JP2573723B2 - エレベータ制御装置 - Google Patents

Description

【発明の詳細な説明】 ［産業上の利用分野］ この発明は、エレベータのかごが各階床に到着するま
でに要する時間を精度良く予測できるエレベータ制御装
置に関するものである。

［従来の技術］ 従来より、複数台のかごが併設されたエレベータ装置
においては、通常、群管理運転が行われており、このよ
うな群管理運転の１つとして、例えば割当方式がある。
割当方式とは、乗場呼びが登録されると直ちに各かご毎
に評価値を演算し、評価値が最良のものをサービスすべ
き割当かごとして選択し、上記乗場呼びに対しては割当
かごのみを応答させるようにして、運転効率の向上及び
待時間の短縮を計るものである。

このとき、評価値の演算には、一般に、乗場呼びの予
測待時間が用いられている。例えば、特公昭58−48464
号公報に記載されたエレベータの群管理装置において
は、乗場呼びが登録されると、その乗場呼びを各かごに
仮に割当てたときの全ての乗場呼びの予測待時間の二乗
値の総和をそれぞれ評価値として求め、この評価値が最
小となるかごを割当かごとして選択する。

この場合、予測待時間は、乗場呼びの継続時間（乗場
呼びが登録されてから現在までに経過した時間）と、到
着予想時間（かごが現在の位置から上記乗場呼びの階床
に到着するまでに要する時間の予測値）とを加算して求
められる。

こうして得られた評価値を用いることにより、乗場呼
びの待時間の短縮（特に、待時間が１分以上の長待ち呼
びの減少）を計ることができる。

しかし、到着予想時間の正確さが失われると、評価値
は、割当かごを選択するための基準値としての意味を持
たなくなり、結局、乗場呼びの待時間の短縮を計ること
はできなくなる。従って、到着予想時間の正確さは、群
管理の性能に大きく影響を及ぼしている。

次に、従来の到着予想時間の演算方法について、具体
的に説明する。

到着予想時間は、かごが両終端階床を往復運転するも
のとして、以下の（Ａ）に示すように演算される。

（Ａ）かご位置と対象階床との間の距離から走行に要す
る時間（走行時間）を求め、その途中階床での停止回数
から停止に要する時間（停止時間）を求め、更に、これ
らの時間を加算して到着予想時間とする（特公昭54−20
742号公報及び特公昭54−34978号公報参照）。

又、かご位置階床や停止予定階床での停止時間の予測
精度を向上させるため、以下の（Ｂ）〜（Ｅ）に示すよ
うな予測方法が提案されている。

（Ｂ）かごが位置する階床でのかご状態（減速中、戸開
動作中、戸開中、戸閉動作中、走行中など）に応じて到
着予想時間を補正する（特公昭57−40074号公報参
照）。

（Ｃ）停止予定階床での乗車人数や降車人数を検出装置
や予測装置を用いて検出し、これらの人数に応じて到着
予想時間を補正する（特公昭57−40072号公報及び特開
昭58−162472号公報参照）。

（Ｄ）停止予定階床がかご呼び応答か乗場呼び応答かに
よって乗降時間が異なることを考慮して、到着予想時間
を補正する（特公昭57−40072号公報参照）。

（Ｅ）実際の停止時間（戸開動作時間、乗降時間、戸閉
動作時間）を各階床毎に統計したデータや、シミュレー
ションにより求められて群管理装置に内蔵された戸開時
間に基づいて各階床毎の停止時間を予測する（特開平１
−275382号公報及び特開昭59−138579号公報参照）。

又、停止予定されていない階床に将来呼びが登録され
てかごが停止する可能性を考慮したとき、到着予想精度
を向上させるために、以下の（Ｆ）〜（Ｈ）に示すよう
な方法が提案されている。

（Ｆ）途中階床の乗場呼びに応答して停止することによ
り生じるかご呼び個数を、過去の乗車人数に関する統計
データに基づいて予測し、更に、過去に発生したかご呼
びの統計的確率分布に従って、上記予測かご呼び個数を
その前方の階床に配分し、派生かご呼びによる停止時間
を予測する（特公昭63−34111号公報参照）。

（Ｇ）かごが方向反転する回数と、過去の方向別乗降人
数の計測値から、階床別、方向別にかごが停止する確率
を計算し、この計算結果に基づいて到着予想時間を補正
する（特開昭59−26872号公報参照）。

（Ｈ）各階床方向別に求めた各階床降車率により各階床
でのかご呼びによる停止時間を予測する（特公昭63−64
383号公報参照）。

又、かごは、最高呼びや最低呼びにより途中階床で方
向反転して運行することが多いが、このときに到着予想
時間と実際の到着時間との間に誤差が生じるのを防ぐた
め、以下の（Ｉ）及び（Ｊ）のように、終端階床に達す
る前に途中階床で方向反転して運行する場合の予測方法
も提案されている。

（Ｉ）かごの進行方向の前方にある最遠方呼びの階床ま
での走行時間、及びその階床から反対方向の呼びのある
階床までの走行時間を求め、到着予想時間を演算する
（特公昭54−16293号公報参照）。

