CN104030108A - 电梯交通需要预测装置 - Google Patents

Abstract

本发明的实施方式涉及电梯交通需要预测装置。提供一种能够正确地预测建筑物内的交通需要的电梯交通需要预测装置。一实施方式的电梯交通需要预测装置具备取得部、算出部、特征量数据库、预测部以及选择部。取得部取得包括各移动方向和各楼层的乘梯载荷和下梯载荷的电梯控制结果。算出部基于所述电梯控制结果，算出包括表示交通需要的类别的类别特征量的交通需要的特征量。特征量数据库将所述算出的交通需要的特征量与属性信息和时刻信息关联地记录于特征量数据库。预测部包括参照所述特征量数据库所包含的不同的数据来预测交通需要的类别并生成预测值的多个专家，并采用所述预测值中的一个作为预测结果。选择部从预先准备的多个控制方式中选择与所述预测结果相应的控制方式。

Description

电梯交通需要预测装置

技术领域

本发明的实施方式涉及电梯交通需要预测装置。

背景技术

具有多个电梯轿厢的电梯装置具备统括控制这些电梯轿厢的群管理控制装置。群管理控制装置按照预定的控制方式，对门厅呼叫分配电梯轿厢。在这样的群管理控制装置中，假定建筑物内的交通需要根据星期和时间段而变化，以星期和时间段来改变控制方式。

然而，实际的交通需要，按设置有电梯装置的各个建筑物而示出不同的特征，并且时刻变化，因此，在如上所述的群管理控制装置中，有时以相对于与实际的交通需要不同的交通需要最佳化的控制方式进行电梯轿厢的分配。在这样的情况下，如利用者的等待时间的增大、输送量的降低那样，电梯的服务性能降低。因此，在为了提高服务性能而以适合于实际的交通需要的控制方式进行分配时，能够正确预测交通需要是重要的。

发明内容

本发明要解决的问题在于提供一种能够正确地预测建筑物内的交通需要的电梯交通需要预测装置。

根据一实施方式，提供一种应用于对门厅呼叫分配电梯轿厢的上下按钮方式的群管理控制的电梯交通需要预测装置。该电梯交通需要预测装置具备取得部、算出部、特征量数据库、预测部以及选择部。取得部取得包括各移动方向和各楼层的乘梯载荷和下梯载荷的电梯控制结果。算出部基于所述电梯控制结果，算出包括表示交通需要的类别的类别特征量的交通需要的特征量。特征量数据库将所述算出的交通需要的特征量与属性信息和时刻信息关联地记录于特征量数据库。预测部参照所述特征量数据库来预测交通需要并生成预测结果，包括参照所述特征量数据库所包含的不同的数据预测来交通需要的类别并生成预测值的多个专家，并采用所述预测值中的一个作为所述预测结果。选择部从预先准备的多个控制方式中选择与所述预测结果相应的控制方式。

根据上述结构的电梯交通需要预测装置，能够正确地预测建筑物内的交通需要。

附图说明

图1是概略性表示具备第1实施方式的交通需要预测装置的电梯装置的框图。

图2是表示Origin Destination（OD）表的一例的图。

图3是表示图1所示的特征量算出部算出交通需要的特征量的步骤的流程图。

图4是表示各移动方向和各楼层的乘梯比例和下梯比例的一例的图。

图5是表示各移动方向和各楼层的乘梯比例和下梯比例的其他例子的图。

图6是表示图1所示的特征量算出部算出利用者数的特征量的方法的一例的图。

图7是表示图1所示的特征量数据库所保存的数据的一例的图。

图8是表示图1所示的预测参数数据库所保存的数据的一例的图。

图9是表示图1所示的电梯交通需要预测装置的动作例的流程图。

图10是表示图1所示的控制方式选择部所保存的控制方式列表的一例的图。

图11是概略性表示具备第2实施方式的交通需要预测装置的电梯装置的框图。

图12是表示图11所示的预测参数数据库所保存的专家预测结果数据的一例的图。

图13是表示第2实施方式的专家的设计例的图。

图14是表示图11所示的交通需要预测装置预测交通需要的方法的一例的流程图。

图15是表示图14的步骤S1402的制作专家的列表的方法的一例的流程图。

图16是表示图11所示的交通需要预测部预测交通需要的特征量的方法的一例的流程图。

图17是概略性表示具备第3实施方式的交通需要预测装置的电梯装置的框图。

图18是表示第3实施方式的属性信息的一例的图。

图19是表示用于通过图17所示的信息输入部输入通勤体系信息的画面的一例的图。

图20表示用于通过图17所示的信息输入部来设定信赖度（可靠度）计算对象期间的输入画面的一例。

具体实施方式

以下，一边根据需要参照附图一边对各种实施方式进行说明。以下说明的实施方式涉及在乘梯处具备用于指定目的地方向的门厅呼叫按钮、且在电梯轿厢内具备用于指定目的层的轿厢呼叫按钮的上下按钮方式的电梯装置。该电梯装置连接有预测建筑物内的交通需要的电梯交通需要预测装置。在实施方式的交通需要预测中，以一定时间间隔计算交通需要的特征量，使用记录有该交通需要的特征量的数据库和在线算法的专家，进行在下一时间段的交通需要的预测。根据这样的交通需要的预测，即使交通需要的产生模式按各建筑物而不同也能够进行高精度的预测。通过以与该预测结果相应的控制方式进行分配，能够实现适合于实际的交通需要的电梯运行，其结果，能够提高服务性能。

（第1实施方式）

图1示意性表示第1实施方式的电梯装置100。该电梯装置100设置于具有多个楼层的建筑物（例如办公楼）。在本实施方式中，假设建筑物具有第1～第7楼层。如图1所示，电梯装置100具备对多台电梯轿厢110A～110C进行统括控制的群管理控制装置150。以下，将电梯轿厢简称为“轿厢”。在图1中，示出了3台轿厢110A、110B、110C，但轿厢也可以是2台或4台以上。群管理控制装置150生成轿厢110A、110B、110C各自的运行计划，并送出到与轿厢110A、110B、110C分别对应设置的轿厢控制部120A、120B、120C。轿厢控制部120A、120B、120C按照轿厢110A、110B、110C的运行计划分别对轿厢110A、110B、110C进行控制。轿厢控制部120A、120B、120C各自进行轿厢的升降控制和门的开闭控制这样的各种控制。

在轿厢110A、110B、110C分别设置有用于指定目的层的轿厢呼叫按钮112。若利用者通过轿厢呼叫按钮112指定了目的层，则会产生向所指定的目的层的轿厢的移动要求（轿厢呼叫）。移动要求以“新的轿厢呼叫的产生”这一形式被轿厢呼叫检测部156检测出。轿厢呼叫检测部156生成与检测到的轿厢呼叫相关的轿厢呼叫信息。轿厢呼叫信息包括利用者所指定的目的层即停止预定层、轿厢的识别编号、轿厢呼叫的产生时刻等。轿厢呼叫检测部156将轿厢呼叫信息储存到轿厢呼叫信息存储部157。轿厢呼叫信息存储部157存储从轿厢呼叫检测部156接受到的轿厢呼叫信息。轿厢呼叫信息存储部157在轿厢停止在停止预定层之后删除对应的轿厢呼叫信息。

