durağanlık derecesi, bir otokorelasyon diyagramı ile değerlendirilebilir, çünkü durağan bir seri kısa vadeli korelasyon özelliğine sahiptir. Bir gecikme süresinin artmasıyla birlikte, durağan bir serinin otokorelasyonu hızla sıfıra düşerken, durağan olmayan bir serinin otokorelasyonu genellikle yavaş yavaş azalır.

Saf Rastgelelik Testi

Ayrıca dizi değerlerinin yakın korelasyona sahip olduğunu bilmek gerekir; bu nedenle, modelleme yoluyla tarihsel verilerden etkili bilgiler çıkarılarak tahmin gerçekleştirilebilir. Dizi değerlerinin korelasyonu yoksa, seri istatistiksel analizde değersiz olarak görülür. Serinin analiz edilmeye değer olduğundan emin olmak için, genellikle "Ljung-Box" test istatistiğini oluşturan saf bir rastgelelik testi yapılmalıdır.

ARIMA Modeli

Asansör trafik akışı zaman serisinin ön işlemesinin durağan olmadığı tespit edilirse, önce düzgün işleme yapılmalıdır. Daha sonra performans durağan zaman serisi modeline göre analiz edilmelidir. Etkili ve yaygın yumuşatma işlemi, diferansiyel işlem yöntemidir. Teoride, Cramer'in ayrıştırma teoremi tarafından, doğru fark sırasının tamamen deterministik bilgi çıkarımı olması gerektiği garanti edilir. Farktan sonra durağan özellikler gösteren durağan olmayan seriler için tahmin için ARIMA modeli kullanılır. Modelleme adımları aşağıdaki gibidir (Şekil 1):

Gözlem serisi elde edin.

Sabit testi yapın. Sonuç serinin durağan olduğunu gösteriyorsa 4. adımı uygulayın; aksi halde 3. adımı uygulayın.

Orijinal serideki farkı bulun.

Durağan seriler için beyaz gürültü doğrulaması yapın. Sonuç, serinin beyaz gürültü serisi olduğunu gösteriyorsa, 6. adımı uygulayın; aksi halde 5. adımı uygulayın.

ARIMA modelini, durağan ve beyaz olmayan gürültü serileriyle donatın.

Son.

SAS Yazılım Uygulaması

SAS Yazılımının Tanıtımı

Bu yazıda model, ekonomik ve zaman serilerini analiz etmek için özel bir ekonomik ve zaman serisi modülüne sahip SAS yazılımında yerleşiktir. Ayrıca, basit bir programlama dili, güçlü çıktı işlevi ve kesin analiz sonucu avantajına sahiptir. SAS sisteminin yüksek veri depolama yeteneği, ona veri analizinde eşsiz bir avantaj sağlar.

SAS Yazılımında Model Oluştur

ARIMA modelleme yöntemi üç aşama içerir: model tanımlama, parametre tahmini/tanılama testi ve tahmin aşamaları.^[4] SAS'taki ARIMA modeli, PROC ARIMA süreci ile gerçekleştirilir. Temel biçimi şu şekilde açıklanmaktadır:

PROCARIMA DATA=zaman serisi veri seti OUT=çıktı tahmin veri seti;

WHERE koşullu ifade: IDENTIFY VAR=değişken(…) ;

TAHMİN ETMEK ;

TAHMİN ETMEK ;

ÇALIŞTIRMAK;.

Uygulama Örneği

Asansör trafik akışı durağan olmayan bir zaman serisi olarak başlar, ancak bir fark derecesinden sonra durağan hale gelebilir. Böylece, ARIMA yöntemi asansör trafik akışını modellemek ve uydurmak için kullanılabilir.

Bu makalede bina yolcu akışı 16 iş günü üzerinden incelenecektir. İncelenen değerler, her 5 dakikada binaya giren ve çıkan toplam yolcu sayısıdır. sabah 7'den akşam 7'ye Yüz kırk dört veri noktası elde edildi (Şekil 2). 

Modeli basitleştirmek için, 15. seri olarak karşılık gelen bir zaman noktasına göre ilk 16 günün ortalama değerlerini hesaplayın. Modelin geçerliliği, ilk 15 veri kümesinin ortalamasının, 16. kümenin tahmin edilmesiyle uydurulmasını içerir.

