ایده ورود تعداد مسافر هنگام تعیین مقصد در سیستم DSC
در سیستم معمولی DCS، کاربر فقط مقصد خودش رو وارد میکنه. ولی در سیستم پیشنهادی اون طراح، کاربر هنگام احضار مثلاً وارد میکنه: “طبقه ۸، ۳ نفر” و سیستم این اطلاعات رو در زمان تخصیص آسانسور لحاظ میکنه. در نگاه طراح، این کار دو هدف داره:
- پیشبینی دقیقتر وزن کابین قبل از حرکت.
چون سیستم معمولاً فقط بعد از ورود افراد (از طریق سنسور وزن کف کابین) وزن واقعی رو میفهمه. - تخصیص هوشمندتر کابین.
مثلاً اگر دو گروه به مقصد مشابه میخوان، ولی یکی ۵ نفره و یکی ۱ نفره، سیستم میتونه گروه بزرگتر رو به کابینی با ظرفیت بالاتر بفرسته.
از نظر تئوری، آیا باعث بهبود راندمان میشه؟
در شرایط تراکم بالا (مثلاً برجهای اداری بزرگ)، بله — بهصورت محدود. چون:
- سیستم میتونه مسیرهای کابینها رو طوری تنظیم کنه که از پر یا خالی ماندن نامتعادل جلوگیری بشه.
- باعث میشه تخصیص اولیه دقیقتر انجام بشه و در نتیجه نیاز به اصلاح مسیر در لحظه آخر کمتر بشه.
اما از دید بهبود راندمان واقعی سیستم:
در بهترین حالت، این ویژگی ممکنه راندمان کل را فقط ۳–۵٪ بهبود بده.
چون DCS پیشرفته همین تخمین وزن را بعد از چند ثانیه از طریق load sensor دقیقتر و بدون خطا انجام میدهد.
مشکل اصلی انسان است، نه الگوریتم
الف) ورودی اشتباه یا عمدی نادرست
- کاربران معمولاً عجله دارند و عدد وارد نمیکنند یا اشتباه میزنند.
- حتی گاهی برای زود رسیدن، ممکنه عمداً عدد کمتر بزنند (“ما فقط دو نفر هستیم” در حالی که چهار نفرند).
ب) کاهش سرعت در زمان پیک ترافیک
- وارد کردن عدد اضافه یعنی چند ثانیه تأخیر برای هر کاربر.
- در زمان پیک، این چند ثانیه میتونه گلوگاه ایجاد کنه و راندمان کلی سیستم رو کاهش بده.
ج) مسائل فرهنگی و اجتماعی
- ممکنه برای افراد ناخوشایند باشه که مجبور باشند در جمع تعداد نفراتشان را اعلام کنند.
(مثلاً “۴ نفر به طبقه ۵” وقتی بقیه منتظرند.)
در عمل چه راهحل بهتری وجود داره؟
سیستمهای مدرن (مثل KONE DX, Schindler PORT, Hitachi AI-based DCS) از روشهای هوشمندتری استفاده میکنن:
سیستمهای مدرن (مثل KONE DX, Schindler PORT, Hitachi AI-based DCS) از روشهای هوشمندتری استفاده میکنن:
جمعبندی:
ایده وارد کردن تعداد نفرات هنگام احضار از نظر تئوری جالبه و در شبیهسازیها ممکنه کمی راندمان رو بالا ببره،
اما در عمل، بهدلیل خطای انسانی، زمان ورودی بیشتر، و جنبههای فرهنگی، تأثیر منفی بیشتری دارد.
راهحلهای مبتنی بر بینایی ماشین و الگوریتمهای یادگیرنده بسیار مؤثرتر و طبیعیتر هستند.
