JP2938316B2 - エレベータの群管理制御装置 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、複数の階床に対して複
数のエレベータを就役させ、発生した共通のホール呼び
に対して所定の評価演算を行ない、各エレベータ毎の評
価を行なって最適な号機をホール呼びに対して割り当て
るエレベータの群管理制御装置に係り、特に各ビル毎に
最適な評価基準を満たす割当制御を行なえるようにした
エレベータの群管理制御装置に関するものである。

【０００２】

【従来の技術】近年、複数台のエレベータを並設した場
合に、エレベータの運転効率向上、およびエレベータ利
用者へのサービス向上を図るために、各階床のホール呼
びに対して応答するエレベータを、マイクロコンピュー
タ等の小型コンピュータを用いて合理的かつ速やかに割
り当てるようにすることが行なわれている。

【０００３】すなわち、ホール呼びが発生すると、その
ホール呼びに対してサービスする最適なエレベータを選
定して割り当てると共に、他のエレベータはそのホール
呼びに応答させないようにしている。

【０００４】このような方式の群管理制御装置におい
て、最近では、リアルタイムにて各ホール呼びに応答し
た場合のかご呼び登録データの測定、乗降中のデータ測
定等、各ビル毎の階間交通の把握が行なわれ、上記測定
データを基にビル固有の需要を把握し、最適号機の割当
制御に利用している。

【０００５】このような状況において、エレベータの最
適号機割当制御は、ホール呼びの発生に対して群管理性
能上の各評価指標を評価し、各評価値を重み付け加算
し、総合評価として最適号機を決定している。

【０００６】しかしながら、一般に、群管理性能上の各
評価指標は交通需要によって大きく変化するために、エ
レベータ群システムの状況によって最適な重み付け値
（制御パラメータ）を選択する必要があり、連続して変
化する交通需要に追従し、制御パラメータの最適化を図
ることは困難である。

【０００７】また、群管理性能上の「最適」の評価基準
は、ホテル、テナントビル、一社専有ビル等のビル用
途、あるいはエレベータの利用者、ビル管理会社等、様
々なビル固有の状況に依存するため、各ビル毎の評価基
準に群管理制御性能を合わせる必要があるが、従来シス
テムにおいては、各ビル固有の評価基準に最適な制御パ
ラメータを自動的に設定することは不可能である。

【０００８】そこで、ビル固有の評価基準がユーザーに
よって事前に示され、多数のシュミレーションを実行し
て、ユーザーの評価基準に適合する制御パラメータを事
前に設定し、システムに入力する方法もあるが、これに
は多数のシュミレーションの実行が必要であり、しかも
シュミレーション結果は、そのシステム固有の状況（稼
働後の状況）を完全に反映するものではなく、交通流、
混雑度によって最適な制御パラメータが変化するため、
ユーザーの意図している評価基準に対して最適な割当制
御とならない場合が生じるという問題点がある。

【０００９】また、オンラインにて得られたデータを全
て格納し、学習させることによって、制御パラメータを
設定する方法があるが、メモリーの制約やＣＰＵのパフ
ォーマンスが低下する等の問題点もある。

【００１０】

【発明が解決しようとする課題】以上のように、従来の
レベータの群管理制御装置においては、各ビル毎に最適
な評価基準を満たす割当制御を行なうことができないと
いう問題があった。本発明の目的は、割当制御上の各評
価指標重み付け値とホール呼び応答累積分布に代表され
る群管理制御応答結果との間に関係モデルを複数形成
し、しかもこの関係モデルを交通需要と関係付け、有限
個の関係モデルの連想で多数の交通需要に対応する対象
モデルを実現し、連続して変化する交通需要に追従して
制御パラメータの最適化を行なうと共に、オンラインに
てビル固有の需要状況と制御パラメータと実際の制御応
答結果のうち有効なものだけを抽出してその関係を学習
させることにより、各ビル毎に最適な評価基準を満たす
割当制御を行なうことが可能な極めて信頼性の高いエレ
ベータの群管理制御装置を提供することにある。

【００１１】

【課題を解決するための手段】上記の目的を達成するた
めに本発明では、複数の階床に対して複数台のエレベー
タを就役させ、発生した共通のホール呼びに対して所定
の評価演算を行ない、各エレベータ毎の評価を行なって
最適な号機をホール呼びに対して割り当てるエレベータ
の群管理制御装置において、評価演算に用いる各評価指
標の重み付け値と群管理制御応答結果との関係を、交通
需要によりあいまいに区分したニューラルネットにより
合成された関数モデルから成る部分システムモデルの集
合としてモデル化し、当該各部分システムモデル毎に群
管理制御応答結果を出力する部分モデル手段と、部分モ
デル手段の部分システムモデルと交通需要との関係を複
数のメンバーシップ関数によりあいまいに表現し、当該
メンバーシップ関数および前記部分システムモデルの結
合関係を記憶し、交通需要に基づいて前記部分システム
モデルに対する重み付け値を演算し出力する推論手段
と、部分モデル手段からの出力と推論手段からの出力と
を合成し、群管理制御応答推論結果として出力する合成
手段と、合成手段からの群管理制御応答推論結果を当該
エレベータシステムの設置されているビルの需要毎に独
立に評価し、実際のビル需要に応じた評価指標重み付け
値の最適値を設定する推論結果評価手段と、推論結果評
価手段によりシステム稼働時の交通需要に応じて設定さ
れた評価指標重み付け値の最適値に基づいて群管理制御
を行ない、当該群管理制御により得られた群管理制御応
答結果と合成手段からの群管理制御応答推論結果との差
異に基づいて、推論手段における部分システムモデルに
対する記憶の確かさ、および関係する部分システムモデ
ルを修正するシステム調整手段とを備えている。

【００１２】ここで、特に上記システム調整手段として
は、推論手段より出力された交通需要に基づく部分シス
テムモデルに対する重み付け値である活性度が所定値を
超えたものを有効なデータと見なし、当該データによっ
て部分システムモデルを再学習させるようにしている。

【００１３】また、上記システム調整手段としては、シ
ステム稼働時の実データより抽出された部分システムモ
デルの有効データから部分システムモデルの入力となる
評価指標重み付け値ないし出力となる群管理制御応答結
果の類似度が所定値を超えるものを各々選定して集約し
たデータによって部分システムモデルを再学習させるよ
うにしている。

【００１４】さらに、上記システム調整手段としては、
システム稼働時の実データより抽出された部分システム
モデルの有効データをさらに古いものから順次放棄し
て、限定されたデータによって部分システムモデルを再
学習させるようにしている。

【００１５】一方、上記システム調整手段としては、シ
ステム稼働時の実データより抽出された部分システムモ
デルの有効データを部分システムモデルの構成に応じて
数を限定し、当該限定されたデータによって前記部分シ
ステムモデルを再学習させるものであることを特徴とす
る請求項２に記載のエレベータの群管理制御装置。

【００１６】また、上記システム調整手段としては、再
学習を行なった部分システムモデルに対する重み付け値
である活性度が大きくなるように推論手段における部分
システムモデルに対する記憶の確かさである結合度を修
正させるようにしている。

【００１７】

【作用】従って、本発明のエレベータの群管理制御装置
においては、ビルの各時刻の一定期間毎の交通需要を推
論手段に入力することにより、部分システムモデルに対
する重み付け値が演算される。

