JP2019156607A - エレベーターシステム - Google Patents

Abstract

【課題】最下階と最上階との間の往復運行の繰り返しでは、無駄な運行が生じてしまう。【解決手段】複数のエレベーターの制御では、推定時点から所定時間将来の時点についての制御に使用される推定運行データが使用される。推定運行データは、推定時点から所定時間将来の時点についての推定された複数の出力値に基づく運行データである。推定された複数の出力値は、推定時点に属する複数の入力値が入力された学習済みモデルから出力された複数の出力値である。推定時点に属する複数の入力値は、推定時点に属する複数の時間要素をそれぞれ示す複数の時間入力値を含む。複数の出力値は、複数通りの出発到着組合せに関する値を含む。各出発到着組合せは、出発階と到着階の組合せである。【選択図】 図１

Description

本発明は、概して、複数のエレベーターの管理に関する。

複数のエレベーターの管理に関する技術として、例えば、特許第４６０６６８１号及び特許第４１３９８１９号がある。

特許第４６０６６８１号では、次の群管理制御装置が開示されている。すなわち、群管理制御装置は、複数のエレベーターの交通需要を検出し、検出された交通需要に基づいて近未来の交通需要を予測する。群管理制御装置は、交通需要の予測結果から近未来の交通パターンを判別し、判別された交通パターンに基づいて、近未来に適用すべき制御ルール群の候補を複数個自動生成する。群管理制御装置は、複数個の候補の各々を評価し、評価結果を基にいずれかの候補を選定する。

特許第４６０６６８１号

ところで、エレベーターの運行は、通常、乗客に複数の階床での移動をサービスするために、最下階と最上階の間を行き来する往復運行を繰り返すのが基本的である。また、かご呼びがいつどこでも発生しても対応できるように、複数のエレベーターで最下階から最上階のすべての行程を網羅できるように、かごの位置が重複しないように分散させて運転する制御が一般的である。

特許文献１の技術は、こういった往復運行の制御に関する技術である。

最下階と最上階と間の往復運行の繰り返しでは、無駄な運行が生じてしまう問題がある。

複数のエレベーターの制御では、推定時点から所定時間将来の時点についての制御に使用される推定運行データが使用される。推定運行データは、推定時点から所定時間将来の時点についての推定された複数の出力値に基づく運行データである。推定された複数の出力値は、推定時点に属する複数の入力値が入力された学習済みモデルから出力された複数の出力値である。推定時点に属する複数の入力値は、推定時点に属する複数の時間要素をそれぞれ示す複数の時間入力値を含む。複数の出力値は、複数通りの出発到着組合せに関する値を含む。各出発到着組合せは、出発階と到着階の組合せである。

本発明によれば、最下階と最上階との間の往復運行の繰り返しが前提ではなく、推定時点に属する複数の入力値を学習済みモデルに入力することにより推定された出発階及び到着階、つまり或る将来時点の出発階と到着階の組合せを基に、当該将来時点についての運行が制御される。これにより、無駄な運行を削減することができるので、複数のエレベーターの運行の効率化が図れる。

実施例１に係るエレベーターシステムの一例としての群管理コントローラを含んだシステム全体の構成図の例。 実施例１に係る学習格納処理のフローチャートの例。 モデルとしてのニューラルネットワークの第１の例。 モデルとしてのニューラルネットワークの第２の例。 モデルとしてのニューラルネットワークの第３の例。 推定処理及び制御処理を含んだ一連の処理のフローチャートの例。 制御処理のフローチャートの例。 救済処理のフローチャートの例。 実施例２に係るエレベーターシステムの一例としての群管理コントローラを含んだシステム全体の構成図の例。 実施例２に係る学習格納処理のフローチャートの例。 実施例３に係るエレベーターシステムの一例であるコアコントローラ及びエッジコントローラを含むシステム全体の構成図の例。 実施例３に係る推定処理及び制御処理を含んだ一連の処理のフローチャートの例。 実施例４に係るシステム全体の構成図の例。 推定結果の正誤判定とその判定結果に基づいた再学習とを含んだ処理のフローチャートの例。 実施例５に係るシステム全体の構成図の例。 実施例５に係るニューラルネットワークの例。 実施例６に係るかごドア開閉制御のフローチャートの例。

以下の説明では、「インターフェース部」は、１以上のインターフェースで良い。当該１以上のインターフェースは、１以上の同種のインターフェースデバイスであっても良いし２以上の異種のインターフェースデバイスであっても良い。

また、以下の説明では、「メモリ部」は、１以上のメモリであり、典型的には主記憶デバイスで良い。メモリ部における少なくとも１つのメモリは、揮発性メモリであっても良いし不揮発性メモリであっても良い。

また、以下の説明では、「ＰＤＥＶ部」は、１以上のＰＤＥＶであり、典型的には補助記憶デバイスで良い。「ＰＤＥＶ」は、物理的な記憶デバイス（Physical storage DEVice）を意味し、典型的には、不揮発性の記憶デバイス、例えばＨＤＤ（Hard Disk Drive）またはＳＳＤ（Solid State Drive）である。

また、以下の説明では、「記憶部」は、メモリ部及びＰＤＥＶ部のうちの少なくとも１つ（典型的には少なくともメモリ部）である。

また、以下の説明では、「プロセッサ部」は、１以上のプロセッサである。少なくとも１つのプロセッサは、典型的には、ＣＰＵ（Central Processing Unit）のようなマイクロプロセッサであるが、ＧＰＵ（Graphics Processing Unit）のような他種のプロセッサでも良い。少なくとも１つのプロセッサは、シングルコアでも良いしマルチコアでも良い。少なくとも１つのプロセッサは、処理の一部または全部を行うハードウェア回路（例えばＦＰＧＡ（Field-Programmable Gate Array）またはＡＳＩＣ（Application Specific Integrated Circuit））といった広義のプロセッサでも良い。

また、以下の説明では、「ｋｋｋ部」（インターフェース部、記憶部及びプロセッサ部を除く）の表現にて機能を説明することがあるが、機能は、１以上のコンピュータプログラムがプロセッサ部によって実行されることで実現されても良いし、１以上のハードウェア回路（例えばＦＰＧＡ又はＡＳＩＣ）によって実現されても良い。プログラムがプロセッサ部によって実行されることで機能が実現される場合、定められた処理が、適宜に記憶部及び／又はインターフェース部等を用いながら行われるため、機能はプロセッサ部の少なくとも一部とされても良い。機能を主語として説明された処理は、プロセッサ部あるいはそのプロセッサ部を有する装置が行う処理としても良い。プログラムは、プログラムソースからインストールされても良い。プログラムソースは、例えば、プログラム配布計算機又は計算機が読み取り可能な記録媒体（例えば非一時的な記録媒体）であっても良い。各機能の説明は一例であり、複数の機能が１つの機能にまとめられたり、１つの機能が複数の機能に分割されたりしても良い。

以下の説明では、同種の要素を区別しないで説明する場合には、参照符号のうちの共通部分を使用し、同種の要素を区別して説明する場合は、参照符号を使用することがある。例えば、エレベーターを特に区別しないで説明する場合には、「エレベーター１」と記載し、個々のエレベーターを区別して説明する場合には、「エレベーター１Ａ」、「エレベーター１Ｂ」のように記載することがある。

図１は、実施例１に係るエレベーターシステムの一例としての群管理コントローラを含んだシステム全体の構成図の例である。

エレベーター群２００（複数のエレベーター１）を制御する群管理コントローラ２が、エレベーターシステムの一例である。なお、「エレベーターシステム」は、学習部４０、推定部５０及び制御部６０の少なくとも１つだけを有するシステム、例えば、学習部４０だけを備え複数のエレベーター１のいずれも含まないシステムであることもあり得る。学習部４０及び推定部５０の少なくとも１つは、エレベーター群２００の管理を支援するモジュールであるという見方ができるので、例えば学習部４０だけを備えるシステムは、群管理支援システムのような別の名称で呼ばれても良い。本実施例では、群管理コントローラ２は、学習部４０、推定部５０及び制御部６０のいずれも有する。

学習部４０は、対象時点に属する複数の入力値を用いて、エレベーター群２００の制御に使用される運行データであって当該対象時点から所定時間将来の時点についての制御に使用される運行データ３４の基になる複数の出力値を推定するモデル４４を学習する。学習中のモデルを「モデル４４Ｔ」と表記する。対象時点に属する複数の入力値は、対象時点に属する複数の時間要素をそれぞれ示す複数の時間入力値を含む。複数の出力値は、複数通りの出発到着組合せに関する値を含む。各出発到着組合せは、出発階と到着階の組合せである。学習済みモデル４４Ｆ（学習部４０により学習されたモデル４４）に、或る時点に属する複数の入力値を入力することで、当該或る時点から所定時間将来の時点についての出発階と到着階の組合せが推定される。当該推定を基に、当該将来の時点についての運行が制御可能である。出発階又は到着階に最下階又は最高階が無ければ、最下階又は最高階へと乗りかご（以下、単に「かご」と言う）１４を動かす必要が無い。これにより、無駄な運行を削減することができる。例えば、或るエレベーター１について、乗客のいないかご１４が下降中であり、一定時間のうちに最下階が出発階となることは無く或る途中階が出発階となることが推定されている場合、最下階へ行かずに進行方向を反転することが行われ得る。結果として、往復運行の無駄な行程が排除され得る。

推定部５０は、学習済みモデル４４Ｆに、推定時点に属する複数の入力値を入力することで、当該推定時点から所定時間将来の時点についての制御に使用される運行データ３４Ｅの基になる複数の出力値を推定する。これにより、推定時点から所定時間将来の時点について、当該将来の時点の出発階と到着階の組合せを基に、当該将来の時点についての運行が制御可能である。これにより、無駄な運行を削減することができる。

制御部６０は、推定時点から所定時間経過後の時点についての推定された複数の出力値に基づく運行データである推定運行データ３４Ｅを使用してエレベーター群２００を制御する。これにより、推定時点から所定時間経過後の時点について、当該経過後の時点の出発階と到着階の組合せを基に、当該経過後の時点についての運行が制御可能である。これにより、無駄な運行を削減することができる。