（Ｊ）空かごで運行方向が設定されていないかごは、各
階床に直行するものとして、それぞれ到着予想時間を演
算する（特公昭59−8621号公報参照）。

この場合、通常、上方反転階床（最高呼び反転する階
床）は最上方の呼びの階床に設定され、下方反転階床
（最低呼び反転する階床）は最下方呼びの階床に設定さ
れる。しかし、例えば、上方反転階床が設定されても、
途中階床に上り方向の乗場呼びがある場合には、新たな
かご呼びの発生を予測しなければならず、上方反転階床
を精度良く設定することは困難であり、同様に、下方反
転階床を精度良く設定することも困難である。結局、反
転階床という別の条件を予測演算するために、誤差要因
が増えてしまうことになる。

又、特開平１−275381号公報に記載されたように、人
間の脳のニューロンに対応させたニューラルネットを用
いた演算に基づいて、乗場呼びに対する割当かごを選択
する群管理制御装置も提案されているが、到着予想時間
の演算精度やかご内予想混雑度の演算精度を向上させる
ことは考慮されていない。

更に、特開昭59−57871号公報に記載されたように、
エレベータサービスを低下させない時間帯に所定の各種
運転モードにおける戸開閉時間を含む走行時間（予測到
着時間）を実測する群管理制御装置も提案されている
が、実測のための構成を必要とするうえ実測条件が限ら
れていることから信頼性が低く、かご位置や運転状況な
どの各種条件下で到着予想時間を短時間且つ高精度に予
測演算することはできない。

［発明が解決しようとする課題］ 従来のエレベータ制御装置は以上のように、到着予想
時間を正確に演算するために、種々の要素、即ち、現在
のかごの状態、停止階床での乗降人数の予測、現在の応
答呼びの種類、かご呼び発生の予測、新たな乗場呼びに
対する割当の予測、反転階床の予測、各階床の現在の交
通状態などを考慮し、その各々を計算式の１つの要素と
して演算している。しかし、これらの要素の全てを加味
した演算により予測を行い、時々刻々と複雑に変化する
交通状態に対応できるように正確に演算しようとする
と、到着予想時間の演算式は更に複雑になり、人間の能
力に限界がある以上、演算精度向上を目指して新しい演
算式を開発することも困難になる。又、一方では、詳細
な予測演算を行うと、演算時間の増大を招き、乗場呼び
登録と同時に割当かごを決定し且つ到着予想時間を予報
するという機能を実現することができないという問題点
があった。

この発明は上記のような問題点を解決するためになさ
れたもので、実際の交通状態や交通量に近似した柔軟な
予測を行うことにより、実際の到着時間に近い精密な到
着時間を予測できるエレベータ制御装置を得ることを目
的とする。

［課題を解決するための手段］ この発明に係るエレベータ制御装置は、かご位置、運
行方向及び応答すべき呼びを含む交通状態データを、ニ
ューラルネットの入力データとして使用できる形に変換
する入力データ変換手段と、入力データを取り込む入力
層、到着予想時間に相当するデータを出力データとする
出力層、及び、入力層と出力層との間にあって重み係数
が設定された中間層を含み、ニューラルネットを構成す
る到着予想時間演算手段と、出力データを所定の制御動
作に使用できる形に変換する出力データ変換手段とを備
えたものである。

又、この発明の別の発明に係るエレベータ制御装置
は、エレベータの稼働中に予め決められた時期になる
と、所定の乗場の到着予想時間及びそのときの入力デー
タを記憶すると共に、かごが所定の乗場に停止又は通過
するまでに経過した時間を計数して実到着時間として記
憶し、記憶された入力データ、到着予想時間及び実到着
時間を一組の学習用データとして出力する学習用データ
作成手段と、学習用データを用いて到着予想時間演算手
段の重み係数を修正する修正手段とを更に備えたもので
ある。

［作用］ この発明においては、交通状態データをニューラルネ
ットに取り込んで、実際のかご到着時間に近くなるよう
な演算により、かご位置や運転状況などの各種条件下で
短時間且つ高精度に到着予想時間を求め、この到着予想
時間を用いて所定目的に沿ったエレベータ動作の制御を
行う。

又、この発明の別の発明においては、演算された予測
結果とそのときの交通状態データ及び実測データとに基
づいて学習用データを作成し、学習用データに基づいて
到着予想時間演算手段（ニューラルネット）における重
み係数を自動的に修正することにより、実際の交通状態
や交通需要に近似した柔軟な予測演算を行う。

［実施例］ 以下、この発明の一実施例を図について説明する。第
１図はこの発明の一実施例の全体構成を示す機能ブロッ
ク図、第２図は第１図内の群管理装置の概略構成を示す
ブロック図である。

第１図において、群管理装置（10）は、機能的に以下
の手段（10A）〜（10D）、（10F）及び（10G）から構成
され、複数（例えば、１号機用及び２号機用）のかご制
御装置（11）及び（12）を制御する。

乗場呼び登録手段（10A）は、各階床の乗場呼び（上
り方向及び下り方向の乗場呼び）の登録及び解消を行う
と共に、乗場呼びが登録されてからの経過時間（即ち、
継続時間）を演算する。

乗場呼びにサービスするのに最良のかごを選択して割
当てる割当手段（10B）は、例えば、各かごが各階床の
乗場呼びに応答するまでの待時間を予測して演算し、そ
れらの二乗値の総和が最小となるかごを割当てる。

データ変換手段（10C）は、かご位置、運行方向、応
答すべき呼び（かご呼び、又は、割当てられた乗場呼
び）などの交通状態データをニューラルネットの入力デ
ータとして使用できる形に変換する入力データ変換手段
と、ニューラルネットの出力データ（到着予想時間に相
当するデータ）を所定の制御目的の動作（例えば、予測
待時間の演算）に使用できる形に変換する出力データ変
換手段とを含んでいる。