在轿厢110A、110B、110C分别还设置有测定装载载荷的装载载荷测定部114。装载载荷主要表示正在搭乘轿厢的利用者的载荷（即，重量）。装载载荷也受利用者的随身行李等载荷的影响，但基本上认为根据利用者数而变动。装载载荷测定部114通过检测开门期间的装载载荷的变动，能够测定该楼层的乘梯载荷和下梯载荷。在此，乘梯载荷是在某楼层搭乘了轿厢的利用者的载荷，下梯载荷是在某楼层从轿厢下梯的利用者的载荷。表示各移动方向和各楼层的乘梯载荷以及各移动方向和各楼层的下梯载荷的载荷数据经由分别与轿厢110A、110B、110C对应的轿厢控制部120A、120B、120C向电梯状态掌握部153发送。

另一方面，在各个楼层的乘梯处设置有用于指定目的地方向（上方或下方）的门厅呼叫按钮130。在图1的例子中，在各楼层设置有1个门厅呼叫按钮130。位于某楼层的利用者操作该楼层的门厅呼叫按钮130来输入期望的目的地方向。具体而言，门厅呼叫按钮130包括上方按钮和下方按钮，利用者按下与期望的目的地方向相应的按钮（上方按钮或下方按钮）。若通过门厅呼叫按钮130指定目的地方向，则会产生轿厢的配梯要求（门厅呼叫）。在此，所谓“配梯”，意味着根据门厅呼叫分配轿厢。配梯要求以“新的门厅呼叫的产生”这一形式被门厅呼叫检测部151检测出。门厅呼叫检测部151生成与检测到的门厅呼叫相关的门厅呼叫信息。门厅呼叫信息包括门厅呼叫的产生时刻、产生楼层、目的地方向（上方或下方）等。门厅呼叫检测部151将门厅呼叫信息储存到门厅呼叫信息存储部152。进而，门厅呼叫检测部151经由电梯状态掌握部153将门厅呼叫信息送出到轿厢分配运算处理部154。

门厅呼叫信息存储部152存储有与未响应门厅呼叫相关的门厅呼叫信息。所谓未响应门厅呼叫，是指配梯还未完成的门厅呼叫。门厅呼叫信息存储部152存储有未响应门厅呼叫各自的产生时刻、产生楼层以及目的地方向等。与未响应门厅呼叫相关的门厅呼叫信息在配梯完成之后从门厅呼叫信息存储部152删除。

电梯状态掌握部153取得存储于门厅呼叫信息存储部152的门厅呼叫信息和存储于轿厢呼叫信息存储部157的轿厢呼叫信息。电梯状态掌握部153还从轿厢控制部120A、120B、120C接受轿厢运行信息。轿厢运行信息除了包括载荷数据之外，还包括轿厢的位置、移动方向（上方或下方）、速度、门的状态（开门期间、关门期间等）等信息。电梯状态掌握部153生成统合了门厅呼叫信息、轿厢呼叫信息以及轿厢运行信息而得到的统合运行信息。将统合运行信息所包含的载荷数据称作统合载荷数据。统合载荷数据是将在各个轿厢计测的载荷数据统合而得到的数据。统合运行信息被提供给轿厢分配运算处理部154和交通需要预测装置160。

轿厢分配运算处理部154从门厅呼叫检测部151接受新产生的门厅呼叫的信息。轿厢分配运算处理部154按照由交通需要预测装置160决定的控制方式，从轿厢110A、110B、110C中选择响应门厅呼叫的轿厢，即，决定对门厅呼叫分配哪个轿厢。作为对门厅呼叫分配轿厢的方法，例如可以利用日本专利第4454979号所记载的方法。轿厢运行控制部155反映轿厢分配运算处理部154的分配结果而制定轿厢110A、110B、110C的运行计划。轿厢控制部120A、120B、120C按照轿厢运行控制部155所制定的运行计划，分别使轿厢110A、110B、110C运行。

交通需要预测装置160基于从电梯状态掌握部153接受的统合运行信息来预测建筑物内的交通需要，并基于该预测结果，决定在轿厢分配运算处理部154使用的控制方式。交通需要预测装置160以一定时间间隔（例如以5分钟间隔）进行交通需要的预测和控制方式的决定。具体而言，交通需要预测装置160具备电梯控制结果取得部161、特征量算出部162、特征量数据库（DB）163、预测参数数据库（DB）164、交通需要预测部165以及控制方式选择部166。

电梯控制结果取得部161根据在电梯状态掌握部153生成的统合运行信息取得电梯控制结果。特征量算出部162根据电梯控制结果算出交通需要的特征量。特征量DB163，与属性信息和时刻（或者时间段）信息关联地存储交通需要的特征量。预测参数DB164，与属性信息和时刻信息关联地存储用于预测交通需要的参数。交通需要预测部165参照特征量DB163和预测参数DB164来预测交通需要。控制方式选择部166从预先准备的多个控制方式中选择与交通需要预测部165的预测结果相应的控制方式。由控制方式选择部166选择出的控制方式被发送到轿厢分配运算处理部154。

具备上述结构的电梯装置100周期性地预测建筑物内的交通需要，并按照与该预测结果相应的控制方式进行轿厢的分配。由此，能够与实际的交通需要对应地进行轿厢的分配，其结果，能够提高服务性能。

图1所示的群管理控制装置150具备门厅呼叫检测部151、门厅呼叫信息存储部152、电梯状态掌握部153、轿厢分配运算处理部154、轿厢运行控制部155、轿厢呼叫检测部156、轿厢呼叫信息存储部157以及交通需要预测装置160。此外，交通需要预测装置160不限于包括在群管理控制装置150中的例子，也可以作为独立的装置而实现。

在如本实施方式那样的上下按钮方式的电梯装置中，位于乘梯处的利用者按下与想要去的方向相应的按钮。此时，电梯装置能够观测到操作了门厅呼叫按钮，但不能得知对于由此产生的门厅呼叫有几个利用者在等待，并且不能得知利用者的目的层位于何处。能够计测的数据例如是各移动方向和各楼层的乘梯载荷和下梯载荷。参照图2，对这些乘梯载荷和下梯载荷进行说明。

图2示出表示建筑物内的交通需要的Origin Destination（OD，起迄点）表的一例。OD表可以进行行列表示，其中，行表示乘梯处层，列表示目的层。行列成分分别表示有几个利用者从某乘梯处层移动到了某目的层。图2的OD表表示在某一定时间内计测360名利用者而得到的数据。但是，能够计测如图2那样的严密的OD的情况是对利用者逐个收集了信息的情况。

