CN1056659A

CN1056659A - 电梯控制装置

Info

Publication number: CN1056659A
Application number: CN91103417A
Authority: CN
Inventors: 匹田志朗; 辻伸太郎
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1990-05-24
Filing date: 1991-05-16
Publication date: 1991-12-04
Anticipated expiration: 2006-05-16
Also published as: KR940009411B1; KR910019887A; GB9111308D0; JPH085596B2; GB2246210A; CN1021768C; US5250766A; JPH0428680A; GB2246210B

Abstract

一种电梯控制装置，包括：把含有电梯的轿厢位置、运行方向及应该应答的呼叫的交通状态数据作为神经网络的输入数据并变换成能使用形式的输入数据变换手段；包括取入输入数据的输入层、把与预测反转楼层相当的数据作为输出数据的输出层及位于上述两层之间、设定加权系数的中间层的、并构成所述神经网络的反转楼层预测手段；把输出数据变换成在预定的控制动作中能使用形式的输出数据变换手段。具有反转楼层预测精度高的优点。

Description

本发明涉及能精度良好地预测反转（换向）楼层的电梯控制装置。

以往，在多台轿厢同时设置的电梯装置中，通常，实行群管理运转，作为这样的群管理运转方式之一，例如有分配方式。所谓分配方式是这样的方式，即一旦产生乘电梯场所（下面简称乘场）呼叫的登记，则立即按各个轿厢进行评价值的演算，把评价值最好的轿厢作为应该服务的分配轿厢加以选择，并对于上述乘场的呼叫，只让分配的轿厢应答，以谋求提高运转效率及缩短等待时间。

此时，在评价值的演算中，一般采用乘场呼叫预测等待时间。例如，在特公昭58-48464号公报中记载的电梯群管理装置中，一旦有乘场呼叫的登记，即把将该乘场呼叫假设分配给各轿厢时的所有乘场呼叫的预测等待时间的平方和分别作为评价值，把该评价值为最小的轿厢作为分配轿厢加以选择。

此时，乘场呼叫的持续时间（从乘场呼叫登记到现在所经过的时间）与到达预想时间（轿厢从目前的位置到达上述乘场呼叫的楼层所需要的时间的预测值）相加，求预测等待时间。

通过使用这样得到的评价值，能够谋求缩短乘场呼叫等待时间（特别，可减少等待时间超过1分钟的长时间等待的呼叫）。

但是，如果到达预想时间的正确性丧失，则评价值不再具有作为用于选择分配轿厢的基准值的意义，结果，不能试图缩短乘场呼叫等待时间。因而，到达预想时间的正确性对于群管理的性能有很大影响。

然后，对于现有的到达预想时间的演算方法作具体的说明。设轿厢在两终端楼层往复运转，并把到达预想时间如下面（A）中所示进行演算。

（A）由轿厢位置与目的楼层间的距离，求行走时所需时间（行走时间）;由途中在楼层的停止次数，求停止所需时间（停止时间）;进而，把这些时间相加，作为到达预想时间（参阅特公昭54-20742号公报及特公昭54-34978号公报）。

又，为了提高在轿厢所位于的楼层和预定停止楼层的停止时间的预测精度，提出了下面（B）-（E）中所示的那样的预测方法的方案。

（B）对应于在轿厢所位于的楼层的轿厢状态（正在减速中、正在开门动作过程中，门开着、正在关闭门的动作过程中、正在行走中等），修正到达预想时间（参照特公昭57-40074号公报）。

（C）采用检测装置检测在预定停止楼层的乘电梯人数和下电梯人数，相应于这些人数，修正到达预想时间（参照特公昭57-40072号公报及特公昭58-162472号公报）。

（D）把预定停止楼层是应答轿厢呼叫还是应答乘场呼叫将使上下电梯时间有所不同这一因素考虑进去，修正到达预想时间（参照特公昭57-40072号公报）。

（E）根据每个楼层实际停止时间（门开动作时间、上下电梯时间、门关动作时间）的统计数据和通过模拟求得并贮存在群管理装置内的门开启时间，预测各楼层的停止时间（参照特开平1-275382号公报及特开昭59-138579号公报）。

再者，考虑到没有预定停止的楼层中，将来一旦有呼叫登记，而轿厢有停止的可能性时，为了提高到达预测精度，还提出了以下（F）-（H）中所示的方法。

（F）根据关于过去的乘电梯人数的统计数据，预测由于应答途中楼层的乘场呼叫而停止从而产生的轿厢呼叫个数;且，按照过去已发生的轿厢呼叫的统计概率分布，把上述预测轿厢呼叫个数分配到其前方的楼层;预测由于派生的轿厢呼叫而停止的时间（参照特公昭63-34111号公报）。

（G）由轿厢方向反转的次数和过去的按方向区别的上、下电梯人数的测量值，计算按楼层、按方向的轿厢停止的概率，根据该计算结果，修正到达预想时间（参照特开昭59-26872号公报）。

（H）通过按各楼层方向求得的各楼层下电梯率，预测各楼层因轿厢呼叫而产生的停止时间（参照特公昭63-64383号公报）。

如上所述，以往一般是设轿厢在两终端楼层间往复运转，而演算到达预想时间。但是，实际上，根据最高呼叫反转或最低呼叫反转，轿厢在途中楼层进行方向反转而运行的情况很多，由此，存在在到达预想时间与实际到达时间间会产生误差的问题。

为了解决这个问题，例如，提出了在特公昭54-16293号公报中记载的电梯服务预测时间的演算方法。该演算方法是先求轿厢到达其行进方向前方的最远方呼叫楼层止的行驶时间，自该楼层至反方向呼叫的楼层止的行驶时间，再演算到达预想时间。若按照该演算方法，则最高呼叫反转楼层URF（上方反转楼层）及最低呼叫反转楼层LRF（下方反转楼层），将设定为处于轿厢行进方向的轿厢呼叫、向上呼叫及向下呼叫中的最远方的呼叫楼层。

