JP6038690B2 - エレベータ交通需要予測装置 - Google Patents

Description

本発明の実施形態は、エレベータ交通需要予測装置に関する。

複数のエレベータカゴを有するエレベータ装置は、これらのエレベータカゴを統括的に制御する群管理制御装置を備える。群管理制御装置は、所定の制御方式に従って、ホール呼びに対してエレベータカゴを割り当てる。このような群管理制御装置では、曜日及び時間帯によって建物内の交通需要が変化すると仮定して、曜日及び時間帯で制御方式を変更している。

特開２００６−５６６７７号公報 特開２００６−２１３４４５号公報

しかしながら、実際の交通需要は、エレベータ装置が設置される建物毎に異なる特徴を示し、また、時々刻々と変化するため、上記のような群管理制御装置では、実際の交通需要とは異なる交通需要に最適化された制御方式でエレベータカゴの割当を行うことがある。このような場合には、利用者の待ち時間の増大や輸送量の低下といったように、エレベータのサービス性能が低下する。従って、サービス性能を向上させるために実際の交通需要に適合した制御方式で割当を行うには、交通需要を正しく予測できることが重要である。

本発明が解決しようとする課題は、建物内の交通需要を正しく予測することができるエレベータ交通需要予測装置を提供することである。

一実施形態によれば、ホール呼びに対してエレベータカゴを割り当てる上下ボタン方式の群管理制御に適用されるエレベータ交通需要予測装置が提供される。このエレベータ交通需要予測装置は、取得部、算出部、特徴量データベース、予測部、及び選択部を備える。取得部は、移動方向別及び階床別の乗車荷重及び降車荷重を含むエレベータ制御結果を取得する。算出部は、前記エレベータ制御結果に基づいて、交通需要のカテゴリーを示すカテゴリー特徴量を含む交通需要の特徴量を算出する。特徴量データベースは、前記算出された交通需要の特徴量を属性情報及び時刻情報に関連付けて特徴量データベースに記録する。予測部は、前記特徴量データベースを参照して交通需要を予測して予測結果を生成するものであって、前記特徴量データベースに含まれる異なるデータを参照して交通需要のカテゴリーを予測して予測値を生成する複数のエキスパートを含み、前記予測値のうちの１つを前記予測結果として採用する。選択部は、予め用意される複数の制御方式から、前記予測結果に応じた制御方式を選択する。

第１の実施形態に係る交通需要予測装置を備えるエレベータ装置を概略的に示すブロック図。 Ｏｒｉｇｉｎ Ｄｅｓｔｉｎａｔｉｏｎ（ＯＤ）表の一例を示す図。 図１に示した特徴量算出部が交通需要の特徴量を算出する手順を示すフローチャート。 移動方向別及び階床別の乗車割合及び降車割合の一例を示す図。 移動方向別及び階床別の乗車割合及び降車割合の他の例を示す図。 図１に示した特徴量算出部が利用者数の特徴量を算出する方法の一例を示す図。 図１に示した特徴量データベースが保持するデータの一例を示す図。 図１に示した予測パラメータデータベースが保持するデータの一例を示す図。 図１に示したエレベータ交通需要予測装置の動作例を示すフローチャート。 図１に示した制御方式選択部が保持する制御方式リストの一例を示す図。 第２の実施形態に係る交通需要予測装置を備えるエレベータ装置を概略的に示すブロック図。 図１２に示した予測パラメータデータベースが保持するエキスパート予測結果データの一例を示す図。 第２の実施形態に係るエキスパートの設計例を示す図。 図１２に示した交通需要予測装置が交通需要を予測する方法の一例を示すフローチャート。 図１４のステップＳ１４０２におけるエキスパートのリストを作成する方法の一例を示すフローチャート。 図１２に示した交通需要予測部が交通需要の特徴量を予測する方法の一例を示すフローチャート。 第３の実施形態に係る交通需要予測装置を備えるエレベータ装置を概略的に示すブロック図。 第３の実施形態に係る属性情報の一例を示す図。 図１７に示した情報入力部で勤務体系情報を入力するための画面の一例を示す図。 図１７に示した情報入力部で信頼度計算対象期間を設定するための入力画面の一例を示す。

以下、必要に応じて図面を参照しながら種々の実施形態を説明する。以下で説明する実施形態は、乗場に行先方向を指定するためのホール呼びボタンを備え且つエレベータカゴ内に行先階を指定するためのカゴ呼びボタンを備える上下ボタン方式のエレベータ装置に関する。該エレベータ装置には、建物内の交通需要を予測するエレベータ交通需要予測装置が接続されている。実施形態に係る交通需要予測では、一定時間間隔で交通需要の特徴量を計算し、該交通需要の特徴量を記録したデータベース及びオンラインアルゴリズムのエキスパートを用いて、次の時間帯での交通需要の予測を行う。このような交通需要の予測によれば、建物毎に交通需要の発生パターンが異なっていたとしても高い精度の予測を行うことができる。この予測結果に応じた制御方式で割当を行うことにより、実際の交通需要に適合したエレベータ運行を実現することができ、その結果、サービス性能を向上することができる。