在上下按钮方式的电梯装置中，能够按各移动方向和各楼层得到乘梯载荷和下梯载荷，但不能从该信息得到如图2那样的严密的OD。上下按钮方式的电梯装置例如能够得到从2层搭乘向上方移动的轿厢的利用者的合计载荷、即从2层向3层以上的楼层移动的利用者的合计载荷。该合计载荷与将图2的上三角行列的第2行要素的总和即5乘以人的平均体重（例如65kg）而得到的值对应。同样，能够得到从5层搭乘向下方移动的轿厢的利用者的合计载荷。该合计载荷与将图2的下三角行列的第5行要素的总和即57乘以平均体重而得到的值对应。关于下梯载荷，也能够得到在3层从向上方移动的轿厢下梯的利用者的合计载荷、即从1层搭乘向上方移动的轿厢并在3层下梯的利用者和从2层搭乘并在3层下梯的利用者的合计载荷。该合计载荷与将图2的上三角行列的第3列要素的总和即2乘以平均体重而得到的值对应。

接着，进一步对交通需要预测装置160进行详细说明。

电梯控制结果取得部161从电梯状态掌握部153接受统合运行信息，并从该统合运行信息取得电梯控制结果。电梯控制结果包括在算出交通需要的特征量时使用的计测数据。计测数据包括表示各移动方向和各楼层的乘梯载荷和下梯载荷的统合载荷数据。在本实施方式中，各移动方向和各楼层的乘梯载荷和下梯载荷用矢量来表示，统合载荷数据包括向上乘梯载荷矢量、向上下梯载荷矢量、向下乘梯载荷矢量以及向下下梯载荷矢量。当建筑物为N层时，这些矢量具有N个要素。在如本实施方式那样的7层建筑物中，向上乘梯载荷矢量是以下矢量：第1～第7要素分别表示在1层～7层搭乘了向上方移动的轿厢的利用者的载荷。向上下梯载荷矢量是以下矢量：第1～第7要素分别表示在1层～7层从向上方移动的轿厢下梯的利用者的载荷。向下乘梯载荷矢量是以下矢量：第1～第7要素分别表示在1层～7层搭乘了向下方移动的轿厢的利用者的载荷。向下下梯载荷矢量是以下矢量：第1～第7要素分别表示在1层～7层从向下方移动的轿厢下梯的利用者的载荷的矢量。计测数据以一定时间间隔取得。在本实施方式中，电梯控制结果取得部161以5分钟间隔来取得计测数据。此外，取得计测数据的时间间隔（也称作计测期间）不限于5分钟间隔，能够适当进行设定。

计测数据可以还包括未响应时间。未响应时间表示从产生门厅呼叫到轿厢响应该门厅呼叫的时间间隔，能够按各楼层和各移动方向取得。电梯控制结果取得部161能够按各楼层和各移动方向，根据未响应时间算出平均未响应时间。

特征量算出部162根据电梯控制结果所包括的统合载荷数据，算出交通需要的特征量。交通需要的特征量包括向上乘梯比例的特征量、向上下梯比例的特征量、向下乘梯比例的特征量、向下下梯比例的特征量、利用者数的特征量以及类别特征量。这些特征量在以后进行叙述。参照图3，对算出交通需要的特征量的方法进行说明。

在图3的步骤S301中，特征量算出部162根据时间段t-1的统合载荷数据，按各移动方向和各楼层算出乘梯比例和下梯比例，并且算出利用者数的推定值。在此，所谓时间段t-1，是指从时刻t-2到时刻t-1的期间。乘梯比例是将乘梯载荷除以乘梯载荷总和而得到的值，在此，乘梯载荷总和是各移动方向和各楼层的乘梯载荷的合计。因此，按各移动方向和各楼层算出的乘梯比例的总和是1。另外，下梯比例是将下梯载荷除以下梯载荷总和而得到的值，在此，下梯载荷总和是各移动方向和各楼层的下梯载荷的合计。因此，按各移动方向和各楼层算出的下梯比例的总和是1。

在本实施方式中，用4个矢量（向上乘梯载荷矢量、向上下梯载荷矢量、向下乘梯载荷矢量以及向下下梯载荷矢量）表示各移动方向和各楼层的乘梯载荷和下梯载荷。因此，各移动方向和各楼层的乘梯比例和下梯比例也用4个矢量（向上乘梯比例矢量、向上下梯比例矢量、向下乘梯比例矢量以及向下下梯比例矢量）来表示。向上乘梯比例矢量通过将向上乘梯载荷矢量除以乘梯载荷总和而得到。向上下梯比例矢量通过将向上下梯载荷矢量除以下梯载荷总和而得到。向下乘梯比例矢量通过将向下乘梯载荷矢量除以乘梯载荷总和而得到。向下下梯比例矢量通过将向下下梯载荷矢量除以下梯载荷总和而得到。图4是表示按各移动方向和各楼层算出的乘梯比例和下梯比例的一例的图表。图4的例子与如在上班时间段观测那样的、从出入口所在的1层去往各楼层的利用者占大多数的交通需要对应。图5是表示按各移动方向和各楼层算出的乘梯比例和下梯比例的其他例子的图表。图5的例子与如在下班时间段观测那样的、从各楼层去往出入口所在的1层的利用者占大多数的交通需要对应。

接着，特征量算出部162通过将乘梯载荷总和除以人的平均体重（例如65kg）来求出计测期间内的乘梯人数的推定值，并将该乘梯人数的推定值作为利用者数的推定值。此外，特征量算出部162也可以将通过将下梯载荷总和除以人的平均体重而得到的下梯人数的推定值作为利用者数的推定值。或者，利用者数的推定值也可以通过将乘梯载荷总和与下梯载荷总和的平均值除以人的平均体重来求出。

在图3的步骤S302中，特征量算出部162根据在步骤S301中算出的向上乘梯比例矢量、向上下梯比例矢量、向下乘梯比例矢量以及向下下梯比例矢量，算出向上乘梯比例的特征量、向上下梯比例的特征量、向下乘梯比例的特征量以及向下下梯比例的特征量，并且根据在步骤S301中算出的利用者数的推定值来算出利用者数的特征量。在本实施方式中，向上乘梯比例的特征量、向上下梯比例的特征量、向下乘梯比例的特征量以及向下下梯比例的特征量也分别用具有N个要素的N维矢量来表示。在此，如上所述，N表示建筑物的楼层数。将这些矢量称作向上乘梯比例的特征量矢量、向上下梯比例的特征量矢量、向下乘梯比例的特征量矢量以及向下下梯比例的特征量矢量。

具体而言，首先，特征量算出部162将通过使利用者数的推定值离散化、即通过对利用者数的推定值进行阈值处理而得到的值作为利用者数的特征量。通过如此使利用者数的推定值离散化，在将数据保存于内部系统时，能够使数据量比以连续值记录的情况小。对阈值处理进行简单说明。作为一例，计测期间为5分钟间隔，且利用者数的推定值算出为N^up。在使每1个小时的利用者数以每ΔN（例如100）人离散化的情况下，计算N^up/ΔN/（300/3600），并将其商作为利用者人数的特征量。作为具体例，在图6示出在计测期间为5分钟间隔的情况下，将利用者数的推定值换算为利用者数的特征量的换算表。在图6的例子中，设为ΔN=300。如图6所示，在利用者数的推定值N^up为0以上且小于25的情况下，利用者数的特征量求出为0。另外，在利用者数的推定值N^up为25以上且小于50的情况下，利用者数的特征量成为1。利用者数的特征量的值越大，则表示在该期间利用了电梯的利用者的数量越多。