但是，在这样的上方反转楼层及下方反转楼层的设定方法中，显见，对于到达预想时间的正确性，依然存在问题。参照图8，对此作说明。

图中，1是电梯轿厢，它在1楼-12楼的楼层间运转。8C是对8楼的轿厢呼叫，7d及9d分别是7楼和9楼的向下方向的乘场呼叫，7U及9U分别是7楼和9楼向上方向的乘场呼叫。

在图8（a）-（f）中所示的各状况的上方反转楼层URF设定为轿厢呼叫或乘场呼叫的最高楼层，如图所示的那样，分别为8F、9F、9F、8F、9F、9F。

但是，对于（c）及（f）的情况，轿厢1在应答9楼的向上方向的乘场呼叫9u后，尽管能充分预见到在9楼的上方将会有新的轿厢呼叫的登记，仍把上方反转楼层URF设定为上升方向的乘场呼叫9U的楼层9F。这种场合，把上方反转楼层URF设定为9F是不合理的，至少应该设定为10楼以上的某个楼层。

同样地，对于（d）的状况，在应答7楼的上升方向的乘场呼叫7U时，若考虑派生的轿厢呼叫，显然当把上方反转楼层URF设定为8F时，到达预想时间的误差变大。又，在（a）及（b）的状况中，根据交通状况，轿厢在上升中重新被分配到乘场呼叫，使上方反转楼层URF偏移至更上方的可能性也要充分考虑到。

又，一般地，为了进行对多个轿厢的分散待机动作和乘场呼叫的分配动作等，预测反转楼层不仅用于到达预想时间的演算，而且也用于轿厢内混杂状态的预测、最近的将来的轿厢位置的预测或轿厢聚集情况的预测等。因而，反转楼层的预测精度将较大程度地影响其它种种预测精度。

而且，例如，如在特开平1-275381号公报中记载的那样，提出了根据采用与人脑的神经元对应的神经网络（ニ_ユ一ラルネ_ツト）的演算，选择对于乘场呼叫的分配轿厢的群管理控制装置的提案。但是，没有考虑提高到达预想时间的演算精度和轿厢内预想混杂度的演算精度。

现有的电梯控制装置，如上所述，由于完全没有考虑在最近的将来有呼叫发生的可能性，因而存在不能高精度预测反转楼层、到达预想时间的误差变大的问题。

本发明为了解决上述问题，其目的在于得到一种通过相应于交通状态和交通量，进行灵活的预测，能预测与实际的反转楼层接近的反转楼层的电梯控制装置。

涉及本发明的电梯控制装置包括：把至少含有轿厢位置、运行方向及应该应答的呼叫的交通状态数据作为神经网络的输入数据，变换成能使用形式的输入数据变换手段;含有取入输入数据的输入层、把与预测反转楼层相当的数据作为输出数据的输出层及位于输入层与输出层之间，设定有加权系数的中间层并构成神经网络的反转楼层预测手段;把输出数据变换成在控制演算中能使用的形式的输出数据变换手段。

又，本发明的电梯控制装置进一步包括：学习用数据生成手段，在电梯运行中若达到预先规定的时期，该生成手段在贮存规定的轿厢的预测反转楼层及此时的输入数据的同时，检测规定轿厢实际上进行方向反转的楼层，把该楼层作为实际反转楼层加以贮存，把贮存的输入数据、预测反转楼层及实际反转楼层作为一组学习用数据输出;采用学习用数据，修正反转楼层预测手段的加权系数的修正手段。

在本发明中，把交通状态数据取入神经网络，把轿厢方向反转的楼层的预测值作为预测反转楼层加以演算。

又，在本发明中，根据演算的预测结果和此时的交通状态及实测的数据，自动地修正神经网络中的加权系数。

图1是表示本发明的一个实施例的全体构成的功能的框图，图2是表示图1中的群管理装置的概略构成的框图，图3是具体表示图1内的数据变换手段及反转楼层预测手段的框图，图4是概略表示贮存在图2的ROM中的群管理程序的流程图，图5是具体表示图4内的假设分配时的预测演算程序的流程图，图6是具体表示图4内的学习用数据生成程序的流程图，图7是具体表示图4内的修正程序的流程图，图8是表示现有的电梯控制装置的轿厢位置及与呼叫位置对应的反转楼层的关系的说明图。

图中，10C是数据变换手段，10CA是输入数据变换子单元，10CB是输出数据变换子单元，10DA、10DB是神经网络，10DA1、10DB1是输入层，10DA2、10DB2是中间层，10DA3、10DB3是输出层，10D是反转楼层预测手段，10F是学习用数据生成手段，10G是修正手段，wa1（i，j）、wa2（j，k）、wb1（i，j）、wb2（j、k）是加权系数。又，图中同一符号表示相同或相当部分。

下面，结合附图叙述本发明的实施例。图1是表示本发明一个实施例的全体构成的功能的框图，图2是表示图1中的群管理装置的概略构成的框图。

在图1中，群管理装置10功能上由以下手段10A-10G构成，控制多个（例如1号电梯及2号电梯）的轿厢控制装置11及12。

乘场呼叫登记手段10A在进行各楼层的乘场呼叫（上升方向及下降方向的乘场呼叫）的登记及消除的同时，演算从乘场呼叫登记起所经过的时间（即，持续时间）。

为乘场呼叫服务，选择最好的轿厢加以分配的分配手段10B，例如预测各轿厢对各楼层的乘场呼叫应答为止的等待时间加以演算，并分配使这些平方值的总和为最小的轿厢。

数据变换手段10C包含输入数据变换手段和输出数据变换手段。输入数据变换手段把轿厢位置、运行方向、应该应答的呼叫（轿厢呼叫或已分配的乘场呼叫）之类的交通状态数据作为神经网络的输入数据，变换成能使用的形式;输出数据变换手段把神经网络的输出数据（反转楼层的预测值）变换为到达预想时间等的控制演算中能使用的形式。