エレベーター群２００は、複数のエレベーター１（例えば１Ａ〜１Ｃ）を有する。以下、１つのエレベーター１として、エレベーター１Ａを例に取る。なお、図では、エレベーター１α（α＝Ａ、Ｂ及びＣのいずれか）の構成要素の参照符号の末尾には、αが付されている。

エレベーター１Ａは、エレベーターコントローラ１０Ａを有し、該エレベーターコントローラ１０Ａは、エレベーター１Ａの巻上機１２Ａを制御してかご１４Ａの動きを制御する。エレベーターコントローラ１０Ａは、通信路のようなネットワーク２０に接続されており、他の各エレベーターコントローラ１０と情報のやり取りが可能となっている。なお、ネットワーク２０には、各階床に設置されているかご呼びボタンの情報（例えば、上へ行くことを指定するためのボタンが押されたこと、又は、下へ行くことを指定するためのボタンが押されたことを示す情報）、エレベーター１の進行方向ランプの情報、かご１４の位置ランプの情報、かごドアの情報（例えば、かごドアの状態が、閉じた状態、開いている最中の状態、開いた状態、閉じている最中の状態等のいずれの状態であるかを示す情報）、及び、その他エレベーターに係る全ての情報が流れる。このような情報を「エレベーター情報」と呼ぶ。なお、かご１４Ａには、重量センサ１６Ａといったセンサが設けられている。

ネットワーク２０に、群管理コントローラ２が接続されている。エレベーター群２００と群管理コントローラ２は、同一のビル内に設けられても良いし、群管理コントローラ２は、当該ビルとは離れた場所に存在しても良い。例えば、群管理コントローラ２が、クラウドシステムのような計算機システム（１以上の計算機）上に実現されたソフトウェアディファインドのコントローラでも良い。

群管理コントローラ２は、インターフェース部、記憶部及びそれらに接続されたプロセッサ部といった物理的な計算リソースを有して良い（又はそれらの物理的な計算リソースに基づき実現されても良い）。インターフェース部にネットワーク２０が接続される。群管理コントローラ２は、入力領域３２、データ格納部３０、学習部４０、学習結果領域４２、推定部５０、推定領域５５及び制御部６０を有する。入力領域３２、学習結果領域４２及び推定領域５５の各々は、記憶部に基づく物理的又は論理的な記憶領域である。データ格納部３０、学習部４０、推定部５０及び制御部６０は、１以上のコンピュータプログラムを実行するプロセッサ部により実現される。

入力領域３２には、学習部４０及び推定部５０のうちの少なくとも１つに入力され得る多数の値がデータ格納部３０により格納される。入力領域３２に格納される各値は、例えば、下記のうちのいずれかに基づく値、
・現在から過去における対象期間に取得されたエレベーター情報（例えば、時系列のエレベーター情報）、
・時点を示す時間情報、
・エレベーター群２００が設置されているビルの構成及び各階に関する情報、及び、
・エレベーター群２００の運行の外乱要因（例えば、エレベーター群２００が設置されているビル（建物の一例）の改修工事期間、当該ビル周辺の交通量、当該ビルの近隣の鉄道等の遅延や運休、又は、行先階登録システム（ＤＦＲＳ：Destination Floor Reservation System）により行先階が指定された）に関する情報、
である。エレベーター情報から後述の実際運行データ３４Ｒを得ることが可能である。入力領域３２に格納される値、言い換えれば、学習部４０又は推定部５０の入力値となり得る値として、下記（０１）〜（０４）のうちの少なくとも１つがある。以下、１つの時点を例に取る（下記（０１）〜（０４）の説明において「対象時点」）。
（０１）対象時点に属する複数の時間要素をそれぞれ示す複数の時間入力値。例えば、対象時点が年月日時分秒で表現される場合、「複数の時間要素」は、「年」、「月」、「日」、「時」、「分」及び「秒」という６個の時間要素であり、「複数の時間入力値」は、それら６個の時間要素にそれぞれ対応した６個の値である。なお、採用される時間要素は、それら６個の時間要素に代えて又は加えて、他の時間要素が採用されても良い。例えば、時間要素として、「曜日」が採用されても良く、この場合、時間入力値は、対象時点が属する曜日を示す値である。また、時間要素として、「祝祭休日」が採用されても良く、この場合、時間入力値は、対象時点が祝祭休日に属するか否かを示す値である。また、時間要素として、「当月の何週目」が採用されても良く、この場合、時間入力値は、当月の何週目であるかを示す値である。
（０２）実際運行データ３４Ｒの基になる複数の実際の値のうちのいずれかの値。「実際運行データ」とは、対象時点についてセンサ等に基に特定された複数の実際の値（例えば、エレベーター情報から取得可能な様々な値のうちの複数の特定の値）に基づく運行データである。
（０３）階の特徴を示す値である階特徴値。
（０４）外乱要因を示す値である外乱要因値。

（０２）に関して、実際運行データ３４Ｒの基になる複数の実際の値は、学習済みモデル４４Ｆからの複数の出力値（推定値）にそれぞれ対応した複数の実際の値に相当する。複数の出力値（推定値）は、上述したように、複数通りの出発到着組合せ（出発階と到着階の組合せ）に関する値を含む（詳細は後述する）。

学習結果領域４２には、学習部４０による学習結果としての学習済みモデル４４Ｆ（例えば、学習済みモデル４４Ｆのイメージ（例えばファイル））が格納される。学習結果領域４２から学習済みモデル４４Ｆが展開され、展開された学習済みモデル４４Ｆを用いた推定が推定部５０により実行される。

推定領域５５には、推定部５０（学習済みモデル４４Ｆ）から出力された複数の出力値に基づく推定運行データ３４Ｅが格納される。

学習部４０、推定部５０及び制御部６０については、上述の通りである。

以下、図１の一具体例を記載する。

エレベーター情報から出発階、到着階、及び、乗客数に係る情報を取得されて、取得された情報に基づく値が、実際運行データ３４Ｒとして、データ格納部３０により入力領域３２に格納される。無論、入力領域３２には、すべてのエレベーター情報に基づく値が格納されても構わない。出発階に係る情報としては、かご１４の位置及びかご上下動開始イベント等がある。到着階に係る情報としては、かご１４の位置およびかごドア開イベント等がある。乗客数に係る情報としては、かご１４に設置されている重量センサ１６の計測値がある。重量センサ１６の計測値と、一人当たりの標準体重とを元に、乗客数を演算することができる。エレベーターコントローラ１０から出力される乗客数に係る情報としては、上記演算結果である乗客数でも、重量センサ１６の測定値でも構わない。前者の場合、乗客数はエレベーターコントローラ１０により演算されており、後者の場合、乗客数はデータ格納部３０（又は制御部６０）により演算される。なお、画像センサ等によって乗客数を計測できるエレベーターシステムでは、該乗客数そのものをネットワーク２０に出力しても構わない。本発明は、乗客数の計測を、画像センサや重量センサ１６のような実装形態に限定するものではない。

学習部４０は、入力領域３２から出発階、到着階、乗客数を取得して学習し、学習結果として学習済みモデル４４Ｆを出力する。学習部４０は、学習処理として、例えば、ディープラーニングを実行する。ディープラーニングの場合には、学習結果済みモデル４４Ｆは、学習済み深層ネットワーク（ニューラルネットワーク）となる。推定部５０は、学習済みモデル４４Ｆから、将来発生するであろう、例えばエレベーターの一行程に係る時間後の、少なくとも出発階、到着階、乗客数からなる運行データ３４を推定する。結果として、推定運行データ３４Ｅが得られる。推定運行データ３４Ｅが推定領域５５に格納される。

５階床のエレベーター１の運行データ３４の一例を図１に示す。運行データ３４は、到着階（縦）と出発階（横）のマトリクスを含む。マトリクスにおけるセル内の数値は、当該セルに対応する出発到着組合せ（出発階と到着階の組合せ）での乗客数を示す。具体的には、例えば、一番左の列によれば、１階から３階に移動する乗客数は２名、１階から５階に移動する乗客数は４名、となる。一番右の列によれば、５階から１階に移動する乗客数は２名、５階から２階に移動する乗客数は７名、となる。他の階についても同様である。空欄のセルに対応した出発到着組合せは、乗客数がゼロであることを意味する。乗客数が１以上である出発到着組合せを、「有効出発到着組合せ」と言うことができる。有効出発到着組合せに属する出発階及び到着階を、「有効出発階」及び「有効到着階」と言うことができる。以下、推定運行データ３４に関しての有効出発階及び有効到着階を、それぞれ、「有効推定出発階」及び「有効推定到着階」と言うことがある。なお、全てのエレベーター１が５階床であるとは限られないで良い。例えば、Ｎ階床（地下の階があれば当該地下の階も含む）のビルにおいて、或るエレベーター１について、最下階は、ビルの最下階で、最高階は、途中のｐ階で良く、別のエレベーター１について、最下階は、ｑ階（ビルの最下階とｐ階との間）で、最高階は、ビルの最高階で良い。

制御部６０は、推定運行データ３４Ｅと、現時点でのエレベーター１の状態（例えば、エレベーター１毎のかご位置、かご進行方向及び乗客数）を考慮して、単一ビルもしくは隣接して建てられた複数ビル）に設置されるエレベーター群２００におけるエレベーター１毎に、停車階へのかご１４の割り当てを決定する。制御部６０は、決定した情報（かご割当て）を基に、ネットワーク２０を経由してエレベーターコントローラ１０に指示を与えて、複数のエレベーター１を効率良く制御する。このような複数のエレベーター１を制御するものとして、群管理コントローラ２がある。

なお、エレベーターコントローラ１０には様々な種類があり、且つエレベーター情報も業界で標準化されているわけではない。様々なエレベーター情報から、運行データ３４に変換する処理が必要であり、該処理をデータ格納部３０にて実行することが可能である。これにより、様々なエレベーター１を、群管理コントローラ２で制御することが可能となる。