（第１の実施形態）
図１は、第１の実施形態に係るエレベータ装置１００を概略的に示している。このエレベータ装置１００は、複数の階床を有する建物（例えばオフィスビル）に設置される。本実施形態では、建物が第１から第７階床を有するものとする。エレベータ装置１００は、図１に示されるように、複数台のエレベータカゴ１１０Ａ〜１１０Ｃを統括的に制御する群管理制御装置１５０を備える。以下では、エレベータカゴを単に「カゴ」と呼ぶ。図１では、３台のカゴ１１０Ａ、１１０Ｂ、１１０Ｃが示されているが、カゴは、２台又は４台以上であってもよい。群管理制御装置１５０は、カゴ１１０Ａ、１１０Ｂ、１１０Ｃそれぞれの運行計画を生成し、カゴ１１０Ａ、１１０Ｂ、１１０Ｃそれぞれに対応して設けられているカゴ制御部１２０Ａ、１２０Ｂ、１２０Ｃに送出する。カゴ制御部１２０Ａ、１２０Ｂ、１２０Ｃは、カゴ１１０Ａ、１１０Ｂ、１１０Ｃの運行計画に従ってカゴ１１０Ａ、１１０Ｂ、１１０Ｃをそれぞれ制御する。カゴ制御部１２０Ａ、１２０Ｂ、１２０Ｃの各々は、カゴの昇降制御及びドアの開閉制御といった種々の制御を行う。

カゴ１１０Ａ、１１０Ｂ、１１０Ｃの各々には、行先階を指定するためのカゴ呼びボタン１１２が設けられている。利用者がカゴ呼びボタン１１２で行先階を指定すると、指定された行先階へのカゴの移動要求（カゴ呼び）が発生する。移動要求は、「新規カゴ呼びの発生」という形でカゴ呼び検出部１５６によって検出される。カゴ呼び検出部１５６は、検出したカゴ呼びに関するカゴ呼び情報を生成する。カゴ呼び情報は、利用者が指定した行先階である停止予定階、カゴの識別番号、カゴ呼びの発生時刻などを含む。カゴ呼び検出部１５６は、カゴ呼び情報をカゴ呼び情報記憶部１５７に格納する。カゴ呼び情報記憶部１５７は、カゴ呼び検出部１５６から受け取ったカゴ呼び情報を記憶する。カゴ呼び情報記憶部１５７は、カゴが停止予定階に停止した後に、対応するカゴ呼び情報を削除する。

さらに、カゴ１１０Ａ、１１０Ｂ、１１０Ｃの各々には、積載荷重を測定する積載荷重測定部１１４が設けられている。積載荷重は、カゴに乗車中の利用者の荷重（即ち、重量）を主に表す。積載荷重は、利用者の手荷物などの荷重の影響も受けるが、基本的には利用者数に応じて変動するものと考える。積載荷重測定部１１４は、戸開中の積載荷重の変動を検出することで、その階床における乗車荷重及び降車荷重を測定することができる。ここで、乗車荷重は、ある階床でカゴに乗車した利用者の荷重であり、降車荷重は、ある階床でカゴから降車した利用者の荷重である。移動方向別及び階床別の乗車荷重並びに移動方向別及び階床別の降車荷重を示す荷重データは、カゴ１１０Ａ、１１０Ｂ、１１０Ｃそれぞれに対応するカゴ制御部１２０Ａ、１２０Ｂ、１２０Ｃを経由してエレベータ状態把握部１５３へ送られる。

一方、それぞれの階床の乗場には、行先方向（上方向又は下方向）を指定するためのホール呼びボタン１３０が設置されている。図１の例では、各階床に１つのホール呼びボタン１３０が設けられている。ある階床にいる利用者は、その階床のホール呼びボタン１３０を操作して所望の行先方向を入力する。具体的には、ホール呼びボタン１３０は上方向ボタン及び下方向ボタンを含み、利用者は所望の行先方向に応じたボタン（上方向ボタン又は下方向ボタン）を押下する。ホール呼びボタン１３０で行先方向が指定されると、カゴの配車要求（ホール呼び）が発生する。ここで、「配車」とは、ホール呼びに応じてカゴを配することを意味する。配車要求は、「新規ホール呼びの発生」という形でホール呼び検出部１５１よって検出される。ホール呼び検出部１５１は、検出したホール呼びに関するホール呼び情報を生成する。ホール呼び情報は、ホール呼びの発生時刻、発生階床、行先方向（上方向又は下方向）などを含む。ホール呼び検出部１５１は、ホール呼び情報をホール呼び情報記憶部１５２に格納する。さらに、ホール呼び検出部１５１は、エレベータ状態把握部１５３を経由してカゴ割当演算処理部１５４にホール呼び情報を送出する。