使用神经网络预测各轿厢的上方反转楼层及下方反转楼层的反转楼层预测手段10D，如下所述，包括神经网络，它由取入输入数据的输入层、把与预测反转楼层相当的数据作为输出数据的输出层、和位于输入层与输出层之间，设定加权系数的中间层组成。

到达预想时间演算手段10E，根据预测到的反转楼层，演算各轿厢到达各楼层的乘场（按方向区别）止所需时间的预测值（即，到达预想时间）。

学习用数据生成手段10F，贮存变换成输入数据前（或变换后）的交通状态数据，以及与此后各轿厢的反转楼层有关的实测数据（或教师数据），把它们作为学习用数据加以输出。因此，教师数据，作为学习用数据的一部分贮存在学习用数据生成手段（10F）中。

修正手段10G，使用学习用数据，学习及修正反转楼层预测手段10D中的神经网络的功能。

1号电梯及2号电梯用的轿厢控制装置11及12，各自构成相同，例如，1号电梯用轿厢控制装置11，由以下熟知的手段11A-11E构成。

乘场呼叫取消手段11A输出与各楼层的乘场呼叫相对的乘场呼叫取消信号。轿厢呼叫登记手段11B，登记各楼层的轿厢呼叫。到达预报灯控制手段11C控制各楼层的到达预报灯（未图示）的点灯。运转控制手段11D决定轿厢的运行方向，或为了应答轿厢呼叫和已分配的乘场呼叫，控制轿厢的行驶及停止。门控制手段11E控制轿厢出入口的门的开关。

又，在图2中，群管理装置10由熟知的微机组成，由MPU（微处理单元）或CPU101、ROM102、RAM103、输入回路104和输出回路105构成。

来自各楼层的乘场按钮信号14和来自轿厢控制装置11及12的1号电梯和2号电梯的状态信号输入到输入回路104。又，由输出回路105输出输往设置在各乘场按钮内的乘场按钮灯的乘场按钮信号15和输往轿厢控制装置11及12的指令信号。

图3是具体表示图1中的数据变换手段10C及反转楼层预测手段10D的关系的功能框图。

图3中，输入数据变换手段即输入数据变换子单元10CA及输出数据变换手段即输出数据变换子单元10CB，构成图1内的数据变换手段10C。又，插入在输入数据变换子单元10CA和输出数据变换子单元10CB之间的假设分配时反转楼层预测子单元10DA和非假设分配时反转楼层预测子单元10DB，分别由神经网络组成，它们构成图1中的反转楼层预测手段10D。

输入数据变换子单元10CA把轿厢位置、运行方向、应应答的呼叫即轿厢呼叫和已分配的乘场呼叫（分配呼叫）等的交通状态数据变换成能作为神经网络10DA和10DB的输入数据使用的形式。又，输出数据变换子单元10CB，把神经网络10DA及10DB的输出数据（反转楼层的预测值）变换成在到达预想时间的演算中能使用的形式，即变换成表示上方向反转楼层或下方向反转楼层的值。

神经网络10DA由取入来自输入数据变换子单元10CA的输入数据的输入层10DA1，把与预测反转楼层相当的数据作为输出数据的输出层10DA3和位于输入层10DA1与输出层10DA3之间、设定加权系数的中间层10DA2构成。

同样地，神经网络10DB包括输入层10DB1，中间层10DB2及输出层10DB3。

神经网络10DA及10DB内的各层10DA1-10DA3及10DB1-10DB3相互用网络连接，各自由多个节点构成。在图3中，简略地示出每3个节点，简略表示连接关系。在这里，若将输入层、中间层及输出层的节点数分别设为N1、N2、N3，输出层10DA3及10DB3的各节点数N3表示为：

N3＝2×FL

FL：大楼的楼层数

一方面，与输入数据变换子单元10CA连接的输入层10DA1及10DB1的节点数N1与中间层10DA2及10DB2的节点数N2，由大数的楼层数FL、使用的输入数据的种类及轿厢台数等决定。

在神经网络10DA内，N1个输入值xa1（1）-xa1（N1）中的第i个输入值xa1（i），输入到输入层10DA1的第i个节点，N3个输出值ya3（1）-ya3（N3）中的第K个输出值ya3（K），自输出层10DA3的第K个节点输出。这里，i＝1，2，…N1、k＝1，2，…N3。又，为了防止繁杂，虽然没有图示，输入层10DA1的输出值以ya1（1）-ya1（N1）表示;中间层10DA2的输入值以xa2（1）-xa2（N2）表示;中间层10DA2的输出值以ya2（1）-ya2（N2）表示;输出层10DA3的输入值以xa3（1）-xa3（N3）表示;中间层10DA2的第j个节点（j＝1，2，…N2）的输入值及输出值分别以xa2（j）及ya2（j）表示。

又，在神经网络10DA中，在输入层10DA1和中间层10DA2之间及中间层10DA2与输出层10DA3之间，分别对于输入值设定加权系数。例如，在输入层的第i节点与中间层的第j节点之间设定加权系数wa1（i，j），在中间层的第j节点与输出层的第K节点之间设定加权系数wa2（j，k）。这里：

0≤wa1（i，j）≤1

0≤wa2（j，K）≤1

同样地，在神经网络10DB中，输入层10DB1的输入值以xb1（1）-xb1（N1）表示，输出层10DB3的输出值以yb3（1）-yb3（N3）表示。又，输入层与中间层之间的加权系数以wb1（i，j）表示;中间层与输出层之间的加权系数以wb2（j，k）表示。