時間帯に応じて各かごの到着予想時間を演算する到着
予想時間演算手段（10D）は、後述するように、入力デ
ータを取り込む入力層と、到着予想時間に相当するデー
タを出力データとする出力層と、入力層と出力層との間
にあって重み係数が設定された中間層とからなるニュー
ラルネットを含んでいる。

学習用データ作成手段（10F）は、各かごの到着予想
時間及びそのときの入力データ（交通状態データ）と、
その後の各かごの到着時間に関する実測データ（教師デ
ータ）とを記憶し、これらを学習用データとして出力す
る。

修正手段（10G）は、学習用データを用いて到着予想
時間演算手段（10D）におけるニューラルネットの機能
を学習及び修正する。

１号機用及び２号機用のかご制御装置（11）及び（1
2）は、それぞれ同一構成であり、例えば、１号機用の
かご制御装置（11）は、以下のように周知の手段（11
A）〜（11E）から構成されている。

乗場呼び打消手段（11A）は、各階床の乗場呼びに対
する乗場呼び打消信号を出力する。かご呼び登録手段
（11B）は、各階床のかご呼びを登録する。到着予報灯
制御手段（11C）は、各階床の到着予報灯（図示せず）
の点灯を制御する。運転制御手段（11D）は、かごの運
行方向を決定したり、かご呼びや割当てられた乗場呼び
に応答させるために、かごの走行及び停止を制御する。
戸制御手段（11E）は、かごの出入口の戸の開閉を制御
する。

又、第２図において、群管理装置（10）は、周知のマ
イクロコンピュータからなり、MPU（マイクロプロセシ
ングユニット）又はCPU（101）と、ROM（102）と、RAM
（103）と、入力回路（104）と、出力回路（105）とか
ら構成されている。

入力回路（104）には、各階床の乗場釦からの乗場釦
信号（14）と、かご制御装置（11）及び（12）からの１
号機及び２号機の状態信号とが入力される。又、出力回
路（105）からは、各乗場釦に内蔵された乗場釦灯への
乗場釦灯信号（15）と、かご制御装置（11）及び（12）
への指令信号とが出力される。

第３図は第１図内のデータ変換手段（10C）及び到着
予想時間演算手段（10D）の関係を具体的に示す機能ブ
ロック図である。

第３図において、入力データ変換手段即ち入力データ
変換サブユニット（10CA）、及び出力データ変換手段即
ち出力データ変換サブユニット（10CB）は、第１図内の
データ変換手段（10C）を構成している。又、入力デー
タ変換サブユニット（10CA）と出力データ変換サブユニ
ット（10CB）との間に挿入された到着予想時間演算ユニ
ット（10DA）は、ニューラルネットからなり、第１図内
の到着予想時間演算手段（10D）で用いられる予測演算
サブルーチンを構成している。

入力データ変換サブユニット（10CA）は、かご位置、
運行方向、応答すべき呼び（即ち、かご呼びや割当てら
れた乗場呼び）、交通の流れの統計的特徴（５分間乗車
人数、５分間降車人数）などの交通状態データをニュー
ラルネット（10DA）の入力データとして使用できる形に
変換する。

出力データ変換サブユニット（10CB）は、ニューラル
ネット（10DA）の出力データ（到着予想時間に相当する
データ）を乗場呼び割当動作の評価値演算に使用できる
形に変換する。

ニューラルネットからなる到着予想時間演算ユニット
（10DA）は、入力データ変換サブユニット（10CA）から
の入力データを取り込む入力層（10DA1）と到着予想時
間に相当するデータを出力データとする出力層（10DA
3）と、入力層（10DA1）と出力層（10DA3）との間にあ
って、重み係数が設定された中間層（10DA2）とから構
成されている。

これらの各層（10DA1）〜（10DA3）は、互いにネット
ワークで接続されており、それぞれ複数のノード（nod
e）から構成されている。

ここで、入力層（10DA1）、中間層（10DA2）及び出力
層（10DA3）のノード数を、それぞれ、N1、N2、N3とす
れば、出力層（10DA3）のノード数N3は、 N3＝２（FL−１） 但し、FL:ビルの階床数 で表わされ、入力層（10DA1）及び中間層（10DA2）のノ
ード数N1及びN2は、それぞれビルの階床数FL、使用する
入力データの種類、並びに、かご台数などにより決定さ
れる。

又、変数ｉ、ｊ、ｋを、 ｉ＝1,2,…,N1 ｊ＝1,2,…,N2 ｋ＝1,2,…,N3 とすれば、入力層（10DA1）の第ｉノードの入力値及び
出力値はｘa1（ｉ）及びｙa1（ｉ）、中間層（10DA2）
の第ｊノードの入力値及び出力値はｘa2（ｊ）及びｙa2
（ｊ）、出力層（10DA3）の第ｋノードの入力値及び出
力値はｘa3（ｋ）及びｙa3（ｋ）で表わされる。