ホール呼び情報記憶部１５２は、未応答ホール呼びに関するホール呼び情報を記憶している。未応答ホール呼びとは、配車がまだ完了していないホール呼びを指す。ホール呼び情報記憶部１５２は、未応答ホール呼びそれぞれの発生時刻、発生階床、及び行先方向などを記憶している。未応答ホール呼びに関するホール呼び情報は、配車完了後にホール呼び情報記憶部１５２から削除される。

エレベータ状態把握部１５３は、ホール呼び情報記憶部１５２に記憶されているホール呼び情報、及びカゴ呼び情報記憶部１５７に記憶されているカゴ呼び情報を取得する。さらに、エレベータ状態把握部１５３は、カゴ制御部１２０Ａ、１２０Ｂ、１２０Ｃからカゴ運行情報を受け取る。カゴ運行情報は、荷重データとともに、カゴの位置、移動方向（上方向又は下方向）、速度、ドアの状態（戸開中、戸閉中など）などの情報を含む。エレベータ状態把握部１５３は、ホール呼び情報、カゴ呼び情報、及びカゴ運行情報を統合した統合運行情報を生成する。統合運行情報に含まれる荷重データを統合荷重データと呼ぶ。統合荷重データは、個々のカゴで計測された荷重データを統合したものである。統合運行情報は、カゴ割当演算処理部１５４及び交通需要予測装置１６０へ与えられる。

カゴ割当演算処理部１５４は、新規に発生したホール呼びの情報をホール呼び検出部１５１から受け取る。カゴ割当演算処理部１５４は、交通需要予測装置１６０によって決定される制御方式に従って、カゴ１１０Ａ、１１０Ｂ、１１０Ｃの中からホール呼びに応答させるカゴを選択し、即ち、ホール呼びにどのカゴを割り当てるかを決定する。ホール呼びにカゴを割り当てる方法としては、例えば、特許第４４５４９７９号に記載されている方法を利用することができる。カゴ運行制御部１５５は、カゴ割当演算処理部１５４の割当結果を反映してカゴ１１０Ａ、１１０Ｂ、１１０Ｃの運行計画を立てる。カゴ制御部１２０Ａ、１２０Ｂ、１２０Ｃは、カゴ運行制御部１５５が立てた運行計画に従ってカゴ１１０Ａ、１１０Ｂ、１１０Ｃをそれぞれ運行する。

交通需要予測装置１６０は、エレベータ状態把握部１５３から受け取る統合運行情報に基づいて建物内の交通需要を予測し、その予測結果に基づいて、カゴ割当演算処理部１５４で使用する制御方式を決定する。交通需要予測装置１６０は、交通需要の予測及び制御方式の決定を一定時間間隔で（例えば５分間隔で）行う。具体的には、交通需要予測装置１６０は、エレベータ制御結果取得部１６１、特徴量算出部１６２、特徴量データベース（ＤＢ）１６３、予測パラメータデータベース（ＤＢ）１６４、交通需要予測部１６５、及び制御方式選択部１６６を備える。

エレベータ制御結果取得部１６１は、エレベータ状態把握部１５３で生成された統合運行情報からエレベータ制御結果を取得する。特徴量算出部１６２は、エレベータ制御結果から交通需要の特徴量を算出する。特徴量ＤＢ１６３は、属性情報及び時刻（又は時間帯）情報に関連付けて、交通需要の特徴量を記憶する。予測パラメータＤＢ１６４は、属性情報及び時刻情報に関連付けて、交通需要の予測に用いるパラメータを記憶する。交通需要予測部１６５は、特徴量ＤＢ１６３及び予測パラメータＤＢ１６４を参照して、交通需要を予測する。制御方式選択部１６６は、予め用意される複数の制御方式の中から、交通需要予測部１６５の予測結果に応じた制御方式を選択する。制御方式選択部１６６によって選択された制御方式は、カゴ割当演算処理部１５４へ送られる。

上記構成を備えるエレベータ装置１００は、建物内の交通需要を周期的に予測し、その予測結果に応じた制御方式に従ってカゴの割当を行う。これにより、実際の交通需要に対応してカゴの割当を行うことが可能となり、その結果、サービス性能を向上することができる。

図１に示される群管理制御装置１５０は、ホール呼び検出部１５１、ホール呼び情報記憶部１５２、エレベータ状態把握部１５３、カゴ割当演算処理部１５４、カゴ運行制御部１５５、カゴ呼び検出部１５６、カゴ呼び情報記憶部１５７、及び交通需要予測装置１６０を備える。なお、交通需要予測装置１６０は、群管理制御装置１５０に含まれる例に限らず、独立した装置として実現されてもよい。

本実施形態のような上下ボタン方式のエレベータ装置では、乗場にいる利用者は、進みたい方向に応じたボタンを押下する。このとき、エレベータ装置は、ホール呼びボタンが操作されたことを観測できるが、それにより発生したホール呼びに対して何人の利用者が待っているか、さらに、利用者の行先階がどこであるかを知ることはできない。計測可能なデータは、例えば、移動方向別及び階床別の乗車荷重及び降車荷重である。これら乗車荷重及び降車荷重について図２を参照して説明する。