其中：

0≤wb1（i，j）≤1

0≤wb2（j，k）≤1

图4是概略表示储存在群管理装置10内的ROM102中的群管理程序的流程图，图5是具体表示图4内的假设分配时的预测演算程序的流程图。图6是具体表示图4内的学习用数据生成程序的流程图，图7是具体表示图4内的修正程序的流程图。

下面，参照图4，对示于图1-图3的本发明的一个实施例的群管理动作的概要作说明。

首先，群管理装置10按照公知的输入程序（步骤31），取入乘场按钮信号14和来自轿厢控制装置11及12的状态信号。这里，在输入的状态信号中包含轿厢位置、行驶方向、停止或行驶状态、门开关状态、轿厢负荷、轿厢呼叫、乘场呼叫的取消信号等。

然后，按照公知的乘场呼叫登记程序（步骤32），与判定乘场呼叫的登记或解除及乘场按钮灯的点灯或灭灯的同时，演算乘场呼叫的持续时间。

继之，判定新的乘场呼叫是否登记（步骤33），若已有登记则进行假设分配时的预测演算程序（步骤34）、非假设分配时的预测演算程序（步骤35）、到达预想时间程序（步骤36）及分配程序（步骤37）。

在步骤34-37的程序中，如有新的乘场呼叫（例如记为C）被登记，则演算当把该乘场呼叫C假设分配给1号电梯及2号电梯时的各等待时间评价值W1及W2，把评价值为最小的轿厢作为正式的分配轿厢加以选择，对分配轿厢，设定与乘场呼叫C对应的分配指令及预报指令。

即，在假设分配时的预测演算程序（步骤34）中，假设把新的乘场呼叫C分别分配给1号电梯和2号电梯，预测演算此时的1号电梯的上方反转楼层URFA（1）及下方反转楼层LRFA（1）与2号电梯的上方反转楼层URFA（2）及下方反转楼层LRFA（2）。这里，为方便起见，如果把电梯最初反转的楼层设为第1反转楼层，其次反转的楼层设为第2反转楼层，则在电梯向上方行驶中或预想马上能向向上方向出发的场合，上方反转楼层作为第1反转楼层，下方反转楼层作为第2反转楼层。

这里，参照图5具体说明步骤34的预测演算动作。

在图5中，1号电梯用的反转楼层演算程序（步骤50）由以下的步骤51-57组成。

首先，通过假设分配时的输入数据变换程序（步骤51），取出已输入的交通状态数据中与应该预测反转楼层的1号电梯有关的数据（轿厢位置、运行方向、轿厢呼叫、分配的乘场呼叫），把这些作为与假设分配时反转楼层预测子单元10DA的输入层10DA1的网络的各节点相对应的输入数据加以变换。

例如，“这个电梯目前位于F1楼”这一轿厢状态（第1节点的输入值）xa1（1）为：

xa1（1）＝F1/FL

（式中：FL：大楼楼层数）

以0-1的范围中的规一化的值表示。同样地，轿厢的运行方向（第2节点的输入值）xa1（2），其上升方向、下降方向及无方向分别以“+1”、“-1”及“0”表示。又，把乘场呼叫假设分配给无方向的轿厢时，有必要把朝向该乘场呼叫的方向作为运行方向加以设定。又，1楼-12楼的轿厢呼叫（第3-第14节点的输入值）xa1（3）-xa1（14），若已登记以“1”表示，若尚未登记以“0”表示;1楼-11楼的上升分配乘场呼叫（第15-第25节点的输入值）xa1（15）-xa1（25），若已分配以“1”表示，若未分配以“0”表示;12楼-2楼的下降分配乘场呼叫（第26-第36节点的输入值）xa1（26）-xa1（36），若已分配以“1”表示，若未分配以“0”表示。

这样，对于输入层10DA1的输入数据如果设定，通过步骤52-56，进行网络演算，该网络是用于预测当把新的乘场呼叫C假设分配给1号电梯时的反转楼层的。

即，首先，根据输入数据xa1（i），通过下式演算输入层10DA1的输出值ya1（i）（i＝1，2，……N1）（步骤52）：

ya1（i）＝1/[1+exp｛-xa1（i）}] …（1）

然后，（1）式中得到的输出值ya1（i）乘加权系数wa1（i，j），且，对于i＝1-N1求和，通过下式演算中间层10DA2的输入值xa2（j）（j＝1，2……N2）（步骤53）：

xa2（j）＝∑{wa1（i，j）×ya1（i）} …（2）

（i＝1-N1）

然后，根据（2）式中得到的输入值xa2（j），通式下式演算中间层10DA2的输出值ya2（j）（步骤54）：

ya2（j）＝1/[1+exp{-xa2（j）}] …（3）

然后，用（3）式得到的输出值ya2（j）乘加权系数wa2（j，k）且对j＝1-N2求和，通过下式演算输出层10DA3的输入值xa3（K）（K＝1，2，…N3）（步骤55）：

xa3（k）＝∑{wa2（j，k）×ya2（j）} …（4）

（j＝1-N2）

然后，根据（4）式得到的输入值xa3（k），通过下式演算输出层10DA3的输出值ya3（k）（步骤56）：

ya3（k）＝1/[1+exp{-xa3（k）}] …（5）

如上述那样，如果预测把新的乘场呼叫C假设分配给1号电梯时的反转楼层的网络演算完成，则在假设分配时的输出数据变换程序（步骤57）中，决定最终的预测反转楼层。

此时，神经网络10DA的输出层10DA3的节点数N3，如前所述用N3＝2×FL表示。这些各节点，设定得使1个节点与1个楼层相当，与全部节点一半相当的第1-第FL节点的输出用于第1反转楼层的预测决定，与另外一半相当的第（FL+1）-第N3（＝2FL）节点的输出使用于第2反转楼层的预测决定。