接着，特征量算出部162通过阈值处理使向上乘梯比例矢量、向上下梯比例矢量、向下乘梯比例矢量以及向下下梯比例矢量离散化，分别得到向上乘梯比例的特征量矢量、向上下梯比例的特征量矢量、向下乘梯比例的特征量矢量以及向下下梯比例的特征量矢量。阈值处理是在要素超过阈值ω的情况下返回1、在要素为阈值ω以下的情况下返回0的处理。因此，各要素具有0或1的值。

例如，在将阈值ω设为0.25的情况下，根据图4所示的数据，如下求出特征量矢量。

向上乘梯比例的特征量矢量（1,0,0,0,0,0,0）

向上下梯比例的特征量矢量（0,0,0,0,0,0,0）

向下乘梯比例的特征量矢量（0,0,0,0,0,0,0）

向下下梯比例的特征量矢量（0,0,0,0,0,0,0）

另外，例如，在将阈值ω设为0.25的情况下，根据图5所示的数据，如下求出特征量矢量。

向上乘梯比例的特征量矢量（0,0,0,0,0,0,0）

向上下梯比例的特征量矢量（0,0,0,0,0,0,0）

向下乘梯比例的特征量矢量（0,0,0,0,0,0,0）

向下下梯比例的特征量矢量（1,0,0,0,0,0,0）

在图3的步骤S303中，特征量算出部162根据在步骤S302中算出的4个特征量矢量来算出类别特征量。类别特征量表示交通需要的类别（分类）。在本实施方式中，类别特征量用具有4个要素的4维矢量（以下，称作类别特征量矢量）来表示。类别特征量矢量的第1要素在1存在于向上乘梯比例的特征量矢量的要素的情况下是1，在不存在的情况下是0。其第2要素在1存在于向上下梯比例的特征量矢量的要素的情况下是1，在不存在的情况下是0。其第3要素在1存在于向下乘梯比例的特征量矢量的要素的情况下是1，在不存在的情况下是0。其第4要素在1存在于向下下梯比例的特征量矢量的要素的情况下是1，在不存在的情况下是0。在图4的例子中，类别特征量矢量求出为（1,0,0,0）。在图5的例子中，类别特征量矢量求出为（0,0,0,1）。

类别特征量矢量的要素数不依存于建筑物的楼层数而始终为4，对任何楼层数的建筑物都可以使用该表示。在本实施方式中，类别特征量矢量的4个要素分别具有0或1的值。即，交通需要分类为16个类别。

此外，上述算出交通需要的特征量的方法是一例，交通需要的特征量也可以用其他方法算出。例如，也可以不使用矢量表示。

由特征量算出部162通过步骤S301～S303算出的交通需要的特征量记录于特征量DB163。以下，有时也将由特征量算出部162算出的交通需要的特征量称作交通需要的特征量的实测值，或者简称为实测值。将特征量DB163所记录的数据的一例示于图7。特征量DB163，与属性信息和时刻信息关联地储存交通需要的特征量。本实施方式的属性信息包括表示从交通需要预测装置160的运用开始日（或数据收集开始日）起经过的天数的经过天数、日期、星期的信息。此外，属性信息不限于包括经过天数、日期和星期的全部的例子。属性信息只要包括经过天数、日期或其他同种的信息即可。例如，在属性信息包括日期信息的情况下，经过天数能够根据日期和已知的运用开始日进行计算，另外，星期能够根据日期和交通需要预测装置160所具备的日历功能进行确定。

接着，对交通需要预测部165预测交通需要的方法进行说明。交通需要的预测是以下问题：根据到经过天数d的时刻t-1为止所取得的交通需要的特征量的实测值数据，预测在经过天数d的时间段t的交通需要的特征量是什么。在本实施方式中，作为预测交通需要的基本算法，利用在线学习算法的专家联盟模型。

交通需要的预测的问题，能够作为在输出预测值的多个（例如N_E个）专家、统合这些专家的预测值并输出自己的预测值的算法（学习者）以及提示真的结果的环境之间每时刻进行的反复方法规则（game），如下公式化。

将Y设为实测值的集合，将Y′设为预测值的集合，给出用于评价预测的好坏的损失函数L：Y×Y′→[0,∞]。从学习者（电梯的学习功能）的立场观察的各时刻t的一系列动作如下。

1.从各专家i（i={1,2,...,N_E}）接受预测值x_t,i′（∈Y′）。

2.统合所有的专家的预测值并输出自己的预测值y_t′（∈Y′）。

3.从环境接受实测值y_t（∈Y）。

4.学习者和各专家i分别蒙受L（y_t,y_t′）和L（y_t,x_t,i′）的损失。

假设以上的过程进行到时刻T，则学习者的累积损失L^T _A和各专家i的累积损失L^T _i能够分别用下式（1）和式（2）来表示。

${L^T}_A=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}L(y_t,y_t^{\′})---\left(1\right)$

$L_i^T=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}L(y_t,x_{t,i}^{\′})---\left(2\right)$

学习者的目标是尽量减小下述式（3）所示的学习者的累积损失与最佳的专家的累积损失之差R^T _A。将此称作学习者的后悔。

$R_A^T=L_A^T-\underset{1\≤i\≤N_E}{\min }{L}_i^T---\left(3\right)$

被称作统合算法（Aggregating Algorithm，以下称作AA）的学习者的战略方案由Vovk提出。Vovk表示：AA基于某宽松的假定对任意方法规则进行最佳的预测。AA在时刻t对专家i分配下述式（4）所示的权重ν_t,i。

$v_{t,i}=\frac{v_{1,i}{e}^{-\mathrm{\β}{L}_i^{t-1}}}{\underset{j=1}{\overset{N_E}{\mathrm{\Σ}}}{v}_{1,j}{e}^{-\mathrm{\β}{L}_j^{t-1}}}---\left(4\right)$

$L_i^{t-1}=\underset{q=1}{\overset{t-1}{\mathrm{\Σ}}}L(y_q,x_{q,i}^{\′})---\left(5\right)$

在此，式（5）所示的L^t-1 _i表示在时刻t-1的专家i的累积损失。另外，β是被称作学习系数或学习常数的参数，0<β<1。从式（4）可知，越是累积损失大的专家、即出错多的专家，则分配越小的权重。权重的初始值ν_1,i能够按各专家i任意设定。典型的是，权重的初始值ν_1,i设定为1/N_E。

实际上，为了维持上式的关系，在时刻t的各专家i的损失L（y_t,x_t,i′）变得明了时，按照下述式（6）对通过式（4）算出的权重ν_t,i进行更新即可。在式（6）中，左边的ν_t,i表示更新后的权重。

$v_{t,i}=\frac{v_{t,i}{e}^{-\mathrm{\&beta;L}(y_t,x_{t,i}^{\&prime;})}}{\underset{j=1}{\overset{N_E}{\mathrm{\&Sigma;}}}{v}_{t,j}{e}^{-\mathrm{\&beta;L}(y_t,x_{t,j}^{\&prime;})}}---\left(6\right)$