【００１８】各評価指標の制御パラメータを所定の範囲
内にて変化させた制御パラメータ組合せを部分モデル手
段にそれぞれ入力し、上記重み付け値と共に合成手段に
よる連想機能により、各制御パラメータ組合せに対する
群管理制御応答推論結果が出力される。

【００１９】そして、推論結果評価手段において、この
推論結果をエレベータシステムの設置ビル毎の用途、特
徴、あるいは客先ニーズに応じて、「最適」と判断する
評価基準によって評価することにより、推論結果のうち
の最適な推論結果が抽出され、この推論結果に対応する
評価指標重み付け値が最適制御パラメータとして選定さ
れる。

【００２０】さらに、このシステム稼働時の交通需要に
応じて設定された評価指標重み付け値の最適値に基づい
て、システム調整手段により群管理制御が行なわれ、こ
の群管理制御により得られた群管理制御応答結果と合成
手段により得られた群管理制御応答推論結果との差異に
基づいて、推論手段における部分システムモデルに対す
る記憶の確かさ、および関係する部分システムモデルが
修正されて、最適号機の割当制御が行なわれる。

【００２１】

【実施例】以下、本発明の第１の実施例について図面を
参照して詳細に説明する。図１は、本発明によるエレベ
ータの群管理制御装置の全体的なシステム構成例を示す
ブロック図である。

【００２２】図１において、１は群管理制御部であり、
この群管理制御部１は、各単位エレベータの制御を行な
う単体制御部２−１〜２−Ｎおよび学習制御部１−１
と、第１の伝送制御手段である高速伝送路６を介して接
続されている。また、この群管理制御部１、学習制御部
１−１および単体制御部２−１〜２−Ｎは、単数あるい
は複数のマイクロコンピュータ等の小型計算機により構
成されており、ソフトウェアの管理下に動作する。

【００２３】一方、３は各階に設けられたホール呼びボ
タンであり、４はホール呼びの入出力を行なうホール呼
び入出力制御部である。そして、群管理制御部１、学習
制御部１−１および単体制御部２−１〜２−Ｎ、および
各ホール呼び入出力制御部４は、第２の伝送制御手段で
ある低速伝送路７を介して接続されている。

【００２４】ここで、高速伝送路６は、単体制御部２−
１〜２−Ｎと群管理制御部１および学習制御部１−１と
の間、すなわち主に機械室の制御計算機間の伝送を行な
う伝送制御系であり、高速で高インテリジェントなネッ
トワークで接続されている。そして、群管理制御に必要
な制御情報を、群管理制御部１、学習制御部１−１、各
単体制御部２−１〜２−Ｎの間で高速に授受している。

【００２５】また、低速伝送路７は、各ホールのホール
呼びボタン３、監視室の監視盤５等、主に昇降路を介し
て情報の伝送を行なう制御系であり、高速伝送路６に比
較して低速であり、長距離のため光ファイバーケーブル
等により構成されており、群管理制御部１、学習制御部
１−１および単体制御部２−１〜２−Ｎと接続され、デ
ータの授受を行なっている。

【００２６】群管理制御部１が正常な場合、ホール呼び
ボタン３は低速伝送路７を介して群管理制御部１にて制
御され、ホール呼びボタン３が押されると、ホール呼び
ゲートを閉じて登録ランプをセットすると共に、高速伝
送路６を介して送られてくる単体制御部２−１〜２−Ｎ
の情報をベースに最適号機を決定し、単体制御部２−１
〜２−Ｎの内の該当するものに対して制御指令を行な
う。そして、制御指令を受けた単体制御部は、この制御
指令をホール呼び情報として単体制御を行なう。

【００２７】図２は、本発明によるエレベータの群管理
制御装置における、群管理制御部１と単体制御部２−１
〜２−Ｎのソフトウェアシステムの一例を示す図であ
る。図２において、本ソフトウェアシステムは、オペレ
ーティングシステムであるリアルタイムＯＳ８により、
単体制御機能タスク９、群管理制御メイン機能タスク１
０、群管理制御サブ機能タスク１１、伝送制御タスク１
２を管理する構成であり、リアルタイムＯＳ８内のスケ
ジューラにより、各タスク９〜１２が起動されたりホー
ルドされたりするようになっている。

【００２８】これらの各タスク９〜１２の内の単体制御
機能タスク９は、単体制御部２−１〜２−Ｎを動作させ
るための機能タスクであって、優先順位が高く設定され
ている。

【００２９】また、群管理制御メイン機能タスク１０
は、群管理制御部１の中心となる機能タスクであり、各
単体制御部２−１〜２−Ｎに分散した群管理制御サブ機
能タスク１１より各号機毎の情報データを収集し、比較
演算することによって最適号機を決定し、該当号機に対
して制御指令を行なうと共に、ホール呼び登録の制御を
行なう。

【００３０】さらに、群管理制御サブ機能タスク１１
は、群管理制御部１の各号機単位の情報の処理を行なう
機能タスクであり、群管理制御メイン機能タスク１０の
制御の下に情報の処理を行なう。

【００３１】すなわち、群管理制御メイン機能タスク１
０を有するコンピュータにより、高速伝送路６を介して
タクスの起動、終結の管理を行なう構成となっており、
マスターである群管理制御メイン機能タスク１０からの
指令により号機単位に分散処理を行ない、群管理制御メ
イン機能タスク１０に対して処理完了時点でデータを搬
送する。

【００３２】さらにまた、伝送制御タスク１２は、高速
伝送路６のデータの授受、および群管理制御サブ機能タ
スク１１の起動、終結の制御を行なう。図３は、図１に
おける高速伝送路６のシステム構成例を示すブロック図
である。

【００３３】図３において、伝送制御はマイクロプロセ
ッサ１３を用いて行なう構成であるが、例えばＩＳＯ
（国際標準化機構）が提唱するＬＡＮネットワークモデ
ル階層のデータリンク階層を制御する部分として、ハー
ドウェアで構成されたデータリンクコントローラ１４と
メディアアクセスコントローラ１５とを用いて、データ
伝送を高インテリジェントにて行なうようにし、高速伝
送制御に対してマイクロプロセッサ１３が管理する伝送
制御ソフトウェアの比率を軽減させる構成としている。

【００３４】例えば、上記の高インテリジェント伝送制
御を実現するためのコントローラであるデータリンクコ
ントローラ１４として、インテル社（ＩＮＴＥＬ社）の
ＬＳＩであるｉ８２５８６が、またメディアアクセスコ
ントローラ１５として、同じくインテル社のｉ８２５０
１等が実用化されているが、これらを用いることによ
り、１０Ｍビット／秒というような高速伝送機能を、マ
イクロプロセッサ１３のサポート比率を軽減した形で比
較的容易に行なうことができる。

【００３５】なお、図３において、１６はシステムバス
であり、１７は制御ライン、１８はシリアル伝送系であ
る。一方、図４は本発明による学習制御部１−１の入出
力信号の流れを示す機能ブロック図、図５は図４におけ
る学習制御部１−１のシステム構成の一例を示す図、図
６および図７はそれぞれ図５における推論部、部分モデ
ル部の詳細なシステム構成例を示す図である。

【００３６】まず、図４において、群管理制御部１は、
上述したように、エレベータ群システム２の単体制御部
２−１〜２−Ｎにおける群管理制御サブ機能タスク１１
と協調をとり、ホール呼び割当制御機能を実行する。