図２は、建物内の交通需要を表現するＯｒｉｇｉｎ Ｄｅｓｔｉｎａｔｉｏｎ（ＯＤ）表の一例を示している。ＯＤ表は行列表現することができ、その行は乗場階を表し、列は行先階を表す。行列成分はそれぞれ、ある乗場階からある行先階に何人の利用者が移動したかを表す。図２のＯＤ表は、ある一定時間に３６０人の利用者が計測されたデータを示す。ただし、図２のような厳密なＯＤを計測できるのは、利用者一人一人について情報を収集した場合である。

上下ボタン方式のエレベータ装置では、移動方向別及び階床別に乗車荷重及び降車荷重を得ることはできるが、この情報から図２のような厳密なＯＤを得ることはできない。上下ボタン方式のエレベータ装置は、例えば、上方向に移動するカゴに２階から乗車する利用者の合計荷重、即ち、２階から３階以上の階床に移動する利用者の合計荷重を得ることができる。この合計荷重は、図２の上三角行列の２行目要素の総和である５に人間の平均体重（例えば６５ｋｇ）を掛けて得られる値に対応する。同様に、下方向に移動するカゴに５階から乗車した利用者の合計荷重を得ることができる。この合計荷重は、図２の下三角行列の５行目要素の総和である５７に平均体重を掛けて得られる値に対応する。降車荷重に関しても、上方向に移動するカゴから３階で降車する利用者の合計荷重、即ち、上方向に移動するカゴに１階から乗車し３階で降車する利用者と２階から乗車し３階で降車する利用者との合計荷重が得られる。この合計荷重は、図２の上三角行列の３列目要素の総和である２に平均体重を掛けて得られる値に対応する。

次に、交通需要予測装置１６０をより詳細に説明する。
エレベータ制御結果取得部１６１は、エレベータ状態把握部１５３から統合運行情報を受け取り、この統合運行情報からエレベータ制御結果を取得する。エレベータ制御結果は、交通需要の特徴量を算出する際に用いる計測データを含む。計測データは、移動方向別及び階床別の乗車荷重及び降車荷重を示す統合荷重データを含む。本実施形態では、移動方向別及び階床別の乗車荷重及び降車荷重はベクトルで表現され、統合荷重データは、上向き乗車荷重ベクトル、上向き降車荷重ベクトル、下向き乗車荷重ベクトル、及び下向き降車荷重ベクトルを含む。これらのベクトルは、建物がＮ階床であればＮ個の要素を持つ。本実施形態のような７階建ての建物では、上向き乗車荷重ベクトルは、第１から第７要素がそれぞれ１階から７階で上方向に移動するカゴに乗車した利用者の荷重を示すベクトルである。上向き降車荷重ベクトルは、第１から第７要素がそれぞれ１階から７階で上方向に移動するカゴから降車した利用者の荷重を示すベクトルである。下向き乗車荷重ベクトルは、第１から第７要素がそれぞれ１階から７階で下方向に移動するカゴに乗車した利用者の荷重を示すベクトルである。下向き降車荷重ベクトルは、第１から第７要素がそれぞれ１階から７階で下方向に移動するカゴから降車した利用者の荷重を示すベクトルである。計測データは、一定時間間隔で取得される。本実施形態では、エレベータ制御結果取得部１６１は、５分間隔で計測データを取得する。なお、計測データを取得する時間間隔（計測期間ともいう）は、５分間隔に限らず、適宜に設定することができる。

計測データは、未応答時間をさらに含んでもよい。未応答時間は、ホール呼びが発生してからこのホール呼びにカゴが応答するまでの時間間隔を示し、階床別及び移動方向別に取得可能である。エレベータ制御結果取得部１６１は、階床別及び移動方向別に未応答時間から平均未応答時間を算出することができる。

特徴量算出部１６２は、エレベータ制御結果に含まれる統合荷重データから、交通需要の特徴量を算出する。交通需要の特徴量は、上向き乗車割合の特徴量、上向き降車割合の特徴量、下向き乗車割合の特徴量、下向き降車割合の特徴量、利用者数の特徴量、及びカテゴリー特徴量を含む。これら特徴量については後述する。図３を参照して交通需要の特徴量を算出する方法について説明する。

図３のステップＳ３０１では、特徴量算出部１６２は、時間帯ｔ−１の統合荷重データから、乗車割合及び降車割合を移動方向別及び階床別に算出するとともに、利用者数の推定値を算出する。ここで、時間帯ｔ−１とは、時刻ｔ−２から時刻ｔ−１までの期間を指す。乗車割合は、乗車荷重を乗車荷重総和で割ったものであり、ここで、乗車荷重総和は、移動方向別及び階床別の乗車荷重の合計である。従って、移動方向別及び階床別に算出された乗車割合の総和は１である。また、降車割合は、降車荷重を降車荷重総和で割ったものであり、ここで、降車荷重総和は、移動方向別及び階床別の降車荷重の合計である。従って、移動方向別及び階床別に算出された降車割合の総和は１である。

