CN112041255B - 人流预测方法以及人流预测系统 - Google Patents

Abstract

生成包括过去乘坐了电梯的人的数量的本地上下数据，通过使出现在电梯的候梯厅的人虚拟地产生，并基于产生人数来模拟电梯的运行，从而生成包括乘坐了电梯的人的数量的虚拟上下数据，基于产生人数和虚拟上下数据，而生成将比某时刻靠前的虚拟上下数据转换为比该时刻靠后的产生人数的第一转换模型、以及将比某时刻靠后的虚拟上下数据转换为比该时刻靠前的产生人数的第二转换模型，基于由第二转换模型转换出的产生人数，而对根据比某时刻靠前的产生人数预测比该时刻靠后的产生人数的预测模型进行学习，使用第一转换模型以及预测模型，根据比某时刻靠前的本地上下数据预测比该时刻靠后的产生人数。

Description

人流预测方法以及人流预测系统

基于参照的引入

本申请主张作为在平成30年(2018年)6月26日申请的日本申请的日本特愿2018-121057的优先权，并通过参照其内容，而引入本申请中。

技术领域

本发明涉及例如电梯等的交通需求的预测。

背景技术

在办公室等的大厦中，导入有如下电梯群管理系统：同时设置多个电梯以提升电梯的输送能力，在候梯厅处的呼叫登记时，选择最佳的轿厢而进行控制。在这样的电梯运行控制中，为了进行相对于利用者的等待时间等的降低，在电梯群管理系统中，通过使用运行数据等预测电梯利用状况来进行运行控制。作为预测电梯利用状况的技术，例如存在日本特开2014-172718号公报(专利文献1)以及国际公开第2017/006379号(专利文献2)所记载的技术。

在专利文献1中，记载为“提供能够正确地预测建筑物内的交通需求的电梯交通需求预测装置。一实施方式的电梯交通需求预测装置具备取得部、计算部、特征量数据库、预测部以及选择部。取得部取得包括按照移动方向以及按照楼层的上梯载荷以及下梯载荷的电梯控制结果。计算部基于所述电梯控制结果，而计算包括表示交通需求的分类的分类特征量在内的交通需求的特征量。特征量数据库将计算出的所述交通需求的特征量与属性信息以及时刻信息建立关联并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括的不同的数据而预测交通需求的分类并生成预测值的多个专家部，且将所述预测值中的一个采用为预测结果。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。”。

在专利文献2中，记载为“提供通过抑制在预测到将来的拥挤的时刻附近使在候梯厅的利用者产生长等待的情况，从而能够提升利用者的输送能力的新的群管理电梯装置以及基于群管理的搭乘号梯的分配方法。使用多个利用者的候梯厅到达时间和当前的各搭乘号梯的运行信息来预测将来的拥挤状况并进行利用者的分组，基于该分组了的信息而进行与各组对应的搭乘号梯的临时分配，并且将比预测到拥挤的拥挤预测时刻提前出发的搭乘号梯再次到达候梯厅的到达预料时刻在规定的条件下进行调整为在预测到拥挤的拥挤预测时刻附近到达，将该调整了的搭乘号梯决定为在预料到拥挤的拥挤预测时刻附近到达的搭乘号梯。据此，能够在预测到拥挤状况的拥挤时刻附近顺畅地向候梯厅调配轿厢。”。

现有技术文献

专利文献

专利文献1：日本特开2014-172718号公报

专利文献2：国际公开第2017/006379号

发明内容

发明要解决的课题

谋求针对每个楼层预测将来到达电梯厅的人数(即，将来的产生人数)及其目的地层等。但是，在专利文献1以及专利文献2中，使用了电梯的轿厢上梯人数，因此虽然知晓上梯楼层和下梯楼层的状况，但不知晓电梯厅的状况。

当要通过机器学习等来制作用于取得电梯所搭载的传感器的信息(例如，针对每个楼层的上下人数等)并基于该信息预测将来到达电梯厅的产生人数的预测模型时，需要产生人数的真值。若在各楼层的电梯厅设置相机等，则能够得到产生人数的真值，但其设置的成本非常高，因此难以实际设置。

用于解决课题的方案

为了解决上述的课题中的至少一个，本发明是具有处理器以及与所述处理器连接的存储装置的计算机系统所执行的人流预测方法，所述人流预测方法的特征在于，包括：上下人数算定步骤，在所述上下人数算定步骤中，所述处理器基于设置于电梯的传感器的信息，而计算过去乘坐了所述电梯的人的数量，并生成包括计算出的所述人的数量的本地上下数据；模拟数据生成步骤，在所述模拟数据生成步骤中，所述处理器通过使为了利用所述电梯而出现在所述电梯的各候梯厅的人虚拟地产生，并基于产生人数来模拟所述电梯的运行，从而生成至少包括乘坐了所述电梯的人的数量的虚拟上下数据；第一转换模型生成步骤，在所述第一转换模型生成步骤中，所述处理器基于所述产生人数和所述虚拟上下数据，而生成将比某时刻靠前的所述虚拟上下数据转换为比该时刻靠后的所述产生人数的第一转换模型；第二转换模型生成步骤，在所述第二转换模型生成步骤中，所述处理器基于所述产生人数和所述虚拟上下数据，而生成将比某时刻靠后的所述虚拟上下数据转换为比该时刻靠前的所述产生人数的第二转换模型；预测模型学习步骤，在所述预测模型学习步骤中，所述处理器基于由所述第二转换模型转换出的所述产生人数，而对根据比某时刻靠前的所述产生人数预测比该时刻靠后的所述产生人数的预测模型进行学习；以及预测步骤，在所述预测步骤中，所述处理器使用所述第一转换模型以及所述预测模型，根据比某时刻靠前的所述本地上下数据预测比该时刻靠后的所述产生人数。