【００３７】このホール呼び割当制御に用いられる評価
アルゴリズムは、群管理性能上の各評価指標を評価し、
各評価値を最適な重み付け加算して総合評価を行なうも
のである。

【００３８】また、学習制御部１−１は、一定期間毎に
群管理制御部１を介して送信されるエレベータ群システ
ム２、すなわち単体制御部２−１〜２−Ｎおよびホール
呼び入出力制御部４からの情報を基にして、交通需要お
よび群管理制御応答結果を生成し、交通需要からは最適
な制御パラメータを設定し、群管理制御応答結果はオン
ライン学習のためのベースデータとする。

【００３９】そして、学習制御部１−１は、各時刻別の
一定期間毎に設定された上記制御パラメータを、最適な
評価指標重み付け値として群管理制御部１へ送信する。
群管理制御部１は、単体制御部２−１〜２−Ｎからの情
報を基に各評価指標の評価値を演算し、学習制御部１−
１から送信された制御パラメータにより上記評価値に最
適な重み付けを行ない、最適号機に対して制御指令を与
える。

【００４０】次に、この学習制御部１−１の詳細な動作
について、図５以降の図面を用いて説明する。学習制御
部１−１の機能構成を説明すると、図５に示すように、
推論部２１と、部分モデル部２２と、合成部２３と、推
論結果評価部２４と、システム調整部２５とから構成さ
れている。

【００４１】群管理制御部１における評価演算は、一般
に、複数の評価指標ｌに対して行なわれ、ｉ号機に対し
て、 ｇ₁ （ｉ），ｇ₂ （ｉ），……，ｇ_l （ｉ） と表わされ、総合評価値は、各評価別割当評価値を重み
付け加算することによって求められ、ｉ号機の場合の総
合評価値Ｅ_i は、

【００４２】

【数１】 と表現される。

【００４３】ここで、α_j は各評価指標ｊにおける重み
付け値であり、学習制御部１−１より群管理制御部１へ
送信される制御パラメータである。そこで、推論結果評
価部２４は、各時間帯別の一定期間毎に交通需要を算出
し、推論部２１に対して出力すると共に、制御パラメー
タα_j の組合せを所定範囲内にて生成し、部分モデル部
２２に対して出力し、その結果として各制御パラメータ
α_j の組合せに対応する群管理制御応答推論結果をエレ
ベータ設置ビルの用途に応じて評価し、最適な制御パラ
メータを設定する。

【００４４】群管理制御応答推論結果をｙ、学習制御部
１−１への入力をｕとすると、合成部２３における演算
は、 ｙ＝Ｆ（ｕ） …（１） と表現できる。なお、ここで、 ｙ＝（ｙ₁ ，ｙ₂ ，……，ｙ_n ）^T u=(u_s ，ｕ_e ）^T ＝（Ｃ，α）^T とする。

【００４５】この群管理制御応答推論結果ｙにおいて、
ｙ₁ ，ｙ₂ ，……，ｙ_n は、一定時間におけるホール呼
び応答時間の発生率、平均乗合率、平均サービス時間等
の推論結果を表わし、群管理性能を判定する上での評価
基準データとなる。

【００４６】また、入力ｕにおけるＣは交通需要を表わ
し、 Ｃ＝（ｃ₁ ，ｃ₂ ，ｃ₃ ） とすると、ｃ₁ ，ｃ₂ ，ｃ₃ は、それぞれ全平均乗客発
生間隔［ｓ／人］、基準階における平均乗客発生間隔、
基準階へ向かう平均乗客発生間隔を表わすデータであ
り、システムの混雑度や人の流れ等のシステムの状況を
表わすことになる。

【００４７】さらに、αは各評価指標別重み付け値（制
御パラメータ）であり、前述のように、複数の評価指標
ｌに対して、 α＝（α₁ ，α₂ ，……，α_l ） と表わされる。

【００４８】そこで、推論部２１、部分モデル部２２、
合成部２３から成る対象モデルは、ｍ個の部分システム
モデルｆ_i （α），（ｉ＝１，２，……，ｍ）の合成で
表現され、（１）式は次式のように書き直せることにな
る。

【００４９】

【数２】

【００５０】ここで、ａ_i （Ｃ）は交通需要Ｃにおける
部分システムモデルｆ_i （α）の活性度を示し、群管理
制御応答推論結果ｙは、交通需要Ｃから得られるシステ
ムの状況と部分モデル部２２における部分システムモデ
ルとの結合関係により決まる。

【００５１】次に、推論部２１、部分モデル部２２、合
成部２３、推論結果評価部２４、およびシステム調整部
２５の各部のシステム構成について説明する。まず、推
論部２１は、図６に示すように、入力部２１−１と、記
憶部２１−２と、出力部２１−３と、ゲート２１−４と
から構成されており、推論結果評価部２４より交通需要
Ｃを受けて、これらから得られるシステムの状況によ
り、部分システムモデルに対する重み付け値である活性
度を表わす（２）式のａ_i （Ｃ），（ｉ＝１，２，…
…，ｍ）を出力する働きをする。

【００５２】ここで、入力部２１−１は、ｋ個のニュー
ロンから成るｋ次元の状態ベクトルＶを持ち、入力され
る交通需要Ｃをメンバーシップ関数φ_i を通すことによ
り、各要素がそのメンバーシップグレードで構成される
部分入力ベクトルｃ_i ，（ｉ＝１，２，……，Ｍ）を出
力する。このＭ個の部分入力ベクトルｃ_i は、一括して
入力ベクトルＣとして上記入力状態ベクトルＶへ入力さ
れる。

【００５３】また、記憶部２１−２は、ｒ個のニューロ
ンから成るｒ次元の状態ベクトルＸから成り、入力部２
１−１と出力部２１−３とを関係付ける記憶部に相当す
る。さらに、出力部２１−３は、ｍ個のニューロンから
成るｍ次元の状態ベクトルＺから成り、各要素Ｚ_i ，
（ｉ＝１，２，……，ｍ）が上記部分モデル部２２の部
分システムモデルｆ_i （α）に対応している。

【００５４】なお、入力部２１−１および記憶部２１−
２、記憶部２１−２および出力部２１−３は、それぞれ
相互ループを持ち、また各部２１−１〜２１−３は、自
己ループを持っている。

【００５５】この関係は、離散形式であって、次のよう
に部分システムモデルと交通需要との関係が、複数のメ
ンバーシップ関数によりあいまいに表現される。 Ｃ（ｋ）＝φ（ｕ（ｋ）） …（３．１） Ｖ（ｋ＋１）＝ψ（Ｗ_vc・Ｃ（ｋ）＋Ｗ_vv・Ｖ（ｋ） ＋Ｗ_vx・Ｘ（ｋ）） …（３．２） Ｘ（ｋ＋１）＝ψ（Ｗ_xv・Ｖ（ｋ＋１）＋Ｗ_xx・Ｘ（ｋ） ＋Ｗ_xz・Ｚ（ｋ）） …（３．３） Ｚ（ｋ＋１）＝ψ（Ｗ_zx・Ｘ（ｋ＋１）＋Ｗ_zz・Ｚ（ｋ））…（３．４） Ｖ（０）＝Ｖ₀ ， Ｘ（０）＝Ｘ₀ ， Ｚ（０）＝Ｚ₀ ， ｋ≧０ ここで、Ｗ_vcはベクトルＣからベクトルＶへの荷重を表
わすマトリックスであり、ベクトルＶを構成するニュー
ロンのベクトルＣに対するシナプス荷重である。また、
Ｗ_vv，Ｗ_vx，Ｗ_xv，Ｗ_xx，Ｗ_zx，Ｗ_zzについても同様で
ある。すなわち、このシナプス荷重は、メンバーシップ
関数および部分システムモデルの結合度を表わすもので
ある。