図２は、実施例１に係る学習格納処理を示すフローチャートである。「学習格納処理」とは、エレベーター情報取得から学習結果格納までの処理である。

データ格納部３０は、エレベーターコントローラ１０から、エレベーター情報を取得する（Ｓ１０）。

データ格納部３０は、エレベーター情報の、少なくとも出発階、到着階、乗客数に係る情報（出発到着組合せ毎の乗客数）と、時間情報とを取得し、取得した情報に基づく実際運行データ３４Ｒに基づく複数の値を入力領域３２に格納する（Ｓ２０）。

学習部４０は、学習処理を行う。すなわち、学習部４０は、入力領域３２から、実際運行データ３４Ｒに基づく複数の入力値を取得し（Ｓ３０）、取得した複数の入力値をモデル４４Ｔに入力し複数の出力値を得る学習を実施する（Ｓ４０）。

学習部４０は、学習結果としての学習済みモデル４４Ｆを学習結果領域４２に格納する（Ｓ５０）。

なお、学習格納処理は、逐次実行されても構わないし、実際運行データ３４Ｒがある程度蓄積されてから実行されても構わない。例えば、１年間蓄積した実際運行データ３４Ｒを基に、一気に学習させるということも可能である。

また、学習済みモデル４４Ｆとして学習結果が出力されるまでに、破線で示すように、Ｓ１０〜Ｓ４０が繰り返されて良い。

また、学習済みモデル４４Ｆは、一点鎖線で示すように、再度Ｓ１０〜Ｓ５０が行われることで更新されても良い（再学習）。すなわち、学習部４０は、学習済みモデル４４Ｆを更新し、推定部５０は、更新後の学習済みモデル４４Ｆに従う推定を行って良い。学習済みモデル４４Ｆの更新において入力される複数の入力値は、下記を含むことで、学習済みモデル４４Ｆが更新（典型的には、学習済みモデル４４Ｆにおける複数のノードにそれぞれ対応した複数の重み付け係数が更新（調整））される。これにより、学習済みモデル４４Ｆの精度の向上が期待され、結果として、推定部５０による推定結果の精度の向上が期待される。
・任意の推定時点から所定時間経過した時点である経過時点に属する複数の時間要素をそれぞれ示す複数の時間入力値。
・当該経過時点での実際運行データ３４Ｒの基であり、複数の出力値（推定値）にそれぞれ対応した複数の実際の値。

図３は、モデル４４としてのニューラルネットワークの第１の例を示した図である。

モデル４４は、少なくとも１つのニューラルネットワークで構成されている。本実施例では、説明を簡単にするために、モデル４４は、１つのニューラルネットワークで構成されているが、多段のニューラルネットワークで構成されても良い。

モデル４４が、入力層３０１と、出力層３０３と、中間層３０２とで構成される。入力層３０１は、複数の入力値がそれぞれ入力される複数の入力ノード７０を含む。出力層３０３は、複数のエレベーター１の制御に使用される運行データ３４の基になる複数の出力値をそれぞれ出力する複数の出力ノード４００を含む。中間層３０２は、入力層３０１と出力層３０３との間の複数の中間ノード３５２を含む。学習済みモデル４４Ｆは、入力層３０１に入力された、対象時点に属する複数の入力値に対し、少なくとも１つのニューラルネットワークにおける学習済みの重み付け係数に基づく演算を行い、出力層３０３から、対象時点から所定時間将来の時点についての複数のエレベーター１の制御に使用される運行データ３４の基になる複数の出力値を出力するよう、コンピュータを機能させる。

複数の入力ノード７０にそれぞれ入力される複数の入力値は、対象時点に属する複数の時間要素をそれぞれ示す複数の時間入力値を含む。従って、複数の入力ノード７０は、複数の時間入力値をそれぞれ入力する複数の時間入力ノード７０−１を含む。時間情報は、年月日時分秒の絶対値でも構わないが、人は時間に合わせて正確に行動しているわけではないので、絶対値を入力としても推定の精度を期待できない。社会活動を考慮すると、時間情報として、例えば、祝祭日情報を加味した任意月の何週目の何曜日の何時と何分とが考慮されることが望ましい。そこで、本実施例では、時間入力ノード７０−１として、月を示す月値の入力ノード７０−１ａ、週を示す週値の入力ノード７０−１ｂ、曜日を示す曜日値の入力ノード７０−１ｃ、時間を示す時値の入力ノード７０−１ｄ、分を示す分値の入力ノード７０−１ｅ、及び、対象時点が祝祭休日に属するか否かを示す祝祭休日値の入力ノード７０−１ｆが採用される。

さらに、入力ノード７０として、ビルの改修工事や、ビル周辺道路の渋滞や、ビル近隣の鉄道等の遅延または運休等のような、定常的な社会活動を乱し得る外乱要因を示す１以上の外乱要因値の入力ノード７０−２が存在しても良い。このような１以上の外乱要因値を入力することで、推定の精度を上げることが可能である。外乱要因値は、例えば、人の行動への影響度を数値化したもので良い。外乱要因値は、必ずしも入力値として採用されないでも良い。

複数の出力ノード４００からそれぞれ出力される複数の出力値の各々は、対象時点から所定時間将来の時点についての制御に使用される運行データ３４の基になる出力値である。複数の出力値は、上述した通り、複数通りの出発到着組合せ（出発階と到着階の組合せ）に関する値を含む。複数通りの出発到着組合せに関する値は、複数通りの出発到着組合せの各々について、１以上の出発到着出力値を含む。複数通りの出発到着組合せの各々について、１以上の出発到着出力値は、出発到着組合せにおける物体量に関わる値である。出発到着組合せにおける物体量に関わる値は、当該出発到着組合せについて乗客（物体の一例）がいるか否かでも良いが、本実施例では、当該出発到着組合せに対応した乗客数を示す値である。各出発到着組合せについて、乗客数が推定されるので、エレベーター群２００の運行の効率化が一層期待できる。なお、図３において、出力ノード４００の近傍にある“ＮＯＰ（ｘＦ−ｙＦ）”という表記は、ｘ階（出発階）からｙ階（到着階）までの乗客数（ＮＯＰ（the Number Of People））を意味する。

運行データ３４は、エレベーター１の操作形態によって異なる場合がある。各階に設置されている上下ボタンと、かご１４内に設置されている階ボタン、の二種類による操作形態の場合、到着階が決定されるのは、乗客が該上下ボタンを押した後に、かごが到着し、該乗客がかご１４に乗り、階ボタンを押した時点である。乗客が上下ボタンを押してから、行先階が決定するまでに時間経過がある。つまり、実際の乗客の発生と、エレベーターコントローラ１０が認識するボタン押下とには、ずれが生じている。よって、学習部４０の教師データとして、出発到着組合せに対応する乗客数を入力する場合には、エレベーターコントローラ１０が出力するエレベーター情報から得られる運行データ３４Ｒを基にして、上下ボタンが押された時刻より以前を乗客発生時刻とすることが望ましい。

また、行先階登録システム（ＤＦＲＳ：Destination Floor Reservation System）が知られているが、ＤＦＲＳの有無を、外乱要因値として採用することが可能である。

また、モデル４４は、エレベーター群２００についてのモデル４４であるため、複数のエレベーター１に共通である。このため、各出発到着組合せについて、出力値としての乗客数は、複数のエレベーター１についての合計値で良い。

モデル４４の構造としては、ネットワーク構造の一例として多段回帰構造があるが、本発明はこの構造に限定されるわけではない。

ところで、入力値が、時間入力値のみであると、人が常時時間通りに行動していない場合には、推定がずれる場合が多くなると考えられる。時間経緯に伴う人の行動の変化を相対的に反映しているのはエレベーターの実際の運行であると考えられる。

そこで、本実施例では、実際運行データ３４Ｒの基であり、複数の出力値（推定値）にそれぞれ対応した複数の実際の値の各々が、入力値として採用される。

図４は、モデル４４としてのニューラルネットワークの第２の例を示した図である。

推定精度を向上させるため、入力ノード７０として、更に、実際運行データ３４Ｒ（例えば、対象時点（例えば推定時点）での実際運行データ３４Ｒ）の基であり、複数の出力値（推定値）にそれぞれ対応した複数の実際の値の各々の入力ノード７０−３が採用される。このようなネットワーク構造の実現には、Stacked Denoising Autoencodersや、時間要素を考慮したＬＳＴＭ（Long Short-Term Memory）等の採用が考えられるが、この構造に限定されるわけではない。

図５は、モデル４４としてのニューラルネットワークの第３の例を示した図である。

推定精度を向上させるため、入力ノード７０として、更に、各階について、当該階の特徴を示す値である階特徴値の入力ノード７０−４が採用される。階の特徴は、人の行動の決定要因と考えられる。階特徴値の入力ノード７０−４として、階の店舗や会社等の種別を示す種別値の入力ノード７０−４ａ、店舗の集客率もしくは会社の在籍人数等の階属性を示す属性値の入力ノード７０−４ｂ、及び、喫煙室や食堂や催事場等の特別な施設の有無を示す施設値の入力ノード７０−４ｃを、採用することができる。階ごとの、種別値及び施設値は、建物の利用形態によって、恒常的な場合と可変的な場合がある。恒常的な場合には、種別値及び施設値は、中間層３０２で用いられる重み付け係数等の入力パラメータとして扱うこともあり得る。可変的な場合には、図５の例の通り、入力層３０１の入力値として扱うことが適切であると考えられる。

このようなネットワーク構造の実現には、ＣＮＮ（Convolutional Neural Network）あるが、本発明はこの構造に限定にされるわけではない。

図６は、推定処理及び制御処理を含んだ一連の処理のフローチャートの例である。

推定部５０は、学習済みモデル４４Ｆのイメージを取得し学習済みモデル４４Ｆを展開する（Ｓ１１０）。

推定部５０は、推定処理を行う。すなわち、推定部５０は、学習済みモデル４４Ｆを基に、推定時点（例えば現在時点）から所定の時間経過後の運行データ３４の基になる複数の出力値を推定する（Ｓ１２０）。推定部５０は、推定した複数の出力値に基づく推定運行データ（すなわち、推定時点から所定時間経過後の制御に使用される運行データ）３４Ｅを、制御部６０に提示する（推定領域５５に格納する）（Ｓ１３０）。

