基于改进的YOLOX-Swin Transformer电梯交通模式识别

摘要

群控电梯系统中的交通模式识别和客流量预测模型大多采用时间序列算法，导致基于时间序列的电梯交通模型缺乏时效性.在建模时只能针对特定客流量的楼宇采集数据，导致模型无法应对连续变化的客流量状况.为解决上述问题，提出一种深度学习算法——基于改进的YOLOX目标检测方法建立群控电梯的交通模式识别模型.该模型加入了自注意力机制Swin Transformer对输入图像进行特征提取，在特征融合阶段加入了Coordinate Attention用于提升检测精度.此外，在原有的SPP模块和IoU计算上进行了改进优化.该模型可以实时检测每个楼层的客流量状况，并且可以随时根据客流量状况选择适合当前的交通模式，增强了群控系统的时效性和识别的准确性.

关键词

群控交通模式识别 / 深度学习 / 改进YOLOX / Swin Transformer / 注意力机制