CN113891846A - 电梯分析系统及电梯分析系统的设计方法 - Google Patents

Abstract

在本发明的具有处理器和连接到处理器的存储装置的电梯分析系统中，存储装置具有用于记录人在楼层之间的移动的始发地‑目的地信息的存储区域，基于始发地‑目的地信息的非零值的最大个数来决定始发地‑目的地信息的存储区域的大小，该始发地‑目的地信息的非零值的最大个数是基于电梯在楼层之间移动所需的最短时间计算出的。

Description

电梯分析系统及电梯分析系统的设计方法

【参照并入】

本申请主张在令和1年(2019年)8月28日提出的日本申请即日本特愿2019-156006的优先权，通过参照其内容，将其内容并入本申请。

技术领域

本发明涉及一种电梯分析系统。

背景技术

在办公室或各种设施等建筑物中，要求提高电梯使用者的便利性。例如，通过预测以电梯为对象的人流，即预测电梯的使用者在哪个楼层出现并要去哪个楼层，从而能进行使电梯在使用者按下呼梯按钮之前提前等待等控制，从而减少等待时间。

作为实现这种人流预测的方法，例如有一种记录过去人流的实际情况，通过对此进行学习来生成预测模型的方法。如果想要用这种方法生成精度较高的预测模型，就需要在一定长度的期间内记录人流的实际情况，并为此需要确保存储区域。

与此相对，已知一种利用稀疏性无损压缩数据的技术(例如参照非专利文献1)。

现有技术文献

非专利文献

非专利文献1：Gibbs,Norman E.；Poole,Wi lliam G.；Stockmeyer,Paul K.(1976)."A comparison of several bandwidth and profile reduction algorithms".ACM Transactions on Mathematical Software.2(4):322–330.doi:10.1145/355705.355707。

发明内容

发明所要解决的技术问题

在电梯的控制盘上安装通过分析乘降数据生成人流预测模型的功能时，需要将乘降数据存储在控制盘的存储器中。但是，一般来说，控制盘的存储器容量是有限制的。另一方面，利用稀疏性的无损压缩能压缩多少数据取决于数据中非零值的出现次数。然而，由于电梯的乘降数据中的非零值的出现次数不明，在控制盘上安装分析数据并生成预测模型的功能时，无法确定所需存储器的容量，难以保证分析及模型生成的稳定性。

用于解决技术问题的技术手段

为了解决上述技术问题中的至少一个，本发明是一种电梯分析系统，具有处理器和连接到所述处理器的存储装置，其特征在于，所述存储装置具有用于记录人在楼层之间的移动的始发地-目的地信息的存储区域，基于所述始发地-目的地信息的非零值的最大个数来决定所述始发地-目的地信息的存储区域的大小，该始发地-目的地信息的非零值的最大个数是基于电梯在楼层之间移动所需的最短时间计算出的。

发明效果

根据本发明的一个方式，能基于要交付的电梯的物品信息预先计算为了记录人流的实际情况而所需的存储容量。上述以外的技术问题、结构以及效果通过以下实施方式的说明来进一步明确。

附图说明

图1是示出本发明的实施例的电梯分析系统的结构的功能框图。

图2是示出实现本发明的实施例的电梯分析系统的计算机系统的硬件结构的框图。

图3是本发明的实施例的电梯分析系统所保持的OD表的说明图。

图4是本发明的实施例的电梯分析系统用作目的地楼层预测的说明变量的OD表的时间序列数据的说明图。

图5是存储本发明的实施例的电梯分析系统所保持的目的地楼层预测的说明变量的非零值的表的说明图。

图6是示出本发明的实施例的电梯分析系统将OD表存储为稀疏矩阵的处理的流程图。

具体实施方式

下面，参照附图，对本发明的实施例进行说明。

图1是示出本发明实施例的电梯分析系统100的结构的功能框图。

电梯分析系统100具有出现人数预测部110和目的地楼层预测部130。

出现人数预测部110预测各楼层的出现人数。在本实施例中，“出现”是指试图使用电梯的人到达电梯厅(即，电梯的层站)，“出现人数”是指出现的人的数量。出现人数预测部110可以通过任何方法预测出现人数。在此，将说明其一个例子。