例如，把新的乘场呼叫C假设分配给1号电梯时的第1反转楼层，取满足（6）式的楼层CRA1。

ya3（CRA1）＝max{ya3（1），……，ya3（FL）} …（6）

（6）式意味着把与输出层10DA3的第1-第FL节点中具有最大输出值的节点相当的楼层作为分配时的第1反转楼层。

同样地，根据下列（7）式，求第2反转楼层CRA2。

ya3（CRA2）＝max{ya3（FL+1），……ya3（N3）}

…（7）

这样，通过（6）式及（7）式求得的反转楼层CRA1及CRA2中，极大值是假设分配时的上方反转楼层URFA（1），极小值是下方反转楼层LRFA（1）。即：

URFA（1）＝max{CRA1，CRA2} …（8）

LRFA（1）＝min{CRA1，CRA2} …（9）

通过上述的步骤52-57，对与1号电梯有关的假设分配时的上方反转楼层URFA（1）及下方反转楼层LRFA（1）作了演算，1号电梯用的反转楼层演算程序（步骤50）结束。

然后，通过同样的反转演算程序（步骤39），演算与2号电梯有关的假设分配时的上方反转楼层URFA（2）及下方反转楼层LRFA（2）。

返回图4，在非假设分配时的预测演算程序（步骤35）中，在新的乘场呼叫C既不分配给1号电梯也不分配给2号电梯的场合，演算1号电梯和2号电梯的上方反转楼层URFB（1）与URFB（2）及下方反转楼层LRFB（1）与LRFB（2）。在该步骤35中，输入数据中只有与新的乘场呼叫C有关的数据与步骤34不同。

这样，按照图4的步骤34和35，通过数据变换手段10C及反转楼层预测手段10D，求得1号电梯和2号电梯的反转楼层的预测值。

然后，到达预想时间演算手段10E，按照到达预想时间演算程序（步骤36），演算新登记的乘场呼叫C假设分配给1号电梯时到达各乘场f（与考虑上升方向及下降方向的乘场呼叫相当）的到达预想时间A1（f）、2号电梯假设分配时到达各乘场f的到达预想时间A2（f）、那个也不分配时的1号电梯和2号电梯的到达预想时间B1（f）及B2（f）。

这里，如设楼层数FL为12楼，对乘场号f，f＝1，2，……11分别表示1，2，……11楼的上升方向乘场;f＝12，13，……22分别表示12，11，……2楼的下降方向乘场。

到达预想时间，例如，设轿厢前进1楼层需2秒，停止1次需要10秒，并以轿厢在预测的上方反转楼层URFA（1）、URFA（2）、URFB（1）及URFB（2）与下方反转楼层LRFA（1）、LRFA（2）、LRFB（1）及LRFB（2）之间，分别沿乘场顺次运转一周加以演算。又，比上方反转楼层更上方的乘场的到达预想时间，应把各个乘场当作上方反转楼层加以演算，比下方反转楼层更下方的乘场的到达预想时间，应把各个乘场看作下方反转楼层加以演算。再者，无方向的轿厢，应按自轿厢位于的楼层直接行驶到各乘场的设想，演算到达预想时间。

这些到达预想时间，用于在分配程序（步骤37）中演算等待时间评价值W1及W2。

然后，输出回路105，在输出程序（步骤38）中，在把上述那样设定的输往乘场按钮灯的信号15送出至乘场的同时，把含有分配信号、预报信号及待机指令等的指令信号送到轿厢控制装置11及12。

以上的反转楼层预测方式，把各轿厢的运行状态和乘场呼叫状态等的交通状态作输入，通过按照（1）式-（9）式的网络演算，决定预测反转楼层，网络表示交通状态与反转楼层的因果关系。该网络随连接属于各子单元即神经网络10DA及10DB的各节点间的加权系数wa1（i，j）及wa2（j，k）而变化。从而，通过学习，适当的使加权系数wa1（i，j）及wa2（j，k）变化，并通过修正，能决定更恰当的预测反转楼层。

然后，使用学习用数据作成手段10F及修正手段10G，对本发明的其它实施例作说明。

这样场合的学习（即，网络的修正）采用后传播法（バ_ツクブロパゲ一シ_ヨン）高效的进行。所谓后传播法是采用网络的输出数据与由实测数据生成的期望的输出数据（教师数据）的误差，修正连接网络的加权系数的方法。

首先，在图4的学习用数据生成程序（步骤39）中，贮存作为输入数据变换前（或变换后）的交通状态数据和与此后各轿厢的反转楼层有关的实测数据，把这些作为学习用数据输出。

下面，参照图6更详细地说明该学习用数据作成动作。

首先，判定是否已产生（置位）新的学习用数据作成许可，且乘场呼叫的分配刚进行（步骤61）。

若学习用数据生成许可已被置位且进行乘场呼叫的分配，则把表示分配时的交通状态的输入数据xa1（1）-xa1（N1）与表示预测反转楼层的输出数据ya3（1）-ya3（N3）作为m号的教师数据（即学习用数据的一部分）加以贮存（步骤62）。又，与复位新的学习用数据生成许可的同时，置位第1反转楼层的实测指令（步骤63）。

由此，在下一个演算周期的步骤61中，由于判定为新的学习用数据生成许可没有置位，故流程进至步骤64。又，在步骤64中，判定第1反转楼层的实测指令是否置位，但由于在步骤63中，实测指令已被置位，故流程进至步骤65，判定轿厢是否方向反转。

在第几次以后的演算周期中，如果检出方向反转，流程自步骤65进至步骤66，把检出的方向反转楼层作为m号的学习用数据的一部分加以贮存。这是原教师数据，用第1反转楼层DAF1表示。继之，在步骤67中，在复位第1反转楼层的实测指令的同时，置位第2反转楼层的实测指令。