又、入力層（10DA1）の第ｉノードと中間層（10DA2）
の第ｊノードとの間の重み係数をｗa1（i,j）、中間層
（10DA2）の第ｊノードと出力層（10DA3）の第ｋノード
との間の重み係数をｗa2（j,k）とすれば、各ノードの
入力値と出力値との関係は、 ｙa1（ｉ）＝1/［１＋exp｛−ｘa1（ｉ）｝］ … ｘa2（ｊ）＝Σ｛ｗa1（i,j）×ｙa1（ｉ）｝ … （ｉ＝１〜N1による総和式） ｙa2（ｊ）＝1/［１＋exp｛−ｘa2（ｊ）｝］ … ｘa3（ｋ）＝Σ｛ｗa2（j,k）×ｙa2（ｊ）｝ … （ｊ＝１〜N2による総和式） ｙa3（ｋ）＝1/［１＋exp｛−ｘa3（ｋ）｝］ … で表わされる。但し、 ０≦ｗa1（i,j）≦１ ０≦ｗa2（j,k）≦１ である。

第４図は群管理装置（10）内のROM（102）に記憶され
た群管理プログラムを概略的に示すフローチャート図、
第５図は第４図内の１号機用仮割当て時の到着時間予測
プログラムを具体的に示すフローチャート図、第６図は
第４図内の学習用データ作成プログラムを具体的に示す
フローチャート図、第７図は第４図内の修正プログラム
を具体的に示すフローチャート図である。

以下、第４図を参照しながら、第１図〜第３図に示し
たこの発明の一実施例の群管理動作について説明する。

まず、群管理装置（10）は、周知の入力プログラム
（ステップ31）に従って、乗場釦信号（14）と、かご制
御装置（11）及び（12）からの状態信号を取り込む。こ
こで入力される状態信号には、かご位置、走行方向、停
止又は走行状態、戸開閉状態、かご負荷、かご呼び、乗
場呼びの打消信号などが含まれている。

次に、周知の乗場呼び登録プログラム（ステップ32）
に従って、乗場呼びの登録又は解除、並びに、乗場釦灯
の点灯又は消灯を判定すると共に、乗場呼びの継続時間
を演算する。

続いて、新規の乗場呼びＣが登録されたか否かを判定
し（ステップ33）、もし、登録されていれば、１号機用
の仮割当て時の到着時間予測プログラム（ステップ34）
により、新規の乗場呼びＣを１号機に仮に割当てたとき
の１号機の各乗場に対する到着予想時間Ｔa1（ｋ）を演
算する。

同様に、２号機仮割当て時の到着時間予測プログラム
（ステップ35）により、乗場呼びＣを２号機に仮に割当
てたときの２号機の各乗場に対する到着予想時間Ｔa2
（ｋ）を演算する。

又、新規の乗場呼びＣを無視して１号機及び２号機の
どちらにも割当てない場合の非仮割当て時の到着時間予
測プログラム（ステップ36及び37）を実行し、１号機及
び２号機の各乗場に対する到着予想時間Ｔb1（ｋ）及び
Ｔb2（ｋ）を演算する。

次に、割当プログラム（ステップ38）により、ステッ
プ34〜37で演算された到着予想時間Ｔa1（ｋ）、Ｔa2
（ｋ）、Ｔb1（ｋ）及びＴb2（ｋ）に基づいて、待時間
評価値W₁及びW₂を演算し、この評価値が最小となるかご
を正規の割当かごとして選択する。こうして割当てられ
たかごには、乗場呼びＣに対応した割当指令及び予報指
令が設定される。尚、待時間評価値W₁及びW₂の演算方法
については、例えば、特公昭58−48464号公報に記載さ
れている。

次に、出力プログラム（ステップ39）により、上記の
ように設定された乗場釦灯信号（15）を乗場に送出する
と共に、割当信号及び予報信号などをかご制御装置（1
1）及び（12）に送出する。

尚、学習用データ作成プログラム（ステップ40）にお
いては、入力データとして変換後の交通状態データと、
各乗場の到着予想時間及びその後の各かごの到着時間の
実測データとを記憶し、これらを学習用データとして出
力する。

又、修正プログラム（ステップ41）においては、学習
用データを使用して、到着予想時間演算手段（10D）の
ネットワークの重み係数を修正する。

このように、群管理装置（10）は、ステップ31〜41を
繰り返し実行して、複数のエレベータかごの群管理制御
を行う。

次に、各ステップ34〜37の到着時間予測プログラムの
動作を、第５図を参照しながら、ステップ34を例にとっ
て具体的に説明する。

まず、新規の乗場呼びＣを１号機に仮に割当てて、入
力データ変換サブユニット（10CA）に入力するための、
割当乗場呼びデータを作成する（ステップ50）。

尚、ステップ35においては２号機に仮に割当てて割当
乗場呼びデータを作成し、ステップ36及び37においては
仮割当しない場合の割当乗場呼びデータをそのまま割当
乗場呼びデータとして入力に使用する。

次に、入力された交通状態データのうち、これから到
着予想時間を演算すべきかごに関するデータ（かご位
置、運行方向、かご呼び、割当乗場呼び）と、現時点で
の交通の流れの統計的特徴を表わすデータ（５分間乗車
人数、５分間降車人数）とを取り出し、これらを到着予
想時間演算ユニット（10DA）の入力層（10DA1）の各ノ
ードに対する入力データｘa1（１）〜ｘa1（N1）として
変換する（ステップ51）。

ここで、ビルの階床数FLを12階とし、乗場番号ｆに対
して、ｆ＝1,2,…,11がそれぞれ1,2,…,11階の上り方向
乗場を表わし、ｆ＝12,13,…,22がそれぞれ12,11,…,2
階の下り方向乗場を表わすものとすると、例えば、「か
ご位置階床がｆ、運行方向が上り」というかご状態は、 ｘa1（ｆ）＝１ ｘa1（ｉ）＝０ （ｉ＝1,2,…,22、ｉ≠ｆ） となり、０〜１の値に正規化された値として表わされ
る。

