城市化进程的加快带动高层建筑快速发展,提高垂直交通效率愈加重要。电梯交通流预测作为电梯规划设计和电梯群控调度的基础,是解决垂直交通问题的前提。关于交通流预测的传统方法和智能方法多种多样,但单一的算法已不能满足现代智能交通系统的要求,组合方法是当前交通流预测的趋势。本文将时间序列预测与神经网络方法相结合,建立基于BP网络的电梯交通流预测模型;提出蚁群优化(ACO)算法改进BP神经网络,实例仿真分析ACO-BP网络用于电梯交通流预测的有效性和可靠性。首先,采集进出某办公大楼的总客流数据,将其归一化处理后构成时间序列;该时间序列表现出的周期性表明交通流可预测,随机性以及混沌特性预示实现理想的预测是有难度的;将一天的电梯交通流划分为上午上高峰、中午上/下行高峰、下午下行高峰、平时层间常规交通四个时段逐一分析,为预测方法的选择和建模提供指导。其次,概述人工神经网络的基本网络架构和学习规则等知识,选定BP前馈神经网络建立电梯交通流预测的基本模型,重点从各层节点确定、样本库生成和BP算法等方面介绍模型建立过程;利用历史时刻交通流数据预测未来时刻的交通流状况,仿真结果表明传统BP算法虽然可跟踪电梯交通流变化趋势,但有迟滞,预测精度不高且易陷入局部极小值。最后,以TSP问题为背景给出蚁群算法的数学模型,针对原始蚁群算法面对规模较大问题时出现的收敛速度慢、耗时长或者过早收敛问题,提出基于排序的精英蚂蚁策略进行优化;在介绍ACO算法改进神经网络的具体方法以后,将ACO-BP神经网络用于电梯交通流预测并仿真分析,与传统BP网络相比,该方法在训练步数、预测精度均有优势,而且能够全局寻优,不受局部极小值影响,用于电梯交通流预测非常合适。