在其后的演算周期中，在步骤64，由于判定为第1反转楼层的实测指令没有置位，流程从步骤61，通过步骤64进至步骤68。

又，在步骤68中，判定第2反转楼层的实测指令是否置位，但由于在步骤67中实测指令已置位，故流程进至步骤69，判定轿厢方向是否反转。

如果在第几次以后的演算周期中，检出方向反转，流程自步骤69进至步骤70，把检出的方向反转楼层作为m号的学习用数据的一部分中以贮存。这是原始教师数据，用第2反转楼层DAF2表示。继之，在步骤71中，复位第2反转楼层的实测指令的同时，再次置位新的学习用数据的生成许可，使学习用数据序号m增值。

下面，同样地，与乘场呼叫的分配进行时期相配合，学习用数据反复生成，贮存在学习用数据生成手段10F中。

又，学习用数据，对于每个进行乘场呼叫分配的轿厢和每个没有作分配的轿厢分别生成。而前者的轿厢（分配轿厢）的学习用数据，用于假设分配时反转楼层预测子单元10DA的网络修正，后者轿厢（非分配轿厢）的学习用数据，用于非假设分配时反转楼层预测子单元10DB的网络修正。

然后，修正手段10G，在图4的修正程序（步骤40）中使用学习用数据，修正神经网络10DA及10DB的网络。

下面，参照图7，更详细地说明该修正动作。

首先，判定是否已到达应该进行网络修正的时期（步骤80），如果是修正时期，进行由下面的步骤82-88组成的假设分配时反转楼层预测子单元10DA的网络修正次序（步骤81），继而，进行同样的子单元10DB的网络修正次序（步骤89）。

这里，把现在贮存的学习用数据的组数m为S个（例如100个）以上时作为网络修正时期。再者，学习用数据的判定基准数S，根据电梯的设置台数、大楼的楼层数FL及乘场呼叫数等网络的规模，任意设定。

在步骤80中，判定为学习用数据的组数m是S个以上，流程进至步骤81时，首先，学习用数据的计数器序号n初始设定为1（步骤82）。

然后，从n序号的学习用数据中取出第1反转楼层DAF1及第2反转楼层DAF2，把与这些楼层相当的节点的值为“1”、与这些以外的楼层相当的节点的值为“0”这样的学习用数据作为教师数据da（k）（步骤83）。

这里，教师数据da（k）是：

da（DAF1）＝1

da（DAF2+FL）＝1

与K≠DAF1或K≠DAF2+FL的K（k＝1，2，……，N3）相对应，da（k）＝0。

然后，通过将自n序号的学习用数据中取出的输出层10DA3的输出值ya3（1）-ya3（N3）与教师数据da（1）-da（N3）的误差Ea平方，且对于k＝1-N3求和并由下式求两者的误差Ea：

Ea＝∑[{da（k）-ya₃（k）}²]/2 …（11）

（K＝1-N₃）

又，采用用（11）式得到的误差Ea.如下述那样修正中间层10DA2与输出层10DA3之间的加权系数wa2（j，k）（j＝1，2，……N2、K＝1，2，……N3）（步骤84）。

首先，以wa2（j，k）对（11）式的误差Ea微分，如果用上述（1）式-（5）式加以整理，加权系数wa2（j，k）的变化量△wa2（j，k）用下式表示：

△wa2（j，k）＝-α｛

Ea/

wa2（j，k）}

＝-αδa2（k）·ya2（j） …（12）

又，α是表示学习速度的参数，可在0-1范围内选择任意值。

又，在（12）式中，

δa2（k）＝{ya3（k）-da（k）}ya3（k）{1-ya3（k）}

这样，若计算加权系数wa2（j，k）的变化量△wa2（j，k），通过以下的（13）式，进行加权系数wa2（j，k）的修正。

wa2（j，k）←wa2（j，k）+△wa2（j，k） …（13）

又，同样地，根据以下的（14）式及（15）式，修正输入层10DA1与中间层10DA2间的加权系数wa1（i，j）（i＝1，2，……N1、j＝1，2，……N2）（步骤85）。

首先，由（14）式求加权系数wa1（i，j）的变化量△wa1（i，j），

△wa1（i，j）＝-α·δa1（j）·ya1（i） …（14）

又，在（14）式中，δa1（j）是以下面的k＝1-N3的总和式：

δa1（j）＝∑{δa2（k）·wa2（j，k）·ya2（j）×[1-ya2（j）]｝

表示。用（14）式得到的变化量△wa1（i，j），进行下述（15）式那样的加权系数wa1（i，j）的修正。

wa1（i，j）←wa1（i，j）+△wa1（i，j） …（15）

这样，如果进行取决于n序号的学习用数据的修正步骤83-85，则使学习用数据的序号n增值（步骤86），直到判定为在步骤87全部学习用数据修正已结束（n＞m）为止，反复进行修正步骤83-86的处理。

又，如果对于全部的学习用数据进行修正，把完成修正后的加权系数wa1（i，j）及wa2（j，k）记录在反转楼层预测手段10D中（步骤88）。

此时，清除修正中使用过的全部学习用数据，学习用数据的序号m初始设定为“1”，以便能再次贮存最新的学习用数据。

这样，如果神经网络10DA的网络修正程序（步骤81）结束，与此同样地，进行神经网络10DB的网络修正程序。

这样，乘场呼叫记录时的交通状态数据与预测反转楼层的因果关系，用根据神经网络10DA及10DB的网络来表现，与此同时，通过学习实测数据，能够修正网络。从而，使以往始终未能实现的精密、灵活的反转楼层的预测成为可能。

又，在上述实施例中，虽然表示的是把预测反转楼层用于到达预想时间的演算的场合，但也可用于其它预测演算，例如，轿厢内的混杂状态，最近的将来的轿厢位置、轿厢聚集的情况等的预测。