发明效果

根据本发明的一方案，无需电梯厅的相机等高成本的设备，而能够实现利用者的满足度提升的电梯的运行。上述以外的课题、结构以及效果通过以下的实施方式的说明来明确。

附图说明

图1是示出本发明的实施例1的人流预测装置的结构的功能框图。

图2是示出本发明的实施例1的人流预测装置的硬件结构的框图。

图3A是示出本发明的实施例1的人流预测装置所执行的处理的序列图。

图3B是示出本发明的实施例1的人流预测装置所执行的处理的序列图。

图4A是本发明的实施例1的本地上下数据库所包括的轿厢状态数据的说明图。

图4B是本发明的实施例1的本地上下数据库所包括的呼叫状态数据的说明图。

图4C是本发明的实施例1的本地上下数据库所包括的本地上下数据的说明图。

图5A是本发明的实施例1的模拟数据库所包括的虚拟交通需求数据的说明图。

图5B是本发明的实施例1的模拟数据库所包括的轿厢状态数据的说明图。

图5C是本发明的实施例1的模拟数据库所包括的呼叫状态数据的说明图。

图6是本发明的实施例1的实时转换模型生成部生成过去上下/产生转换模型的处理的说明图。

图7是本发明的实施例1的模型数据库所包括的过去上下/产生转换模型的参数的说明图。

图8是本发明的实施例1的实时转换模型生成部使用过去上下/产生转换模型而将实际的乘坐人数等转换为产生人数的处理的说明图。

图9是本发明的实施例1的转换产生数据库所包括的由实时转换模型生成部生成出的产生人数的数据的说明图。

图10是本发明的实施例1的离线转换模型生成部生成未来上下/产生转换模型的处理的说明图。

图11是本发明的实施例1的模型数据库所包括的未来上下/产生转换模型的参数的说明图。

图12是本发明的实施例1的离线转换模型生成部使用未来上下/产生转换模型而将实际的乘坐人数等转换为产生人数的处理的说明图。

图13是本发明的实施例1的转换产生数据库所包括的由离线转换模型生成部生成出的产生人数的数据的说明图。

图14A是本发明的实施例1的预测模型学习部学习预测模型的处理的说明图。

图14B是本发明的实施例1的预测模型学习部学习预测模型的处理的说明图。

图15是本发明的实施例1的模型数据库所包括的预测模型的参数的说明图。

图16是本发明的实施例1的上下人数算定部以及预测部所执行的实时处理的说明图。

图17是示出本发明的实施例2的人流预测装置的结构的功能框图。

图18是示出本发明的实施例3的人流预测装置的结构的功能框图。

图19是设置有本发明的实施例3的电梯厅相机的电梯厅的说明图。

图20是本发明的实施例3的厅内产生人数计算部所执行的产生人数的计算的说明图。

具体实施方式

以下，使用附图对本发明的实施方式详细进行说明。

实施例1

图1是示出本发明的实施例1的人流预测装置100的结构的功能框图。

本实施例的人流预测装置100具有产生人数预测部101。

产生人数预测部101具有离线转换模型生成部102、实时转换模型生成部106、模拟数据生成部110、预测模型学习部113、预测部116、上下人数算定部120、模拟数据库(DB)121、转换产生数据库(DB)122、模型数据库(DB)123以及本地上下数据库(DB)124。

离线转换模型生成部102包括转换特征量计算部103、未来上下/产生转换模型学习部104以及产生数据转换部105。实时转换模型生成部106包括转换特征量计算部107、过去上下/产生转换模型学习部108以及产生数据转换部109。模拟数据生成部110包括虚拟交通需求生成部111以及产生/运行数据生成部112。预测模型学习部113包括预测特征量计算部114以及预测模型学习部115。预测部116包括实时产生转换部117、预测特征量计算部118以及预测模型应用部119。

关于上述的各部所执行的处理以及各数据库的内容在后叙述。

电梯130例如是设置于一个大厦的具有多个轿厢(省略图示)的群管理电梯，且具有控制这些轿厢的运行的控制部(省略图示)。预测部116将预测产生人数而得到的结果向电梯130发送，电梯130的控制部基于其结果而控制轿厢的运行。另外，控制部将电梯130取得的各种信息向人流预测装置100发送。上下人数算定部120基于从电梯130取得的信息而执行后述的处理。

需要说明的是，在本实施例中“产生”是指要利用电梯的人到达电梯厅(即，电梯的候梯厅)，“产生人数”是产生了的人的数量。

图2是示出本发明的实施例1的人流预测装置100的硬件结构的框图。

人流预测装置100例如是具有相互连接的接口(I/F)201、输入装置202、输出装置203、处理器204、主存储装置205以及辅助存储装置206的计算机。

接口201与网络(省略图示)连接，并经由网络而进行与电梯130的通信。输入装置202是人流预测装置100的用户为了向人流预测装置100输入信息而使用的装置，例如也可以包括键盘、鼠标以及触摸传感器等中的至少任一个。输出装置203是向人流预测装置100的用户输出信息的装置，例如也可以包括显示文字以及图像等的显示装置。

处理器204按照保存于主存储装置205的程序来执行各种处理。主存储装置205例如是DRAM那样的半导体存储装置，且保存由处理器204执行的程序以及处理器的处理所需的数据等。辅助存储装置206例如是硬盘驱动器或者闪存器等较大容量的存储装置，且保存在由处理器204执行的处理中参照的数据等。

在本实施例的主存储装置205保存用于在产生人数预测部101实现离线转换模型生成部102、实时转换模型生成部106、模拟数据生成部110、预测模型学习部113、预测部116以及上下人数算定部120的程序。因此，在以下的说明中上述的各部所执行的处理实际上由处理器204按照保存于主存储装置205的与各部对应的程序而执行。

本实施方式的辅助存储装置206保存模拟数据库121、转换产生数据库122、模型数据库123以及本地上下数据库124。并且，也可以在辅助存储装置206保存与产生人数预测部101所包括的各部对应的程序，并根据需要而复制到主存储装置205。另外，上述的数据库的至少一部分也可以根据需要而复制到主存储装置205。

图3A以及图3B是示出本发明的实施例1的人流预测装置100所执行的处理的序列图。

人流预测装置100的处理包括：离线处理300，其基于由模拟取得的数据、以及在电梯130的过去的实际运行时取得的数据，而学习用于根据到当前为止的产生人数而预测未来的产生人数的预测模型；以及实时处理320，其使用通过学习而得到的预测模型来预测未来的产生人数。首先，对离线处理300进行说明。

首先，上下人数算定部120从电梯130取得在过去的实际运行时取得的与该电梯130的状态相关的数据(步骤301)。在此取得的数据例如也可以包括针对每个时刻(或者规定的长度的时间段)的电梯130的各轿厢的位置、移动方向以及各轿厢的装载物的重量等。并且，上下人数算定部120也可以取得针对每个时刻(或者规定的长度的时间段)的各楼层的呼叫状态、即表示是否按了各楼层的呼叫按钮的数据。这些数据也记载为本地数据。

并且，上下人数算定部120根据取得的数据，而生成本地上下数据。例如，上下人数算定部120也可以基于各时刻的各轿厢的重量而对各时刻推定正在乘坐各轿厢的人的数量。另外，上下人数算定部120也可以根据各时刻的各轿厢的位置、移动方向以及重量的变化，而对各轿厢推定在各楼层乘上的人数、在各楼层下的人数等，并且，也可以基于各轿厢的目的地层按钮以及各楼层的呼叫按钮的操作的记录，而推定从某层乘坐并从其他某层下的人的数量。本地上下数据包括这样的信息中的至少任一个。上述那样的推定能够以任意的方法进行，因此在此省略其详细的说明。

上下人数算定部120将取得的轿厢的状态等数据以及基于该数据而推定出的本地上下数据保存于本地上下数据库124(步骤302)。关于本地上下数据库124的内容的一例，在后叙述(参照图4A～图4C)。

接下来，模拟数据生成部110的虚拟交通需求生成部111生成虚拟交通需求(步骤303)。例如，虚拟交通需求生成部111使用随机数来决定人产生的时刻、该人产生的楼层、以及该人使用电梯130要去往的楼层(目的地层)，也可以假定为产生了那样的人(即，也可以使那样的人虚拟地产生)。虚拟交通需求生成部111使充分的数量的人虚拟地产生，以通过后述的运行模拟而生成模拟数据。

此时，虚拟交通需求生成部111可以不存在任何制约地随机产生人，但也可以在加上基于本地上下数据的制约的基础上随机产生人。例如，虚拟交通需求生成部111也可以以使人产生的概率的分布与根据本地上下数据而计算的概率的分布相同的方式产生人。更具体而言，例如也可以根据本地上下数据，将针对具有适当的时间长度的每个时间段的电梯130的乘坐人数的分布通过泊松分布而模型化。并且，也可以以使人的产生概率的分布遵照模型化了的泊松分布的方式产生人。由此，能够高效地生成模拟数据。