【００５６】φはｊ次元のメンバーシップ関数であり、
ψは各次元に対応するシグモイド関数であり、入力され
る要素毎に、 ｆ（ｘ）＝１／｛１＋ｅｘｐ（−ｘ）｝ …（３．５） の演算を行なう。

【００５７】さらに、ｋは時間を表わすパラメータであ
り、１増える毎に単位時間が経過する。上記の（３．
１）〜（３．４）式で各Ｗを適当に設定することによ
り、入力される需要Ｃ（ｕ（ｋ））に対する部分シスム
モデルｆ_i （α），（ｉ＝１，２，……，ｍ）の活性度
が、出力部２１−３の状態ベクトルＺに時間経過を伴っ
て現われてくる。

【００５８】さらにまた、ゲート２１−４は、設定され
た時間Ｔが経過すると開かれ、Ｚ_i（Ｔ）を部分システ
ムモデルｆ_i （α）の活性度ａ_i （Ｃ）として出力す
る。次に、部分モデル部２２は、図７に示すようなシス
テム構成であり、制御パラメータαを入力することによ
り、各部分システムモデル毎に群管理制御応答結果ｆ_i
（α）を出力する働きを有する。

【００５９】この部分モデル部２２における個々の部分
システムモデルｆ_i （α），（ｉ＝１，２，……，ｍ）
は、図８に示すように、多層のニューラルネットワーク
によって構成され、これらはそれぞれある特定の需要Ｃ
_i に対応しており、それぞれがその需要に対する制御パ
ラメータαと実システムの群管理制御応答結果の入力出
力データｉとを格納している。そして、部分システムモ
デルｆ_i （α）は、この入出力データｉを教師データと
して、バックプロパゲーション法を用いて学習される。

【００６０】図８に詳しく示されているように、各部分
システムモデルｆ_i は、入力ｕが与えられた時、 ｙ（ｋ）＝ｆ_i （ｕ（ｋ）） の演算を実行する。この演算処理は、 ｎｅｔｈ（ｋ）＝Ｗ_hu（ｋ）・ｕ（ｋ） …（４．１） ｈ（ｋ）＝ψ（ｎｅｔｈ（ｋ）＋θ_h （ｋ）） …（４．２） ｎｅｔｙ（ｋ）＝Ｗ_yh（ｋ）・ｈ（ｋ） ＋Ｗ_yu（ｋ）・ｕ（ｋ） …（４．３） ｙ（ｋ）＝ψ（ｎｅｔｙ（ｋ）＋θ_y （ｋ）） …（４．４） ｋ≧０ ここで、Ｗ_hu，Ｗ_yh，Ｗ_yuは、シナプス荷重を表わすマ
トリックスである。また、θ_h ，θ_y は、それぞれ中間
層ｈ、出力層ｙに対するバイアス値を表わすベクトルで
ある。

【００６１】各部分システムモデルｆ_i （ｕ），（ｉ＝
１，２，……，ｍ）は、それぞれが異なるシナプス荷
重、バイアスを持ち、演算を行なう。合成部２３では、
部分モデル部２２から入力されてくる部分システムモデ
ルの出力ｆ₁ （α），ｆ₂ （α），……，ｆ_m （α）、
および推論部２１から入力される各部分システムモデル
に対する活性度ａ₁ （Ｃ），ａ₂ （Ｃ），……，ａ
_m（Ｃ）を、（２）式にしたがって合成し、群管理制御
応答推論結果ｙとして推論結果評価部２４に出力する。

【００６２】次に、推論結果評価部２４では、後で詳し
く説明するように、上記のように、推論部２１、部分モ
デル部２２、合成部２３から成る対象モデルに対して、
入力ｕ（＝Ｃ，α）_T ）において、実システムの交通需
要に対して制御パラメータαの組合せを所定範囲内にて
生成し、入力ｕとして与えることにより、その結果とし
て各制御パラメータαの組合せに対応する群管理制御応
答結果を評価し、最適な制御パラメータαを設定し、群
管理制御部１に送信する。

【００６３】次に、オンラインにて得られる群管理制御
部１からの交通需要、群管理制御応答結果、また推論結
果評価部２４からの制御パラメータによって、システム
調整部２５で行なわれる推論部２１、部分モデル部２２
のオンライン学習について説明する。

【００６４】システム調整部２５は、図１１に示すよう
に、差異検出部２５−１と、推論修正部２５−２と、入
出力データ修正部２５−３と、入出力データ群２５−４
１〜２５−４ｍと、部分システムモデル修正部２５−５
とから構成されており、群管理制御応答推論結果ｙと群
管理制御部１からの群管理制御応答結果との差異に基づ
いて、推論部２１における部分システムモデルに対する
記憶の確かさｐ _i 、および関係する部分システムモデル
ｆ_i を修正する働きをする。その修正は、部分システム
モデルに対する重み付け値である活性度ａ_i に正比例さ
せ、習熟度Ｒ_i（ｋ）に反比例させて行なう。

【００６５】ここで、差異検出部２５−１は、推論結果
ｙと応答結果ｙ₀ の差異が（１１）式を満たす時、 ｜ｙ−ｙ₀ ｜／ｙ₀ ≧Ｄ_ef0 …（１１） 修正量の元となる度合δＮ_i を（６．４）式をより算出
して、推論部修正部２５−２、および入出力修正部２５
−３に出力する。ここで、Ｄ_ef0 は定数であり、修正す
るか否かの判断基準となる。

【００６６】また、推論部修正部２５−２では、図６に
示した推論部２１における確かさを修正するループのう
ち、出力部２１−３から記憶部２１−２へのループ、す
なわちマトリックスＷ_xzに限定する。この時、推論部修
正部２５−２は、マトリックスＷ_xzの（ｉ，ｊ）要素ｗ
_ijを、 ｗ_ii＝ｐ_i ，（ｉ＝１，２，…，ｍ） …（５．１） ｗ_ji＝−ｐ_i ，（ｊ≠ｉ） …（５．２） のように修正する。

【００６７】ここで、ｐ_i ≧０は、部分システムモデル
ｆ_i （α）に対する記憶の確かさを表わすパラメータで
あり、次式により演算される。 ｐ_i ＝ξ・Ｒ_i （ｋ＋１）＋ζ …（６．１） Ｒ_i （ｋ＋１）＝１−ｅｘｐ［−β（Ｎ_i （ｋ＋１）＋γ）］…（６．２） Ｎ_i （ｋ＋１）＝Ｎ_i （ｋ）＋δＮ_i …（６．３） δＮ_i ＝ｍｉｎ｛１，η・（ａ_i ／Ｒ_i （ｋ））｝ …（６．４） ここで、η，β，γ，ξ，ζはそれぞれ定数、Ｒ_i およ
びＮ_i はそれぞれ部分システムモデルｆ_i （α）の習熟
度および学習進度である。そして、この学習進度Ｎ_i
（ｋ）は、部分システムモデルｆ_i （α）のｋ回学習し
た後の学習の進み具合を表わしており、活性度ａ_i に比
例し、現在の習熟度Ｒ_i （ｋ）に反比例する度合δＮ_i
（最大１）で変化する。そして、（６．３）式で計算さ
れる新たな学習進度Ｎ_i （ｋ＋１）に対して、新たな習
熟度Ｒ_i （ｋ＋）が（６．２）式によって決まり、最終
的に修正された確かさｐ_i が（６．１）式により求ま
る。