本实施例的出现人数预测部110具有乘降人数计算部111、模拟数据生成部112、离线转换模型生成部113、实时转换模型生成部114、预测模型学习部115、预测部116、转换出现数据库(DB)117、模型数据库(DB)118、模拟数据库(DB)119和现场乘降数据库(DB)120。

乘降人数计算部111从电梯140获取在过去的实际运行时获取到的关于该电梯140的状态的数据。这里获取到的数据可以包括例如电梯140的各个轿厢在每个时刻(或规定长度的时间段)的位置、移动方向和各个轿厢的装载物的重量等。此外，乘降人数计算部111可以获取表示每个时刻(或规定长度的时间段)的各个楼层的呼梯状态，即各个楼层的呼梯按钮是否被按下的数据。这些数据也记载在现场数据中。

此外，乘降人数计算部111根据所获取的数据生成现场乘降数据。例如，乘降人数计算部111可以基于各时刻的各轿厢的重量来推定在各时刻搭乘各轿厢的人数。此外，乘降人数计算部111可以根据各时刻的各轿厢的位置、移动方向和重量的变化来推定各楼层上的已搭乘到各轿厢的人数和在各楼层离开的人数等，并且可以基于各轿厢的目的地楼层按钮和各楼层的呼梯按钮的操作的记录来推定从某个楼层搭乘并在其他某个楼层离开的人的数量。现场乘降数据包括这样的信息中的至少一个。由于能通过任意的方法来进行上述推定，因此在此省略其详细说明。

乘降人数计算部111将所获取到的轿厢状态等数据和基于该数据推定的现场乘降数据存储在现场乘降数据库120中。现场乘降数据库120例如可以包含后述的OD(Origin-Destination：始发地-目的地)表以及基于OD表生成的表。

模拟数据生成部112生成虚拟交通需求。例如，模拟数据生成部112可以使用随机数，决定人物出现的时刻、该人物出现的楼层、以及该人物使用电梯140想要去的楼层(目的地楼层)，从而假定这样的人物出现。

此外，模拟数据生成部112根据虚拟交通需求生成电梯140的运行数据。例如，模拟数据生成部112可以具有电梯140的运行模拟器，并且可以通过向该运行模拟器输入虚拟交通需求来执行运行模拟，从而生成虚拟的运行数据。生成的虚拟交通需求和运行数据存储在模拟数据库119中。

离线转换模型生成部113基于在某一时刻之后的乘降人数等运行数据，生成用于推定在该时刻之前的出现人数的模型。实时转换模型生成部114基于在某一时刻之前的乘降人数等运行数据，生成用于推定在该时刻之后的出现人数的模型。上述模型存储在模型数据库118中。通过这些模型推定的出现人数存储在转换发生数据库117中。

预测模型学习部115基于存储在转换出现数据库117中的出现人数，根据某一时刻之前的出现人数学习用于预测该时刻之后的出现人数的预测模型。学习到的预测模型存储在模型数据库118中。

预测部116使用预测模型，根据某一时刻之前的现场乘降数据，预测该时刻之后的出现人数。这里，所输入的某一时刻之前的现场乘降数据可以是由实时转换模型生成部114生成的模型推定得到的数据，也可以是通过其它手段获取到的数据。预测部116的出现人数预测结果被输入到目的地楼层预测部130。

目的地楼层预测部130预测在每个楼层中出现的人的目的地楼层。本实施例的目的地楼层预测部130具有预测特征量计算部131、目的地楼层预测模型生成部132、目的地楼层概率生成部133和目的地楼层分配部134。

预测特征量计算部131计算存储在现场乘降数据库120中的过去的现场乘降数据中包括的规定长度的每个时间段的出发楼层、目的地楼层和人数的特征量。目的地楼层预测模型生成部132根据计算出的特征量生成目的地楼层预测模型，该目的地楼层预测模型用于预测作为该特征量的计算基础的现场乘降数据的时间段之后的时间段中的出发楼层、目的地楼层和人数。