接下来，模拟数据生成部110的产生/运行数据生成部112根据由步骤303生成出的虚拟交通需求(即人的产生)，而生成电梯130的运行数据(步骤304)。具体而言，产生/运行数据生成部112具有对电梯130的运行进行模拟的运行模拟器，并将由步骤303生成出的虚拟交通需求即产生了何时、在哪个楼层的电梯厅、要去往哪个楼层的人这样的信息输入运行模拟器而执行运行模拟。

并且，产生/运行数据生成部112生成虚拟的运行数据来作为运行模拟的结果。在此生成的虚拟的运行数据例如除了包括通过模拟而求出的在各时刻正在乘坐轿厢的人的数量、或者针对以各时刻为起点的每个规定的时间段的上下了的人的数量这样的虚拟的上下人数等数据以外，还包括通过模拟而求出的针对每个时刻的各轿厢的位置、移动方向、各楼层的呼叫状态等数据。

模拟数据生成部110将虚拟交通需求生成部111生成出的虚拟交通需求以及产生/运行数据生成部112生成出的运行数据保存于模拟数据库121。关于模拟数据库121的内容的一例，在后叙述(参照图5A～图5C)。

接下来，实时转换模型生成部106基于比某时刻靠前的上下人数等运行数据，而生成用于推定比该时刻靠后的产生人数(换言之，将比某时刻靠前的上下人数等转换为比该时刻靠后的产生人数)的模型(步骤306～308)。将在此生成的模型记载为过去上下/产生转换模型。该模型不仅在离线处理300中在实时处理320中也被使用，因此也记载为实时转换模型。

需要说明的是，在本实施例中，某时间段的上下人数等被转换为比该时间段靠后的时间段的产生人数。在此，对于成为转换的来源的运行数据的时间段与基于该时间段而转换出的产生人数的时间段的关系，只要前者的时间段包括比后者的时间段靠前的时间段，则两者的至少一部分也可以重复。例如，在后者的时间段为以某时刻为终点的规定的长度的时间段的情况下，前者的时间段也可以是以后者的时间段的起点或者比后者的时间段的起点靠前的任一时刻为终点的时间段，也可以是以后者的时间段所包括的任一时刻为终点且以比后者的时间段的起点靠前的任一时刻为起点的时间段。

以下，说明实时转换模型生成部106的处理。首先，实时转换模型生成部106的转换特征量计算部107对通过模拟数据生成部110的模拟而生成出的针对每个时间段的运行数据的特征量进行计算(步骤306)。接下来，实时转换模型生成部106的过去上下/产生转换模型学习部108通过将由步骤306计算出的各时间段的特征量与比各个时间段靠后的时间段的产生人数(即，输入到运行模拟器的虚拟交通需求)的组合作为学习数据进行机器学习，从而生成过去上下/产生转换模型(步骤307)。生成出的过去上下/产生转换模型保存于模型数据库123(步骤312)。

接下来，实时转换模型生成部106的产生数据转换部109通过对作为本地数据而取得的运行数据应用过去上下/产生转换模型，从而生成与该运行数据对应的时间段的产生人数(步骤308)。例如对多个连续的时间段的运行数据应用过去上下/产生转换模型而生成与这些时间段对应的时间段的产生人数，从而能够取得将这些多个连续的时间段综合而得到的期间中的某期间的运行数据与同该某期间相同的期间的产生人数的组。由此得到的产生人数保存于转换产生数据库122(步骤313)。

关于实时转换模型生成部106的处理以及作为其结果而生成的数据的一例，在后叙述(参照图6～图9)。

另一方面，离线转换模型生成部102基于比某时刻靠后的上下人数等运行数据，而生成用于推定比该时刻靠前的产生人数(换言之，将比某时刻靠后的上下人数等转换为比该时刻靠前的产生人数)的模型(步骤309～311)。在此，将生成的模型记载为未来上下/产生转换模型。该模型在离线处理300中被使用，因此也记载为离线转换模型。

需要说明的是，在本实施例中，某时间段的上下人数等被转换为比该时间段靠前的时间段的产生人数。在此，对于成为转换的来源的运行数据的时间段与基于该时间段而转换出的产生人数的时间段的关系，只要前者的时间段包括比后者的时间段靠后的时间段，则两者的至少一部分也可以重复。例如，在后者的时间段为以某时刻为起点的规定的长度的时间段的情况下，前者的时间段也可以是以后者的时间段的终点或者比后者的时间段的终点靠后的任一时刻为起点的时间段，也可以是以后者的时间段所包括的任一时刻为起点且以比后者的时间段的终点靠后的任一时刻为终点的时间段。

以下，说明离线转换模型生成部102的处理。首先，离线转换模型生成部102的转换特征量计算部103对通过模拟数据生成部110的模拟而生成出的针对每个时间段的运行数据的特征量进行计算(步骤309)。接下来，离线转换模型生成部102的未来上下/产生转换模型学习部104通过将由步骤309计算出的各时间段的特征量与比各个时间段靠前的时间段的产生人数(即，输入到运行模拟器的虚拟交通需求)的组合作为学习数据进行机器学习，从而生成未来上下/产生转换模型(步骤310)。生成出的未来上下/产生转换模型保存于模型数据库123(步骤312)。

接下来，离线转换模型生成部102的产生数据转换部105通过对作为本地数据而取得的运行数据应用未来上下/产生转换模型，从而生成与该运行数据对应的时间段的产生人数(步骤311)。例如对多个连续的时间段的运行数据应用未来上下/产生转换模型，而生成与这些时间段对应的时间段的产生人数，从而能够取得将这些多个连续的时间段综合而得到的期间中的某期间的运行数据与同该某期间相同的期间的产生人数的组。由此得到的产生人数保存于转换产生数据库122(步骤313)。

关于离线转换模型生成部102的处理以及作为其结果而生成的数据的一例，在后叙述(参照图10～图13)。

需要说明的是，实时转换模型生成部106的处理(步骤306～308)以及离线转换模型生成部102的处理(步骤309～311)也使任一个先执行，也可以并行地执行。

接下来，预测模型学习部113对用于根据比某时刻靠前的产生人数而预测比该时刻靠后的产生人数的预测模型进行学习(步骤314～315)。具体而言，首先，预测模型学习部113的预测特征量计算部114根据由产生数据转换部109转换出的产生人数，而计算针对每个时间段的产生人数的特征量(步骤314)。

接下来，预测模型学习部113的预测模型学习部115基于由步骤314计算出的针对每个时间段的产生人数的特征量和比各个时间段靠后的时间段的由产生数据转换部105转换出的产生人数，而对用于根据某时间段的产生人数预测比该时间段靠后的时间段的产生人数的预测模型进行学习(步骤315)。通过学习而得到的预测模型保存于模型数据库123(步骤316)。

关于预测模型学习部113所执行的学习的详细情况以及保存的预测模型的一例，在后叙述(图14A～图15)。

以上，离线处理300结束。接下来，对实时处理320进行说明。在实时处理320中，预测部116使用过去上下/产生转换模型以及预测模型，根据比某时刻靠前的本地上下数据而预测比该时刻靠后的产生人数。具体的步骤如以下那样。

首先，上下人数算定部120从电梯130取得在过去的实际运行时取得的与该电梯130的状态相关的数据(步骤321)。例如，也可以是，在要预测比当前时刻靠后的某时间段(在此，记载为预测对象的时间段)的产生人数的情况下，对使用预测模型学习部113所生成的预测模型来预测预测对象的时间段的产生人数所需要的过去的产生人数的时间段(在此，记载为预测来源的产生人数的时间段)进行确定，对使用过去上下/产生转换模型来取得预测来源的产生人数的时间段的产生人数所需要的与该电梯130的状态相关的数据的时间段进行确定，取得最终确定出的时间段的与该电梯130的状态相关的数据。