制御部６０は、推定時点から所定時間経過後の時点が現在時点（制御時点）である推定運行データ３４Ｅを推定領域５５から取得し、当該推定運行データ３４Ｅを基にかごの割り当てを制御する制御処理を行う（Ｓ１４０）。

制御部６０は、該制御処理の結果を基に、それぞれのエレベーターコントローラ１０に、運行の指示を送信する（Ｓ１５０）。

推定処理の実行開始は、出発に相当するかごドアが閉まったタイミング、到着に相当するかごが停止したタイミング、等のいずれでも良い。また、一定周期で、推定処理が実行されても構わない。

図７は、制御処理（図６のＳ１４０）のフローチャートの例である。

制御部６０は、制御時点の現状把握を行う（Ｓ２１０）。具体的には、例えば、制御部６０は、各エレベーター１について、下記を取得する。結果として、制御部６０は、エレベーター群２００の裕度合計（全エレベーター１の裕度の合計）を演算（算出）する。
・かご１４の現在位置。
・かご１４の到着階。
・かご１４の進行方向。
・かご１４の裕度（かご１４の許容乗客数と制御時点での乗客数との差分）。

制御部６０は、把握された現状を基に、各エレベーター１について、現在位置と到着階との途中に、いずれかの有効推定出発階（推定運行データ３４Ｅが示す出発階であって、当該推定運行データ３４Ｅが示す乗客数が１以上の出発階）があるか判定する（Ｓ２２０）。

Ｓ２２０の判定結果が真の場合（Ｓ２２０：Ｙｅｓ）、制御部６０は、把握された現在位置と把握された到着階がいずれかの有効推定出発階を挟むエレベーター１を抽出する（Ｓ２３０）。制御部６０は、抽出したエレベーター１に、当該有効推定出発階を割り当てる（Ｓ２４０）。Ｓ２４０では、制御部６０は、当該エレベーター１の裕度から推定運行データ３４Ｅが示す乗客数（有効推定出発階に対応した乗客数）を減算し、推定運行データ３４Ｅを更新する（有効推定出発階に対応した乗客数をゼロにする）。エレベーター１に有効推定出発階が割り当てられることで、当該有効推定出発階が、当該エレベーター１の現時点での到着階でもかご呼びがされた階でも無くても、当該エレベーター１のかご４が当該有効推定出発階で停車しかごドア開が行われることになる。

Ｓ２４０の後、又は、Ｓ２２０の判定結果が偽の場合（Ｓ２２０：Ｎｏ）、制御部６０は、裕度合計が、推定乗客数合計（推定運行データ３４Ｅが示す乗客数の合計）以下か否かを判定する（Ｓ２５０）。すなわち、制御部６０は、制御時点（現状把握時点）におけるエレベーター群２００が、当該制御時点を将来時点とした推定乗客数合計が示す全ての乗客を搭載可能な空きを有するか否かを判定する。従って、出発到着組合せに対応した乗客数（図１に例示の運行データ３４に示される乗客数）は、或る時点から或る時点までに新たに発生する乗客の数を示す。なお、Ｓ２４０が行われた場合、Ｓ２５０に関して、「裕度合計」は、更新後の裕度合計であり、「推定乗客数合計」は、更新後の推定運行データ３４Ｅが示す乗客数の合計である。

Ｓ２５０の判定結果が真の場合（Ｓ２５０：Ｙｅｓ）、制御処理が終了する。結果として、各エレベーター１について、かご１４と停車階との関係は、現状維持である。

Ｓ２５０の判定結果が偽の場合（Ｓ２５０：Ｎｏ）、すなわち、裕度合計の方が現状の推定乗客数合計より多い場合には、制御部６０は、裕度合計から推定乗客数合計を減算して残人数を求める（Ｓ２６０）。制御部６０は、現在位置と有効推定出発階との距離の昇順（距離が短い順）にエレベーター１が並んだエレベーターリストを生成する（Ｓ２７０）。制御部６０は、Ｓ２７０で生成したエレベーターリストのうち、進行方向（現在位置から到着階への方向）が有効推定出発階に向いているエレベーターを選択する（Ｓ２８０）。制御部６０は、Ｓ２８０で選択したエレベーター１の乗客数から当該エレベーター１の裕度を演算する（Ｓ２９０）。制御部６０は、当該エレベーター１に有効推定出発階を割り当てる（Ｓ３００）。制御部６０は、現時点の残人数から、当該エレベーター１の裕度を減算した、新たな残人数を求める（Ｓ３１０）。

制御部６０は、残人数が０以下か否かを判定する（Ｓ３２０）。Ｓ３２０の判定結果が真の場合（Ｓ３２０：Ｙｅｓ）、制御処理が終了する。

残人数が０より多い場合には（Ｓ３２０：Ｎｏ）、制御部６０は、裕度の降順（裕度の大きい順）にエレベーター１が並んだエレベーターリストを生成する（Ｓ３３０）。Ｓ３３０で生成されたエレベーターリストには、Ｓ３００で既に割当て済のエレベーター１は含まれても含まれなくても良いが、本実施例では、含まれない。制御部６０は、下記を行う（Ｓ３４０）。
（Ｓ３４０−１）Ｓ３３０で生成されたエレベーターリストから未選択のエレベーター１のうち、最も裕度の大きいエレベーター１を選択する。
（Ｓ３４０−２）Ｓ３４０−１で選択したエレベーター１に有効推定出発階を割り当てる。
（Ｓ３４０−３）現時点の残人数から、Ｓ３４０−１で選択したエレベーター１の裕度を減算して、新たな残人数を求める。
（Ｓ３４０−４）Ｓ３４０−３で演算された新たな残人数が０以下であれば、Ｓ３４０が終了する。結果として、制御処理が終了する。
（Ｓ３４０−５）Ｓ３４０−３で演算された新たな残人数が０より多ければ、Ｓ３３０で生成されたエレベーターリストから全てのエレベーター１が選択されたか否かを判定する。
（Ｓ３４０−６）Ｓ３４０−５の判定結果が真の場合、Ｓ３４０が終了する。結果として、制御処理が終了する。
（Ｓ３４０−７）Ｓ３４０−５の判定結果が偽の場合、処理がＳ３４０−１に戻る。

以上の制御処理によれば、Ｓ２４０でいずれかの有効推定出発階にエレベーター１が割り当てられても、Ｓ２５０の判定結果が偽であれば、当該割り当てはキャンセル（破棄）されて、Ｓ２６０以降において、当該エレベーター１には別の有効推定出発階が割り当てられ得る。

また、以上の制御処理によれば、Ｓ２５０の判定結果が偽の場合、残人数として、推定乗客数合計と裕度合計との差分が演算され、当該差分（残人数）が、０以下になるように、エレベーター１が割り当てられる。残人数は、割り当てられたエレベーター１の裕度から減算される。すなわち、Ｓ２５０の判定結果が偽とは、新たに発生すると推定された乗客数合計がエレベーター群２００の現状の裕度合計を超えてしまうと推定されたこと、言い換えれば、推定される乗客の全てをエレベーター群２００に乗せることができないと推定されたことになる。この場合、超過乗客数（残人数）から現状の裕度を減算していく観点で、推定出発階に対するエレベーター１の割り当てが行われる。

また、以上の制御処理によれば、Ｓ２５０の判定結果が偽の場合、Ｓ２６０〜Ｓ３００において、有効推定出発階までの距離が短く且つ進行方向が推定出発階へ向かう方向であるエレベーター１が優先的に当該有効推定出発階に割り当てられる。この結果、新たな残人数が０以下にならなければ、未割当のエレベーター１については進行方向の反転が必要になるが、そういったエレベーター１は裕度の降順で割り当てが行われるため、エレベーター群２００の効率的な運行として、進行方向の反転が必要なエレベーター１の数を抑えた運行が期待できる。

以上の制御処理の説明を基に、制御処理の概要を、例えば下記のように表現することができる。

すなわち、制御部６０は、複数のエレベーター１の各々について、下記を含む現状、
・当該エレベーター１のかご１４の裕度、
・当該エレベーター１の進行方向、
・当該エレベーター１のかご１４の現在位置、及び、
・当該エレベーター１のかご１４の到着階、
を把握する。エレベーター１の進行方向は、当該エレベーター１のかご１４の現在位置と到着階から把握可能であるが、当該エレベーター１について到着階が指定されていないこともあり得るため、進行方向の把握は有効であると考えられる。制御部６０は、推定運行データ３４Ｅと、複数のエレベーター１の各々についての上記把握された現状とを基に、有効推定出発階の各々に、現状の裕度、進行方向及び現在位置のうちの少なくとも１つに基づき決定されたエレベーター１を割り当てる。

図８は、推定運行データ３４Ｅが示す有効階（有効推定出発階と有効推定到着階の総称）以外の階についてのかご呼びが発生した場合の処理である救済処理のフローチャートの例である。なお、有効階と異なる階についてのかご呼びを、「特異イベント」と呼ぶことにする。特異イベントが制御部６０により検出された場合に、図８の救済処理が開始される。

制御部６０は、図７のフローチャートに従う制御処理を行う（Ｓ４００）。なお、Ｓ４００がスキップされて、最近の制御処理の結果を基に、Ｓ４１０以降が行われても良い。

制御部６０は、複数のエレベーター１の各々の裕度を演算する（Ｓ４１０）。

制御部６０は、割り当てられた経路（制御処理における現在位置と割り当てられた階とを結ぶ経路）に特異イベントの階が存在するエレベーター１が１つでもあるか否かを判定する（Ｓ４２０）。

Ｓ４２０の判定結果が真の場合（Ｓ４２０：Ｙｅｓ）、制御部６０は、Ｓ４２０：Ｙｅｓのエレベーター１の中に、進行方向に特異イベントの階があるエレベーター１があるか否かを判定する（Ｓ４３０）。Ｓ４３０の判定結果が真の場合（Ｓ４３０：Ｙｅｓ）、制御部６０は、Ｓ４３０：Ｙｅｓのエレベーター１のうち、裕度の最も大きいエレベーター１に、特異イベントの階への停止を割り当てる（Ｓ４４０）。つまり、当該エレベーター１については、制御処理で割り当てられた階がキャンセルされ、特異イベントの階が割り当てられる。