目的地楼层概率生成部133基于所生成的目的地楼层预测模型，生成表示在各个楼层中出现的人中的百分之多少要去哪个楼层的目的地楼层概率。而且，目的地楼层分配部134通过将预测部116的出现人数预测结果乘以目的地楼层概率，将每个目的地楼层的出现人数的预测结果，即预测在各个楼层中出现的人数中的多少人去哪个楼层的结果，作为人流预测结果输出到电梯140。电梯140的控制盘(省略图示)能基于人流预测结果来进行适合需求的电梯的控制。

由此，根据本发明的实施例，通过不仅预测在各个楼层中出现的人数，而且预测在每个目的地楼层的出现人数，从而能计划更适合于实际需求的电梯140的运行，并且能提高使用者的满意度。

图2是示出实现本发明实施例的电梯分析系统100的计算机系统的硬件结构的框图。

电梯分析系统100例如由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和辅助存储装置206的计算机系统200实现。

接口201连接到网络(省略图示)，并且经由网络与电梯140通信。输入装置202是用于电梯分析系统100的使用者向电梯分析系统100输入信息的装置，可以包括例如键盘、鼠标和触摸传感器等中的至少一个。输出装置203是向电梯分析系统100的使用者输出信息的装置，可以包括例如显示字符和图像等的显示装置。

处理器204根据主存储装置205中存储的程序执行各种处理。主存储装置205是例如DRAM这样的半导体存储装置，存储由处理器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闪存等较大容量的存储装置，存储由处理器204执行的处理中参照的数据等。

本实施例的主存储装置205中存储有用于实现出现人数预测部110的乘降人数计算部111、模拟数据生成部112、离线转换模型生成部113、实时转换模型生成部114、预测模型学习部115和预测部116、以及目的地楼层预测部130的预测特征量计算部131、目的地楼层预测模型生成部132、目的地楼层概率生成部133和目的地楼层分配部134的程序。因此，在下面的说明中，由上述各部分执行的处理实际上由处理器204根据存储在主存储装置205中的与各部分对应的程序来执行。

本实施例的辅助存储装置206存储模拟数据库119、转换出现数据库117、模型数据库118和现场乘降数据库120。此外，与包括在出现人数预测部110和目的地楼层预测部130中的各部分相对应的程序可以存储在辅助存储装置206中，根据需要复制到主存储装置205中。此外，根据需要，可以将上述数据库中的至少一部分复制到主存储装置205中。

电梯分析系统100可以通过例如经由网络连接到电梯140的计算机系统200来实现，也可以通过电梯140的现有控制盘的硬件来实现。在这种情况下，计算机系统200相当于电梯140的控制盘的硬件。在这种情况下，计算机系统200可以不具有接口201。此外，计算机系统200可以不具有大容量的辅助存储装置206，将所有程序和数据存储在较小容量的主存储装置205中。通过将电梯分析系统100安装在控制盘上，能将本发明应用于现有电梯产品的结构上，而不需要通过网络将控制盘连接到例如外部的分析服务器等。

图3是本发明实施例的电梯分析系统100所保持的OD表的说明图。

图3中示出包含在现场乘降数据库120中的OD表300的一例。OD表300是记录在规定长度的时间段(例如，某个5分钟)内的楼层之间的人的移动(即，人流)的信息。OD表300的横轴表示人出现并搭乘轿厢的楼层(出发楼层，Origin：始发地)，纵轴表示该人离开的楼层(目的地楼层，Destination-目的地)，表中的数字表示在对应的出发楼层搭乘并在对应的目的地楼层离开的人的数量。图3的例子表示，在某个5分钟内，有3人在1楼搭乘，在2楼离开，在1楼搭乘并且在3楼离开的人一个也没有，有4人在1楼搭乘并且在四楼离开。

虽然在图3中示出了在某个5分钟内的OD表300的示例，但是实际上，每5分钟生成并存储OD表300，例如从8:00到8:05的5分钟、从8:01到8:06的5分钟。而且，这样的数据被用作学习数据，用于生成目的地楼层预测模型。