接下来，预测部116的实时产生转换部117根据由步骤321取得的数据来计算转换特征量，并对计算出的转换特征量应用过去上下/产生转换模型，从而取得产生人数(步骤322)。

接下来，预测部116的预测特征量计算部118对由步骤322取得的产生人数的特征量进行计算(步骤323)。接下来，预测部116的预测模型应用部119通过对由步骤323计算出的特征量应用预测模型，从而对预测对象的时间段的产生人数进行预测。

预测部116向电梯130发送像这样预测出的产生人数。电梯130通过基于预测出的产生人数控制运行，从而例如实现等待时间的降低等，由此能够有助于利用者的满足度的提升。

以下，参照图4A～图15来说明离线处理300的详细情况，参照图16来说明实时处理320的详细情况。

首先，参照图4A～图4C，来说明本地上下数据库124的内容的一例。

图4A是本发明的实施例1的本地上下数据库124所包括的轿厢状态数据400的说明图。

轿厢状态数据400是上下人数算定部120从电梯130取得并保存于本地上下数据库124的数据(步骤301以及302)，且包括与电梯130的过去的实际运行中的轿厢的状态相关的信息。例如，轿厢状态数据400包括多个记录，各记录包括日期时间401、号梯402、楼层403、重量404以及一个以上的轿厢参数(例如轿厢参数1＿405)。

日期时间401表示取得各记录的数据的日期时间。号梯402对取得各记录的数据的电梯130的轿厢进行识别。楼层403表示由日期时间401确定的时刻下的由号梯402识别的轿厢的所在位置。

重量404表示由日期时间401确定的时刻下的由号梯402识别的轿厢的装载物的重量。这是从设置于电梯130的对各轿厢的装载物的重量进行测量的重量传感器得到的值，可以是重量本身，也可以是根据重量推定的正在乘坐该轿厢的人的数量(也将其记载为乘坐人数)。

轿厢参数是表示上述以外的各轿厢的状态的参数。例如，轿厢参数也可以包括各轿厢的行进方向(例如向上方或者向下方)、设置于轿厢内的目的地层按钮的状态(例如按了哪个层的按钮)等。

图4B是本发明的实施例1的本地上下数据库124所包括的呼叫状态数据410的说明图。

呼叫状态数据410是上下人数算定部120从电梯130取得并保存于本地上下数据库124的数据(步骤301以及302)，且包括与电梯130的过去的实际运行中的由利用者进行的轿厢的呼叫相关的信息。例如，呼叫状态数据410包括多个记录，各记录包括日期时间411、楼层412、UP呼叫413、DN呼叫414以及一个以上的呼叫参数(例如呼叫参数1＿415)。

日期时间411表示取得各记录的数据的日期时间。楼层412表示与各记录对应的楼层。UP呼叫413表示在由日期时间411确定的时刻在由楼层412确定的楼层中是否呼叫了向上的轿厢。例如，UP呼叫413的值“1”表示呼叫了向上的轿厢(即，按了该楼层的电梯厅的向上方的呼叫按钮)。DN呼叫414表示在由日期时间411确定的时刻在由楼层412确定的楼层中是否呼叫了向下的轿厢。

呼叫参数是与上述以外的呼叫相关的参数。例如，呼叫参数也可以对轿厢相对于呼叫的分配的算法进行识别的信息。

图4C是本发明的实施例1的本地上下数据库124所包括的本地上下数据420的说明图。

本地上下数据420是上下人数算定部120基于轿厢状态数据400以及呼叫状态数据410进行推定并保存于本地上下数据库124的数据(步骤301以及302)，且包括与电梯130的利用状况相关的信息。具体而言，本地上下数据420包括多个记录，各记录包括在日期时间421所表示的日期时间利用了电梯从出发层422所表示的楼层到目的地层423所表示的楼层的人的数量的推定值即人数424。

例如，图4C所示的本地上下数据420的最前的记录表示推定为在以2018年1月1日的7时0分0秒为起点的规定的时间(例如1分钟)使用电梯130从1层移动到5层的人的数量为5人。

接下来，参照图5A～图5C，来说明模拟数据库121的内容的一例。

图5A是本发明的实施例1的模拟数据库121所包括的虚拟交通需求数据500的说明图。

虚拟交通需求数据500是模拟数据生成部110的虚拟交通需求生成部111生成并保存于模拟数据库121的数据(步骤303、305)。具体而言，虚拟交通需求数据500包括多个记录，各记录包括日期时间501、出发层502以及目的地层503。一个记录与假定为在任一时刻在任一楼层的电梯厅产生了的一个人对应。

日期时间501表示人产生的日期时间，出发层502表示该人产生的楼层，目的地层503表示该人要去往的楼层。需要说明的是，日期时间501的值是后述的运行模拟中的日期时间，不必指现实的日期时间。

例如，图5A的最前的记录表示假定为在以2018年1月1日的7时0分0秒为起点的规定的时间(例如1分钟)在1层的电梯厅产生了要去往5层的人。当这样的信息(即虚拟交通需求)被输入运行模拟器时，之后，对如何呼叫电梯130的轿厢、伴随着时间的经过电梯130如何运行、在各时刻各轿厢成为何种状态进行模拟。

图5B是本发明的实施例1的模拟数据库121所包括的轿厢状态数据510的说明图。

轿厢状态数据510是基于模拟的结果而生成、并保存于模拟数据库121的数据，该模拟是产生/运行数据生成部112所包括的运行模拟器基于虚拟交通需求数据500而执行了的模拟(步骤304、305)。

具体而言，轿厢状态数据510的各记录包括日期时间511、号梯512、楼层513、重量514以及一个以上的轿厢参数(例如轿厢参数1＿515)。这些项目与图4A所示的轿厢状态数据400的日期时间401、号梯402、楼层403、重量404以及轿厢参数1＿405相同，因此省略说明。但是，在轿厢状态数据400的各项目中保存通过实际运行而得到的值，与此相对，在轿厢状态数据510中保存通过运行模拟而得到的值。另外，日期时间511与虚拟交通需求数据500的日期时间501对应，不必指现实的日期时间。但是，在基于本地上下数据的分布而计算出虚拟交通需求数据的情况下，在日期时间501中保存成为计算的基础的本地上下数据的日期时间(例如图4A的日期时间401的值)。

图5C是本发明的实施例1的模拟数据库121所包括的呼叫状态数据520的说明图。

呼叫状态数据520是基于模拟的结果而生成、并保存于模拟数据库121的数据，该模拟是产生/运行数据生成部112所包括的运行模拟器基于虚拟交通需求数据500而执行了的模拟(步骤304、305)。

具体而言，呼叫状态数据520的各记录包括日期时间521、楼层522、UP呼叫523、DN呼叫524以及一个以上的呼叫参数(例如呼叫参数1＿525)。这些项目与图4B所示的呼叫状态数据410的日期时间411、楼层412、UP呼叫413、DN呼叫414以及呼叫参数1＿415等相同，因此省略说明。但是，在呼叫状态数据410的各项目中保存通过实际运行而得到的值，与此相对，在呼叫状态数据520中保存通过运行模拟而得到的值。另外，日期时间521与虚拟交通需求数据500的日期时间501对应，不必指现实的日期时间。