Ｓ４２０の判定結果が偽の場合（Ｓ４２０：Ｎｏ）、又は、Ｓ４３０の判定結果が偽の場合（Ｓ４３０：Ｎｏ）、制御部６０は、到着階から特異イベントまでの距離の昇順（距離が短い順）に並んだエレベーター１のエレベーターリストを生成する（Ｓ４５０）。制御部６０は、Ｓ４５０で生成したエレベーターリストから、進行方向が特異イベントの階への方向と一致するエレベーター１を選択する（Ｓ４６０）。制御部６０は、当該選択されたエレベーター１の到着階（停車階）を、特異イベントの階に変更する（Ｓ４７０）。

このような救済処理により、推定と異なる階についてかご呼びがされる特異イベントが発生しても、該特異イベントに柔軟に対応することができる。結果として、特異イベントが発生しても乗客の待ち時間を短縮することができ、以って、運行の効率を向上させることが期待できる。

また、このような救済処理によれば、特異イベントの階が経路上にあるエレベーター１が無くても、又は、そのようなエレベーター１があっても進行方向に特異イベントの階が無くても、特異イベントの階がある方向が進行方向である別のエレベーター１の停車階を当該特異イベントの階に変更することで対処可能である。

また、救済処理の結果に従う複数の値（例えば、モデル４４の複数の出力値に対応した複数の値）を複数の入力値として学習済みモデル４４Ｆに入力する更新処理が行われても良いこれにより、推定精度の一層の向上が期待できる。

以上の救済処理の説明を基に、救済処理の概要を、例えば下記のように表現することができる。

すなわち、制御部６０は、有効階（例えば、推定運行データ３４Ｅが示す出発階のうちの物体量が０を超える出発階）以外のいずれかの階についてかご呼びが発生した場合、複数のエレベーター１の各々について、当該エレベーター１の裕度を特定し、且つ、当該かご呼びが生じた階に対して、下記のうちの少なくとも１つ、
・裕度、
・当該階と現在位置との距離、及び、
・進行方向、
に基づいて決定したエレベーター１を割り当てる。

実施例２を説明する。その際、実施例１との相違点を主に説明し、実施例１との共通点については説明を省略又は簡略する。

大容量データを扱える記憶装置と、高性能な演算処理環境、とを提供する環境としては、クラウドシステム１００と呼ばれる環境がある。クラウドシステム１００は、計算機システムのような第１の装置の一例である。クラウドシステム１００に代えて、データセンタのような他の計算機システムが採用されても良い。

図９は、実施例２に係るエレベーターシステムの一例としての群管理コントローラを含んだシステム全体の構成図である。

複数のエレベーター１の運行データ３４を含むエレベーター情報は、エレベーター１の制御及び状態に係る全ての情報を含んでいるため容量が大きく、且つ日々蓄積され続けるので膨大な容量となる。つまり、エレベーター情報は、所謂ビッグデータに相当し得る。

推定部５０の一実装例として、ディープラーニングに従う学習済みモデル４４Ｆが採用される。ディープラーニングを実現するには、運行データ３４を含むエレベーター情報のようなビッグデータを柔軟に利用可能で、且つ高負荷の学習部４０を実行できる環境が望ましい。

一般に、複数のエレベーターを制御する目的で、群管理コントローラが設けられるが、一比較例によれば、群管理コントローラは、装置への組込みが前提とされ、故に、膨大なデータの取り扱いや、且つ高負荷の演算をできるようには設計されていない。上述の説明によれば、大容量のデータを扱うことが可能な記憶装置や処理装置と、ディープラーニングの学習等を実行可能な高性能な演算処理装置と、が必要となるが、このような大容量記憶装置及び高速処理装置を、エレベーターコントローラ１０のような組込みシステムと同様に昇降路等の環境に設置することは、運用や場所の面で困難であると考えられる。

そこで、本実施例のように、クラウドシステム１００上に群管理コントローラ２が実現される。クラウドシステム１００は、例えば、広域遠隔地域での複数のエレベーターが対象である場合にはグローバルクラウドシステム（或いは、例えばデータセンタ）で良く、小規模地域もしくは建物内の複数のエレベーターが対象であればオンプレミスクラウドシステム（或いは、例えばローカルサーバ）で良い。

クラウドシステム１００における群管理コントローラ２は、ソフトウェアディファインドのコントローラでも良いし、物理的なコントローラでも良い。実施例２に係る群管理コントローラ２が有する構成要素は実施例１と同じである。

複数のエレベーター１から成るエレベーター群２００は、有線インターネット網やキャリア提供の無線閉回路網である広域ネットワーク網（通信ネットワークの一例）２２と、ネットワーク２０と通信機器（例えば、ルータのようなネットワークスイッチ）２８経由で接続される。また、クラウドシステム１００内のネットワーク２４は、通信機器（例えば、ネットワークスイッチ）２６経由で、広域ネットワーク網２２と接続される。

図１０は、実施例２に係る学習格納処理のフローチャートの例である。

エレベーターコントローラ１０は、広域ネットワーク網２２を経由し、クラウドシステム１００に、エレベーター情報を送信する（Ｓ６００）。該情報を通信するのに、ＩｏＴプロトコルを利用する形態と、独自プロトコルを利用する形態が考えられるが、他の形態が採用されても良い。

クラウドシステム１００内の群管理コントローラ２は、エレベーターコントローラ１０が送信したエレベーター情報を受信する（Ｓ６１０）。

データ格納部３０は、取得したエレベーター情報から、出発階と、到着階と、乗客数を組み合わせた情報としての運行データ３４Ｒを入力領域３２に格納する（Ｓ６２０）。

学習部４０は、学習処理を行う。すなわち、学習部４０は、入力領域３２より、運行データ３４Ｒ等基に基づく複数の入力値を取得し（Ｓ６３０）、当該複数の入力値を基に、学習を実行する（Ｓ６４０）。

学習部４０は、学習結果としての学習済みモデル４４Ｆを学習結果領域４２に格納する（Ｓ６５０）。

実施例３を説明する。その際、実施例２との相違点を主に説明し、実施例２との共通点については説明を省略又は簡略する。

実施例２において、広域ネットワーク網２２及び複数の通信機器２６，２８を経由することにより、通信遅延が発生してしまい、制御に影響を及ぼす場合があり得ると考えられる。

そこで、実施例３では、群管理コントローラ２が、図１１に例示するように、学習処理を行う部分であるコアコントローラ３００Ｃと、推定処理及び制御処理を行う部分であるエッジコントローラ３００Ｅとに大別され、エッジコントローラ３００Ｅが、エレベーター群２００の方に搭載される。これにより、上述の通信遅延の防止を期待できる。コアコントローラ３００Ｃ（又はクラウドシステム１００）が、第１の装置の例であり、エッジコントローラ３００Ｅが、第２の装置の例である。

実施例３を以下に詳細に説明する。

図１１は、実施例３に係るエレベーターシステムの一例であるコアコントローラ３００Ｃ及びエッジコントローラ３００Ｅを含むシステム全体の構成図の例である。

コアコントローラ３００Ｃ及びエッジコントローラ３００Ｅのいずれも、物理的なコントローラでも良いし、ソフトウェアディファインドのコントローラでも良い。

コアコントローラ３００Ｃが、クラウドシステム１００上に実現される。コアコントローラ３００Ｃは、データ格納部３０と、入力領域３２と、学習部４０と、学習結果領域４２Ｃとを有する。

多くの場合、推定部５０は、学習部４０よりも処理負荷が少ないが、巻上機１２を制御するエレベーターコントローラ１０にとっては推定処理の負荷は重い。このため、本実施例では、推定部５０はエレベーターコントローラ１０に搭載されず、別途、エレベーター群２００に、複数のエレベーター１に共通のエッジコントローラ３００Ｅが設けられる。エッジコントローラ３００Ｅは、コアコントローラ３００Ｃの学習結果領域４２Ｃに格納された学習済みモデル４４Ｆがコアコントローラ３００Ｃからコピー（ダウンロード）され格納される学習結果領域４２Ｅを有する。更に、エッジコントローラ３００Ｅは、推定部５０と、推定領域５５と、制御部６０とを有する。

図１１では図示省略しているが、エッジコントローラ３００Ｅは、図９に例示した通信機器２８、広域ネットワーク網２２及び通信機器２６経由で、クラウドシステム１００（コアコントローラ３００Ｃ）と接続されている。エッジコントローラ３００Ｅにおいて展開され実行される学習済みモデル４４Ｆは、上述したように、広域ネットワーク網２２を経由してクラウドシステム１００からコピーされた学習済みモデル４４Ｆである。

このようなシステム構成により、敷設済みのエレベーター群２００に、エッジコントローラ３００Ｅを後付けし、エッジコントローラ３００Ｅがクラウドシステム１００上のコアコントローラ３００Ｃと連携することで、運行効率を改善することが期待できる。

なお、通信機器２８とエッジコントローラ３００Ｅを分離しているが、通信機器２８にエッジコントローラ３００Ｅの役割を統合しても良い。つまり、通信機器２８がエッジコントローラとして機能しても良い。

図１２は、実施例３に係る推定処理及び制御処理を含んだ一連の処理のフローチャートの例である。

クラウドシステム１００におけるコアコントローラ３００Ｃは、学習済みモデル４４Ｆを、エッジコントローラ３００Ｅに送信する（Ｓ７００）。

エッジコントローラ３００Ｅは、クラウドシステム１００から学習済みモデル４４Ｆを受信し（Ｓ７０１）、受信した学習済みモデル４４Ｆを学習結果領域４２Ｃに格納する（Ｓ７０２）。

エッジコントローラ３００Ｅにおいて、推定部５０が、学習結果領域４２Ｃから取得し展開された学習済みモデル４４Ｆを基に推定処理を行う（Ｓ７０３）。

エッジコントローラ３００において、制御部６０が、Ｓ７０３の推定処理により得られた推定運行データ３４Ｅを基に制御処理を行う（Ｓ７０４）。制御部６０は、制御処理の結果を基に、それぞれのエレベーターコントローラ１０に指示を出す（Ｓ７０５）。

