Time series modeling of elevator traffic

Large changes in people flow can happen in buildings throughout their life cycles. This thesis studies long-term forecasting of elevator traffic data using time series modeling. The models can also be used for automatic detection of anomalies, which makes it possible to quickly react to unexpected problems. Long-term forecasts can be used for planning changes to elevator systems before their capacity is exceeded and problems in people flow arise. This thesis includes a literature review of time series characteristics and models. Year-ahead forecasts were made with one traditional and two machine learning-based models, which were chosen based on the literature review. The forecasts obtained with the models were compared to a simple baseline model, which is based on the observations from the previous year. Three models were used for anomaly detection. Their results were evaluated by comparing their findings to known events during the test period. The forecasting methods modeled the complex seasonality in the time series well. Predicting the long-term trend in the time series was not as successful with any of the models. Based on the results, XGBoost machine learning model turned out to be the best-performing method. However, the differences between the models were small and only data from a single building was used, which makes it impossible to generalize the result. The anomaly detection models found several days with less or more traffic than normal. For some of these days, an explanation supporting the findings of the models could be found. People flow data can give invaluable insights into how different types of buildings are used and how people flow changes throughout the lifecycle of each building. Long-term forecasts are helpful especially when elevator modernizations are planned. Anomaly detection is useful for servicing the elevators when problems are detected. Based on the results of this thesis, people flow data should be collected also in the future, as it
Rakennusten ihmisvirroissa voi tapahtua suuriakin muutoksia rakennuksen elinkaaren aikana. Tämä diplomityö tutkii, voidaanko hissiliikenteen ihmisvirtoja ennustaa pitkälle tulevaisuuteen käyttämällä aikasarjojen mallinnusmenetelmiä. Mallit mahdollistavat myös odottamattomien muutosten automaattisen tunnistamisen, joka nopeuttaa ongelmien korjaamista. Pitkän ajan ennusteilla voidaan suunnitella muutoksia hissijärjestelmiin ennen kuin niiden kapasiteetti ylittyy ja ongelmia ihmisvirroissa alkaa esiintyä. Tutkimukseen sisältyy kirjallisuuskatsaus aikasarjoihin ja niiden mallinnusmenetelmiin. Vuoden mittaisia ennusteita tehtiin yhdellä perinteisellä ja kahdella koneoppimiseen perustavalla mallinnusmenetelmällä, jotka valittiin kirjallisuuskatsauksen perusteella. Mallien ennusteita verrattiin yksinkertaiseen verrokkimalliin, joka perustuu edellisvuoden arvoihin. Odottamattomia tapahtumia tunnistettiin kolmella mallilla. Niiden tuloksia arvioitiin vertaamalla mallien löydöksiä tunnettuihin tapahtumiin testijakson aikana. Ennustusmallit onnistuivat mallintamaan aikasarjojen monimutkaiset kausivaihtelut hyvin. Sen sijaan pitkän aikavälin trendien ennustamisessa oli ongelmia kaikilla malleilla. Tulosten perusteella XGBoost-koneoppimismalli osoittautui parhaaksi ennustusmenetelmäksi. Koska erot mallien välillä olivat pieniä ja mallinukseen käytettiin vain yhden rakennuksen dataa, ei tuloksia voida pitää yleispätevinä. Odottamattomien tapahtumien tunnistamiseen käytetyt mallit löysivät useita päiviä, joiden liikenne oli pienempää tai suurempaa kuin normaalisti. Osalle näistä päivistä pystyttiin löytämään selitys, joka tukee mallien löydöksiä. Aikasarjamallinnuksen avulla datasta voidaan oppia, miten erilaisten rakennusten ihmisvirrat muuttuvat niiden elinkaaren aikana. Pitkän ajan ennusteista on hyötyä etenkin hissien modernisoinnin suunnittelussa, ja poikkeamien tunnistamisesta muun muassa hissien huoltamisessa. Tulosten perusteella voidaan todeta, että hissiliikenteen dataa