【００６８】一方、部分システムモデルｆ_i （α）の修
正は、入出力データ修正部２５−３、入出力データ群２
５−４〜４ｍ、および部分システムモデル修正部２５−
５にて行なう。

【００６９】まず、入出力データ修正部２５−３は、修
正度合δＮ_i 、制御パラメータα₀、群管理応答結果ｙ₀
より、各部分システムモデルｆ₁ （α）が持つ入出力
データ群２５−４１〜４ｍを書き換える。そして、この
書換えた入出力データ２５−４ｉを教師データとして、
バックプロパゲーション法により追加ないし再学習を部
分システムモデル修正部２５−５で行ない、旧部分シス
テムモデルｆ_i と学習後の新部分システムモデルｆ_i と
を入れ替える。

【００７０】次に、入出力データの修正の方法について
説明する。入出力データ修正部２５−３は、所定時間帯
毎の一定期間が終了すると、上記時間帯の応答結果を基
に群管理制御応答結果の演算を行ない、上記時間帯での
制御パラメータと共に、入出力データ Ｄ₀ ＝（ｕ₀ ）， ｕ₀ ＝（Ｃ₀ ＊α₀ ）^T を生成する。

【００７１】この時、部分システムモデルｆ_i （α）が
持つ入出力データ（Ｄ₁ ，Ｄ₂ ，……，Ｄ_L ）を書き換
える。入出力データ群２５−４１〜４ｍから全ての入力
データをスキャンし、そのαとα₀ との距離の２乗 ｄα＝｜α−α₀ ｜² …（７．１） を求め、近い（ｄαが小さい）ものから順に２つのデー
タＤ^(1st) ，Ｄ^(2nd) を抽出する。

【００７２】ここで、 Ｃ^(1st) ＝Ｃ₀ かつｄ^(1st) α＞０ …（７．１′） の場合には、例外的にＤ₀ を新たに入力データＤ_L+1 と
して追加登録する。

【００７３】また、（７．１′）式が成立しない場合に
は、上記２つのデータＤ^(1st) ，Ｄ^(2nd) について、そ
のＣとＣ₀ との距離の２乗 ｄ_C ＝｜Ｃ−Ｃ₀ ｜² …（７．２） を求め、その後、Ｄ^(1st) ，Ｄ^(2nd) を次式によって修
正する。ただし、 ｙ′^(1st) ，ｙ′^(2nd) は、修正後
の出力データである。

【００７４】 ｙ′^(1st) ＝ρ₁ ・ｙ₀ ＋（１−ρ₁ ）・ｙ^(1st) …（７．３） ｙ′^(2nd) ＝ρ² ・ｙ₀ ＋（１−ρ₂ ）・ｙ^(2nd) …（７．４） κ＝１／（γ・Ｄ^(1st) α＋１） …（７．５） ρ₁ ＝δＮ_i ・｛１／（λＤ^(1st) Ｃ＋１）｝・ …（７．６） ρ₂ ＝（１−κ）・δＮ_i ×｛１／（λＤ^(2nd) Ｃ＋１）｝ ×｛１／（γＤ^(2nd) α＋１）｝…（７．７） 上記の（７．３），（７．４）式により、部分システム
モデルにおける入出力データが書き換えられ、書き換え
後の入出力データを教師データとして、部分システムモ
デル修正部２５−５では、バックプロパゲーション法に
より部分システムモデルの荷重マトリックスの修正を、
以下の手順により行なう。

【００７５】 δ_y （ｋ）＝ψ′｛ｎｅｔｙ（ｋ）＋θ_y （ｋ）｝ ＊｛ｙ^* （ｋ）−ｙ（ｋ）｝ …（８．１） δ_h （ｋ）＝ψ′｛ｎｅｔｈ（ｋ）＋θ_h （ｋ）｝ ＊Ｗ′_yh・δ_y （ｋ） …（８．２） ΔＷ_yh（ｋ＋１）＝η_yh（ｋ）・δ_y （ｋ）・ｈ′（ｋ） ＋α_yh・ΔＷ_yh（ｋ） …（８．３） ΔＷ_hu（ｋ＋１）＝η_hu（ｋ）・δ_h （ｋ）・ｕ′（ｋ） ＋α_hu・ΔＷ_hu（ｋ） …（８．４） ΔＷ_yu（ｋ＋１）＝η_yu（ｋ）・δ_y （ｋ）・ｕ′（ｋ） ＋α_yu・ΔＷ_yu（ｋ） …（８．５） Ｗ_yh（ｋ＋１）＝Ｗ_yh（ｋ）＋ΔＷ_yh（ｋ＋１） …（８．６） Ｗ_hu（ｋ＋１）＝Ｗ_hu（ｋ）＋ΔＷ_hu（ｋ＋１） …（８．７） Ｗ_yu（ｋ＋１）＝Ｗ_yu（ｋ）＋ΔＷ_yu（ｋ＋１） …（８．８） ΔＷ_yh（０）＝０， ΔＷ_hu（０）＝０， ΔＷ_yu（０）＝０， Δθ_y （０）＝０， Δθ_h （０）＝０ ここで、ｙ^* は教師データであり、 （１／２）｜ｙ^* −ｙ｜² ＜ε が全てのｙ^* について成立するまで、ｋをインクリメン
トして繰り返す。

【００７６】ここで、Ａ＊Ｂとは、行列ＡおよびＢの要
素毎の積を表わしており、η，αは学習パラメータであ
る。上記の演算により、部分システムモデル修正部２５
−５では、部分システムモデルの荷重マトリックスの修
正を入出力データ修正部２５−３にて、入出力データ群
２５−４１〜４ｍが書き換えられる度に行ない、再学習
する。

【００７７】次に、図９および図１０により、推論結果
評価部２４の詳細な構成とその制御パラメータαの最適
化設定および確かさ修正動作について説明する。図９に
示すように、推論結果評価部２４は、制御パラメータ組
み合わせ生成部２４−１と、交通需要検出部２４−２
と、推論結果評価パラメータ設定部２４−３と、推論結
果評価演算部２４−４と、制御パラメータ設定部２４−
５とから構成されている。

【００７８】上述のように、学習制御部１−１の推論部
２１、部分モデル部２２、合成部２３により、各ビル毎
の任意の交通需要に対して、制御パラメータと群管理制
御応答推論結果との関係を構成し、（１）式によって群
管理制御応答結果ｙを連想により推定することができ
る。

【００７９】そこで、推論結果評価部２４では、群管理
制御応答結果ｙを、各ビル用途、客先ニーズに応じて、
各ビルに合った「最適」の基準に対して、制御パラメー
タの最適値設定を行なう。

