在电梯群控系统中,能否有效的分析和处理电梯交通流数据是影响电梯群控系统性能的一个重要因素。因此对建筑物内部的交通状况进行准确分类,在不同的交通状况下采用不同的电梯群控策略,可以有效地提高电梯的服务质量和各项性能指标。目前最主要的是采用模糊神经网络来进行电梯交通模式识别,但是该方法由于算法训练耗时大、网络结构具有不可确定性、而且对训练数据的依赖性较大、泛化能力差,使得电梯交通模式识别的准确率不高。朴素贝叶斯因其条件属性和决策类别间关系清晰、分类速度快,并且具有良好的健壮性,已被成功应用到许多领域。当获得大量带有类别标注的样本代价较高时,与增量学习理论结合是解决问题的有效途径。因此,如何实现朴素贝叶斯分类与增量学习算法相结合应用于电梯交通模式识别是一个值得研究和解决的课题。论文主要包括以下工作内容:①在分析贝叶斯网络结构,特点和应用的基础上建立了一个朴素贝叶斯分类器模型。②针对传统的增量算法重点介绍了一种新的增量序列学习算法,该算法引入一个分类损失权重系数λ,用于计算分类损失的大小,引入该系数的作用在于:充分利用先验知识对分类器进行优化;通过选择合理的学习序列强化了较完备数据对分类的积极影响,从而可以提高分类精度。③将朴素贝叶斯分类器模型与改进后的增量序列学习算法相结合从而建立了一个基于增量式朴素贝叶斯分类模型。最后,在认真分析了电梯交通流的特点和规律的基础上将该模型运用于电梯交通的模式识别中,通过对电梯交通流数据进行采集分析和特征的提取,利用MATLAB进行了模拟测试,并对实验结果进行了比较分析,测试结果表明该方法对电梯交通模式识别的准确率为92.3%,相比于模糊神经网络的识别准确率90.6%有所提高,因此其分类性能更加令人满意。通过定义并建立一种基于朴素贝叶斯分类器和增量序列学习算法相结合的分类模型,为实现电梯交通模式识别提供了一种有效的解决办法。由于办公大楼的客流规律比较明显,因此课题只是针对一般性的办公大楼的电梯交通流进行的研究,而对于像商场,普通居民住宅区那些客流规律并不是非常明显的建筑物该模式识别方法是否适用,有待进一步研究。