接下来，说明实时转换模型生成部106的处理(步骤306～308)的详细情况。

图6是本发明的实施例1的实时转换模型生成部106生成过去上下/产生转换模型的处理(步骤306～307)的说明图。

产生人数603表示由虚拟交通需求生成部111生成出的某期间(例如某一天)内的针对每个时间的产生人数。实际的产生人数包括各楼层的产生人数，因此表现为向量值，但在此为了说明而表现为标量值。

另一方面，乘坐人数等601表示产生/运行数据生成部基于产生人数603并通过运行模拟而生成的与上述相同的期间(例如相同的一天)的运行数据所包括的针对每个时间的乘坐人数等。与产生人数同样地，乘坐人数等实际上也表现为向量值，但在此表现为标量值。另外，乘坐人数等601除了包括通过模拟而得到的乘坐人数(即，根据重量514推定的乘坐人数)以外，还可以包括各轿厢的所在位置、移动方向、轿厢参数、各楼层的呼叫信息等中的至少任一个。

过去上下/产生转换模型学习部108提取某时间段604的乘坐人数等601的特征量与比时间段靠后的时间段604的产生人数603的组合。乘坐人数等601的特征量由转换特征量计算部107计算(步骤306)。

过去上下/产生转换模型学习部108通过提取多个具有与上述相同的对应关系的时间段的乘坐人数等601的特征量与产生人数603的组合，并对它们进行机器学习，从而对将过去的乘坐人数等601转换为比其靠后的产生人数603的函数(过去上下/产生转换模型，即实时转换模型)进行计算(步骤307)。像这样计算出的转换模型的参数保存于模型数据库123(步骤312)。

在图6中示出例如某一天的乘坐人数等和产生人数，但实际上使用更长的期间、即对于学习精度良好的过去上下/产生转换模型来说充分的期间的乘坐人数以及产生人数。

图7是本发明的实施例1的模型数据库123所包括的过去上下/产生转换模型的参数700的说明图。

过去上下/产生转换模型的参数700包括多个记录，各记录具有日期701以及多个模型参数(例如模型参数1＿702以及模型参数2＿703)。

日期701表示成为过去上下/产生转换模型的生成的来源的模拟数据的日期。模型参数1＿702以及模型参数2＿703等是过去上下/产生转换模型学习部108通过所进行的机器学习而计算出的过去上下/产生转换模型的参数。

需要说明的是，如已经说明的那样，在按照根据任一天的本地上下数据计算出的产生概率的分布而生成虚拟交通需求、并进行了基于该虚拟交通需求的运行模拟的情况下，也可以将该本地上下数据的日期时间421所表示的日期保存为日期701。在该情况下，根据基于该虚拟交通需求进行的运行模拟的结果而生成的过去上下/产生转换模型的参数保存于包括该日期的记录的模型参数1＿702等。

另一方面，在不存在基于本地上下数据的制约地生成虚拟交通需求、并根据基于该虚拟交通需求进行的模拟结果而生成出过去上下/产生转换模型的情况下，与该过去上下/产生转换模型对应的日期701也可以空白。

图8是本发明的实施例1的实时转换模型生成部106使用过去上下/产生转换模型而将实际的乘坐人数等转换为产生人数的处理(步骤308)的说明图。

乘坐人数等801表示由上下人数算定部120取得并保存于本地上下数据库的运行数据的乘坐人数等中的某期间(例如某一天)的针对每个时间的值。

实时转换模型生成部106的产生数据转换部109通过计算时间段802的乘坐人数等801的特征量，并对该特征量应用过去上下/产生转换模型，从而取得相比时间段802为未来的时间段804的产生人数。通过对各时间段执行该处理，能够取得与上述相同的期间(例如相同的一天)的产生人数803。

需要说明的是，在图8中示出了例如一天的量的乘坐人数等801等以及产生人数803，但实际上也可以通过对更长的期间的乘坐人数等应用过去上下/产生转换模型而取得与其对应的期间的产生人数，并根据它们而取得所希望的一天或者所希望的时间段等任意的长度的期间的乘坐人数等801以及产生人数803。

图9是本发明的实施例1的转换产生数据库122所包括的由实时转换模型生成部106生成出的产生人数的数据的说明图。

具体而言，图9表示实时转换模型生成部106将生成出的过去上下/产生转换模型在步骤308中应用于实际运行数据而生成、并在步骤312中保存于转换产生数据库122的数据的一例。即，这相当于图8所示的产生人数803的一部分。

图9所示的数据900的各记录包括日期时间901、出发层902、目的地层903以及人数904。这些项目与图4C的本地上下数据420的日期时间421、出发层422、目的地层423以及人数424相同，因此省略说明。但是，在图9的各记录中保存表示基于生成出的过去上下/产生转换模型而转换出的产生人数的值，因此这些值与保存于图4C的本地上下数据420的值不同。另外，目的地层903也可以以与目的地层423相同的方法推定，但也可以省略那样的推定而生成不包括目的地层903的数据900。

接下来，说明离线转换模型生成部102的处理(步骤309～311)的详细情况。

图10是本发明的实施例1的离线转换模型生成部102生成未来上下/产生转换模型的处理(步骤309～310)的说明图。

乘坐人数等601以及产生人数603与图6所示的相同。

未来上下/产生转换模型学习部104提取某时间段1001的乘坐人数等601的特征量与比该时间段靠前的时间段1002的产生人数603的组合。乘坐人数等601的特征量由转换特征量计算部103计算(步骤309)。

未来上下/产生转换模型学习部108通过提取多个具有与上述相同的对应关系的时间段的乘坐人数等601的特征量与产生人数603的组合，并对它们进行机器学习，从而对将过去的乘坐人数等601转换为比其靠前的产生人数603的函数(未来上下/产生转换模型、即离线转换模型)进行计算(步骤310)。像这样计算出的转换模型的参数于保存模型数据库123(步骤312)。

需要说明的是，与图6的情况同样地，即实际上使用对于学习精度良好的未来上下/产生转换模型来说充分的期间的乘坐人数以及产生人数。

图11是本发明的实施例1的模型数据库123所包括的未来上下/产生转换模型的参数1100的说明图。

未来上下/产生转换模型的参数1100包括多个记录，各记录具有日期1101以及多个模型参数(例如模型参数1＿1102以及模型参数2＿1103)。

日期1101表示成为未来上下/产生转换模型的生成的来源的模拟数据的日期。模型参数1＿1102以及模型参数2＿1103等是未来上下/产生转换模型学习部104通过所进行的机器学习而计算出的未来上下/产生转换模型的参数。

需要说明的是，关于图7的日期701与本地上下数据的关系的说明也应用于图11的日期1101与本地上下数据的关系。例如，在不存在基于本地上下数据的制约地生成虚拟交通需求、并根据基于该虚拟交通需求进行的模拟结果而生成出过去上下/产生转换模型的情况下，与该过去上下/产生转换模型对应的日期1101也可以空白。

图12是本发明的实施例1的离线转换模型生成部102使用未来上下/产生转换模型而将实际的乘坐人数等转换为产生人数的处理(步骤311)的说明图。

乘坐人数等801与图8所示的相同。

离线转换模型生成部102的产生数据转换部105通过对时间段1202的乘坐人数等801的特征量进行计算，并对该特征量应用未来上下/产生转换模型，从而取得相比时间段1202为过去的时间段1203的产生人数。通过对各时间段执行该处理，能够取得与上述的乘坐人数801相同的期间(例如相同的一天)的产生人数1201。