图4是本发明的实施例的电梯分析系统100用作目的地楼层预测的说明变量的OD表的时间序列数据的说明图。

作为示例，图4示出了时间序列数据400，该时间序列数据400用作基于该5分钟之前的时间段的OD表和10分钟之前的时间段的OD表来预测某个时间段的楼层之间的人的移动的情况下的说明变量。

例如，与时刻“8:00”、“5分钟前”的“1→2”相对应的字段中存储的数值“3”表示从7:55到8:00的5分钟内，有3人在1楼搭乘轿厢并且在2楼离开。即，与时刻“8:00”、“5分钟前”对应的1行的字段，是将从7:55到8:00的5分钟时间的OD表300中如图3所示那样将2维排列的字段重新排列为1行而得到的。

同样地，与时刻“8:00”、“10分钟前”的“1→2”相对应的字段中存储的数值“2”表示从7:50到7:55的5分钟内，有2人在1楼搭乘轿厢并且在2楼离开。在该示例中，基于该5分钟之前的5分钟内(例如，从7:55到8:00)的OD表300和进一步在该5分钟之前的5分钟内(例如，从7:50到7:55)的OD表300，生成用于预测在某个5分钟(例如，从8:00到8:05)内的楼层之间的人的移动的目的地楼层预测模型。

在图4的示例中，例如，以存储从8:00到8:05的5分钟内的OD表300，然后存储从8:01到8:06的5分钟内的OD表300的方式，存储以1分钟为单位的时间序列数据。但是，该单位宽度是一例，例如也可以采用以5分钟为单位等其他单位宽度。

为了存储OD表300，电梯分析系统100需要确保用于存储与出发楼层和目的地楼层的所有组合相对应的人数的区域。在层数为N的电梯中，出发楼层和目的地楼层的组合数为N×(N-1)，用于存储OD表300的存储区域与层数的平方成比例地增加。例如，当层数为32时，出发楼层和目的地楼层的组合数为992。也就是说，在图4的时间序列数据中，分别对应于“5分钟前”以及“10分钟前”的列数为992个。

由于这些数据被用作为用于生成目的地楼层预测模型的学习数据，因此为了确保其精度需要保持足够长的期间(例如一个月期间)的OD表300。然而，特别是当电梯分析系统100由电梯140的控制盘实现时，为了存储这样的长期间的OD表300，控制盘的存储区域受到压迫。

因此，在本实施例中，利用OD表300的稀疏性来压缩数据。具体地，在本实施例中，在一个OD表中记录5分钟内的人的移动，但实际上，OD表300中的大多数字段的值为0。这是因为5分钟内实际发生人物移动的出发楼层和目的地楼层的组合数量是有限度的。因此，通过存储OD表300的非零值而不存储零值，能减少被使用的存储区域。

然而，特别是在将电梯分析系统100安装到电梯140的控制盘中时，需要预先知道非零值的出现次数的上限，以决定为了存储非零值而要在存储区域中确保的排列的大小。这里，由于OD表300中的非零值对应于轿厢在楼层之间的实际发生的移动，因此非零值的出现次数不超过轿厢在5分钟内在楼层之间的实际能发生的移动次数的上限。在本实施例中，利用这一点来计算非零值的出现次数的上限，即要确保的排列的大小。

具体地，OD表300中的非零值的出现次数由下式(1)计算。

[数学式1]

这里，在上述例子中，观测单位时间为5分钟。5分钟的长度可以是用于统计人流的窗口宽度，并且可以采用比5分钟更长或更短的时间。一般，认为电梯的需求模式根据时间段而不同，例如，办公大楼电梯的情况下，在紧接开始上班时间之前的时间段和紧接开始上班时间之后的时间段中需求模式有很大差异。为了生成反映这种需求模式变化的目的地楼层预测模型，期望设定适当长度的观测单位时间。一般认为5分钟左右比较妥当。

此外，楼层间移动所需的最短时间是轿厢从出发楼层移动到目的地楼层所需时间的最低值，通常是出发楼层和目的地楼层相邻时的移动时间。这包括门的打开/关闭时间、加速时间和减速时间，因此一般是10秒左右、或更长的值。