接着，对学习者的预测进行说明。学习者使用专家的预测和权重，通过满足下述式（7）的函数F（·）进行预测。

$y^{\&prime;}=F(\stackrel{\&RightArrow;}{v},\stackrel{\&RightArrow;}{x})---\left(7\right)$

$\stackrel{\&RightArrow;}{x}=(x_{t,1},x_{t,2},...,x_{t,N_E})$

$\stackrel{\&RightArrow;}{v}=(v_{t,1},v_{t,2},...,v_{t,N_E})$

本来想要预测的是交通需要的模式，但准确地预测细分化的交通需要是困难的。因此，在本实施方式中，采取如下战略。

1.预测交通需要的类别。

2.使用权重最大的专家的预测，预测各移动方向的乘梯比例及下梯比例和利用者数的特征量。

预测交通需要的类别是为了在后述控制方式选择部166中按各个交通需要的类别决定1个以上的控制方式候补（分区、多台分配、拉回、分散待机等）。进而，作为从控制方式候补中选择实际使用的控制方式的条件，利用各移动方向的乘梯比例及下梯比例的特征量以及利用者数的特征量。

接着，对专家进行预测的方法进行说明。各专家参照特征量DB163的特定部位的数据，并根据该数据输出预测结果。在此，为了使说明简单，以交通需要预测部165具备3个专家的情况为例进行说明。例如，在对经过天数d的时间段t的交通需要的类别进行预测的情况下，3个专家如下设定。

专家1：根据经过天数d的时间段t-3、t-2、t-1的数据进行预测。

专家2：根据经过天数d-3、d-2、d-1的时间段t+1的数据进行预测。

专家3：根据经过天数d-21、d-14、d-7的时间段t的数据进行预测。

专家1使用在紧接着预测之前所取得的数据来生成预测值。例如，在预测8点00分～8点05分的时间段的交通需要的情况下，专家1参照同日的7点45分～7点50分、7点50分～7点55分、7点55分～8点00分的时间段的数据来取得3个类别特征量矢量。然后，专家1以所取得的3个类别特征量矢量进行多数决定判定来生成预测值。将如专家1那样使用过去的时间段的数据的预测称作过去时间段预测。

专家2使用在1天前、2天前、3天前的时间段t+1取得的数据来生成预测值。例如，在预测4月28日的8点00分～8点05分的时间段的交通需要的情况下，专家2参照4月27日、4月26日、4月25日的8点05分～8点10分的时间段的数据来取得3个类别特征量矢量，并以所取得的3个类别特征量矢量进行多数决定判定来生成预测值。将如专家2那样使用未来的时间段的数据的预测称作未来时间段预测。

专家3使用在1周前、2周前、3周前的时间段t取得的数据来生成预测值。例如，在预测4月28日的8点00分～8点05分的时间段的交通需要的情况下，专家3从特征量DB163参照4月21日、4月14日、4月7日的8点00分～8点05分的时间段的数据来取得3个类别特征量，并使用所取得的3个类别特征量矢量进行多数决定判定来生成预测值。将如专家3那样使用相同时间段的数据的预测称作现在时间段预测。

在从特征量DB163取得的类别特征量矢量中包括2个以上的相同类别特征量矢量的情况下，各专家生成该类别特征量矢量作为预测值。在3个类别特征量各不相同的情况下，专家保留预测，即，不生成预测值。允许专家保留预测的模型被称作在线学习算法的专家模型。

在通常的Vovk的算法中，学习者的预测值通过专家的预测值的加权和来输出。然而，在预测如本实施方式那样的离散化的模式的情况下，不能直接应用Vovk的算法。在本实施方式中，学习者采用权重最大的专家的预测值。该模型被称作专家联盟模型，正在广泛进行理论研究。

在本实施方式中，如下述式（8）那样定义时刻t的专家i的损失函数L（y_t,x_t,i）。

$L(y_t,x_{t,i})=\left\{\begin{array}{cc}0& (y_t=x_{t,i})\\ 1& (y_t\&NotEqual;x_{t,i})\end{array}\right.---\left(8\right)$

该损失函数通常被称作0-1损失，在预测值与实测值不同的情况下视为产生了损失。当使用该损失函数时，专家联盟模型的权重的更新式能够如下述式（9）那样表示。

$v_{t,i}=\frac{v_{t,i}{e}^{-\mathrm{\&beta;L}(y_t,x_{t,i})\&CenterDot;(1-u_{t,i})-\mathrm{\&gamma;}\left(u_{t,i}\right)}}{\underset{j=1}{\overset{N_E}{\mathrm{\&Sigma;}}}{v}_{t,j}{e}^{-\mathrm{\&beta;L}(y_t,x_{t,j})\&CenterDot;(1-u_{t,j})-\mathrm{\&gamma;}\left(u_{t,j}\right)}}---\left(9\right)$

在此，γ是保留时的损失函数，0<γ<1。进而，u_t,i是如下式（10）那样表示专家i在时刻t是否保留了预测的变量。该变量（以下称作保留变量）在每当专家i进行预测时发生变更。根据式（9），专家各自的权重以如下方式进行更新：在预测为正解（即，预测值与实测值相同）的情况下相对增大权重，在预测为非正解（即，预测值与实测值不同）的情况下相对减小权重。

专家的权重，与附加信息和时刻信息（时间段）关联地记录于预测参数DB164。将记录于预测参数DB164的权重数据的一例示于图8。图8是表示4个专家的权重与星期及时刻信息关联地记录的例子。例如，交通需要预测部165在预测2011年4月28日（星期四）的8点00分～8点05分的交通需要的情况下，参照星期四的8点00分～8点05分的各个专家的权重，并选择权重最高的专家。然后，在由特征量算出部162算出了2011年4月28日（星期四）的8点00分～8点05分的时间段的实测值时，交通需要预测部165例如如式（9）所示那样，基于该时间段的各专家的预测值和实测值来更新各专家的权重。

此外，权重数据不限于如图8所示的将权重与星期和时刻信息关联地记录的例子，也可以将工作日、假日等日历信息包括于附加信息来记录权重。但是，在本实施方式中，为了使说明简单，与星期和时刻信息关联地记录权重。在该情况下，某星期的某时间段的权重1周更新1次。当包括工作日、假日时，在每当附加信息一致时更新权重。

参照图9，对更新记录于预测参数DB164的权重的步骤进行具体说明。

图9的处理在交通需要预测部165预测了2011年4月28日（星期四）的时间段t-1的交通需要之后开始。在步骤S901中，特征量算出部162根据2011年4月28日（星期四）的时间段t-1的统合载荷数据，算出交通需要的特征量的实测值。例如，特征量算出部162参照图3，按照上述步骤算出交通需要的特征量的实测值。由此，能够得到2011年4月28日（星期四）的时间段t-1的交通需要的特征量的实测值。该实测值记录于特征量DB163。

在步骤S902中，交通需要预测部165使用2011年4月28日（星期四）的时间段t-1的交通需要的特征量的实测值和在同一天的时间段t-1的预测时生成的专家的预测值，对星期四的时间段t-1的专家的权重进行更新。