又，输入数据变换手段即输入数据变换子单元10CA的输入数据（交通状态数据），虽然是以轿厢位置、运行方向及应该应答的呼叫等场合来表示的，但交通状态数据不限于这些。例如，可把轿厢的状态（减速之中，门开启动作中，门开启，门关闭动作中，门关闭待机、行驶中等）、乘场呼叫的持续时间、轿厢呼叫的持续时间、轿厢负荷、进行群管理的轿厢台数等作为输入数据，加以使用，通过把这些作为输入数据，可以进行更正确的反转楼层的演算。

又，学习用数据生成手段10F，虽然是如下工作的：在乘场呼叫分配进行时，贮存此时的输入数据及预测的反转楼层，此后，在检测到轿厢方向反转的楼层时，把它作为实际反转楼层加以贮存，把贮存的输入数据、预测的反转楼层及实际反转楼层作为一组学习用数据加以输出;但生成学习用数据的时期不限于此。例如，也可把自上次输入数据贮存时起所经过的时间超过预定时间（例如，1分钟）时，作为学习用数据生成时期，也可以把周期性（例如，每1分钟）作为学习用数据生成时期。又，由于各种条件下的学习用数据收集得越多，学习条件越提高，例如，预先确定停止在预定楼层时或轿厢成为预定的状态（减速中、停止中等）时等可想象到的代表状态，在检出该状态时生成学习用数据也可以。

同样地，修正手段10G虽然是在贮存在学习用数据生成手段10F内的学习用数据数每次达到预定数时，修正反转楼层预测手段10D内的加权系数，但加权系数的修正时期不限于此。例如，也能在从学习用数据生成手段10F每次输出学习用数据时，修正加权系数，这时，能以相当高的精度，自学习终了前开始演算预测反转楼层。又，在预先设定时期（例如，每1小时），使用到该时间止贮存的学习用数据，修正加权系数也可以，在交通变得闲散，由反转楼层预测手段10D进行的预测反转楼层的演算频度变少时，修正加权系数也可以。

又，在上述实施例中，因为通过由同一神经网络组成的反转楼层预测手段10D，演算上方反转楼层及下方反转楼层两方面，如果第1反转楼层及第2反转楼层两方面的数据收不齐，一组学习用数据不能完成，要得到必要数量的学习用数据需花费时间。因而，考虑到这一点，在反转楼层预测手段10D中，分别设置仅预测演算上方反转楼层的神经网络和仅演算下方反转楼层的神经网络也可以。在这种场合，由于从预测时间点至轿厢方向反转止的时间平均缩短，因而有可能在短时间中收集很多学习用数据。

再者，在上述实施例中，采用由同一神经网络组成的反转楼层预测手段10D，通过一天来演算反转楼层，但由于即使1天中，交通量的流动特征也时刻变化，仅把轿厢位置、运行方向及应该应答的呼叫作为输入数据，要灵活且正确的预测相应于各种交通量的反转楼层是困难的。为了解决这一点，作为输入数据，有必要把表示交通流动的特征的数据，例如，过去已统计的交通量（乘车人数、乘场呼叫数、轿厢呼叫数等）作为输入数据使用。但是，如果输入数据增加，则反转楼层的预测演算就要增加相当于这部分的时间花费，此外为了修正反转楼层预测手段10D的加权系数，还有必要使用更多的学习用数据及学习期间。

因而，考虑上述这一点，相应交通的流动的特征，把1天分割成多个时间带或交通类型，准备与各时间带或交通类型相对应的多个反转楼层预测手段，一边检测交通的流动特征一边切换反转楼层预测手段，这样演算反转楼层的预测值也可以。这种场合，虽然反转楼层预测手段的数量增加，但由于不必要把交通量作为输入数据来使用，在演算上也不需要化费时间，可能用较少的学习用数据及短的学习期间修正加权系数。

如上述那样，根据本发明，由于备有：能把至少包括轿厢位置、运行方向及应该应答的呼叫的交通状态数据作为神经网络的输入数据，变换成能使用形式的输入数据变换手段;含有取入输入数据的输入层、把与预测反转楼层相当的数据作为输出数据的输出层及位于输入层与输出层之间、设定加权系数的中间层，并构成神经网络的反转楼层预测手段;和把输出数据变换成控制演算中能使用形式的输出数据变换手段，把交通状态数据取入神经网络中，把轿厢方向反转的楼层的预测值作为预测反转楼层加以演算，故具有能够得到这样的电梯控制装置的效果，这种电梯控制装置根据交通状态和与交通量相应的灵活的预测，能够预测与实际的反转楼层接近的反转楼层并能够提高到达预想时间等的精度。

又，根据本发明，由于进一步备有：如果在电梯运转中达到预先确定的时期，则在贮存预定轿厢的预测反转楼层及此时的输入数据的同时，检测预定轿厢实际进行方向反转的楼层，把它作为实际反转楼层加以贮存，把贮存的输入数据、预测反转楼层及实际反转楼层作为一组学习用数据输出的学习用数据生成手段;和采用学习用数据，修正反转楼层预测手段的加权系数的修正手段，根据演算的预测结果和此时的交通状态数据及实测数据，自动修正神经网络中的加权系数，因此具有可得到交通的流动情况即使因大楼使用状况的变化（例如，居住者的变更）而变化，也能自动对应、且反转楼层的预测精度更高的电梯控制装置这样的效果。

Claims

1、一种电梯控制装置，其特征在于包括：

把含有电梯的轿厢位置、运行方向及应该应答的呼叫的交通状态数据作为神经网络的输入数据，变换成能使用形式的输入数据变换手段；

包括取入所述输入数据的输入层、把与预测所述电梯的轿厢方向反转的楼层的预测反转楼层相当的数据作为输出数据的输出层及位于所述输入层与所述输出层之间、设定加权系数的中间层，构成所述神经网络的反转楼层预测手段；