نمودار مقایسهای نشون دهنده اختلاف راندمان واقعی بین سه حالت
۱. بدون شمارش نفر،
۲. شمارش دستی،
۳. شمارش خودکار (AI-based detection)
خلاصه و تفسیر سریع:
- «بدون شمارش (فقط سنسور وزن)» — راندمان فرضی: ۸۸٪
- «شمارش دستی توسط کاربر» — راندمان فرضی: ۸۲٪ (در عمل معمولاً کمتر بهخاطر خطاها و تأخیر ورودی)
- «شمارش خودکار (AI)» — راندمان فرضی: ۹۳٪ (بهترین گزینه؛ دقیق و بدون نیاز به تعامل کاربر)
توضیح: اعداد فرضی هستند تا تفاوت رو نشان بدن — بر اساس بحث قبلی:
- شمارش دستی در عمل خطاپذیر و کند است (کاربران اشتباه میزنن یا عمداً کم میگن) و بهخاطر تأخیرِ ورود، میتونه راندمان را پایینتر آورد.
- شمارش خودکار با دوربین/LIDAR و الگوریتمهای AI میتونه تعداد افراد را سریع و دقیق تشخیص دهد و راندمان را واقعاً بهتر کند.
منظور از «شمارش خودکار (AI)» همون People Counter یا سیستم شمارش افراد هوشمند هست، که توی نسخههای پیشرفتهتر DCS استفاده میشه.
تعریف کلی People Counter
سیستمیه که تعداد افراد حاضر در یک ناحیه (مثلاً جلوی آسانسور یا داخل کابین) رو تشخیص میده،
بدون اینکه کاربر نیاز داشته باشه خودش چیزی وارد کنه. هدف:
- تشخیص حجم تقاضا (چند نفر منتظرن)،
- تشخیص ویلچر و بار دستی
- تخمین ظرفیت اشغالشده در کابین،
- و تصمیمگیری هوشمند در تخصیص و اولویت آسانسور
نحوه استفاده از داده People Counter در DCS
وقتی سیستم بفهمه چند نفر در صف هستند، الگوریتم DCS میتونه:
- کابین با ظرفیت مناسب رو اختصاص بده.
- اگر جمعیت زیاد بشه، کابین اضافی فعال کنه (load balancing).
- مقصدهای مشابه رو گروهبندی کنه.
- از پر شدن بیش از حد جلوگیری کنه (safety override).
- در عمل، استفاده از People Counter باعث:
- کاهش زمان انتظار تا ۱۰–۱۵٪
- کاهش توقفهای بیمورد
- و افزایش عمر سیستم بهدلیل توزیع بهتر بار میشه.
نکته مهم در طراحی واقعی
شرکتهایی مثل KONE (DX)، Schindler PORT 4.0 و Hitachi AI Lift از ترکیب People Counter + Load Sensor + Learning Algorithm استفاده میکنن.
یعنی حتی اگر شمارشگر دقیق نباشه، سیستم با یادگیری رفتار کاربران و اندازهگیری وزن واقعی کابین، خودش خطا رو اصلاح میکنه.
ساختار کلی تصمیمگیری در DCS
الگوریتم DCS معمولاً از چند ورودی استفاده میکنه تا تصمیم بگیره هر کابین به کدوم مقصد بره و کی حرکت کنه:
در سیستمهای هوشمند، ورودیها شامل:
1. Destination Request Panel (DRP): مقصد هر مسافر
2. People Counter: تعداد افراد در صف هر طبقه
3. Load Sensor سنسور وزن کابین): بار فعلی هر آسانسور)
4. Cabin Position & Direction: موقعیت و جهت فعلی آسانسورها
5. Traffic Pattern Memory: الگوی رفتوآمد قبلی کاربران (AI Learning)
الگوریتم تصمیمگیری چه میکند؟
بهصورت خلاصه، DCS در هر لحظه یک تابع بهینهسازی را حل میکند
نحوه تعامل دادهها
بهصورت ساده، فرآیند زیر اتفاق میافتد:
- People Counter در هر طبقه → تعداد افراد منتظر را در لحظه گزارش میدهد.
- DCS با توجه به این داده، وزن تقاضا (Demand Weight) هر طبقه را بهروزرسانی میکند.
- الگوریتم تخصیص با درنظرگرفتن ظرفیت خالی کابینها تصمیم میگیرد:
- کدام آسانسور اعزام شود.
- آیا گروهبندی مقصدها لازم است یا خیر.
- وقتی کابین رسید، Load Sensor وزن واقعی را بررسی میکند تا خطای People Counter تصحیح شود.
- AI Learning نتیجه را ثبت میکند تا در آینده دقت تخصیص بهتر شود.
جمعبندی