需要说明的是，与图8的情况同样地，实际上也可以通过对更长的期间的乘坐人数等应用未来上下/产生转换模型而取得与其对应的期间的产生人数，并根据它们而取得所希望的一天或者所希望的时间段等任意的长度的期间的乘坐人数等801以及产生人数1201。

图13是本发明的实施例1的转换产生数据库122所包括的由离线转换模型生成部102生成出的产生人数的数据的说明图。

具体而言，图13是离线转换模型生成部102将生成出的未来上下/产生转换模型在步骤311中应用于实际运行数据而生成、并在步骤312中保存于转换产生数据库122的数据的一例。即，这相当于图12所示的产生人数1201的一部分。

图13所示的数据1300的各记录包括日期时间1301、出发层1302、目的地层1303以及人数1304。这些项目与图4C的本地上下数据420的日期时间421、出发层422、目的地层423以及人数424相同，因此省略说明。但是，在图13的各记录中保存表示基于生成出的未来上下/产生转换模型而转换出的产生人数的值，因此这些值与保存于图4C的本地上下数据420的值以及保存于图9的数据900的值均不同。另外，目的地层1303也可以以与目的地层423相同的方法推定，但也可以省略那样的推定而生成不包括目的地层1303的数据1300。

接下来，说明预测模型学习部113的处理(步骤314～315)的详细情况。

图14A以及图14B是本发明的实施例1的预测模型学习部113学习预测模型的处理的说明图。

在图14A所示的第一例中，预测模型学习部113的预测特征量计算部114对时间段1401的产生人数1201的特征量进行计算(步骤314)。预测模型学习部115对根据计算出的特征量而预测比时间段1401靠后的时间段1402的产生人数1201的预测模型进行学习(步骤315)。

另一方面，在图14B所示的第二例中，预测特征量计算部114对时间段1401的产生人数803的特征量进行计算(步骤314)。预测模型学习部115对根据计算出的特征量而预测比时间段1401靠后的时间段1402的产生人数1201的预测模型进行学习(步骤315)。

需要说明的是，在上述的任一例中，时间段1401以及1402均为一例，预测模型学习部113均能够基于具有相同的关系的时间段的多个组合的产生人数来学习预测模型。

预测模型学习部113也可以采用上述所例示的任一方法。

当考虑在电梯厅产生人后该人乘上轿厢这样的顺序时，在某时间段的产生人数与比该时间段稍微靠后的时间段的乘坐人数等之间存在因果关系。因此，认为未来上下/产生转换模型的精度高于过去上下/产生转换模型的精度。

但是，在如后述那样在实时处理中要预测未来的产生人数时，能够利用过去的实际的乘坐人数等，但不能利用未来的实际的乘坐人数等。因此，通过制作根据使用过去上下/产生转换模型而得到的产生人数803来预测产生人数1201的预测模型，认为能够生成适于实际的实时处理的稳健的预测模型。

图15是本发明的实施例1的模型数据库123所包括的预测模型的参数1500的说明图。

预测模型的参数1500包括多个记录，各记录具有日期1501以及多个模型参数(例如模型参数1＿1502以及模型参数2＿1503)。

日期1501表示取得成为在预测模型的生成中使用的产生人数(例如图14B的产生人数803以及1201)的来源的乘坐人数等(例如，图8的乘坐人数等801)日子的日期。模型参数1＿1502以及模型参数2＿1503等是预测模型学习部115通过所进行的机器学习而计算出的预测模型的参数。

图16是本发明的实施例1的上下人数算定部120以及预测部116所执行的实时处理(步骤321～324)的说明图。

上下人数算定部120取得到当前时刻为止的乘坐人数等1601(步骤321)。预测部116的实时产生转换部117通过计算比当前时刻靠前的时间段1602的乘坐人数等1601的特征量，并对特征量应用过去上下/产生转换模型，从而取得比当前时刻靠前的时间段1604的产生人数。通过对比当前时刻靠前的各时间段进行相同的处理，从而取得比当前时刻靠前的产生人数1603(步骤322)。

接下来，预测部116的预测特征量计算部118计算比当前时刻靠前的时间段1605的产生人数1603的特征量(步骤323)。接下来，预测部116的预测模型应用部119通过对由步骤323计算出的特征量应用预测模型，从而预测比当前时刻靠后的时间段1607的产生人数1606(步骤324)。该预测结果向电梯130发送。

需要说明的是，在本实施例中，上下人数算定部120不仅取得各时刻的电梯130的乘坐人数，还取得与轿厢状态以及呼叫状态相关的信息来作为本地数据(图4A、图4B)。另外，模拟数据生成部110基于生成出的虚拟交通需求，不仅生成各时刻的电梯130的上下数据(例如正在乘坐各轿厢的人数、在规定的长度的时间段上下了的人数等)，还生成与轿厢状态(例如，针对每个时刻的各轿厢的所在位置、移动方向以及目的地层按钮的操作状况)以及呼叫状态(例如，针对每个时刻的各楼层的呼叫按钮的操作状况)相关的信息(图5B、图5C)。

实时转换模型生成部106以及离线转换模型生成部102对不仅包括乘坐人数还包括上述的轿厢状态以及呼叫状态的转换特征量进行计算，并生成基于该转换特征量的转换模型。此时，实时转换模型生成部106以及离线转换模型生成部102也可以将基于轿厢状态以及呼叫状态而计算出的参数包括在转换特征量中。例如，实时转换模型生成部106以及离线转换模型生成部102对针对规定的长度的每个时间段的各楼层中的轿厢的到达频率进行计算，并将该到达频率包括在转换特征量中。由此，可期待转换模型的精度提升。

但是，实时转换模型生成部106以及离线转换模型生成部102也可以不必利用上述的信息的全部。例如，实时转换模型生成部106以及离线转换模型生成部102也可以仅基于针对每个时刻的各轿厢的上下数据而计算转换特征量，也可以根据需要加上最小限度的信息而计算转换特征量。

另外，在本实施例中，也可以是，预测模型学习部113对与具有规定的属性的时间段对应的预测模型进行学习，预测部116使用与要预测产生人数的时间段的属性对应的预测模型来预测产生人数。在此，具有规定的属性的时间段例如可以是一天中的早上的上班时间段、午休的时间段、傍晚的下班时间段或者夜间的时间段等，也可以是规定的星期，还可以是与规定的事件对应的日子(例如，入住于设置有电梯130的建筑物的公司的营业日或者休息日等)。

在此，以具有规定的属性的时间段为星期一且使用图14B的方法的情况为例来说明。预测模型学习部113从转换产生数据库122提取星期一的产生人数803以及1201。在此，星期一的产生人数803是通过对在星期一取得的本地数据的乘坐人数等801应用过去上下/产生转换模型而转换出的数据，星期一的产生人数1201是通过对在星期一取得的本地数据的乘坐人数等801应用未来上下/产生转换模型而转换出的数据。

预测模型学习部113将根据星期一的时间段1401的产生人数803而预测星期一的时间段1402的产生人数1201的预测模型作为星期一的预测模型来学习。该日期作为模型数据库的日期1501而保持。日期1501可以如图15所示为表示确定的一天的值，也可以是表示星期(例如星期一)的值，在保存与一天中的确定的时间段对应的预测模型的情况下，也可以是表示该时间段的值。另外，例如，在保存与将星期和一天中的确定的时间段组合而得到的时间段对应的预测模型的情况下，也可以是表示该组合的值。

