论文主要研究了电梯交通流的多模式预测方法。良好的电梯交通流分析能够为电梯群组的调度单元提供有益的、具有预见性的指导。论文在认真分析了电梯交通流的特点和规律的基础上,提出了一种混合型的多模式预测方法:该方法首先利用人工免疫聚类算法对电梯交通流进行离线的模式识别和分类,然后在此基础上利用高斯混合模型(GMM)对具有多种模式的电梯交通流进行数学建模,从而实现对电梯交通流的在线预测。在处理电梯交通流预测问题过程,深入讨论了现有各种预测方法的特点和应用背景,提出了对电梯交通流进行离线的定性模式分类和在线的定量预测相结合的设计方案。由于电梯交通流随时间变化呈现出规律各异的多种交通模式,因此,采用新兴的人工免疫聚类算法对电梯交通流进行交通模式的识别和聚类分析,突破了传统的四种交通流模式:空闲、随机层间、上高峰和下高峰模式的局限,将交通流细分为8种交通流模式,便于理解和提高后续数学建模和预测的准确度,同时计算出各模式对应的浓度,初步完成对电梯交通流的定性分析。利用高斯混合模型对电梯交通流的概率密度函数进行数学逼近,令高斯混合模型中高斯分量个数及各分量的加权系数的初始值分别等于交通流聚类分析得到的交通流模式种类个数和各交通流模式的浓度,然后通过EM算法在线优化估计电梯交通流高斯混合模型的参数,解决了一般的极大似然估计法中似然函数表达式难以构造,或者似然函数解析困难的问题,同时确保了参数估计过程的收敛性。在交通流的数学模型基础上实现电梯交通流预测。由于人工免疫聚类算法和高斯混合模型的结合,提高了电梯交通流预测的精度,同时为EM算法学习提供了良好的开始,大大地减少在线学习的迭代次数,缩短了预测时间。成功地将定性分析的智能方法和定量分析的数学建模方法有效地结合起来,完成了离线分析和在线学习的紧密衔接,这是论文最具创新之处。最后,在Matlab6.5环境下实现了电梯交通流多模式预测方法的仿真,通过各种实验测试和仿真结果的对比分析,得出本文研究的多模式预测方法能够实现对电梯交通流进行预测的结论。