现代建筑广泛配置多部电梯,电梯控制系统应采取群组调度策略,根据客流情况协调各台电梯的调度,从而减少乘客的候梯时间和乘梯时间、降低电梯运行能耗。现有电梯群组调度算法优化目标单一、而且根据客流情况变化改变调度安排的灵活性不足,本文提出了一种更系统化和灵活的解决方案和一种能兼顾多种优化目标的,能充分发挥人工智能算法的潜力的电梯调度算法。本文提出的方案主要分为3个模块:客流模式识别模块、各类交通流模式客流数据集构造模块、基于深度强化学习的电梯群组调度训练模块。客流模式识别通过K均值聚类算法结合滑动窗口分析客流数据识别出不同的客流模式;数据集构造模块是根据识别出的不同客流模式,构造仿真客流用于对调度算法的训练;训练模块采用在深度强化学习的双延迟深度确定性策略梯度算法基础上优化的针对电梯调度的双延迟深度确定性策略梯度算法(简称E-TD3算法),用仿真数据训练多个针对不同客流模式的调度模型,实现对不同大楼情况下交通流模式的电梯群组调度。初步实验显示:1)与电梯模拟器公布的深度Q网络算法baseline和深度确定性策略梯度算法的横向对比,E-TD3算法在各种交通流模式客流数据集上、算法的运行时间上都有较好的表现,表明E-TD3算法能及时针对客流情况变化调整群组调度;2)E-TD3算法在百度电梯调度大赛中取得较好的成绩,表明算法有一定的竞争力;这些结果均表明了本文提出的方案切实可行。