之后，在星期一执行实时处理320的情况下，预测部116例如通过对较当日的当前时刻靠前的乘坐人数等1601应用过去上下/产生转换模型，从而取得产生人数1603，通过对产生人数1603应用星期一的预测模型，从而预测比当前时刻靠后的产生人数1606。

产生人数以及乘坐人数等的倾向有时例如根据星期、或者根据一天中的时间段、或者根据建筑物的入住者的工作状况等而不同，但通过如上述那样生成与时间段相应的预测模型，并使用与预测的时间段对应的预测模型，从而可期待能够更高精度地预测产生人数。

根据以上的本发明的实施例1，能够基于例如电梯的轿厢的上下人数、所在位置、移动方向、目的地按钮以及呼叫按钮的操作这样的能够从电梯本身取得的信息，而预测产生人数。由此，例如，无需设置于电梯厅的相机这样的高成本的追加设备，而能够实现等待时间的降低等、利用者的满足度提升那样的电梯的运行。

实施例2

接下来，基于附图来说明本发明的实施例2。除了以下说明的不同点以外，实施例2的系统的各部具有与图1～图16所示的实施例1的标注了相同的附图标记的各部相同的功能，因此省略它们的说明。

图17是示出本发明的实施例2的人流预测装置1700的结构的功能框图。

实施例2的人流预测装置1700除了实施例1所记载的产生人数预测部101以外，还具有目的地层预测部1701。目的地层预测部1701具有预测特征量计算部1702、目的地层预测模型生成部1703、目的地层概率生成部1704以及目的地层分配部1705。与实施例1同样地，在以下的说明中，上述的各部所执行的处理实际上由处理器204按照保存于主存储装置205的与各部对应的程序而执行(参照图2)。

例如，预测特征量计算部1702对保存于本地上下数据库124的过去的本地上下数据所包括的针对规定的长度的每个时间段的出发层422、目的地层423以及人数424的特征量进行计算。目的地层预测模型生成部1703生成根据计算出的特征量而预测比成为该特征量的计算的基础的本地上下数据的时间段靠后的时间段的出发层422、目的地层423以及人数424的目的地层预测模型。

目的地层概率生成部1704基于生成出的目的地层预测模型，而生成表示产生于各层的人的百分之几去往哪层的目的地层概率。然后，目的地层分配部1705通过对基于预测部116的产生人数预测结果乘以目的地层概率，从而将针对每个目的地层的产生人数的预测结果、即对预测为产生于各层的人数中的几人去往哪层进行预测的结果作为人流预测结果向电梯130输出。

这样，根据本发明的实施例2，通过不仅预测产生于各层的人数还预测针对每个目的地层的产生人数，能够计划更适合于实际的需求的电梯的运行，可实现利用者的满足度的提升。

实施例3

接下来，基于附图来说明本发明的实施例3。除了以下说明的不同点以外，实施例3的系统的各部具有与图1～图16所示的实施例1或者图17所示的实施例2的标注了相同的附图标记的各部相同的功能，因此省略它们的说明。

图18是示出本发明的实施例3的人流预测装置1800的结构的功能框图。

实施例3的人流预测装置1800具有产生人数预测部1801。产生人数预测部1801除了追加有图像处理部1802这点以外，与实施例1的产生人数预测部101相同。图像处理部1802具有厅内等待人数计算部1803以及厅内产生人数计算部1804。与实施例1同样地，在以下的说明中上述的各部所执行的处理实际上由处理器204按照保存于主存储装置205的与各部对应的程序而执行(参照图2)。

另外，在各楼层的电梯130的候梯厅(即电梯厅)设置有电梯厅相机1810。电梯厅相机1810将拍摄到的图像数据向人流预测装置1800发送。人流预测装置1800将经由接口201而接收到的图像数据保存于主存储装置205或者辅助存储装置206(参照图2)。图像处理部1802参照保存了的图像数据而执行后述的处理。

图19是设置有本发明的实施例3的电梯厅相机1810的电梯厅的说明图。

在图19中，作为例子，示出设置有电梯130的建筑物的任一个楼层的电梯厅1900。三个门1901是用于上下属于电梯130的3台电梯的门。电梯厅相机1810为了拍摄电梯厅1900内而设置。但是，电梯厅1900包括能够被电梯厅相机1810拍摄的区域1902、以及由于壁等遮住了视野因此无法由电梯厅相机1810进行拍摄的区域1903。在图19的例子中，在电梯厅1900的7个人1904中，在区域1902的5人被电梯厅相机1810拍摄，但在区域1903的2人不被拍摄。

需要说明的是，无法拍摄的区域1903除了包括由壁、柱或者建筑物的备件等遮挡电梯厅相机1810的视野的区域以外，还可以包括由其他人1904遮挡视野的区域、照明的亮度不足的区域、以及电梯厅相机1810的视野外的区域等。

图像处理部1802的厅内等待人数计算部1803对被电梯厅相机1810拍摄到的针对每个时刻的图像数据进行分析，将拍摄到的图像所包含的人的数量作为电梯厅1900中的能够拍摄的区域1902内的等待人数来计算。这能够通过公知的图像识别技术来进行，因此省略详细的说明。

图像处理部1802的厅内产生人数计算部1804根据由厅内等待人数计算部1803计算出的针对每个时刻的等待人数，而计算针对每个时刻的产生人数。

图20是本发明的实施例3的厅内产生人数计算部1804所执行的产生人数的计算的说明图。

图20的曲线的横轴为时间，纵轴为由厅内等待人数计算部1803计算出的等待人数。厅内产生人数计算部1804对由厅内等待人数计算部1803计算出的等待人数的与时间相应的变化进行检测，并将等待人数的增加量计算为产生人数。

例如，在时刻t1靠前的等待人数为0人，从时刻t1到t2的等待人数为2人，从时刻t2到t3的等待人数为5人，从时刻t3到t4的等待人数为6人，时刻t4以后的等待人数为1人的情况下，厅内产生人数计算部1804将时刻t1、t2、t3下的产生人数分别计算为2人、3人、1人。并且，计算为在时刻t4任一电梯的轿厢到达该楼层且乘上了5个人。

图像处理部1802将像这样计算出的针对每个时刻的产生人数向模拟数据生成部110发送。模拟数据生成部110的虚拟交通需求生成部111基于接收到的产生人数而生成虚拟交通需求。

具体而言，如图20所示，从图像处理部1802发送出的产生人数不包括产生于无法拍摄的区域1903的人的数量，因此虚拟交通需求生成部111也可以通过对从图像处理部1802接收到的产生人数加上例如随机的数量从而生成虚拟交通需求。此时，也可以基于电梯厅1900的结构而确定加上的人数的上限。另外，考虑到由其他人引起的视野的遮挡，也可以将加上的人数的上限以等待人数的数量越多则变得越高的方式设定。

这样，根据本发明的实施例3，通过基于实际上观察到的产生人数来生成模拟数据，从而能够进行更现实的模拟并高效地生成精度高的转换模型以及预测模型。

需要说明的是，本发明并不限定于上述的实施例，而包括各种变形例。例如，上述的实施例为了本发明的更好的理解而详细进行了说明，不必限定具备说明的全部结构。另外，能够将某实施例的结构的一部分置换为其他实施例的结构，另外，能够对某实施例的结构添加其他实施例的结构。另外，能够对各实施例的结构的一部分进行其他结构的追加、删除、置换。