【００８０】そのために、推論結果評価部２４は、所定
の時間帯において交通需要を検出して推論部２１に出力
すると共に、あらかじめ各ビル毎の用途、客先ニーズに
より設定された推論結果評価パラメータに対して、現時
間帯での推論結果評価パラメータの選定を行なう。

【００８１】ここで、推論結果評価パラメータとは、群
管理制御応答結果ｙを評価するためのパラメータテーブ
ルであり、各ビル毎に交通需要別に設定されるものであ
る。また、群管理制御応答推論結果ｙは、群管理制御性
能を表わす指標であり、前述のように、ホール呼び応答
時間の発生率、平均乗合率、平均サービス時間といった
評価基準データである。

【００８２】群管理制御性能を評価する場合、上記評価
基準データをベースとして評価を行なうが、一般には、
上記評価基準データに対する重み付けは、ビル用途、客
先ニーズ、交通需要によって異なり、例えば一般事務所
ビルでは、ホール呼び応答時間、平均サービス時間とい
った項目の比重が高く、またホテルでは、逆に平均乗合
率を低くするといった項目の比重が高い。同様に、同一
用途のビルでも、時間帯や客先仕様により項目の比重が
変わる。そのため、推論結果評価パラメータは、各ビル
毎の用途に合わせて、交通需要、時間帯を配列要素とし
て、群管理制御応答結果ｙの各指標を評価する重み付け
値として構成する。

【００８３】このようにして、所定の交通需要Ｃにより
選定された推論結果評価パラメータβは、推論結果評価
演算部２４−２に送出され、ここで合成部２３より出力
されてくる群管理制御応答結果ｙを評価し、その評価結
果である性能評価値ＰＥは制御パラメータ設定部２４−
５に送り出され、最適な制御パラメータα₀ が設定され
る。

【００８４】この推論結果評価部２４の動作について、
図１０に示すフローチャートを基に詳しく説明する。ま
ず、制御パラメータ組み合わせ生成部２４−１におい
て、画制御パラメータαをその取り得る範囲内で微小変
化量Δαずつ変化させ、それぞれのαに対して有限個の
組み合わせＰmax を定める（ステップＳ１，Ｓ２）。

【００８５】次に、この組み合わせＰに対する各制御パ
ラメータＰ（α_1P，α_2P……，α_lP）に対して、交通需
要検出部２４−２による現時間帯の交通需要パラメータ
Ｃと共に入力ｕ（＝（Ｃ，α）_T ）を形成し、推論部２
１、部分モデル部２２に入力し、結果として合成部２３
を介して群管理制御応答推論結果ｙ_P を得る（ステップ
Ｓ３）。

【００８６】この推論結果ｙ_P に基づいて、群管理制御
性能評価を示す目的関数として性能評価値ＰＥを数式モ
デルとしてモデル化し、性能評価を数値化する（ステッ
プＳ４）。制御パラメータ組み合わせＰに対する評価値
をＰＥ_P として推論結果を評価すると、次のようにな
る。

【００８７】

【数３】

【００８８】ここで、β（＝（β₁ ，β₂ ，……，β
_n ））は推論結果評価パラメータであり、各ビル用途、
客先仕様に応じて、交通需要、時間帯毎にあらかじめ設
定されたデータ配列である。

【００８９】全ての組み合わせＰに対して、性能評価値
ＰＥ_P ；（Ｐ＝０〜Ｐmax ）が演算されたところで（ス
テップＳ５）、このＰＥ_P が最小となる組み合わせＰを
Ｐ₀とし、この組み合わせＰ₀ に対応する制御パラメー
タＰ₀ （α_1P0 ，α_2P0 ，……，α_lP0 ）を最適制御パ
ラメータに設定し、群管理制御部１に対して送信する
（ステップＳ６）。

【００９０】以上に詳述したように、本実施例のエレベ
ータの群管理制御装置においては、推論部２１、部分モ
デル２２、合成部２３、推論結果評価部２４、およびシ
ステム調整部２５から成る学習制御部１−１を構成して
いることにより、ホール呼びに対する最適号機の割当制
御において、群管理性能上の各評価指標に対する重み付
け値である制御パラメータを交通需要に応じて最適化す
ることができ、各ビル固有の評価基準に対しても最適な
制御パラメータを自動的に設定することが可能となる。

【００９１】また、推論部２１、部分モデル部２２は、
群管理制御応答結果によりシステム調整部２５でオンラ
イン学習を行なうようにしているため、適用能力の高い
自律型システムを形成することが可能となる。

【００９２】尚、本発明は、上記実施例に限定されるも
のではなく、次のようにしても同様に実施できるもので
ある。 （ａ）本発明において、群管理制御応答結果、制御パラ
メータ、交通需要等の詳細構成は、それぞれの意図する
範囲内で変更しても、同様に扱うことができることは明
白である。

【００９３】（ｂ）上記第１の実施例では、群管理制御
応答推論結果の評価に対しても、各要素を推論結果評価
パラメータにて重み付けし、線形化して評価する場合に
ついて説明したが、これに限らず、あらかじめ理想とす
る応答結果の基準値を設定しておき、その偏差が最小と
なる応答結果を最適と判断して制御パラメータを設定す
る構成をとることも可能であり、群管理制御応答推論結
果の評価に関しても意図する範囲内で適宜に変更するこ
とができるものである。

【００９４】（ｃ）上記第１の実施例では、オンライン
で獲得された所定時間帯の入出力データのうち、推論結
果と応答結果の差異がある所定値Ｄ_ef0 を超えたものを
有効なデータと見なし、この差異に基づいて、推論部２
１の確かさ、および関係する部分システムモデルｆ_i を
修正する場合について説明したが、これに限らず、前記
時間帯の入出力データより有効なデータを抽出する方法
として、上記第１の実施例の方法以外に、部分システム
モデルに対する活性度による方法がある。

【００９５】以下、この場合の第２実施例について、図
１２および図１３を用いて説明する。各時間帯別に一定
期間毎に推論結果評価部２４にて算出された交通需要か
ら、各制御パラメータの組合せに対応する群管理制御応
答推論結果を評価して最適な制御パラメータを設定する
方法は、既に第１の実施例で述べたが、その過程におい
て応答推論結果は、（２）式に示したように、部分モデ
ル２２と推論部２１からの部分モデル２２への活性度の
線形和で算出される。

【００９６】差異検出部２５−１では、ある交通需要に
対する最適な制御パラメータの演算を実行する毎に、図
１２に示すように、前記活性度ａ_i が所定値Ａ_1im を超
えているか否かを全部モデルに対してチェックする。そ
の結果、活性度ａ_i が所定値Ａ_1im を超えている場合に
は、設定された制御パラメータおよび応答結果を有効デ
ータと見なし、その番号を入出力データ修正部２５−３
に出力する。この時、入出力データ修正部２５−３で
は、図１３に示すようなデータ構造を持ったテーブル
に、上記差異検出部２５−１から入力された部分モデル
の番号と合わせて、制御パラメータおよび応答結果を格
納する。

【００９７】さらに、入出力データ修正部２５−３で
は、上記番号を基に格納されたデータ群を、入出力デー
タ２５−４１〜４ｍの何れかに選別し、データが更新さ
れると上記更新データを教師データとして当該の部分モ
デルを学習させる。