本実施形態では、移動方向別及び階床別の乗車荷重及び降車荷重を４つのベクトル（上向き乗車荷重ベクトル、上向き降車荷重ベクトル、下向き乗車荷重ベクトル、及び下向き降車荷重ベクトル）で表現している。このため、移動方向別及び階床別の乗車割合及び降車割合もまた４つのベクトル（上向き乗車割合ベクトル、上向き降車割合ベクトル、下向き乗車割合ベクトル、及び下向き降車割合ベクトル）で表現する。上向き乗車割合ベクトルは、上向き乗車荷重ベクトルを乗車荷重総和で割ることで得られる。上向き降車割合ベクトルは、上向き降車荷重ベクトルを降車荷重総和で割ることで得られる。下向き乗車割合ベクトルは、下向き乗車荷重ベクトルを乗車荷重総和で割ることで得られる。下向き降車割合ベクトルは、下向き降車荷重ベクトルを降車荷重総和で割ることで得られる。図４は、移動方向別及び階床別に算出された乗車割合及び降車割合の一例を示すグラフである。図４の例は、出勤時間帯に観測されるような、出入口がある１階から各階床に向かう利用者が大多数を占める交通需要に対応する。図５は、移動方向別及び階床別に算出された乗車割合及び降車割合の他の例を示すグラフである。図５の例は、退勤時間帯に観測されるような、各階床から出入口がある１階に向かう利用者が大多数を占める交通需要に対応する。

続いて、特徴量算出部１６２は、乗車荷重総和を人間の平均体重（例えば６５ｋｇ）で割ることで、計測期間中の乗車人数の推定値を求め、この乗車人数の推定値を利用者数の推定値とする。なお、特徴量算出部１６２は、降車荷重総和を人間の平均体重で割ることで得られる降車人数の推定値を利用者数の推定値としてもよい。或いは、利用者数の推定値は、乗車荷重総和と降車荷重総和との平均を人間の平均体重で割ることで求めてもよい。

図３のステップＳ３０２では、特徴量算出部１６２は、ステップＳ３０１で算出した上向き乗車割合ベクトル、上向き降車割合ベクトル、下向き乗車割合ベクトル、及び下向き降車割合ベクトルから上向き乗車割合の特徴量、上向き降車割合の特徴量、下向き乗車割合の特徴量、及び下向き降車割合の特徴量を算出するとともに、ステップＳ３０１で算出した利用者数の推定値から利用者数の特徴量を算出する。本実施形態では、上向き乗車割合の特徴量、上向き降車割合の特徴量、下向き乗車割合の特徴量、及び下向き降車割合の特徴量もまたそれぞれＮ個の要素を持つＮ次元ベクトルで表現する。ここで、Ｎは上述したように建物の階床数を表す。これらのベクトルを上向き乗車割合の特徴量ベクトル、上向き降車割合の特徴量ベクトル、下向き乗車割合の特徴量ベクトル、及び下向き降車割合の特徴量ベクトルと呼ぶ。

具体的には、まず、特徴量算出部１６２は、利用者数の推定値を離散化することにより、即ち、利用者数の推定値に対して閾値処理を行うことにより得られる値を利用者数の特徴量とする。このように利用者数の推定値を離散化することにより、組み込みシステムにデータを保存する際に、連続値で記録するよりもデータ量を小さくすることができる。閾値処理について簡単に説明する。一例として、計測期間が５分間隔であり、利用者数の推定値がＮ^ｕｐと算出されたとする。１時間当たりの利用者数をΔＮ（例えば１００）人刻みで離散化する場合、Ｎ^ｕｐ／ΔＮ／（３００／３６００）を計算し、その商を利用者人数の特徴量とする。具体例として、計測期間が５分間隔である場合において利用者数の推定値を利用者数の特徴量に換算する換算表を図６に示す。図６の例では、ΔＮ＝３００としている。図６に示されるように、利用者数の推定値Ｎ^ｕｐが０以上２５未満である場合、利用者数の特徴量は０と求まる。また、利用者数の推定値Ｎ^ｕｐが２５以上５０未満である場合、利用者数の特徴量は１になる。利用者数の特徴量は、その値が大きいほどその期間にエレベータを利用した利用者の数が多いことを示す。

続いて、特徴量算出部１６２は、上向き乗車割合ベクトル、上向き降車割合ベクトル、下向き乗車割合ベクトル、及び下向き降車割合ベクトルを閾値処理によって離散化して上向き乗車割合の特徴量ベクトル、上向き降車割合の特徴量ベクトル、下向き乗車割合の特徴量ベクトル、及び下向き降車割合の特徴量ベクトルをそれぞれ得る。閾値処理は、要素が閾値ωを超える場合には１を返し、要素が閾値ω以下である場合には０を返す処理である。従って、各要素は、０又は１の値を持つ。