又、１階〜12階のかご呼びｘa1（23）〜ｘa1（34）
は、登録されていれば「１」、登録されていなければ
「０」で表わされ、１階〜11階の上り方向の割当乗場呼
びｘa1（35）〜ｘa1（45）は、割当されていれば
「１」、割当されていなければ「０」で表わされ、12階
〜２階の下り方向の割当乗場呼びｘa1（46）〜ｘa1（5
6）は、割当されていれば「１」、割当されていなけれ
ば「０」で表わされる。

又、１階〜11階の上り方向での５分間乗車人数ｘa1
（57）〜ｘa1（67）は、過去の交通量の統計から求めた
５分間当りの乗車人数を、取り得る最大値NNmax（例え
ば、100人）で除算することにより、０〜１の値に正規
化する。同様に、12階〜２階の下り方向での５分間乗車
人数ｘa1（68）〜ｘa1（78）、１階〜11階の上り方向で
の５分間降車人数ｘa1（79）〜ｘa1（89）、並びに、12
階〜２階の下り方向での５分間降車人数ｘa1（90）〜ｘ
a1（100）も最大値NNmaxで除算して正規化する。

尚、入力データを正規化する方法は、上記の方法に限
られることはなく、かご位置と運行方向とを別々に表わ
すこともできる。例えば、かご位置階床がｆのときの、
かご位置階床を表わす第１ノードの入力値ｘa1（１）
を、 ｘa1（１）＝f/FL とし、かごの運行方向を表わす第２ノードの入力値ｘa1
（２）を、上り方向は「＋１」、下り方向は「−１」、
無方向は「０」として表わしてもよい。

こうして、ステップ51により入力層（10DA1）に対す
る入力データが設定されると、以下のステップ52〜56に
より、１号機に新規の乗場呼びＣを仮に割当てたときの
到着時間を予測するためのネットワーク演算を行う。

まず、入力データｘa1（ｉ）を用いて、式より、入
力層（10DA1）の出力値ｙa1（ｉ）を演算する（ステッ
プ52）。

続いて、式で得られた出力値ｙa1（ｉ）に重み係数
ｗa1（i,j）を乗算し、且つ、ｉ＝１〜N1について総和
して、式より、中間層（10DA2）の入力値ｘa2（ｊ）
を演算する（ステップ53）。

続いて、式で得られた入力値ｘa2（ｊ）を用いて、
式より、中間層（10DA2）の出力値ｙa2（ｊ）を演算
する（ステップ54）。

続いて、式で得られた出力値ｙa2（ｉ）に重み係数
ｗa2（j,k）を乗算し、且つ、ｊ＝１〜N2について総和
して、式より、出力層（10DA3）の入力値ｘa3（ｋ）
を演算する（ステップ55）。

そして、式で得られた入力値ｘa3（ｋ）を用いて、
式より、出力層（10DA3）の出力値ｙa3（ｋ）を演算
する（ステップ56）。

以上のように、到着予想時間のネットワーク演算が終
了すると、第１図内の出力データ変換サブユニット（10
CB）により、出力値ｙa3（１）〜ｙa3（ｋ）の形を変換
して最終的な到着予想時間を決定する（ステップ57）。

このとき、出力層（10DA3）の各ノードは、方向別の
乗場に対応しており、第１〜第11ノードの出力値ｙa3
（１）〜ｙa3（11）は、それぞれ、1,2,…,11階の上り
方向乗場の到着予想時間の演算値の決定に使用され、第
12〜第22ノードの出力値ｙa3（12）〜ｙa3（22）は、そ
れぞれ、下り方向乗場の到着予想時間の演算値の決定に
使用される。

即ち、第ｋノードの出力値ｙa3（ｋ）は、乗場ｋの到
着予想時間Ｔ（ｋ）に変換され、この到着予想時間Ｔ
（ｋ）は、 Ｔ（ｋ）＝ｙa3（ｋ）×NTmax … のように表わされる。但し、NTmaxは、到着予想時間の
取り得る最大値を表わす一定値である。ここで、第ｋノ
ードの出力値ｙa3（ｋ）は０〜１の範囲に正規化されて
いるので、式のように、最大値NTmaxを乗算すること
により、到着予想時間Ｔ（ｋ）は、乗場呼び割当の評価
値演算に使用できるように変換される。

このように、到着時間予測プログラム（ステップ34〜
37）において、交通状態と到着予想時間との因果関係を
ネットワークで表現し、交通状態データをニューラルネ
ットに取り込んで到着予想時間を演算するようにしたの
で、従来の方式では実現できなかった精度で、実際の到
着時間に近い到着予想時間を求めることができる。更
に、この到着予想時間に基づいて、乗場呼びに対する割
当かごを選択するようにしたので、乗場呼びの待時間の
短縮を計ることができる。

しかし、このネットワークは、ニューラルネット（10
DA）内の各ノード間を結ぶ重み係数ｗa1（i,j）及びｗa
2（j,k）によって変化するので、重み係数ｗa1（i,j）
及びｗa2（j,k）を学習によって適切に変化させ、修正
することにより、更に適切な到着予想時間を決定するこ
とができる。