在步骤S903中，交通需要预测部165预测2011年4月28日（星期四）的时间段t的交通需要。具体而言，交通需要预测部165从预测参数DB164取得星期四的时间段t的专家的权重，并将权重最大的专家的预测值决定为2011年4月28日（星期四）的时间段t的交通需要的特征量。各专家的预测值和保留变量保存到下一时间段t+1的预测结束为止。

这样，专家各自的权重在每当进行预测时进行更新。

交通需要预测部165从预测参数DB164接受专家各自的权重，参照特征量DB163算出专家各自的预测值，并基于专家各自的权重来决定学习者的预测值。交通需要预测部165将学习者的预测值作为预测结果输出。预测结果包括类别特征量。预测结果可以还包括各移动方向的乘梯比例和下梯比例以及利用者数的特征量。

控制方式选择部166从交通需要预测部165接受预测结果，并从预先准备的控制方式列表中选择与预测结果相应的控制方式。将控制方式选择部166所保存的控制方式列表的一例示于图10。在图10的控制方式列表中，对于各类别特征量决定了多个控制方式候补。在图10的例子中，通过预测结果所包括的类别特征量和利用者数的特征量来决定控制方式。例如，在得到了类别特征量为（1,0,0,0）且利用者数的特征量为2以下这一预测结果的情况下，将控制方式决定为分散待机，在得到了类别特征量为（1,0,0,0）且利用者数的特征量为6以上这一预测结果的情况下，将控制方式决定为多台分配。在图10中，所谓分散待机，是指在利用者少的情况下限制轿厢的待机位置的控制方式。所谓多台分配，是指对1个门厅呼叫分配多台轿厢的控制方式。另外，所谓分区，是指为了缩短轿厢的循环时间而限制门厅呼叫的控制方式。在本实施方式中，实现这些控制方式的方法设为使用现有方法，不进行详细说明。在图10中，控制方式通过交通需要预测部165的预测结果而唯一地决定。然而，也可以准备多个在某条件下可以起动的控制方式候补，根据实际运行的结果对多个控制方式候补进行评价，并将在该条件下起动的控制方式候补缩小为1个。

如上所述，在第1实施方式的电梯装置中，由于具备使用在线算法的专家来预测交通需要的交通需要预测装置，所以能够正确地预测交通需要。由此，能够进行适合于实际的交通需要的分配，其结果，能够提高服务性能。

（第2实施方式）

在第1实施方式中，对预测交通需要的特征量的方法进行了说明。在第1实施方式中，各专家的权重与星期和时间段关联地记录于预测参数DB164。该权重使用在相同星期和时间段得到的实测值进行更新。因此，各专家的预测值在权重的更新时使用，但在之后不使用，因而无需进行记录。

在第1实施方式中，例如，在建筑物内的公司更换而交通需要的倾向发生了变化的情况下，有时交通需要预测部165的预测结果在特定的星期和时间段会变得不准。这是因为，专家的成绩变化反映到权重需要一定程度的期间。例如，有时，某专家的预测的正确率在某星期的某时间段高，但在交通需要的倾向发生了变化之后，正确率在该星期的该时间段变低。在该情况下，在交通需要的倾向发生了变化之后的一定程度的期间内，由于该专家的权重在该星期的该时间段大，所以采用该专家的预测值作为交通需要预测部165的预测结果。

在第2实施方式中，取代权重而使用表示预定期间内的正确率的信赖度。以下，参照图11～图16，对第2实施方式进行具体说明。

图11概略性表示第2实施方式的电梯装置1100。图11所示的电梯装置1100除了图1所示的电梯装置100的结构之外，还具备信赖度算出部1101和信息输入部1102。信赖度算出部1101基于预定期间内的专家的成绩算出该专家的信赖度。信息输入部1102例如包括键盘、鼠标等输入设备，受理来自操作员的输入。在本实施方式中，信息输入部1102用于设定在用信赖度算出部1101算出信赖度时所使用的数据的数量。用于算出信赖度的预测结果的数量能够按各专家进行设定。

在本实施方式中，预测参数DB164保存有与属性信息和时刻关联地记录各专家的预测值与实测值是否一致的专家预测结果数据。将专家预测结果数据的一例示于图12。在图12中，各栏的符号“○”表示预测值与实测值一致（即，正解），符号“×”表示预测值与实测值不一致（即，非正解）。在专家保留了预测值的输出的情况下，设为非正解。进而，在专家预测结果数据中，与属性信息和时刻关联地记录有所选择的专家的编号以及其预测值与实测值是否一致。

图13示表示本实施方式的专家的设计的一例。如图13所示，各专家被指定了预测时参照的数据和信赖度计算对象期间。在此，D（t|d）表示经过天数d的时间段t的数据。例如，专家1使用D（t-3|d）、D（t-2|d）以及D（t-1|d）来预测经过天数d的时间段t的交通需要。另外，信赖度计算对象期间表示信赖度的计算所使用的数据的数。信赖度计算对象期间能够使用信息输入部1102进行设定。信赖度的计算方法在以后叙述。

接着，参照图14，对本实施方式的预测交通需要的特征量的方法进行说明。

在图14的步骤S1401中，特征量算出部162根据时间段t-1的统合载荷数据算出交通需要的特征量，并将算出的交通需要的特征量记录于特征量DB163。例如，特征量算出部162参照图3，按照上述步骤算出交通需要的特征量。

在步骤S1402中，信赖度算出部1101为了预测时间段t的交通需要，参照预测参数DB164所保存的专家预测结果数据来算出多个专家的信赖度，并制作根据信赖度进行了排序的专家的列表。参照图15，对步骤S1402的处理进行说明。

在图15的步骤S1501中，信赖度算出部1101参照预测参数DB164所保存的专家预测结果数据来算出多个专家的信赖度。对算出各专家的信赖度的方法进行具体说明。在进行某星期的某时间段的预测的情况下，算出过去P个周的该星期的该时间段的专家的正确率作为信赖度。在此，P是自然数，表示信赖度计算对象期间。正确率是将正解（○）的数量除以P而得到的值。在图13的例子中，专家3的信赖度计算对象期间P是3，例如，在进行2011年4月28日（星期四）的7点00分～7点05分的时间段的预测的情况下，信赖度算出部1101通过将2011年4月21日、2011年4月14日以及2011年4月7日的7点00分～7点05分的时间段的正解（○）的数量除以3来算出专家3的信赖度。此外，信赖度不限于根据与进行预测的星期和时间段相同的星期和时间段的数据来算出的上述例子，也可以使用其他星期和时间段的数据来算出。

在步骤S1502中，信赖度算出部1101制作按信赖度从高到低的顺序将专家排序了的列表。这样用信赖度进行排序是为了选择信赖度高的专家。具体而言，首先，以信赖度为第1关键对专家进行排序。此时，在信赖度相同的专家存在多个的情况下，以各专家取得用于预测的数据所需要的时间（期间）为第2关键来对具有相同信赖度的专家进行排序。在图13的例子中，取得用于预测的数据所需要的时间在专家1的情况下是15分钟，在专家2的情况下是21天，在专家3的情况下是7天，在专家4的情况下是3天。

返回到图14，在步骤S1403中，交通需要预测部165使用在步骤S1402中制作的列表来预测时间段t的交通需要。参照图16，对本实施方式的交通需要的预测方法进行说明。