另外，上述的各结构、功能、处理部、处理机构等例如可以通过利用集成电路进行设计等而以硬件实现它们的一部分或者全部。另外，上述的各结构、功能等也可以通过处理器对实现各个功能的程序进行解释并执行而以软件实现。实现各功能的程序、表、文件等信息能够保存于非易失性半导体存储器、硬盘驱动器、SSD(Solid State Drive)等存储器件，或者IC卡、SD卡、DVD等计算机可读取的非暂时的数据存储介质。

另外，示出认为说明上需要的控制线以及信息线，不限于产品上必须示出全部控制线以及信息线。实际上，也可以认为几乎全部结构相互连接。

Claims (11)

1.一种人流预测方法，其是具有处理器以及与所述处理器连接的存储装置的计算机系统所执行的人流预测方法，

所述人流预测方法的特征在于，

所述人流预测方法包括：

上下人数算定步骤，在所述上下人数算定步骤中，所述处理器基于设置于电梯的传感器的信息，而计算过去乘坐了所述电梯的人的数量，并生成包括计算出的所述人的数量的本地上下数据；

模拟数据生成步骤，在所述模拟数据生成步骤中，所述处理器通过使为了利用所述电梯而出现在所述电梯的各候梯厅的人虚拟地产生，并基于产生人数来模拟所述电梯的运行，从而生成至少包括乘坐了所述电梯的人的数量的虚拟上下数据；

第一转换模型生成步骤，在所述第一转换模型生成步骤中，所述处理器基于所述产生人数和所述虚拟上下数据，而生成将比某时刻靠前的所述虚拟上下数据转换为比该时刻靠后的所述产生人数的第一转换模型；

第二转换模型生成步骤，在所述第二转换模型生成步骤中，所述处理器基于所述产生人数和所述虚拟上下数据，而生成将比某时刻靠后的所述虚拟上下数据转换为比该时刻靠前的所述产生人数的第二转换模型；

预测模型学习步骤，在所述预测模型学习步骤中，所述处理器基于由所述第二转换模型转换出的所述产生人数，而对根据比某时刻靠前的所述产生人数预测比该时刻靠后的所述产生人数的预测模型进行学习；以及

预测步骤，在所述预测步骤中，所述处理器使用所述第一转换模型以及所述预测模型，根据比某时刻靠前的所述本地上下数据预测比该时刻靠后的所述产生人数。

2.根据权利要求1所述的人流预测方法，其特征在于，

在所述第一转换模型生成步骤中，所述处理器通过对所述本地上下数据应用所述第一转换模型，从而计算第一产生人数，

在所述第二转换模型生成步骤中，所述处理器通过对所述本地上下数据应用所述第二转换模型，从而计算第二产生人数，

在所述预测模型学习步骤中，所述处理器对根据比某时刻靠前的所述第一产生人数预测比该时刻靠后的所述第二产生人数的预测模型进行学习。

3.根据权利要求1所述的人流预测方法，其特征在于，

所述本地上下数据还包括对各楼层的所述电梯的呼叫按钮进行的操作、对所述电梯内的目的地层按钮进行的操作、以及各楼层的所述电梯的到达频率中的至少任一个，

在所述模拟数据生成步骤中，所述处理器通过基于所述产生人数来模拟所述电梯的运行，从而生成还包括对各楼层的所述电梯的呼叫按钮进行的操作、对所述电梯内的目的地层按钮进行的操作、以及各楼层的所述电梯的到达频率中的至少任一个的所述虚拟上下数据。

4.根据权利要求1所述的人流预测方法，其特征在于，

在所述预测模型学习步骤中，所述处理器基于通过对具有规定的属性的时间段的所述本地上下数据应用所述第二转换模型从而计算出的所述产生人数，而对根据比具有所述规定的属性的时间段的某时刻靠前的所述产生人数预测比该时刻靠后的所述产生人数的、与具有所述规定的属性的时间段对应的预测模型进行学习，

在所述预测步骤中，所述处理器使用所述第一转换模型以及与具有所述规定的属性的时间段对应的预测模型，根据比具有所述规定的属性的时间段的某时刻靠前的所述本地上下数据预测比该时刻靠后的所述产生人数。

5.根据权利要求4所述的人流预测方法，其特征在于，

具有所述规定的属性的时间段是各天中的时间段、规定的星期、或者与规定的事件对应的日子中的任一个。

6.根据权利要求1所述的人流预测方法，其特征在于，

在所述模拟数据生成步骤中，所述处理器基于所述本地上下数据而计算乘坐了所述电梯的人的数量的分布，并基于计算出的分布使为了利用所述电梯而出现在所述电梯的各候梯厅的人虚拟地产生。

7.根据权利要求1所述的人流预测方法，其特征在于，

所述人流预测方法还包括以下步骤：

所述处理器基于所述本地上下数据，而生成对乘坐了所述电梯的人的目的地层进行预测的目的地层预测模型；以及

所述处理器基于所述目的地层预测模型以及在所述预测步骤中预测出的产生人数，而预测针对每个目的地层的所述产生人数。

8.根据权利要求1所述的人流预测方法，其特征在于，

所述人流预测方法还包括图像处理步骤，在所述图像处理步骤中，所述处理器基于拍摄所述电梯的候梯厅而得到的图像，来计算所述图像所包含的人的数量，

在所述模拟数据生成步骤中，所述处理器基于在所述图像处理步骤中计算出的人数的数量，使为了利用所述电梯而出现在所述电梯的各候梯厅的人虚拟地产生。

9.根据权利要求8所述的人流预测方法，其特征在于，

在所述模拟数据生成步骤中，所述处理器将对在所述图像处理步骤中计算出的人数的数量加上以规定的方法计算出的数量而得到的数量的人作为为了利用所述电梯而出现在所述电梯的各候梯厅的人虚拟地产生。

10.一种人流预测系统，其特征在于，

所述人流预测系统具有：

上下人数算定部，其基于设置于电梯的传感器的信息，而计算过去乘坐了所述电梯的人的数量，并生成包括计算出的所述人的数量的本地上下数据；

模拟数据生成部，其通过使为了利用所述电梯而出现在所述电梯的各候梯厅的人虚拟地产生，并基于产生人数来模拟所述电梯的运行，从而生成至少包括乘坐了所述电梯的人的数量的虚拟上下数据；

第一转换模型生成部，其基于所述产生人数和所述虚拟上下数据，而生成将比某时刻靠前的所述虚拟上下数据转换为比该时刻靠后的所述产生人数的第一转换模型；

第二转换模型生成部，其基于所述产生人数和所述虚拟上下数据，而生成将比某时刻靠后的所述虚拟上下数据转换为比该时刻靠前的所述产生人数的第二转换模型；

预测模型学习部，其基于由所述第二转换模型转换出的所述产生人数，而对根据比某时刻靠前的所述产生人数预测比该时刻靠后的所述产生人数的预测模型进行学习；以及

预测部，其使用所述第一转换模型以及所述预测模型，根据比某时刻靠前的所述本地上下数据预测比该时刻靠后的所述产生人数。

11.根据权利要求10所述的人流预测系统，其特征在于，

所述第一转换模型生成部通过对所述本地上下数据应用所述第一转换模型，从而计算第一产生人数，

所述第二转换模型生成部通过对所述本地上下数据应用所述第二转换模型，从而计算第二产生人数，

所述预测模型学习部对根据比某时刻靠前的所述第一产生人数预测比该时刻靠后的所述第二产生人数的预测模型进行学习。

Images