次に、第６図及び第７図を参照しながら、学習用デー
タ作成手段（10F）及び修正手段（10G）により、学習用
データ作成プログラム（ステップ40）及び修正プログラ
ム（ステップ41）を実行した場合の、この発明の別の発
明の一実施例について説明する。尚、この場合の学習
（ネットワークの修正）は、バックプロパゲーション法
を用いて効率的に行われる。バックプロパゲーション法
とは、ネットワークの出力データと、実測データや制御
目標値などから作成した望ましい出力データ（教師デー
タ）との誤差を用いて、ネットワークを結ぶ重み係数を
修正していく方法である。

学習用データ作成プログラム（ステップ40）を詳細に
示す第６図において、まず、新たな学習用データの作成
許可が生成（セット）されており、且つ、新規の乗場呼
びＣの割当が行われた直後か否かを判定する（ステップ
61）。

もし、学習用データの作成許可がセットされており、
且つ、乗場呼びＣの割当が行われていれば、割当て時の
割当かごの交通状態データｘa1（１）〜ｘa1（N1）と、
このときの各乗場の到着予想時間に相当する出力データ
ｙa3（１）〜ｙa3（N3）とをｍ番目の学習用データの一
部（教師データ）として記憶する（ステップ62）。

続いて、新たな学習用データの作成許可をリセットす
ると共に、実到着時間の実測指令をセットして実到着時
間のカウントを開始する（ステップ63）。

これにより、次の演算周期のステップ61においては、
新たな学習用データの作成許可がセットされていないと
判定されるので、ステップ64に進む。又、ステップ64に
おいて、到着時間の実測指令がセットされているか否か
が判定されるが、ステップ63において実測指令がセット
されているので、ステップ65に進み、割当かごが乗場呼
びＣに応答したか否かが判定される。

もし、乗場呼びＣの乗場に停止していなければ、ステ
ップ66に進み、割当かごのかご位置ｆが変化したか否か
が判定される。

何回目か後の演算周期で、かご位置ｆの変化が検出さ
れると、ステップ66からステップ67に進み、このときの
実到着時間をｍ番目の学習用データの一部として記憶す
る。これは原教師データであり、乗場呼びＣの乗場の実
到着時間TA（ｆ）で表わされる。

又、更に何回目か後の演算周期のステップ65で、乗場
呼びＣの乗場への停止決定が検出されると、ステップ68
に進み、このときの実到着時間をｍ番目の学習用データ
の一部（実到着時間TA（Ｃ））として記憶する。

そして、実到着時間の実測指令をリセットして実到着
時間のカウントを終了すると共に、学習用データの番号
ｍをインクリメントして、再び新しい学習用データの作
成許可をリセットする（ステップ69）。

こうして、乗場呼びの割当が行われた時期に合わせ
て、割当されたかごに関する入力データ及び出力デー
タ、並びに、その後割当かごが乗場呼びＣに応答するま
での間に停止又は通過した途中階床の各乗場に対するそ
れぞれの実到着時間が、学習用データとして繰り返し作
成され、記憶されていく。

次に、修正手段（10G）は、第４図内の修正プログラ
ム（ステップ41）において、学習用データを使用し、ニ
ューラルネット（10DA）のネットワークを修正する。

以下、この修正動作を、第７図を参照しながら、更に
詳細に説明する。

まず、ネットワークの修正を行うべき時期になったか
否かを判定し（ステップ71）、修正時期であれば、以下
のステップ72〜78を実行する。

ここでは、現在記憶されている学習用データの組の数
ｍがＳ個（例えば、500個）以上になったときをネット
ワーク修正時期とする。尚、学習用データの判定基準数
Ｓは、エレベータの設置台数、ビルの階床数FL、及び、
乗場呼び数などのネットワークの規模に応じて任意に設
定され得る。

ステップ71において学習用データの組の数ｍがＳ個以
上と判定された場合は、学習用データのカウンタ番号ｎ
を「１」に初期設定した後（ステップ72）、ｎ番目の学
習用データの中から実到着時間TA（ｋ）を取り出し、こ
れらの乗場に相当するノードの値、即ち、教師データｄ
a（ｋ）（ｋ＝1,2,…,N3）を、 da（ｋ）＝TA（ｋ）/NTmax … から求める（ステップ73）。

次に、ｎ番目の学習用データの中から取り出した出力
層（10DA3）の出力値ｙa3（１）〜ｙa3（N3）と教師デ
ータｄa（１）〜ｄa（N3）との誤差Eaを、両者の差を二
乗し、且つ、ｋ＝１〜N3の総和により、 Ea＝Σ［｛ｄa（ｋ）−ｙa3（ｋ）｝^２］/2 … （ｋ＝１〜N3） から求める。そして、式で得られた誤差Eaを用いて、
中間層（10DA2）と出力層（10DA3）との間の重み係数ｗ
a2（j,k）（ｊ＝1,2,…,N2、ｋ＝1,2,…,N3）を以下の
ように修正する（ステップ74）。

まず、式の誤差EaをＷa2（j,k）で微分し、前述の
式〜式を用いて整理すると、重み係数ｗa2（j,k）
の変化量Δｗa2（j,k）は、 Δｗa2（j,k）＝−α｛∂Ea/∂ｗa2（j,k）｝＝−α・δa2（ｋ）・ｙa2（ｊ）
… で表わされる。但し、αは学習速度を表わすパラメータ
であり、０〜１の範囲内で任意の値に選択され得る。
又、式において、 δa2（ｋ）＝ｙa3（ｋ）−ｄa（ｋ）｝ｙa3（ｋ）｛１−ｙa3（ｋ）｝ である。こうして、重み係数ｗa2（j,k）の変化量Δｗa
2（j,k）が計算されると、以下の式により重み係数ｗ
a2（j,k）の修正が行われる。