把所述输出数据变换成在预定的控制动作中能使用的形式的输出数据变换手段。

2、如权利要求1所述的电梯控制装置，其特征在于，根据所述轿厢的所述预测反转楼层，控制所述轿厢的动作。

3、如权利要求1所述的电梯控制装置，其特征在于，所述反转楼层预测手段，设置多个独立的神经网络，使之演算所述预测反转楼层。

4、如权利要求1所述的电梯控制装置，其特征在于，与预测所述电梯轿厢方向反转的楼层的预测反转楼层相当的数据是预测所述轿厢向上方反转或者向下方反转或者向两方反转的预测反转楼层。

5、如权利要求1所述的电梯控制装置，其特征在于，与预测所述电梯轿厢方向反转的楼层的预测反转楼层相当的数据是继续不断反转的多个预测反转楼层。

6、如权利要求1所述的电梯控制装置，其特征在于，所述输入数据变换手段的输入，包括交通的流动的统计特征数据。

7、如权利要求6所述的电梯控制装置，其特征在于，作为所述交通的流动的统计特征数据，使用以往统计的乘电梯人数等的交通量。

8、如权利要求6所述的电梯控制装置，其特征在于，与根据所述交通的流动的统计的特征数据的特征分割的时间带或交通类型相对应地设置多个反转楼层预测手段。

9、如权利要求1所述的电梯控制装置，其特征在于，所述输入数据变换手段的输入包括轿厢状态数据或者呼叫状态数据。

10、如权利要求1所述的电梯控制装置，其特征在于，包括：根据与预测所述电梯的轿厢方向反转的楼层的预测反转楼层相当的数据，演算所述轿厢的到达预想时间的到达预想时间演算手段。

11、如权利要求10所述的电梯控制装置，其特征在于，所述到达预想时间演算手段是以在多个预测反转楼层间顺次运转而加以演算的。

12、如权利要求10所述的电梯控制装置，其特征在于，所述到达预想时间演算手段，把比预测的上方或下方反转楼层上方或下方的乘场作为预测反转楼层，演算该上方或下方的乘场的到达预想时间。

13、如权利要求10所述的电梯控制装置，其特征在于，所述到达预想时间演算手段，对于无方向的轿厢，是以从轿厢所处的楼层向有呼叫的某个乘场直行来演算到达预想时间。

14、如权利要求10所述的电梯控制装置，其特征在于，包括：根据所述到达预想时间演算手段演算的到达预想时间，评价乘场呼叫等待时间，分配轿厢的群管理装置。

15、如权利要求1所述的电梯控制装置，其特征在于，包括：根据与所述预测反转楼层相当的数据，预测所述轿厢的最近将来的状态的演算手段。

16、如权利要求1所述的电梯控制装置，其特征在于，所述反转楼层预测手段，每当乘场呼叫登记时，输出与预测所述电梯轿厢方向反转楼层的预测反转楼层相当的数据。

17、如权利要求1所述的电梯控制装置，其特征在于，它进一步包括：在电梯运转的预定时期中，在贮存所述轿厢的预测的反转楼层及此时的输入数据的同时，检测所述轿厢实际上方向反转的楼层，把它作为实际反转楼层加以贮存，把贮存的所述输入数据、所述预测反转楼层及所述实际楼层作为一组学习数据而输出的学习用数据生成手段;和

用所述学习用数据生成手段，修正所述反转楼层预测手段的加权系数的修正手段。

18、如权利要求17所述的电梯控制装置，其特征在于，所述学习数据生成手段，在检测到预定时期或状态时，反复产生所述学习用数据并加以贮存。

19、如权利要求17所述的电梯控制装置，其特征在于，所述学习用数据生成手段，配合乘场呼叫分配进行时期或配合设定时间或周期、或轿厢成为预定状态时，反复产生所述学习用数据并加以贮存。

20、如权利要求17所述的电梯控制装置，其特征在于，所述学习用数据生成手段，检测所述轿厢向上方反转或向下方反转，或者向两方向反转，把它作为实际反转楼层加以贮存。

21、如权利要求17所述的电梯控制装置，其特征在于，所述修正手段，在预先设定时期或状态中，进行修正。

22、如权利要求17所述的电梯控制装置，其特征在于，所述修正手段，当反复产生并贮存的学习用数据的组数达到预定的组数时，进行修正。

23、如权利要求17所述的电梯控制装置，其特征在于，所述修正手段，采用实际的输出数据与期望的输出数据的差作修正。

24、如权利要求17所述的电梯控制装置，其特征在于，所述修正手段，在乘场呼叫登记的频度变少时，进行修正。

25、如权利要求1所述的电梯控制装置，其特征在于，所述预测反转楼层的演算，求把乘场呼叫假设分配给各轿厢的场合和没有假设分配给各轿厢的场合。

26、如权利要求17所述的电梯控制装置，其特征在于，所述学习用数据，是按设置在所述电梯中的多个轿厢中进行了乘场呼叫分配的轿厢与没有进行乘场呼叫分配的轿厢分别生成。

27、如权利要求17所述的电梯控制装置，其特征在于，设置多个所述反转楼层预测手段，为了修正各自独立的所述反转楼层预测手段的各自的加权系数，而生成设置在所述电梯中的多个轿厢中已进行乘场呼叫分配的轿厢的所述学习用数据与未进行乘场呼叫的分配的轿厢的所述学习用数据。

28、如权利要求1所述的电梯控制装置，其特征在于，设置多个所述反转楼层预测手段，分别切换这些所述反转楼层预测手段，以预测不同种类的反转楼层。

29、如权利要求3所述的电梯控制装置，其特征在于，所述反转楼层预测手段设置多个独立的神经网络，使之分别演算不同种类的反转楼层。