在图16的步骤S1601中，对参照在步骤S1402中制作的专家的列表时使用的index（指针）进行初始化。例如，设为index=1。在步骤S1602中，交通需要预测部165使用列表中的第index个专家来预测交通需要的特征量。关于专家的预测，能够使用与在第1实施方式中说明的方法相同的方法，所以在此省略说明。

在步骤S1603中，对第index个专家是否保留了预测进行判断。在第index个专家没有保留预测、即生成了预测值的情况下，交通需要预测部165将该专家的预测值作为预测结果输出，处理结束。但是，为了能够在之后算出信赖度，第index个以后的所有专家也需要进行预测。

在步骤S1603中第index个专家保留了预测的情况下，前进到步骤S1604。在步骤S1604中，使index加一。在步骤S1605中，对index的值是否超过了专家的个数（N_E）进行判断。在index的值为专家的个数以下的情况下，返回到步骤S1602。在index的值超过了专家的个数的情况下，即，在所有专家保留了预测的情况下，前进到步骤S1606。在步骤S1606中，交通需要预测部165采用在之前紧邻的时间段得到的实测值作为预测结果。

如上所述，第2实施方式的交通需要预测装置160基于预定期间内的成绩，按各个专家算出信赖度，并基于信赖度选择专家。由此，即使在某星期的某时间段正确率高的专家发生了变化，也能够以比较短的时间追随该变化。交通需要预测装置160通过采用最近的成绩好的专家的预测值作为预测结果，能够准确地预测交通需要。此外，当使信赖度计算对象期间P为1时，成为根据一周前的数据求信赖度，这最具有对变化的追随性，但另一方面，也会变得不能区别偶然猜中的情况。

（第3实施方式）

在第1和第2实施方式中，假定交通需要主要依存于星期。然而，在实际的建筑物中，不一定仅根据星期而周期性地产生相同的交通需要。例如，当将属性分为工作日（星期一、星期二、星期三、星期四、星期五）和周末（星期六、星期日）时，在办公楼中，会具有工作日彼此、周末彼此的交通需要的模式相似，但工作日的交通需要与周末的交通需要不相似等倾向。另外，能够预想到，即使是工作日，在根据是通勤日还是休假日而产生的交通需要的模式中也可以看到差异。在第3实施方式中，也考虑星期以外的信息。

图17概略性表示第3实施方式的电梯装置1700。图17所示的电梯装置1700除了图1所示的电梯装置100的结构之外，还具备信息输入部1701、专家制作部1702以及信赖度算出部1703。信息输入部1701例如包括键盘、鼠标等输入设备，受理来自操作员的输入。信息输入部1701用于输入与建筑物内的公司相关的通勤体系信息。专家制作部1702基于信息输入部1701所取得的通勤体系信息来制作专家。信赖度算出部1703进行与第2实施方式的信赖度算出部1101（图11）同样的动作，所以省略详细说明。

在本实施方式中，属性信息包括工作日、周末、祝日、祭日等与日历相关的信息（即，日历信息）和按各公司确定的上午休假日、下午休假日、准时下班日、特别休假日等与通勤体系相关的信息（通勤体系信息）。图18表示属性信息的一例。在图18中，“week_num”是表示星期的变量。“weekend”是用于区别工作日和周末的变量。“holiday”是表示祝日和祭日（节日）的变量。“working_day”是表示通勤体系的变量。week_num、weekend和holiday的变量根据日历信息而相对于某日期“day”唯一地确定。week_num在其值为1、2、3、4、5、6、7时分别表示星期一、星期二、星期三、星期四、星期五、星期六、星期日。weekend在其值为0时表示工作日（星期一、星期二、星期三、星期四、星期五），在其值为1时表示周末（星期六、星期日）。holiday在其值为1时表示节日，在其值为0时表示节日以外的日子。在日期day为2011年4月29日的情况下，如week_num=5、weekend=0、holiday=1这样唯一地确定。

working_day是表示位于建筑物内的公司的通勤体系的信息，需要事先输入。通勤体系信息由操作员使用信息输入部1701输入。将用于输入在个人计算机（PC）的显示部（例如液晶显示装置）显示的通勤体系信息的画面的一例示于图19。在本实施方式中，对使用PC输入通勤体系信息的例子进行说明，但输入方法不限定于该例子。如图19所示，在画面显示通常的显示形式的日历。具体而言，在画面上部显示阳历（或年号显示）和月的信息，在画面中央部以将横轴设定为星期的方式配置有日期。对于通过日历信息决定的节日，使对应的栏彩色显示。当在画面上将光标对准2011年4月29日时，通勤体系的列表以对话框（气球）显示的方式出现。操作员通过从列表中选择适当的项目来设定这一天的通勤体系信息。在此，假设在建筑物内只有1个公司而进行说明。然而，在建筑物内也可以存在通勤体系不同的多个公司。在该情况下，通勤体系信息按各公司输入。

接着，对专家制作部1702进行说明。专家制作部1702使用通过信息输入部1701输入的通勤体系信息来制作专家。

在第1实施方式中，专家如下设定。

专家1：根据经过天数d的时间段t-3、t-2、t-1的数据进行预测。

专家2：根据经过天数d-3、d-2、d-1的时间段t+1的数据进行预测。

专家3：根据经过天数d-21、d-14、d-7的时间段t的数据进行预测。

这些专家能够如下表示。

专家1：Prediction[D（t-3|d）,D（t-2|d）,D（t-1|d）]

专家2：Prediction[D（t+1|d-1）,D（t+1|d-2）,D（t+1|d-3）]

专家3：Prediction[D（t|d-21）,D（t|d-14）,D（t|d-7）]

在此，Prediction[D（x1）,D（x2）,D（x3）]表示：使用数据D（x1）、D（x2）、D（x3），通过多数决定判定进行预测。在专家1、2、3中，如以下那样，为了预测时间段t的交通需要的类别而使用的数据的时间段不同。

专家1：使用之前紧邻的时间段t-3、t-2、t-1的数据。

专家2：使用最近3天的时间段t+1的数据。

专家3：使用相同星期、相同时间段t的数据。

在进行预测时，使用哪个时间段的数据都可以，但这样一来，可能无限地制作专家。专家制作部1702以过去时间段预测、未来时间段预测、现在时间段预测这3个预测形式为基本来制作专家。专家制作部1702根据如何组合使用经过天数d、日期day、工作日周末weekend、节日holiday、通勤体系working_day而确定。组合可以考虑以下10种。