ｗa2（j,k）←ｗa2（j,k）＋Δｗa2（j,k） … 又、同様に、入力層（10DA1）と中間層（10DA2）との
間の重み係数ｗa1（i,j）（ｉ＝1,2,…,N1、ｊ＝1,2,
…,N2）を、以下の式及び式に従って修正する（ス
テップ75）。

まず、重み係数ｗa1（i,j）の変化量Δｗa1（i,j）
を、 Δｗa1（i,j）＝−α・δa1（ｊ）・ｙa1（ｉ） … から求める。但し、式において、δa1（ｊ）は以下
の、ｋ＝１〜N3による総和式、 δa1（ｊ）＝Σ｛δa2（ｋ）・ｗa2（j,k）・ｙa2（ｊ）×［１−ｙa2
（ｊ）］｝ で表わされる。式で得られた変化量Δｗa1（i,j）を
用いて、以下の式のように重み係数ｗa1（i,j）の修
正が行われる。

ｗa1（i,j）←ｗa1（i,j）＋Δｗa1（i,j） … 尚、以上のステップ74及び75では、教師データが存在
する乗場に関係した重み係数のみが修正される。即ち、
学習用データ作成プログラム（第６図）で説明したよう
に、割当時のかご位置と乗場呼びＣの乗場との間の途中
階床の乗場に対してのみしか、実到着時間を教師データ
として記憶しないので、それ以外の乗場に関する重み係
数を修正しないようにしている。

こうして、ｎ番目の学習用データによる修正ステップ
73〜75が行われると、学習用データの番号ｎをインクリ
メントし（ステップ76）、ステップ77で全ての学習用デ
ータについて修正が終了したと判定される（ｎ≧ｍとな
る）まで、ステップ73〜76の処理を繰り返す。

そして、全ての学習用データについて修正が行われる
と、修正を完了した重み係数ｗa1（i,j）及びｗa2（j,
k）を到着予想時間演算手段（10D）に登録する（ステッ
プ78）。

このとき、最新の学習用データを再び記憶できるよう
に、修正に使用した学習用データを全てクリアし、学習
用データの番号ｍを「１」に初期設定する。こうして、
ニューラルネット（10DA）のネットワーク修正（学習）
を終了する。

このように、実測値に基づいて学習用データを作成
し、これら学習用データにより到着予想時間演算手段10
D）の重み係数ｗa1（i,j）及びｗa2（j,k）をそれぞれ
修正するようにしたので、ビル内の交通の流れが変化し
ても自動的に対応することができる。

又、交通の流れの特徴を表わす入力データとして、過
去に統計した乗場別の５分間乗車人数と降車人数を使用
したので、時々刻々と変化する交通の流れに対して、か
ご位置、運行方向、及び、応答すべき呼びだけを入力デ
ータとした場合に比べて、一層柔軟で正確な予測演算を
実現することができる。

尚、上記実施例では、入力データ変換手段が、かご位
置、運行方向、及び、応答すべき呼び、を入力データと
して変換するようにしたが、入力データとして使用され
る交通状態データがこれらに限られることはない。例え
ば、かごの状態（減速中、戸開動作中、戸開中、戸閉動
作中、戸閉待機中、走行中、など）、乗場呼びの継続時
間、かご呼びの継続時間、かご負荷、群管理されている
かごの台数、などを入力データとして使用することがで
きる。又、現時点の交通状態データだけでなく、近い将
来の交通状態データ（かごの動きの履歴や呼び応答状態
の履歴など）を入力データとして使用することにより、
一層正確な到着予想時間の演算が可能となる。

又、学習用データ作成手段（10F）は、乗場呼びの割
当が行われたときに、割当かごの各乗場への到着予想時
間及びそのときの入力データ、並びに、その後、割当か
ごが乗場呼びに応答するまでに停止又は通過した乗場に
対する実到着時間を一組の学習用データとして記憶する
ようにしたが、学習用データを作成する時期はこれに限
られるものではない。例えば、前回の入力データの記憶
時から経過した時間が所定時間（例えば、１分）を越え
たときを学習用データ作成時期としてもよく、周期的
（例えば、１分毎）に学習用データ作成時期としてもよ
い。又、各種条件下における学習用データが多く集まる
ほど学習条件が向上するので、例えば、所定階床に停止
しているとき、あるいは、かごが所定の状態（減速中、
停止中、など）になったとき、などの考えられる代表的
な状態を予め決めておき、その状態を検出したときに学
習用データを作成するようにしてもよい。

又、学習用データ作成手段（10F）は、割当した乗場
呼びに割当かごが応答するまでに停止又は通過した乗場
を対象とした実到着時間のみしか教師データとして記憶
しないようにし、修正手段（10G）による重み係数の修
正時に、記憶した教師データに関係する重み係数のみを
修正するようにしたが、教師データの抽出の仕方は、こ
れに限られるものではない。例えば、全乗場に関する到
着予想時間と、かごの運行中に測定することができた実
到着時間とを記憶するようにして、教師データが存在す
る乗場に関係する重み係数のみを修正するようにしても
よい。ここで、実到着時間を測定できなかった乗場と
は、例えば、かごが途中階床で方向反転した場合には、
反転階床より遠方の乗場に相当し、かごが途中階床で空
かご（割当呼びを持たないかご）になった場合には、空
かごになった階床より遠方の乗場や入力データの記憶時
点でのかご位置階床の背後の乗場（例えば、上方運行中
は現在位置より下方の乗場）に相当する。