例えば閾値ωを０．２５とした場合、図４に示すデータからは、次のように特徴量ベクトルが求まる。
上向き乗車割合の特徴量ベクトル（１，０，０，０，０，０，０）
上向き降車割合の特徴量ベクトル（０，０，０，０，０，０，０）
下向き乗車割合の特徴量ベクトル（０，０，０，０，０，０，０）
下向き降車割合の特徴量ベクトル（０，０，０，０，０，０，０）
また、例えば閾値ωを０．２５とした場合、図５に示すデータからは、次のように特徴量ベクトルが求まる。
上向き乗車割合の特徴量ベクトル（０，０，０，０，０，０，０）
上向き降車割合の特徴量ベクトル（０，０，０，０，０，０，０）
下向き乗車割合の特徴量ベクトル（０，０，０，０，０，０，０）
下向き降車割合の特徴量ベクトル（１，０，０，０，０，０，０）
図３のステップＳ３０３では、特徴量算出部１６２は、ステップＳ３０２で算出した４つの特徴量ベクトルからカテゴリー特徴量を算出する。カテゴリー特徴量は、交通需要のカテゴリー（分類）を示す。本実施形態では、カテゴリー特徴量は、４つの要素を持つ４次元ベクトル（以下、カテゴリー特徴量ベクトルと呼ぶ）で表現される。カテゴリー特徴量ベクトルの第１要素は、上向き乗車割合の特徴量ベクトルの要素に１が存在する場合は１であり、存在しない場合は０である。その第２要素は、上向き降車割合の特徴量ベクトルの要素に１が存在する場合は１であり、存在しない場合は０である。その第３要素は、下向き乗車割合の特徴量ベクトルの要素に１が存在する場合は１であり、存在しない場合は０である。その第４要素は、下向き降車割合の特徴量ベクトルの要素に１が存在する場合は１であり、存在しない場合は０である。図４の例では、カテゴリー特徴量ベクトルは（１，０，０，０）と求まる。図５の例では、カテゴリー特徴量ベクトルは（０，０，０，１）と求まる。

カテゴリー特徴量ベクトルの要素数は建物の階床数に依存せずに常に４であり、どのような階床数の建物に対してもこの表現を用いることができる。本実施形態では、カテゴリー特徴量ベクトルの４つの要素はそれぞれ０又は１の値を持つ。即ち、交通需要が１６個のカテゴリーに分類されている。

なお、上述した交通需要の特徴量を算出する方法は一例であり、交通需要の特徴量は、他の方法で算出されてもよい。例えば、ベクトル表現を用いなくてもよい。

ステップＳ３０１からＳ３０３で特徴量算出部１６２によって算出された交通需要の特徴量は、特徴量ＤＢ１６３に記録される。以下では、特徴量算出部１６２によって算出された交通需要の特徴量を交通需要の特徴量の実測値、又は単に実測値と呼ぶこともある。特徴量ＤＢ１６３が記録するデータの一例を図７に示す。特徴量ＤＢ１６３は、属性情報及び時刻情報に関連付けて交通需要の特徴量を格納している。本実施形態の属性情報は、交通需要予測装置１６０の運用開始日（又はデータ収集開始日）から経過した日数を示す経過日数、日付、曜日の情報を含む。なお、属性情報は、経過日数、日付、及び曜日の全てを含む例に限らない。属性情報は、経過日数、日付、又は他の同種の情報を含んでいればよい。例えば、属性情報が日付情報を含む場合、経過日数は、日付と既知の運用開始日とから計算することができ、また、曜日は、日付と交通需要予測装置１６０が備えるカレンダー機能とから特定することができる。

次に、交通需要予測部１６５が交通需要を予測する方法について説明する。交通需要の予測は、経過日数ｄの時間帯ｔにおける交通需要の特徴量が何であるかを、経過日数ｄの時刻ｔ−１までに取得された交通需要の特徴量の実測値データから予測する問題である。本実施形態では、交通需要の予測の基本的なアルゴリズムとしてオンライン学習アルゴリズムのエキスパート連盟モデルを利用する。

交通需要の予測の問題は、予測値を出力する複数の（例えばＮ_Ｅ個の）エキスパート、これらエキスパートの予測値を統合して自分の予測値を出力するアルゴリズム（学習者）、及び真の結果を提示する環境の間で毎時刻行われる繰り返しゲームとして、次のように定式化することができる。

Ｙを実測値の集合、Ｙ´を予測値の集合とし、予測の良さを評価するための損失関数Ｌ：Ｙ×Ｙ´→［０，∞］が与えられているとする。学習者（エレベータの学習機能）の立場から見た各時刻ｔにおける一連の動作は次の通りである。
１．各エキスパートｉ（ｉ＝｛１，２，…，Ｎ_Ｅ｝）から予測値ｘ_ｔ，ｉ´（∈Ｙ´）を受け取る。
２．全てのエキスパートの予測値を統合して自分の予測値ｙ_ｔ´（∈Ｙ´）を出力する。
３．環境から実測値ｙ_ｔ（∈Ｙ）を受け取る。
４．学習者及び各エキスパートｉはそれぞれＬ（ｙ_ｔ，ｙ_ｔ´）及びＬ（ｙ_ｔ，ｘ_ｔ，ｉ´）の損失を被る。
以上のプロセスが時刻Ｔまで行われたとすると、学習者の累積損失Ｌ^Ｔ _Ａ及び各エキスパートｉの累積損失Ｌ^Ｔ _ｉはそれぞれ下記式（１）及び式（２）で表すことができる。