各エレベーターコントローラ１０は、エッジコントローラ３００からの指示に応じた制御を実行する（Ｓ７０６）。

実施例４を説明する。その際、実施例３との相違点を主に説明し、実施例３との共通点については説明を省略又は簡略する。

図１３は、実施例４に係るシステム全体の構成図の例である。

ビルが建設されエレベーター群２００が新たに増える度に、当該新たなエレベーター群２００Ｂ（別のエレベーター群の一例）についてモデル４４をゼロから学習するのは、効率が悪い。

そこで、本実施例では、既存のエレベーター群２００Ａについての学習済みモデル４４Ｆが、新たなエレベーター群２００Ｂのためにコピーされ、当該コピーされた学習済みモデル（以下、コピーモデル）４４Ｆが、当該新たなエレベーター群２００Ｂの運行データ３４の基になる複数の値の推定に使用される学習済みモデルとして適用される。当該コピーモデル４４Ｆが、新たなエレベーター群２００Ｂについての実際の値のうちの、当該新たなエレベーター群２００Ｂについての推定値と異なる値を基に、学習部４０により、再学習される。「再学習」とは、ある程度学習が進んだ結果として得られたコピーモデル（学習済みモデル）４４Ｆを基準として、新たな事例を学習することで、コピーモデル４４Ｆを更新することである。再学習が行われることで推定の精度の向上が期待できる。なお、そのような再学習は、既存のエレベーター群２００Ａの学習済みモデル４４Ｆについても行われても良い。また、再学習は、推定運行データ３４Ｅのうち誤りがある部分に限らず全体について行われても良いが、誤りがある部分についてのみとすることで、計算量の削減が期待できる。また、新たなエレベーター群２００Ｂに適用される学習済みモデル４４Ｆは、例えば、新たなエレベーター群２００Ｂと構造や環境（例えばビルの構造）等の特徴と同一又は類似の特徴を有するエレベーター群２００に適用される学習済みモデル４４であることが望ましい。そのような学習済みモデル４４は、例えば、制御部６０（又はコアコントローラ３００Ｃ）が、エレベーター群２００群毎にエレベーター群２００の構造や環境等の特徴を表す情報を含んだ管理情報を基に、新たなエレベーター群２００Ｂの特徴と同一又は類似の特徴を有するエレベーター群２００を特定し、特定したエレベーター群２００の学習済みモデルを当該新たなエレベーター群２００Ｂに適用することを決定して良い。

図１３のシステム構成によれば、例えば以下の通りである。なお、図１３では、エッジコントローラ３００Ｅ１は、既存のエレベーター群２００Ａにおけるエッジコントローラ３００Ｅであり、エッジコントローラ３００Ｅ２は、新たなエレベーター群２００Ｂにおけるエッジコントローラ３００Ｅである。また、本実施例では、エッジコントローラ３００Ｅに学習部４０Ｅが設けられており、コアコントローラ３００Ｃにおける学習部４０は、学習部４０Ｃと表記される。

新たなビルが建設されて、新たなエレベーター群２００Ｂが敷設された場合に、新たなエッジコントローラ３００Ｅ２も設置される。クラウドシステム１００上のコアコントローラ３００Ｃにより、学習結果領域４２Ｃからエッジコントローラ３００Ｅ２の学習結果領域４２Ｅに学習済みモデル４４Ｆがコピーされる。図１２と同様に、エッジコントローラ３００Ｅ２において、推定部５０が、コピーモデル４４Ｆを基に運行を推定し、該推定結果としての推定運行データ３４Ｅ（推定領域５５に格納された推定運行データ３４Ｅ）を基に、制御部６０が、制御処理を行う。制御部６０が、制御処理の結果を基に、エレベーター群２００Ｂにおける各エレベーターコントローラ１０に指示を出す。学習部４０Ｅが、再学習機能を有している。学習部４０Ｅが、推定領域５５に格納された推定運行データ３４Ｅと、制御時点での実際運行データ３４Ｒとを比較することで、実際運行データ３４Ｒのうち推定運行データ３４Ｅと異なる部分（言い換えれば、推定運行データ３４Ｅのうち誤った部分）を特定できる。学習部４０Ｅは、実際運行データ３４Ｒのうち推定運行データ３４Ｅと異なる部分に相当する値を用いてコピーモデル４４Ｆを更新する。この更新が再学習である。再学習は、例えば、実際運行データ３４Ｒのうち推定運行データ３４Ｅと異なる部分に相当する値を正しい出力値とした学習である。推定が外れた運行データのみを再学習に使用するので、再学習処理負荷は低く、エッジコントローラ３００Ｅ２で処理が可能である。また、再学習に際しては、コピーモデル４４Ｆを、蒸留したり洗練したりする方法により、学習結果は同等で、ネットワーク構造が簡素化し、このような方法によって学習処理負荷をさらに低くすることが可能である。

このような構成にすることで、クラウドシステム１００において、様々な学習済みモデル４４Ｆを保存することにより、新たなエレベーター群２００が設置された場合でも、該保存された学習済みモデル４４Ｆを利用することで効率良く運転を開始することができる。学習済みモデル４４Ｆは、ビル間取りや、エレベーター１の台数及び配置や、利用者の挙動のようなエレベーター群特徴に依存するものであり、例えば、階床数の多いデパート、階床数の少ない郊外ショッピングモール、さらに階床数の多い地域スーパー、コンセプトに基づいた複合オフィスビル等によって、エレベーター群２００の運転状況は異なる。一方、同じデパート系列、ショッピングモール系列、スーパー系列、のような系列で店舗配置等が類似し、結果として、エレベーター群２００の運転状況が類似する場合がある。同一コンセプトの複合オフィスビル等では、オフィス領域と商業領域と、トイレや喫煙室のようや休息所や食堂等の配置も類似することが多い。入居する企業も類似すると、出退勤時間や食事時間のシフト等の時間計画も類似する場合がある。それらに呼応して、複数のエレベーター１の配置も類似し、エレベーター群２００の実際の運転状況も類似する場合がある。ある系列のある店舗やある場所の複合オフィスビル等での学習済みモデル４４Ｆを別の店舗で利用すると運行推定の精度が見込まれる場合もある。デパートの催事場のような施設においては、催物の企画によって来場者数が大きく異なる場合があり、各階についての施設値の入力ノード７０−４ｃに、企画及び来場者数を反映した値を入力する再学習が行われることにより、催事場で開催される企画に応じた運行制御を可能にする学習済みモデル４４Ｆの生成が期待できる。

類似する面があっても推定精度が低い場合があり得るが、それは案件ごとの個性であり、このような差異は、エッジコントローラ３００Ｅの学習部４０Ｅ（再学習機能を有する学習部４０）にて、対象に合わせて再学習を繰り返すことで、精度を高めることができる。

図１４は、推定結果の正誤判定とその判定結果に基づいた再学習とを含んだ処理のフローチャートの例である。

クラウドシステム１００からエッジコントローラ３００Ｅ２に学習済みモデル４４Ｆがコピーされる（Ｓ８００及びＳ８０１）。エッジコントローラ３００Ｅ２において、推定部５０が、コピーモデル４４Ｆを基に運行データを推定する（Ｓ８０２）。推定部５０は、推定運行データ３４Ｅを推定領域５５に格納する（Ｓ８０３）。制御部６０が、当該推定運行データ３４Ｅを基に制御処理を行い（Ｓ８０４）、制御処理の結果に基づき、それぞれのエレベーターコントローラ１０に指示を出す（Ｓ８０５）。指示を受けたエレベーターコントローラ１０は、当該指示に応じた制御を実行する（Ｓ８０６）。

各エレベーターコントローラ１０は、現実に発生した運行状況を表す情報（実際運行データ３４Ｒの基になる値を含んだ情報）を、エッジコントローラ３００Ｅ２に送信する（Ｓ８０７）。

エッジコントローラ３００Ｅ２は、エレベーターコントローラ１０から送信された情報を受信し（Ｓ８０８）、学習部４０Ｅが、Ｓ８０３で格納された推定運行データ３４Ｅと、各エレベーターコントローラ１０からの情報に基づく実際運行データ３４Ｒを比較することで、実際運行データ３４Ｒに推定運行データ３４Ｅと異なる部分がるか否かの判定（正誤判定）を行う（Ｓ８０９）。Ｓ８０９の判定結果が偽の場合（Ｓ８０９：Ｎｏ）、すなわち、推定と現実の運行データが異なる場合には、学習部４０Ｅは、実際運行データ３４Ｒを基に、再学習を実行し（Ｓ８１０）、再学習した結果としてコピーモデル４４Ｆを更新する（Ｓ８１１）。

このような処理により、学習済みモデル４４Ｆを活用して学習の初期コストを軽減することができる。また、誤った推定が生じたことが検出された場合には再学習をすることで、推定精度の向上が図れる。

実施例５を説明する。その際、実施例１〜４との相違点を主に説明し、実施例１〜４との共通点については説明を省略又は簡略する。

図１５は、実施例５に係るシステム全体の構成図の例である。

かご１４に設置された重量センサ１６だけを拠り所に算出される乗客数は、固定された標準体重を基準にしているため、体重差がある乗客が乗り合わせた時には、その値は正確であるとは限らない。

そこで、本実施例では、かご１４内に画像センサ１７が配置され、且つ、各階のフロアに、画像センサ１８が設置されている。エッジコントローラ３００Ｅが、認識部５４と認識領域４６とを有する。認識領域４６は、認識モデルを格納した記憶領域である。認識モデルは、物体認識のためのモデル（例えば、ディープラーニングに従う学習済のニューラルネットワーク）である。画像センサ１７及び１８からの画像データを基に認識部５４が認識モデルを用いて物体認識を行う。

具体的には、かご１４内に設置された画像センサ１７が撮影する画像データを、ネットワーク２０を経由して、エッジコントローラ３００Ｅ内の認識部５４が取得する。認識部５４は、認識領域４６内の認識モデルを用いることにより、物体を精度良く認識できる。具体的には、運搬物と人物とを区別できる（つまり、本実施例では、「物体」とは、人物と運搬物（人物以外の物）との総称である）。このため、かご１４内の乗客数を、より正確に推定できる。なお、認識モデルは、別途多くの画像データを用いて別途学習した結果で良い。例えば、画像センサ１７及び１８の撮像データを、通信機器２８を経由してクラウドシステム１００に送って、コアコントローラ３００Ｃにより認識モデルが学習され、当該認識モデルが、エッジコントローラ３００Ｅに適用されても良い。或いは、認識モデルは、全く別のシステムで学習されたモデルでも構わない。