【００９８】また、入出力データ修正部２５−３は、第
２実施例の方法にて抽出されたデータの中から、類似し
たデータを入出力データｉ２５−４ｉを含めて選定、集
約する。そして、入出力データ２５−４ｉを更新し、上
記データを教師データとして、部分システムモデル修正
部２５−５にて部分システムモデルｆ_i を学習させる方
法がある。これにより、入出力空間を拡大して、様々な
入力データに対して応答結果（出力データ）を推論する
ことができる。

【００９９】ここで、類似データの選定（クラスター分
析）と集約の手法の一例について図１４および図１５を
用いて説明する。クラスター分析とは、対象（個体）に
関する複数個の計測値を基礎に、「似たもの同士」をか
たまり（クラスター）に集める数字的手法であり、ここ
での説明には、組合せ的な手法に代表される最長距離法
を使用する。

【０１００】まず、ｎ個の個体（データ）を、ｎ個のク
ラスターと考える。次のｄαβを、αクラスターとβク
ラスター間の距離と定義する。いま、全てのα、βにつ
いて、最小のｄαβをｄ_h1とする。そして、この最小の
距離を持つｈクラスターとｌクラスターの２つを融合す
る。このような操作を（ｎ−２）回繰り返せば、最後に
２つのクラスターが残る。ｈクラスターとｌクラスター
を結合してｇクラスターができる時に、ｇクラスターに
属さないｆクラスターとｇクラスターとの距離ｄ_fgが、
結合する前の距離ｄ_fh、ｄ_f1、ｄ_h1だけから得られれ
ば、ｄ_fgの計算式として（１２．１）式の関係が考えら
れる。

【０１０１】 ｄ_fg＝α_hdｆ_h ＋α_1dｆ₁ ＋βｄ_h1＋γ｜ｄ_fh−ｄ_f1｜ …（１２．１） ここで、α_h ，α₁ ，β，γは、全てパラメータ（定
数）である。以上の関係図を図１４に示す。

【０１０２】最長距離法は、類似度として２つのクラス
ター内の最も遠い点の間の距離を採用するもので、（１
２．１）式のα_h ＝α₁ ＝１／２、β＝０、γ＝１／２
として（１２．２）式となる。

【０１０３】 ｄ_fg＝（ｄ_fh＋ｄ_f1＋｜ｄ_fh−ｄ_f1｜）／２ …（１２．２） ＝ｄ_fh （ｄ_fh≧ｄ_h1の時） ＝ｄ_h1 （ｄ_fh＜ｄ_h1の時） 図１４に示したように、ｈとｌが各１個の対象からなる
ものとしてこれらがｇクラスターを作る時、ｄ_fh≧ｄ_h1
とすれば、最長距離法のｄ_fgはｄ_fhに等しくなる。ｇク
ラスターの中心をｍとした時、ｄ_fgとしてｄ_fhをとれ
ば、ｆとｍとの距離がｄ_fhになるため、図１４でｆの点
はｆ′点に移る。

【０１０４】このように、クラスターとクラスターが融
合すると、その回りの融合しない部分は、融合した部分
から離れる現象が起こる。すなわち、クラスターに属さ
ない対象がクラスターから離れていく傾向、言い替えれ
ば、空間の拡散が起こる。上記のような手法によって、
クラスターの融合を繰り返し、ｎ個のクラスターを最後
１つのクラスターにする過程を図にしたもの（以後、ト
ーナメント図と称する）が図１５、また処理手順を示し
たのが図１６および図１７である。

【０１０５】トーナメントが上方に進むほど距離が長く
なることを表わし、最下段の番号はｎ個のデータの番号
に相当する。融合の過程を、１、２、５番のクラスター
で説明すると、まず、２番のクラスターと５番のクラス
ターが融合して（ｎ＋１）番のクラスターとなり、次に
１番のクラスターと（ｎ＋１）番のクラスターが融合し
て（ｎ＋ｉ）番のクラスターとなる。この融合を、全て
のクラスターについて繰り返すことになる。

【０１０６】いま、距離ｄ₁ にてクラスタリングを行な
うと、２番と５番、３番と４番は、類似データとみなす
ことができ、２番と５番、３番と４番の各々の中心を、
融合データもしくは各々の何かを代表データとすること
で、ｎ個のデータを（ｎ−２）個に集約することができ
る。

【０１０７】次に、図１６および図１７を用いて融合処
理について説明する。まず、ｎ個のデータ全てについ
て、点ｉ，ｊ間の距離ＤＳＭ（ｉ，ｊ）を生成する。次
に、距離ＤＳＮ（ｉ，ｊ）の中で最小となる点の組合せ
を求める。その点の組合せをｈ，１点として、最長距離
法にてｈ，１点を融合してｇ点を算出する。そして、ｇ
点と他の点との距離ＤＳＭ（ｋ，ｃｎｔ）を生成する。
以上の処理を（ｎ−１）回繰り返すと、図１５に示すよ
うなトーナメント図が完成する。

【０１０８】上記第３の実施例では、入出力データｉ２
５−４ｉの持つ過去のデータを含む類似データの選定、
集約を行なう場合について説明したが、これに限らず、
さらに第４の実施例では、入出力データのうち、図１３
に示したデータ構造の日付データよりある一定時間経過
したものを放棄し、新しいデータのみによって部分モデ
ルを再学習する方法がある。これによって、時系列に変
化するビルの需要に的確に対応し、常に最適な群管理制
御を行なうことが可能となる。

【０１０９】上記第２〜第４の実施例では、抽出された
有効なデータを全て部分モデルに学習させる場合につい
て説明したが、これに限らず、部分モデルが学習できる
データに限界があるため、第５の実施例では、抽出され
たデータからさらに有効データの数を限定して部分モデ
ルを再学習させる。この場合の数を限定する方法とし
て、ここでは第３および第４の実施例を複合したものに
ついて、図１５を用いて説明する。

【０１１０】入出力データは、テーブル構造になってい
て、新しく抽出されたデータを順次テーブルにセーブし
ていく。すなわち、テーブルのインデックスの小さなも
の程古いデータとなる。いま、新旧のデータが混在した
入力データｎ個を、最長距離法によって図１５に示すよ
うなトーナメント図を作成する。図１５において、クラ
スター番号が小さいほど古いデータであることを表わ
す。

【０１１１】ｎ個のデータを、（ｎ−４）個に限定する
手順を以下に述べる。まず、距離ｄ₁ にてクラスタリン
グを行ない、ｎ個のデータを（ｎ−２）個に集約する。
この時、２番と５番のデータは（ｎ＋１）番のデータ
に、３番と４番のデータは（ｎ＋２）番のデータに、そ
れぞれ融合するものとする。

【０１１２】次に、左から順番に、古いデータ１番と融
合した（ｎ＋１）番の２個のデータを放棄して、（ｎ−
４）個に限定する。最後に、第６の実施例について述べ
る。

【０１１３】上記第１の実施例では、推論部の確かさの
修正は、オンラインにて実データが入出力される度に実
行する場合について説明したが、第６の実施例では、抽
出された入出力データｉによって部分モデルｆ_i の再学
習が行なわれると、（５．１），（５．２）式によっ
て、部分モデルｆ_i に対する記憶の確かさを修正する。
これにより、処理の効率化と的確な記憶の確かさの修正
が可能となる。