学習者の目標は、下記式（３）に示す学習者の累積損失と最適なエキスパートの累積損失との差Ｒ^Ｔ _Ａをなるべく小さくすることである。これを学習者のリグレットと呼ぶ。

統合アルゴリズム（Aggregating Algorithm、以下ＡＡと称する。）と呼ばれる学習者の戦略スキームがＶｏｖｋによって提案されている。Ｖｏｖｋは、ＡＡが任意のゲームに対してある緩い仮定のもとで最適な予測を行うことを示した。ＡＡは、時刻ｔにおいてエキスパートｉに下記式（４）に示す重みν_ｔ，ｉを割り当てる。

ここで、式（５）に示すＬ^ｔ−１ _ｉは時刻ｔ−１におけるエキスパートｉの累積損失を表す。また、βは学習係数又は学習定数と呼ばれるパラメータであり、０＜β＜１である。式（４）から分かるように、累積損失の大きいエキスパート、即ち、多く間違えるエキスパートほど小さい重みが割り当てられる。重みの初期値ν_１，ｉはエキスパートｉ毎に任意に設定することができる。典型的には、重みの初期値ν_１，ｉは１／Ｎ_Ｅに設定される。

実際には、上記式の関係を維持するために、時刻ｔにおける各エキスパートｉの損失Ｌ（ｙ_ｔ，ｘ_ｔ，ｉ´）が明らかになったときに、式（４）で算出された重みν_ｔ，ｉ下記式（６）に従って更新すればよい。式（６）において、左辺のν_ｔ，ｉが更新後の重みを表す。

次に、学習者の予測について説明する。学習者は、エキスパートの予測と重みを用いて、下記式（７）を満たす関数Ｆ（・）によって予測する。

本来予測したいのは交通需要のパターンであるが、細分化された交通需要を的確に予測するのは困難である。そこで、本実施形態では、次のような戦略を取る。

１．交通需要のカテゴリーを予測する。

２．重みが最も大きいエキスパートの予測を用いて、移動方向別の乗車割合及び降車割合並びに利用者数の特徴量を予測する。

交通需要のカテゴリーを予測するのは、後述する制御方式選択部１６６において交通需要のカテゴリー毎に１以上の制御方式候補（ゾーニング、複数台割当、引き戻し、分散待機など）を決めているためである。さらに、制御方式候補から実際に用いる制御方式を選択する条件として、移動方向別の乗車割合及び降車割合の特徴量並びに利用者数の特徴量を利用する。

次に、エキスパートが予測を行う方法について説明する。各エキスパートは、特徴量ＤＢ１６３の特定箇所のデータを参照し、そのデータから予測結果を出力する。ここでは、説明を簡単にするために、交通需要予測部１６５が３つのエキスパートを備える場合を例に挙げて説明する。例えば、経過日数ｄの時間帯ｔの交通需要のカテゴリーを予測する場合、３つのエキスパートは以下のように設定される。

エキスパート１：経過日数ｄの時間帯ｔ−３，ｔ−２，ｔ−１のデータから予測する。
エキスパート２：経過日数ｄ−３，ｄ−２，ｄ−１の時間帯ｔ＋１のデータから予測する。
エキスパート３：経過日数ｄ−２１，ｄ−１４，ｄ−７の時間帯ｔのデータから予測する。

エキスパート１は、予測の直前に取得されたデータを用いて予測値を生成する。例えば、８時００分から８時０５分の時間帯の交通需要を予測する場合、エキスパート１は、同日の７時４５分から７時５０分、７時５０分から７時５５分、７時５５分から８時００分の時間帯のデータを参照して３つのカテゴリー特徴量ベクトルを取得する。そして、エキスパート１は、取得した３つのカテゴリー特徴量ベクトルで多数決判定を行って予測値を生成する。エキスパート１のように過去の時間帯のデータを用いる予測を過去時間帯予測と呼ぶ。

エキスパート２は、１日前、２日前、３日前の時間帯ｔ＋１に取得されたデータを用いて予測値を生成する。例えば、４月２８日の８時００分から８時０５分の時間帯の交通需要を予測する場合、エキスパート２は、４月２７日、４月２６日、４月２５日の８時０５分から８時１０分の時間帯のデータを参照して３つのカテゴリー特徴量ベクトルを取得し、取得した３つのカテゴリー特徴量ベクトルで多数決判定を行って予測値を生成する。エキスパート２のように未来の時間帯のデータを用いる予測を未来時間帯予測と呼ぶ。