画像センサ１８が各階のフロアに設置されているが、各階の画像センサ１８が撮像する画像データを、ネットワーク２０を経由して、エッジコントローラ３００Ｅ内の認識部５４が取得する。認識部５４が、物体を精度良く認識できるので、各階のフロアにおける待ち人数を、より正確に推定できる。

なお、画像センサ１７及び１８を活用することにより、画像認識の学習方法によっては、人物及び運搬物の数だけでなく、人及び運搬物の識別、人の年齢、人の性別、人もしくは物の体積を推定することが可能となる。また、画像センサ１７及び１８に代えて又は加えて、セキュリティゲートのような、ＩＤカードによる個人認証が可能なセンサを設定することにより、正確な乗客数と個人の挙動の把握が可能となる。

図１６は、実施例５に係るニューラルネットワークの例を示した図である。なお、図１６において、各表記の意味は、下記の通りである。下記値を採用することができる理由は、下記の値は、画像センサ１７及び１８からの画像データに基づき認識部５４により認識可能であるためである。
・“ＮＯＴ（ｘＦ−ｙＦ）”は、ｘ階（出発階）からｙ階（到着階）までの運搬物数（ＮＯＴ（the Number Of Things））を意味する。
・“Ａ＿ＮＯＰ（ｘＦ−ｙＦ）”は、ｘ階（出発階）からｙ階（到着階）までの年齢層毎の乗客数を意味する。各年齢層の範囲は任意の広さで良い。
・“Ｇ＿ＮＯＰ（ｘＦ−ｙＦ）”は、ｘ階（出発階）からｙ階（到着階）までの性別毎の乗客数を意味する。Ａ＿ＮＯＰ（ｘＦ−ｙＦ）の合計、又は、Ｇ＿ＮＯＰ（ｘＦ−ｙＦ）の合計が、ｘ階（出発階）からｙ階（到着階）の乗客数に相当する。
・“Ｖｏｌｕｍｅ（ｘＦ−ｙＦ）”は、ｘ階（出発階）からｙ階（到着階）までの全物体の体積を意味する。
・“ＮＯＴ＿Ｃ”は、かご１４内の運搬物数を意味する。
・“Ａ＿ＮＯＰ＿Ｃ”は、かご１４内の年齢層毎の乗客数を意味する。入力と出力において、同じ年齢層が採用されて良い。
・“Ｇ＿ＮＯＰ＿Ｃ”は、かご１４内の性別毎の乗客数を意味する。Ａ＿ＮＯＰ＿Ｃの合計、又は、Ｇ＿ＮＯＰ＿Ｃの合計が、かご１４内の乗客数に相当する。
・“Ｖｏｌｕｍｅ＿Ｃ”は、かご１４内の全物体の体積を意味する。
・“ＮＯＴ（ｖＦ）”は、ｖ階のフロアでの運搬物数を意味する。
・“Ａ＿ＮＯＰ（ｖＦ）”は、ｖ階のフロアでの年齢層毎の乗客数（人物数）を意味する。各年齢層は、Ａ＿ＮＯＰ（ｘＦ−ｙＦ）及びＡ＿ＮＯＰ＿Ｃについて同じで良い。
・“Ｇ＿ＮＯＰ（ｖＦ）”は、ｖ階のフロアでの性別毎の乗客数（人物数）を意味する。Ａ＿ＮＯＰ（ｖＦ）の合計、又は、Ｇ＿ＮＯＰ（ｖＦ）の合計が、ｖ階でのフロアの乗客数（人物数）に相当する。
・“Ｖｏｌｕｍｅ（ｖＦ）”は、ｖ階のフロアでの全物体の体積を意味する。

図１６によれば、複数通りの出発到着組合せの各々について、当該出発到着組合せにおける物体量に関わる値として、性別毎の乗客数、年齢層毎の乗客数、及び、全物体の体積、のうちの少なくとも１つがある。具体的には、例えば、下記の通りである。

出力ノード４００として、下記がある。例えば、実施例１におけるＮＯＰ（ｘＦ−ｙＦ）が、本実施例では、Ａ＿ＮＯＰ（ｘＦ−ｙＦ）、及び、Ｇ＿ＮＯＰ（ｘＦ−ｙＦ）として出力される。
・ＮＯＴ（ｘＦ−ｙＦ）の出力ノード４００Ｔ−ｘｙ（例えば、ＮＯＴ（１Ｆ−２Ｆ）の出力ノード４００Ｔ−１２）。
・Ａ＿ＮＯＰ（ｘＦ−ｙＦ）の出力ノード４００Ａ−ｘｙ（例えば、Ａ＿ＮＯＰ（１Ｆ−２Ｆ）の出力ノード４００Ａ−１２）。
・Ｇ＿ＮＯＰ（ｘＦ−ｙＦ）の出力ノード４００Ｇ−ｘｙ（例えば、Ｇ＿ＮＯＰ（１Ｆ−２Ｆ）の出力ノード４００Ｇ−１２）。
・Ｖｏｌｕｍｅ（ｘＦ−ｙＦ）の出力ノード４００Ｖ−ｘｙ（例えば、Ｖｏｌｕｍｅ（１Ｆ−２Ｆ）の出力ノード４００Ｖ−１２）。

一方、入力ノードとして、下記がある。
・ＮＯＴ＿Ｃの入力ノード７０−６。
・Ａ＿ＮＯＰ＿Ｃの入力ノード７０−７。
・Ｇ＿ＮＯＰ＿Ｃの入力ノード７０−８。
・Ｖｏｌｕｍｅ＿Ｃの入力ノード７０−９。
・ＮＯＴ（ｖＦ）の入力ノード７０−１０Ｔｖ（例えば、ＮＯＴ（５Ｆ）の入力ノード７０−１０Ｔ５）。
・Ａ＿ＮＯＰ（ｖＦ）の入力ノード７０−１０Ａｖ（例えば、Ａ＿ＮＯＰ（５Ｆ）の入力ノード７０−１０Ａ５）。
・Ｇ＿ＮＯＰ（ｖＦ）の入力ノード７０−１０Ｇｖ（例えば、Ｇ＿ＮＯＰ（５Ｆ）の入力ノード７０−１０Ｇ５）。
・Ｖｏｌｕｍｅ（ｖＦ）の入力ノード７０−１０Ｖｖ（例えば、Ｖｏｌｕｍｅ（５Ｆ）の入力ノード７０−１０Ｖ５）。

入力ノード７０−６〜７０−１０に入力される入力値は、制御時点での実際運行データ３４Ｒに基づく実際の値である。入力ノード７０−６〜７０−１０に入力される入力値は、出力ノード４００Ｔ、４００Ａ、４００Ｇ及び４００Ｖから出力される出力値（推定値）に対応している。

以上のような入力ノード７０や出力ノード４００があるため、例えば、下記のうちの少なくとも１つが期待できる。
・年齢層毎の乗客数の割合や性別毎の乗客数の割合に応じて、（１）巻上機１２を制御して加減速を調整させる、及び、（２）乗客数上限を調整させる、のうちの少なくとも１つを制御部６０が行うことができる。これにより、年齢層毎の乗客数の割合や性別毎の乗客数の割合に応じて、エレベーター１の乗り心地の調整や、かご１４内の混雑度合の調整が可能となる。
・例えば、かご１４が、体積の大きい台車（運搬物の一例）が内部に搭載されているかごの場合には、内部の重量が軽い傾向にあり、故に、乗客数が少ないと判定され易い傾向にある。このため、当該かご１４には、上述のような台車の無いかごに比べて多くの階が停止階として割り当てられる可能性が高いと考えられる。上述のような台車があるために乗客数の割に裕度（この場合には、例えば、かごの内部体積と占有体積（Ｖｏｌｕｍｅ＿Ｃ）との差分）が比較的小さいにも関わらず比較的多くの階が停止階として割り当てられても、人が乗れない可能性が高い。かごの停止から、ドアの開時間と、乗客がかごに乗れないことを認知する時間と、ドアの閉時間と、を合計した無駄時間が割り当て階ごとに発生し得る。結果、運行効率が低下し得る。本実施例によれば、Ｖｏｌｕｍｅ（ｘＦ−ｙＦ）が推定されるため、かご内部空間が大きく占められていれば、制御部６０は、満員相当と判定して、当該かごを割り当ての対象から外すことができる。このため、前述の無駄時間の発生を回避して、運行効率を向上できる。

実施例６を説明する。その際、実施例１〜５との相違点を主に説明し、実施例１〜５との共通点については説明を省略又は簡略する。

図１７は、実施例６に係るかごドア開閉制御のフローチャートの例である。

実施例６では、制御部６０は、かご１４のドアが開かれた階において所定の時間後にかご呼びが発生すると推定された場合には、かご１４のドアの閉動作を遅延させる。具体的には、例えば、下記である。或る１つの階を例に取る。

すなわち、制御部６０は、かごドア開待機時間のタイムアウトが生じたか否か（つまり、かごドア開のまま一定時間経過したか否か）を判定する（Ｓ５００）。また、制御部６０は、かご１４内のドア閉釦が押下されたか否かを判定する（Ｓ５１０）。

いずれかの判定結果が真の場合に（Ｓ５００：Ｙｅｓ、又は、Ｓ５１０：Ｙｅｓ）、制御部６０は、推定部５０に、かご開延長許容時間後の運行データ推定させる（Ｓ５２０）。

推定した運行データにて、制御部６０は、かご呼びが発生するか否かを判定する（Ｓ５３０）。

かご呼びが発生する場合には（Ｓ５３０：Ｙｅｓ）、制御部６０は、かごドア開時間を所定時間だけ延長するようエレベーターコントローラ１０に指示を出す（Ｓ５４０）。

かご呼びが発生しない場合には（Ｓ５３０：Ｎｏ）、制御部６０は、即座にかごドアの閉を実行するようエレベーターコントローラ１０に指示を出す（Ｓ５５０）。

このような処理により、近い将来に発生するであろうかご呼びに対応できるため、後で来る人の待ち時間をなくすことができる。結果として、全体の運行効率が向上する。なお、かどドア開時間を延長する場合には、乗客が延長の旨が認知できるよう、ランプ点灯、音声或いは画面表示等のアナウンスをかご１４内に対して行うよう制御部６０がエレベーターコントローラ１０に指示を出すことが望ましい。

