电梯AI派梯算法的技术原理与落地案例

电梯群控调度问题，是运筹学和人工智能领域的一个经典问题，已经研究了几十年。传统的电梯群控算法大多是基于规则的，比如“就近派梯”“最少等待时间派梯”，在低人流场景下效果还可以，但面对早高峰这类极端人流场景，效果就非常差了。

近年来，随着深度学习和强化学习技术的发展，基于AI的电梯派梯算法逐渐成熟，开始大规模落地应用。今天我们就从技术角度，深度解析电梯AI派梯算法的原理，以及实际落地的效果。

一、传统派梯算法的局限性

传统的派梯算法，本质上是“贪心算法”，每次都选择当前最优的电梯来响应呼梯，而不是全局最优。比如有两个呼梯，A在1楼要上10楼，B在5楼要下1楼，传统算法会让离1楼近的电梯去响应A，离5楼近的电梯去响应B，看起来没问题，但如果还有第三个呼梯在10楼要下1楼，就会出现电梯空跑的情况。

传统算法的核心问题是：

1. 没有预判能力 ：只能处理当前的呼梯，不能预判未来的呼梯，无法提前调度
2. 没有全局优化 ：每次只做局部最优，不考虑整体的运行效率
3. 没有学习能力 ：不能从历史数据中学习客流规律，无法适应不同的场景

根据统计，传统算法在早高峰的平均运行效率只有40%左右，超过一半的运行时间都被浪费了。

二、AI派梯算法的核心技术架构

伟邦科技智能派梯系统的AI算法，采用了“强化学习+深度学习”的混合架构，从根本上解决了传统算法的问题。

1. 客流预测模块：基于深度学习的预判

首先，算法会通过摄像头和传感器采集电梯厅的实时人流数据，同时结合历史客流数据，用LSTM深度学习模型预测未来5-10分钟的客流分布：

• 预测每个楼层的呼梯概率
• 预测人流的方向（上行/下行）
• 预测每个呼梯的目的地楼层

这个预测模块的准确率可以达到85%以上，也就是说，算法可以提前知道“接下来哪个楼层会有人呼梯，要去哪里”，从而提前调度电梯，而不是等呼梯来了再响应。

2. 强化学习调度模块：全局最优决策

有了客流预测的结果，算法会用深度强化学习模型来做全局的调度决策。强化学习的智能体（Agent）会把所有电梯的状态、所有呼梯的状态、预测的未来呼梯作为输入，输出最优的派梯决策，目标是最大化全局的运行效率，而不是局部最优。

强化学习模型的奖励函数（Reward）设计是核心，我们设计了多目标的奖励函数：

• 最小化所有乘客的平均等待时间
• 最小化电梯的总运行距离（降低能耗）
• 最小化电梯的停层次数（提升运行效率）
• 避免电梯长时间满载

模型会在模拟器中进行数百万次的仿真训练，学习不同场景下的最优调度策略，然后再部署到实际场景中，并且会在实际运行中持续学习，不断优化策略。

3. 实时调度引擎：毫秒级响应

AI算法的计算量比较大，为了保证实时性，我们设计了专门的实时调度引擎：

• 每100毫秒做一次全局状态更新
• 每500毫秒做一次调度决策
• 采用边缘计算架构，所有计算都在本地完成，不需要上传云端，延迟小于10ms

完全可以满足电梯调度的实时性要求。

三、落地效果与案例分析

我们在上海某300米超甲级写字楼做了对比测试，该楼宇有12部电梯，来自4个不同的品牌，我们对比了传统算法和AI算法的效果：

指标	传统算法	AI派梯算法	提升幅度
早高峰平均等待时间	9.2分钟	2.1分钟	77.2%
电梯空跑率	52%	11%	78.8%
平均停层次数/次运行	8.7次	3.2次	63.2%
电梯能耗	100%	68%	32%
乘客满意度	35分	91分	160%

可以看到，AI派梯算法的提升是非常显著的，尤其是在早高峰这种极端场景下，效果提升非常明显。

四、总结与展望

基于强化学习和深度学习的AI派梯算法，彻底解决了传统算法的局限性，是电梯群控技术的下一代方向。目前伟邦的AI派梯算法已经在全国300多栋楼宇落地，覆盖了写字楼、医院、商业综合体等几乎所有场景，经过了大规模的验证。

未来，我们会继续优化算法，结合多模态感知、数字孪生等技术，让电梯调度更加智能，进一步提升楼宇的运行效率，降低能耗，为智慧楼宇提供更好的垂直交通解决方案。

审核编辑 黄宇