Ortalama değerleri programa girdikten sonra, programın başlatılmasının tamamlandığı birkaç mesaj alıyoruz:

1. Aşağıda gösterilen ortalama trafik akışının açıklayıcı bilgileriyle gözlemlenen değerleri elde edin (bu durumda, Tablo 1).
2. Sıra kararlılığının belirlenmesi: Ortalama trafik akışının otokorelasyon parametre değerlerinin gözlemlenmesinden, deney sonuçlarından otokorelasyon katsayısının sıfıra düşme hızının çok yavaş olduğu bulunabilir. Otokorelasyon katsayısı uzun gecikme periyodunda pozitiftir, daha sonra negatif olur. Asansör trafik akışının zaman serisinin durağan olmayan dizilerden oluştuğu kanıtlanmıştır.
3. Orijinal serinin stabilize edilmesi gerekiyor. Farktan sonraki otokorelasyon değerlerini gözlemleyerek, bir fark mertebesinden sonraki bir serinin, temelde durağan serilerin özelliğine karşılık gelen güçlü öz korelasyona sahip olduğunu bulabiliriz. Bu nedenle, tek dereceli fark serisi durağan seri olarak kabul edilebilir.
4. Durağan birinci dereceden diferansiyel dizi için beyaz gürültü testini yapın. Beyaz gürültü testinin bilgisine göre, ne zaman а 0.05'e eşittir, istatistiksel değer P daha az а, dizinin beyaz gürültülü olmadığını gösterir.
5. ARIMA modelinin durağan ve beyaz olmayan gürültü dizisini birinci dereceden farktan sonra uydurun.

Ardından, serinin geçerliliğini ve durağanlık derecesini test etmek için dizi değerleri girilir. Veriler elde edildikten sonra, ilgili bilgileri elde etmek ve sonucu tahmin etmek için ARIMA modeli sığdırılabilir ve yürütülebilir. Verileri modelleme programına girdikten sonra birkaç mesaj alıyoruz:

1. Diferansiyel dizi verileri Tablo 2'de gösterilmektedir.
2. Farktan sonraki otokorelasyon değerlerini gözlemleyerek, bir fark mertebesinden sonraki serilerin temelde durağan seri özelliğine karşılık gelen güçlü öz korelasyona sahip olduğunu bulabiliriz. Bu nedenle, tek dereceli fark serisi durağan bir seri olarak kabul edilebilir.
3. Optimum sıranın belirlenmesi, karşılık gelen bilgiler Tablo 3'te gösterilmiştir. Otokorelasyon gecikme sırası ve hareketli ortalama gecikme sırası 5'ten küçük olduğundan, ARIMA(3,0)'da görünür. Bu nedenle, modeli oluşturmak için AR(3) modeli seçilmiştir.
4. Bilgileri dikkatli bir şekilde analiz ettikten sonra ve en küçük kareler tahmin teorisi yardımıyla, uygun modelin spesifik formülünü elde edebiliriz (Tablo 4).
5. Uygun model, kısa vadeli bir tahmin yapmak için kullanılır. Sonuç Tablo 4'te gösterilmektedir.

Model uydurma ve tahmin eğrileri Şekil 3'te gösterilmektedir. Bundan, 16. günün tahmin trafik akışı verilerinin, ARIMA modelinin uydurma ve tahminde geçerliliğini doğrulayan pratik verilere tam olarak uyduğunu anlayabiliriz.

 Son olarak, yeni benzer binanın trafik akışı, asansörlerin makul seçimi ve konfigürasyonu için temel sağlayarak, iç binanın tarihi asansör trafik akışı verilerine göre tahmin edilebilir. Asansörlerin taşıma verimliliği ve binanın alan kullanım oranı daha da iyileştirildi.

ÖZET

ARIMA modelini gerçekleştirmek için SAS programı kullanılarak asansör trafik akışının özellikleri analiz edilmiştir. Asansör trafik akışı da bu model yardımıyla tahmin edilmektedir. Tahmin modelinin geçerliliği ve doğruluğu, test verilerinin tahmin çıktı grafikleri ile doğrulanır.

Çalışmaya dayalı olarak, asansör trafik akışının tahmininde ortalamanın hesaplanması ve inşa edilen binanın trafik verilerinin toplanması ve kaydedilmesi veri işleme yöntemi ile değerli asansör trafik akış veri setinin elde edilebileceği sonucuna varılabilir. Bu veriler, asansör trafik akışının tahmininde ARIMA modeline giriş yapmak için kullanılacaktır. Pratik bina parametreleriyle birleştirilen tahmin değerleri, asansör konfigürasyonu için temel olarak kullanılabilir.

Teşekkür

Bu araştırma, Genel Kalite Denetimi, Denetim ve Karantina Kar Amacı Gütmeyen Sanayi Özel Araştırma Fonu (No. 201310153) tarafından desteklenmiştir.

Referanslar
[1] Jianru, Wan ve Yuefeng, Yang. “Asansör Modeli Seçimi ve Konfigürasyonu ve Optimizasyon Tasarımı Üzerine Araştırma,” China Elevator, 2009, 20(19).
[2] Barney, GC; dos Santos, SM Asansör Trafik Analizi, Tasarımı ve Kontrolü. Londra: IEE Peter Peregrinus, 1985.
[3] Huang, Min; Baotong, Cui; ve Shusheng, Gu. “Dalgacık Sinir Ağı Teorisine Dayalı Asansör Trafik Akışının Tahmini”, Kontrol ve Karar, 2006, 21(5): 589-592.
[4] Dewen Zhu. “Asansör Trafiğinin İstatistiksel ve Dinamik Özellikleri.” Çin Asansör, 2003, 14(4): 23-27.