又、到着予想時間演算手段（10D）は、記憶された学
習用データの数が所定数に達する毎に重み係数を修正す
るようにしたが、重み係数の修正時期はこれに限られる
ものではない。例えば、予め決められた時刻（例えば、
１時間毎）に、それまでに記憶された学習用データを用
いて重み係数を修正するようにしてもよく、交通が閑散
になって到着予想時間演算手段（10D）による到着予想
時間の演算頻度が少なくなったときに重み係数を修正す
るようにしてもよい。

更に、重み係数の修正ステップを複数回（例えば、50
0データに対して500回）繰り返し、所望の近似出力が得
られるように重み係数を収束させてもよい。

［発明の効果］ 以上のようにこの発明によれば、かごの位置、運行方
向及び応答すべき呼びを含む交通状態データを、ニュー
ラルネットの入力データとして使用できる形に変換する
入力データ変換手段と、入力データを取り込む入力層、
到着予想時間に相当するデータを出力データとする出力
層、及び、入力層と出力層との間にあって重み係数が設
定された中間層を含み、ニューラルネットを構成する到
着予想時間演算手段と、出力データを所定の制御目的に
使用できる形に変換する出力データ変換手段とを備え、
交通状態データをニューラルネットに取り込んで、かご
が乗場に到着するまでに要する時間を到着予想時間とし
て演算するようにしたので、実際の到着時間に近くなる
ような、かご位置や運転状況などの各種条件下で短時間
且つ高精度に到着予想時間を求めることができると共
に、この正確な到着予想時間に基づいて群管理の性能を
向上させることのできるエレベータ制御装置が得られる
効果がある。

又、この発明の別の発明によれば、エレベータの稼働
中に予め決められた時期になると、所定のかごの到着予
想時間及びそのときの入力データ、並びに、所定のかご
の実到着時間を記憶し、これらを一組の学習用データと
して出力する学習用データ作成手段と、学習用データを
用いて到着予想時間演算手段の重み係数を修正する修正
手段とを更に備え、演算された予測結果とそのときの交
通状態データ及び実測データとに基づいて、ニューラル
ネットにおける重み係数を自動的に修正するようにした
ので、実際のビル内の交通の流れの変化にも自動的に対
応でき、更に到着時間の予測精度の高いエレベータ制御
装置が得られる効果がある。

【図面の簡単な説明】

第１図はこの発明及びこの発明の別の発明の一実施例の
全体構成を示す機能ブロック図、第２図は第１図内の群
管理装置の概略構成を示すブロック図、第３図は第１図
内のデータ変換手段及び到着予想時間演算手段を具体的
に示すブロック図、第４図は第２図内のROMに記憶され
た群管理プログラムを概略的に示すフローチャート図、
第５図は第４図内の１号機用の仮割当て時の到着時間予
測演算プログラムを具体的に示すフローチャート図、第
６図は第４図内の学習用データ作成プログラムを具体的
に示すフローチャート図、第７図は第４図内の修正プロ
グラムを具体的に示すフローチャート図である。 （10C）……データ変換手段 （10CA）……入力データ変換サブユニット （10CB）……出力データ変換サブユニット （10DA）……ニューラルネット （10DA1）……入力層、（10DA2）……中間層 （10DA3）……出力層 （10D）……到着予想時間演算手段 （10F）……学習用データ作成手段 （10G）……修正手段 ｗa1（i,j）、ｗa2（j,k）……重み係数 尚、図中、同一符号は同一又は相当部分を示す。

Claims (2)

(57)【特許請求の範囲】
1. 【請求項１】エレベータのかごが乗場に到着するまでに
   要する時間を到着予想時間として予測演算し、前記到着
   予想時間を用いて前記かごの動作を制御するエレベータ
   制御装置において、 前記かごの位置、運行方向及び応答すべき呼びを含む交
   通状態データを、ニューラルネットの入力データとして
   使用できる形に変換する入力データ変換手段と、 前記入力データを取り込む入力層、前記到着予想時間に
   相当するデータを出力データとする出力層、及び、前記
   入力層と前記出力層との間にあって重み係数が設定され
   た中間層を含み、前記ニューラルネットを構成する到着
   予想時間演算手段と、 前記出力データを所定の制御動作に使用できる形に変換
   する出力データ変換手段と、 を備えたことを特徴とするエレベータ制御装置。
2. 【請求項２】エレベータの稼働中に予め決められた時期
   になると、所定の乗場の到着予想時間及びそのときの入
   力データを記憶すると共に、かごが前記所定の乗場に停
   止又は通過するまでに経過した時間を計数して実到着時
   間として記憶し、記憶された前記入力データ、前記到着
   予想時間及び前記実到着時間を一組の学習用データとし
   て出力する学習用データ作成手段と、 前記学習用データを用いて到着予想時間演算手段の重み
   係数を修正する修正手段と、 を更に備えたことを特徴とする特許請求の範囲第１項記
   載のエレベータ制御装置。