本実施例の説明を基に、かごドア開閉制御の概要を、例えば下記のように表現することができる。

複数のエレベーター１の少なくとも１つのエレベーター１について、推定部５０が、当該エレベーター１のかご１４のドアを閉じる第１の時点から所定時間将来の第２の時点についての制御に使用される運行データ３４Ｅの基になる複数の出力値を推定する。第２の時点について推定された出力値に基づく運行データ３４Ｅが、当該かご１４のある階で第２の時点ではかご呼びが発生することを示している場合、制御部６０が、当該ドアが開いた状態とする時間を延長する。

以上、本発明の幾つかの実施例を説明したが、これらは本発明の説明のための例示であって、本発明の範囲をこれらの実施例にのみ限定する趣旨ではない。本発明は、他の種々の形態でも実行することが可能である。例えば、複数の実施例のうちの任意の２以上の実施例を組わせることが可能である。例えば、実施例３では、実施例２のようなクラウドシステム１００に代えて実施例１のような群管理コントローラ２が採用されても良いし、実施例４では、実施例３のようなエッジコントローラ３００に代えて実施例１のような群管理コントローラ２が採用されても良い。

１：エレベーター、２：群管理コントローラ、１０：エレベーターコントローラ、４０：学習部、５０：推定部、６０：制御部

Claims (15)

1. 複数のエレベーターであるエレベーター群を管理するエレベーターシステムであって、
   １以上の時点の各々について複数の入力値を含む入力データを記憶する記憶領域である入力領域と、
   前記１以上の時点のうち対象時点に属する複数の入力値を前記入力領域から取得し、当該取得した複数の入力値を用いて、前記複数のエレベーターの制御に使用される運行データであって前記対象時点から所定時間将来の時点についての制御に使用される運行データの基になる複数の出力値を推定するモデルを学習する学習部と
   を有し、
   前記対象時点に属する複数の入力値は、前記対象時点に属する複数の時間要素をそれぞれ示す複数の時間入力値を含み、
   前記複数の出力値は、複数通りの出発到着組合せに関する値を含み、
   各出発到着組合せは、出発階と到着階の組合せである、
   ことを特徴とするエレベーターシステム。
2. 請求項１に記載のエレベーターシステムにおいて、
   前記複数通りの出発到着組合せに関する値は、前記複数通りの出発到着組合せの各々について、１以上の出発到着出力値を含み、
   前記複数通りの出発到着組合せの各々について、前記１以上の出発到着出力値は、当該出発到着組合せにおける物体量に関わる値である、
   ことを特徴とするエレベーターシステム。
3. 請求項１に記載のエレベーターシステムにおいて、
   前記学習部により学習されたモデルである学習済みモデルに推定時点に属する複数の入力値を入力することで当該推定時点から前記所定時間将来の時点についての制御に使用される運行データの基になる複数の出力値を推定する推定部と
   を更に有する、
   ことを特徴とするエレベーターシステム。
4. 請求項３に記載のエレベーターシステムにおいて、
   前記推定時点から前記所定時間経過後の時点についての推定された複数の出力値に基づく運行データである推定運行データを使用して前記複数のエレベーターを制御する制御部を更に有する、
   ことを特徴とするエレベーターシステム。
5. 請求項４に記載のエレベーターシステムにおいて、
   前記入力領域、前記学習部、前記推定部及び前記制御部を有する制御装置を有する、
   ことを特徴とするエレベーターシステム。
6. 請求項４に記載のエレベーターシステムにおいて、
   前記入力領域と前記学習部とを有する第１装置に接続された装置であって、前記推定部と前記制御部とを有する第２装置を有し、
   前記第１装置から前記第２装置に前記学習済みモデルが送信される
   ことを特徴とするエレベーターシステム。
7. 請求項３に記載のエレベーターシステムにおいて、
   前記学習部は、学習済みモデルを更新し、
   前記推定部は、更新後の学習済みモデルに従う推定を行い、
   前記学習済みモデルの更新において入力される複数の入力値は、
   任意の推定時点から前記所定時間経過した時点である経過時点に属する複数の時間要素をそれぞれ示す複数の時間入力値と、
   当該経過時点での実際の運行データの基であり、前記複数の出力値にそれぞれ対応した複数の実際の値と
   を含む、
   ことを特徴とするエレベーターシステム。
8. 請求項１に記載のエレベーターシステムにおいて、
   前記対象時点に属する複数の入力値は、前記対象時点に属する複数の時間要素をそれぞれ示す複数の時間入力値に加えて、下記、
   １以上の外乱要因をそれぞれ示す１以上の値である１以上の外乱要因値、及び、
   各階について、当該階の特徴を示す値である階特徴値、
   のうちの少なくともいずれかを含む、
   ことを特徴とするエレベーターシステム。
9. 請求項２に記載のエレベーターシステムにおいて、
   前記複数通りの出発到着組合せの各々について、当該出発到着組合せにおける物体量に関わる値として、性別毎の乗客数、年齢層毎の乗客数、及び、全物体の体積、のうちの少なくとも１つがある、
   ことを特徴とするエレベーターシステム。
10. 請求項１に記載のエレベーターシステムにおいて、
    前記学習部による学習済みモデルが、前記エレベーター群が設置されている建物とは別の建物に設置されたエレベーター群である別のエレベーター群のためにコピーされ、
    当該コピーされた学習済みモデルが、当該別のエレベーター群の運行データの基になる複数の値の推定に使用される学習済みモデルとして適用され、
    当該コピーされた学習済みモデルが、当該別のエレベーター群についての実際の値のうちの、当該別のエレベーター群についての推定値と異なる値を基に、再学習される、
    ことを特徴とするエレベーターシステム。
11. 請求項４に記載のエレベーターシステムにおいて、
    前記複数のエレベーターの少なくとも１つのエレベーターについて、
    前記推定部が、当該エレベーターの乗りかごのドアを閉じる第１の時点から所定時間将来の第２の時点についての制御に使用される運行データの基になる複数の出力値を推定し、
    前記第２の時点について推定された出力値に基づく運行データが、当該乗りかごのある階で前記第２の時点ではかご呼びが発生することを示している場合、前記制御部が、当該ドアが開いた状態とする時間を延長する、
    ことを特徴とするエレベーターシステム。
12. 請求項４に記載のエレベーターシステムにおいて、
    前記制御部は、前記推定運行データを使用した制御において、
    前記複数のエレベーターの各々について、下記を含む現状を把握し、
    当該エレベーターの乗りかごの現在時点での裕度、
    当該エレベーターの乗りかごの現在位置、及び、
    当該エレベーターの乗りかごの到着階、
    前記推定運行データと、前記複数のエレベーターの各々についての前記把握された現状とを基に、前記推定運行データが示す出発階のうち物体が生じると推定されている出発階の各々に、現状の裕度、進行方向及び現在位置のうちの少なくとも１つに基づき決定されたエレベーターを割り当てる、
    ことを特徴とするエレベーターシステム。
13. 請求項１２に記載のエレベーターシステムにおいて、
    前記制御部は、前記推定運行データが示す出発階のうちの物体量が０を超える出発階以外のいずれかの階についてかご呼びが発生した場合、
    前記複数のエレベーターの各々について、当該エレベーターの裕度を特定し、
    当該階に対して、下記のうちの少なくとも１つに基づいて決定したエレベーターを割り当てる、
    裕度、
    当該階と現在位置との距離、及び、
    進行方向、
    ことを特徴とするエレベーターシステム。
14. 複数のエレベーターであるエレベーター群を管理するエレベーターシステムであって、
    推定運行データを記憶する記憶領域である推定領域と、
    前記推定領域内の推定運行データを使用して前記複数のエレベーターを制御する制御部と
    を有し、
    前記推定運行データは、前記複数のエレベーターの制御に使用される運行データであり推定時点から所定時間将来の時点についての推定された複数の出力値に基づく運行データであり、
    前記推定された複数の出力値は、前記推定時点に属する複数の入力値が入力された学習済みモデルから出力された複数の出力値であり、
    前記推定時点に属する複数の入力値は、前記推定時点に属する複数の時間要素をそれぞれ示す複数の時間入力値を含み、
    前記複数の出力値は、複数通りの出発到着組合せに関する値を含み、
    各出発到着組合せは、出発階と到着階の組合せである、
    ことを特徴とするエレベーターシステム。
15. 少なくとも１つのニューラルネットワークで構成された学習済みモデルであって、
    前記少なくとも１つのニューラルネットワークが、
    複数の入力値がそれぞれ入力される複数の入力ノードを含む入力層と、
    複数のエレベーターであるエレベーター群の制御に使用される運行データの基になる複数の出力値をそれぞれ出力する複数の出力ノードを含む出力層と、
    前記入力層と前記出力層との間の複数の中間ノードを含む中間層と
    を有し、
    前記複数の入力値の各々は、対象時点に属する入力値であり、
    前記複数の出力値の各々は、前記対象時点から所定時間将来の時点についての制御に使用される運行データの基になる出力値であり、
    前記複数の入力値は、前記対象時点に属する複数の時間要素をそれぞれ示す複数の時間入力値を含み、
    前記複数の出力値は、複数通りの出発到着組合せに関する値を含み、
    各出発到着組合せは、出発階と到着階の組合せであり、
    前記入力層に入力された、前記対象時点に属する前記複数の入力値に対し、前記少なくとも１つのニューラルネットワークにおける学習済みの重み付け係数に基づく演算を行い、前記出力層から、前記対象時点から所定時間将来の時点についての前記複数のエレベーターの制御に使用される前記運行データの基になる前記複数の出力値を出力するよう、
    コンピュータを機能させるための学習済みモデル。
    

Images