【０１１４】

【発明の効果】以上説明したように本発明によれば、各
評価指標の制御パラメータと群管理制御応答結果との関
係を、交通需要によりあいまいに区分したニューラルネ
ットにより合成された関数モデルから成る部分モデル集
合としてモデル化した部分モデル手段と、各部分モデル
と交通需要の関係を複数のメンバーシップ関数により関
係付けた推論手段と、推論手段と部分モデル手段から合
成により群管理制御応答結果を演算する合成手段とを備
えて成る学習制御部を持つことにより、各ビル毎の任意
の交通需要に対して各評価指標の制御パラメータと群管
理制御応答結果との関係が定量的に推定できるため、交
通需要により変化し、最適な制御パラメータの設定が困
難であった従来システムに対して、連続して変化する交
通需要に対して、各時間帯毎に最適な制御パラメータを
設定することができるようになる。

【０１１５】また、ホテル、テナントビル、一社専有ビ
ル等、ビル用途により「最適」の評価基準が異なる場合
であっても、各ビル用途に応じた最適な制御パラメータ
を設定することができ、各ビル毎の個性化を実現するこ
とができる。加えて、客先の仕様変更により「最適」の
評価基準が途中で変更されても、推論結果評価パラメー
タを変更することにより、迅速に対応することができ
る。

【０１１６】さらに、本発明では、ビル稼動後、発生し
た交通需要と完全に一致するデータが無い場合において
も、推論手段、部分モデル手段、合成手段により構成す
るシステムの連想機能によって、各制御パラメータに対
する群管理制御応答推定結果を出力するため、任意の交
通需要に対応することができ、一定期間に対応した実シ
ステムからのオンラインにて有効なデータのみを抽出し
て、集約、対象となる部分モデル手段および推論手段の
内部構造を自動的に変更し、能力の高い自律システムを
形成することができ、しかもＣＰＵのパフォーマンスの
向上と、メモリの節約につながる。そして、これらの特
徴より、多種多様なビル構成、および客先ニーズに対し
て、常に最適なホール呼びに対する最適号機の割当制御
を実現することができる。

【図面の簡単な説明】

【図１】本発明によるエレベータの群管理制御装置の第
１の実施例を示すブロック図。

【図２】同実施例における群管理制御部および単体制御
部のソフトウェアシステムの構成例を示すブロック図。

【図３】同実施例における高速伝送路のシステム構成例
を示すブロック図。

【図４】同実施例における学習制御部の入出力信号の流
れを示す機能ブロック図。

【図５】同実施例における学習制御部のシステム構成例
を示すブロック図。

【図６】同実施例における推論部のシステム構成例を示
すブロック図。

【図７】同実施例における部分モデル部のシステム構成
例を示すブロック図。

【図８】部分モデル部の各部分システムモデルの構成例
を示す概要図。

【図９】同実施例における推論結果評価部のシステム構
成例を示すブロック図。

【図１０】推論結果評価部の動作を説明するためのフロ
ー図。

【図１１】同実施例におけるシステム調整部のシステム
構成例を示すブロック図。

【図１２】活性度によるデータ抽出を説明するためのフ
ロー図。

【図１３】学習データの格納構造の一例を示す図。

【図１４】最長距離法の概念図。

【図１５】最長距離法によるトーナメントの一例を示す
図。

【図１６】最長距離法によるトーナメント図作成の手順
を説明するためのフロー図。

【図１７】最長距離法によるトーナメント図作成の手順
を説明するためのフロー図。

【符号の説明】

１…エレベータ群システム、１−１…学習制御部、２…
エレベータ群システム、２−１〜２−Ｎ…単体制御部、
３…ホール呼びボタン、４…ホール呼び入出力制御部、
５…監視盤、６…高速伝送路、７…低速伝送路、２１…
推論部、２２…部分モデル部、２３…合成部、２４…推
論結果評価部、２５…システム調整部。

Claims (6)

(57)【特許請求の範囲】
1. 【請求項１】 複数の階床に対して複数台のエレベータ
   を就役させ、発生した共通のホール呼びに対して所定の
   評価演算を行ない、各エレベータ毎の評価を行なって最
   適な号機を前記ホール呼びに対して割り当てるエレベー
   タの群管理制御装置において、前記評価演算に用いる 各評価指標の重み付け値と群管理
   制御応答結果との関係を、交通需要によりあいまいに区
   分したニューラルネットにより合成された関数モデルか
   ら成る部分システムモデルの集合としてモデル化し、当
   該各部分システムモデル毎に群管理制御応答結果を出力
   する部分モデル手段と、 前記部分モデル手段の部分システムモデルと交通需要と
   の関係を複数のメンバーシップ関数によりあいまいに表
   現し、当該メンバーシップ関数および前記部分システム
   モデルの結合関係を記憶し、交通需要に基づいて前記部
   分システムモデルに対する重み付け値を演算し出力する
   推論手段と、前記部分モデル手段からの出力と前記推論手段からの出
   力とを合成し、群管理制御応答推論結果として出力する
   合成手段と、 前記合成手段からの群管理制御応答推論結果を当該エレ
   ベータシステムの設置されているビルの需要毎に独立に
   評価し、実際のビル需要に応じた前記評価指標重み付け
   値の最適値を設定する推論結果評価手段と、 前記推論結果評価手段によりシステム稼働時の交通需要
   に応じて設定された評価指標重み付け値の最適値に基づ
   いて群管理制御を行ない、当該群管理制御により得られ
   た群管理制御応答結果と前記合成手段からの群管理制御
   応答推論結果との差異に基づいて、前記推論手段におけ
   る前記部分システムモデルに対する記憶の確かさ、およ
   び関係する部分システムモデルを修正するシステム調整
   手段と、 を備えて成ることを特徴とするエレベータの群管理制御
   装置。
2. 【請求項２】 前記システム調整手段としては、前記推
   論手段より出力された交通需要に基づく前記部分システ
   ムモデルに対する重み付け値である活性度が所定値を超
   えたものを有効なデータと見なし、当該データによって
   前記部分システムモデルを再学習させるものであること
   を特徴とする請求項１に記載のエレベータの群管理制御
   装置。
3. 【請求項３】 前記システム調整手段としては、システ
   ム稼働時の実データより抽出された前記部分システムモ
   デルの有効データから部分システムモデルの入力となる
   評価指標重み付け値ないし出力となる群管理制御応答結
   果の類似度が所定値を超えるものを各々選定して集約し
   た前記データによって前記部分システムモデルを再学習
   させるものであることを特徴とする請求項２に記載のエ
   レベータの群管理制御装置。
4. 【請求項４】 前記システム調整手段としては、システ
   ム稼働時の実データより抽出された前記部分システムモ
   デルの有効データをさらに古いものから順次放棄して、
   限定された前記データによって前記部分システムモデル
   を再学習させるものであることを特徴とする請求項２に
   記載のエレベータの群管理制御装置。
5. 【請求項５】 前記システム調整手段としては、システ
   ム稼働時の実データより抽出された前記部分システムモ
   デルの有効データを前記部分システムモデルの構成に応
   じて数を限定し、当該限定されたデータによって前記部
   分システムモデルを再学習させるものであることを特徴
   とする請求項２に記載のエレベータの群管理制御装置。
6. 【請求項６】 前記システム調整手段としては、再学習
   を行なった部分システムモデルに対する重み付け値であ
   る活性度が大きくなるように前記推論手段における部分
   システムモデルに対する記憶の確かさである結合度を修
   正させるものであることを特徴とする請求項２に記載の
   エレベータの群管理制御装置。