（1）星期、节日、通勤体系

（2）工作日周末、节日、通勤体系

（3）星期、节日

（4）星期、通勤体系

（5）工作日周末、节日

（6）工作日周末、通勤体系

（7）节日、通勤体系

（8）星期

（9）节日

（10）通勤体系

例如，在考虑（1）星期、节日、通勤体系的情况下，专家制作部1702制作以下3个专家m1、m2、m3。

使用数据D（t-3|d,week_num,holiday,working_day）

数据D（t-2|d,week_num,holiday,working_day）

数据D（t-1|d,week_num,holiday,working_day）

进行预测的专家m1；

使用数据D（t+1|d-7*x_1,week_num,holiday,working_day）

数据D（t+1|d-7*x_2,week_num,holiday,working_day）

数据D（t+1|d-7*x_3,week_num,holiday,working_day）

进行预测的专家m2（其中，x_1、x_2、x_3是自然数，*表示乘号。）；

使用数据D（t|d-7*y_1,week_num,holiday,working_day）

数据D（t|d-7*y_2,week_num,holiday,working_day）

数据D（t|d-7*y_3,week_num,holiday,working_day）

进行预测的专家m3（其中，y_1、y_2、y_3是自然数。）

在此，D（t|M）表示属性M的时间段t的数据。专家m2的x_1、x_2、x_3表示具有相同属性的日子为x_1周前、x_2周前、x_3周前，专家m3的y_1、y_2、y_3表示具有相同属性的日子为y_1周前、y_2周前、y_3周前。除去了工作日周末信息是因为：工作日周末由星期确定，所以考虑星期的情况包括考虑工作日周末的情况。但是，需要注意的是，考虑工作日周末的情况不包括考虑星期的情况。专家m1、m2、m3分别是过去时间段预测、未来时间段预测、现在时间段预测的专家，但在（1）的情况下也能够制作多个。例如，在进行2011年4月28日的7点00分～7点05分的时间段的预测时，可以制作使用2011年4月28日的6点55分～7点00分、6点50分～6点55分、6点45分～6点50分的时间段的数据的专家，也可以制作使用2011年4月21日的6点55分～7点00分、6点50分～6点55分、6点45分～6点50分的时间段的数据的专家。这样，由于专家的制作没有唯一性，所以不能自动制作。因此，在使用相同属性的数据时，专家使用最新的数据。于是，在（1）的过去时间段预测中，在进行2011年4月28日的7点00分～7点05分的时间段的预测时，采用使用2011年4月28日的6点55分～7点00分、6点50分～6点55分、6点45分～6点50分的时间段的数据的专家。

这样，在属性相同的情况下，通过添加用最新的数据进行预测这一条件，即使对于如（1）～（10）那样的属性的组，在各专家也能够分别唯一地设定。

在没有用信息输入部输入通勤体系信息的情况下，专家制作部1702除去包括通勤体系的组而考虑（3）、（5）、（8）、（9）来制作专家。用专家制作部1702制作的专家被发送到预测参数DB164，并登记为用于预测的专家，在各时间段进行预测。在决定第3实施方式中的最终的预测结果时，使用在第2实施方式中说明的信赖度，并采用信赖度最高的专家的预测值作为预测结果。

此外，交通需要预测部165也可以使用在第1实施方式中说明的权重来决定采用哪个专家的预测值作为预测结果。然而，权重在专家之间相对变更，因此，在存在很多个专家的情况下，有时权重的变化（增减）小。

另一方面，在第2实施方式中说明的信赖度按各个专家单独算出。因此，在存在很多个专家的情况下，使用信赖度是有效的。对用专家制作部1702制作的专家分别设定信赖度计算对象期间P。图20表示用于设定本实施方式的信赖度计算对象期间的输入画面的一例。如图20所示，信赖度计算对象期间按（1）～（10）的属性的组合且按3个预测形式设定。操作员使用信息输入部1701，在各栏输入设定信赖度计算对象期间。在一例中，在所有栏存储有3作为初始值。

信赖度的算出方法可以使用与在第2实施方式中说明的方法同样的方法。具体而言，各专家的信赖度根据过去的相同属性的日子的成绩算出。在考虑星期属性的情况下，相同属性的日子按每个周出现。另一方面，工作日每周有5天，周末每周有2天，因此，在考虑工作日周末的属性的情况下，相同属性的日子出现的频率比考虑星期属性的情况多。这样，关于频繁出现的属性，信赖度的更新变得频繁。另一方面，关于不常出现的属性，信赖度的更新变得稀少。然而，通过准备很多个专家，存在给出正解的专家的概率变高。进而，采用其中信赖度高的专家的预测值作为预测结果，所以除去不常产生的属性的日子，能够进行正确的预测。

如上所述，第3实施方式的交通需要预测装置，关于包括与建筑物内的公司相关的通勤体系的各种属性的组合制作多个专家。通过利用更多的专家进行预测，能够进一步提高预测的精度。

以上说明的至少1个实施方式的交通需要预测装置，以一定时间间隔计算交通需要的特征量，使用记录有该交通需要的特征量的数据库和在线算法的专家，进行下一时间段的交通需要的预测，从而能够正确地预测建筑物内的交通需要。

虽然对本发明的几种实施方式进行了说明，但这些实施方式是作为例子而提出的，并非意在限定发明的范围。这些新颖的实施方式能够以其他各种各样的方式来实施，能够在不脱离发明的要旨的范围内进行各种省略、置换、变更。这些实施方式及其变形包含于发明的范围、要旨，并且包含于权利要求书所记载的发明和其等同的范围内。

Claims (7)

1.一种电梯交通需要预测装置，应用于对门厅呼叫分配电梯轿厢的上下按钮方式的群管理控制，具备：

取得部，取得包括各移动方向和各楼层的乘梯载荷和下梯载荷的电梯控制结果；

算出部，基于所述电梯控制结果，算出包括表示交通需要的类别的类别特征量的交通需要的特征量；

特征量数据库，与属性信息和时刻信息关联地记录所述算出的交通需要的特征量；

预测部，参照所述特征量数据库来预测交通需要并生成预测结果，包括参照所述特征量数据库所包含的不同数据来预测交通需要的类别并生成预测值的多个专家，将所述预测值中的一个作为所述预测结果输出；以及

选择部，从预先准备的多个控制方式中选择与所述预测结果相应的控制方式。

2.根据权利要求1所述的电梯交通需要预测装置，其中，

所述多个专家各自具有权重，所述多个专家各自的所述权重在每当进行预测时以在预测是正解的情况下相对增大权重、在预测是非正解的情况下相对减小权重的方式进行更新，

所述预测部将由所述权重最大的专家生成的预测值作为所述预测结果输出。

3.根据权利要求2所述的电梯交通需要预测装置，其中，还具备：

预测参数数据库，与星期和时刻信息关联地记录所述多个专家各自的所述权重。

4.根据权利要求1所述的电梯交通需要预测装置，其中，

所述多个专家包括：进行过去时间段预测的第1专家、进行现在时间段预测的第2专家以及进行未来时间段预测的第3专家。

5.根据权利要求1所述的电梯交通需要预测装置，其中，

所述属性信息包括表示从该电梯交通需要预测装置的运用开始日起经过的天数的经过天数和日期中的至少一方。

6.根据权利要求1所述的电梯交通需要预测装置，其中，还具备：

信赖度算出部，关于所述多个专家分别算出表示在预定期间内的预测的正确率的信赖度，

所述预测部将由所述信赖度最大的专家生成的预测值作为所述预测结果输出。

7.根据权利要求1所述的电梯交通需要预测装置，其中，还具备：

输入部，输入表示与建筑物内的公司相关的通勤体系的通勤体系信息；和

专家制作部，基于所述通勤体系信息制作所述多个专家，

所述属性信息包括所述通勤体系信息。