此外，当面向一个建筑物的一个电梯厅设置有多台电梯时，交付的电梯台数是其台数。

例如，当10台电梯交付到32层时，若设观测单位时间为5分钟，楼层间移动所需的最短时间为10秒，则观测单位时间除以楼层间移动所需的最短时间得到的值为30次。这是每台电梯5分钟内的移动次数的上限。若将它乘以交付的电梯台数，则为300次。即，在实际交付电梯之前知道排列的大小最多为300是足够的。

基于以这种方式获得的排列的大小、为了记录各个字段的人数所需的比特数、时间序列数据的单位宽度(例如1分钟)、以及作为学习数据所需的期间(例如1个月)等，确定要在现场乘降数据库120中确保的存储区域的大小。因此，特别是当将电梯分析系统100安装在电梯140的控制盘上时，能基于电梯的物品信息预先知道要确保的存储装置的容量。

例如，具有图2所示结构的计算机系统的处理器204可以根据存储在主存储装置205中的程序来执行上述排列的大小和要确保的存储容量的计算。因此，能设计具有计算出的容量的存储装置的电梯分析系统100。

图5是存储本发明实施例的电梯分析系统100所保持的目的地楼层预测的说明变量的非零值的表的说明图。

图5所示的表500是仅存储图4的时间序列数据400中的非零值的稀疏矩阵的示例。这里，作为示例，示出了存储图4的时间序列数据400中的时刻“8:00”的“5分钟之前”的值的表。若假设图4的时间序列数据400与32层的电梯相关联，则包括与时间“8:00”和“5分钟前”相对应的992个字段。然而，如上所述，其中存储了非零的字段的数目最多为300个。

例如，在图5的表500中，排列的索引501和排列的索引503识别存储在表中的排列的要素，并且彼此对应。说明变量的值502是从时间序列数据400提取的说明变量的值(即，非零值)。与说明变量对应的索引504是表示非零的说明变量是从时间序列数据400的哪个字段提取的值。在图5的示例中，从图4的时间序列数据400的字段“1→2”(即，起始楼层为1楼，目的地楼层为2楼)提取的说明变量被赋予“0”作为与说明变量对应的索引504。从图4的时间序列数据400的字段“1→3”(即，起始楼层为1楼，目的地楼层为3楼)中提取的说明变量被赋予“1”作为与说明变量对应的索引504。

在图5的示例中，“3”被存储作为与排列的索引501的值“0”相对应的说明变量的值502。这是从图4的时间序列数据400的“1→2”字段中提取的说明变量。而且，用于识别该字段的“0”被存储作为对应于排列的索引503的值“0”的与说明变量对应的索引的值502。

由于图4的时间序列数据400的“1→3”字段中的说明变量的值是“0”，因此该值不存储在图5的表500中。因此，在与说明变量对应的索引504中没有存储识别该字段的“1”。

图6是示出本发明的实施例的电梯分析系统100将OD表存储作为稀疏矩阵的处理的流程图。

该处理例如由乘降人数计算部111执行。

在该示例中，乘降人数计算部111基于依次获取的现场乘降数据生成OD表300，并将其暂时存储在现场乘降数据库120中，当累积了1天的OD表300时，将它们存储为稀疏矩阵。但是，1天是一个例子，也可以将相比于用于生成目的地楼层预测模型的学习数据的存储期间(例如30天)足够短的1天以外的期间(例如1小时等)的OD表300作为对象来执行。

当处理开始时，乘降人数计算部111在现场乘降数据库120中确保稀疏矩阵的存储区域(步骤601)。此时，根据上述式(1)计算出的排列大小，计算出需要的存储区域。

然后，乘降人数计算部111将1天的OD表300读取到存储器中(步骤602)。

然后，乘降人数计算部111将读取到的1天的OD表300作为稀疏矩阵(例如，图5中的表500)记录在步骤601中确保的存储区域中。因此，存储在存储装置中的数据被压缩。

然后，乘降人数计算部111判定是否记录了30天的稀疏矩阵(步骤604)。这里，30天(即1个月)是用于生成目的地楼层预测模型的学习数据的存储期间的例子。如果没有存储30天的稀疏矩阵(步骤604：否)，则重复执行步骤602之后的步骤。如果存储了30天的稀疏矩阵(步骤604：是)，则处理结束。

此后，例如，目的地楼层预测模型生成部132能基于记录为稀疏矩阵的OD表来生成目的地楼层预测模型。然而，这是用于预测电梯140的需求的模型的一个示例，电梯分析装置可以基于所记录的OD表生成例如用于预测出现人数的模型等其他模型。

此外，本发明并不局限于上述实施例，也包含各种变形例。例如，上述实施例是为了便于理解本发明而进行的详细说明，并不限于必须要具备所说明的所有结构。另外，能够将某实施例的结构的一部分替换成其它实施例的结构，另外，也能将其它实施例的结构添加至某实施例的结构上。此外，关于各实施例的结构的一部分，也可以进行其它结构的追加、删除、替换。

此外，上述的各结构、功能、处理部、处理单元等也可以将它们的一部分或者全部例如通过集成电路来进行设计等从而以硬件来实现。另外，上述各结构、功能等也可以解释为由处理器分别实现各个功能的程序，通过执行程序从而以软件的形式来实现。实现各功能的程序、表、文件等信息能够存储在非易失性半导体存储器、硬盘驱动器、SSD(SolidState Drive：固态驱动器)等存储设备、或者IC卡、SD卡、DVD等计算机可读取的非暂时数据存储介质中。

此外，示出了考虑到说明上所必须的控制线、信息线，但是并不限于示出了产品上所必须的全部的控制线、信息线。实际上也可以认为几乎所有的结构都是互相连接的。

Claims (6)

1.一种电梯分析系统，具有处理器、连接到所述处理器的存储装置，其特征在于，

所述存储装置具有用于记录人在楼层之间的移动的始发地-目的地信息的存储区域，

基于所述始发地-目的地信息的非零值的最大个数来决定所述始发地-目的地信息的存储区域的大小，该始发地-目的地信息的非零值的最大个数是基于电梯在楼层之间移动所需的最短时间计算出的。

2.如权利要求1所述的电梯分析系统，其特征在于，

通过将每1台所述电梯在每单位时间的移动次数的上限乘以所设置的所述电梯的台数来计算所述始发地-目的地信息的非零值的最大个数，该每1台所述电梯在每单位时间的移动次数的上限是通过将用于观测人在楼层之间移动的所述单位时间的长度除以1台所述电梯在楼层之间移动所需的最短时间而得到的。

3.如权利要求2所述的电梯分析系统，其特征在于，

所述始发地-目的地信息的存储区域的大小至少是存储作为用于生成对所述电梯的需求进行预测的模型的学习数据所需的期间的所述始发地-目的地信息的非零值的最大个数的数据的大小。

4.如权利要求3所述的电梯分析系统，其特征在于，

所述处理器在所述存储装置中确保用于所决定大小的所述始发地-目的地信息的存储区域，

从比作为用于生成对所述电梯的需求进行预测的模型的学习数据所需的期间要短的期间内的、包括零值的所述始发地-目的地信息中生成包括非零值的稀疏矩阵，并将该稀疏矩阵作为所述始发地-目的地信息的数据存储在所述存储区域中，

若将作为用于生成对所述电梯的需求进行预测的模型的学习数据所需的期间的所述稀疏矩阵存储在所述存储区域中，则基于存储在所述存储区域中的所述始发地-目的地信息的数据生成对所述电梯的需求进行预测的模型。

5.如权利要求4所述的电梯分析系统，其特征在于，

用于预测所述电梯的需求的模型是用于对使用所述电梯的人的目的地楼层进行预测的模型。

6.一种设计方法，是由具有处理器、连接到所述处理器的存储装置的计算机系统执行的电梯分析系统的设计方法，其特征在于，

所述电梯分析系统具有用于记录人在楼层之间的移动的始发地-目的地信息的存储区域，

所述设计方法包括以下步骤：所述处理器基于所述始发地-目的地信息的非零值的最大个数来决定所述始发地-目的地信息的存储区域的大小，该始发地-目的地信息的非零值的最大个数是基于电梯在楼层之间移动所需的最短时间计算出的。

Images