エキスパート３は、１週間前、２週間前、３週間前の時間帯ｔに取得されたデータを用いて予測値を生成する。例えば、４月２８日の８時００分から８時０５分の時間帯の交通需要を予測する場合、エキスパート２は、特徴量ＤＢ１６３から、４月２１日、４月１４日、４月７日の８時００分から８時０５分の時間帯のデータを参照して３つのカテゴリー特徴量を取得し、取得した３つのカテゴリー特徴量ベクトルを用いて多数決判定を行って予測値を生成する。エキスパート３のように同一時間帯のデータを用いる予測を現在時間帯予測と呼ぶ。

各エキスパートは、特徴量ＤＢ１６３から取得したカテゴリー特徴量ベクトルに同じカテゴリー特徴量ベクトルが２つ以上含まれる場合には、そのカテゴリー特徴量ベクトルを予測値として生成する。３つのカテゴリー特徴量がそれぞれ異なる場合には、エキスパートは、予測を保留し、即ち、予測値を生成しない。エキスパートに予測の保留を許すモデルは、オンライン学習アルゴリズムのスペシャリストモデルと呼ばれるものである。

一般的なＶｏｖｋのアルゴリズムでは、学習者の予測値は、エキスパートの予測値の重み付け和によって出力される。しかしながら、本実施形態のような離散化されたパターンを予測する場合には、Ｖｏｖｋのアルゴリズムをそのまま適用することができない。本実施形態では、学習者は重みが最も大きいエキスパートの予測値を採用する。このモデルは、エキスパート連盟モデルと呼ばれるものであり、広く理論的な研究が行われている。

本実施形態では、時刻ｔにおけるエキスパートｉの損失関数Ｌ（ｙ_ｔ，ｘ_ｔ，ｉ）を下記式（８）のように定義する。

この損失関数は、一般に０−１損失と呼ばれ、予測値と実測値が異なってなる場合に損失が発生したと見なすものである。この損失関数を用いると、スペシャリスト連盟モデルの重みの更新式は下記式（９）のように表すことができる。

ここで、γは保留時の損失関数であり、０＜γ＜１である。さらに、ｕ_ｔ，ｉは、下記式（１０）のように、エキスパートｉが時刻ｔで予測を保留したかどうかを表す変数である。この変数（以下では保留変数と呼ぶ。）は、エキスパートｉが予測をするたびに変更される。式（９）によれば、エキスパートそれぞれの重みは、予測が正解である（即ち、予測値と実測値が同じである）場合に重みを相対的に大きくし、予測が不正解である（即ち、予測値と実測値が異なる）場合に重みを相対的に小さくするように、更新される。

エキスパートの重みは、付加情報及び時刻情報（時間帯）に関連付けて予測パラメータＤＢ１６４に記録される。予測パラメータＤＢ１６４に記録されている重みデータの一例を図８に示す。図８は、４つのエキスパートの重みが曜日及び時刻情報に関連付けて記録される例を示す。例えば、交通需要予測部１６５は、２０１１年４月２８日（木曜日）の８時００分から８時０５分までの交通需要を予測する場合には、木曜日の８時００分から８時０５分でのそれぞれのエキスパートの重みを参照して重みが最も高いエキスパートを選択する。その後に、２０１１年４月２８日（木曜日）の８時００分から８時０５分までの時間帯の実測値が特徴量算出部１６２によって算出されると、交通需要予測部１６５は、例えば式（９）に示されるように、その時間帯の各エキスパートの予測値と実測値とに基づいて各エキスパートの重みを更新する。

なお、重みデータは、図８に示すような曜日及び時刻情報に関連付けて重みを記録する例に限定されず、平日や休日などのカレンダー情報を付加情報に含めて重みを記録していてもよい。だたし、本実施形態では、説明を簡単にするために、曜日及び時刻情報に関連付けて重みが記録されているものとする。この場合、ある曜日のある時間帯の重みは１週間に１回更新される。平日や休日を含めると付加情報が一致するたびに重みが更新されることになる。

図９を参照して、予測パラメータＤＢ１６４に記録されている重みを更新する手順を具体的に説明する。
図９の処理は、交通需要予測部１６５が２０１１年４月２８日（木曜日）の時間帯ｔ−１の交通需要を予測した後に開始するものとする。ステップＳ９０１では、特徴量算出部１６２は、２０１１年４月２８日（木曜日）の時間帯ｔ−１の統合荷重データから交通需要の特徴量の実測値を算出する。例えば、特徴量算出部１６２は、図３を参照して上述した手順に従って交通需要の特徴量の実測値を算出する。これにより、２０１１年４月２８日（木曜日）の時間帯ｔ−１における交通需要の特徴量の実測値が得られる。この実測値は特徴量ＤＢ１６３に記録される。

ステップＳ９０２では、交通需要予測部１６５は、２０１１年４月２８日（木曜日）の時間帯ｔ−１の交通需要の特徴量の実測値と、同日の時間帯ｔ−１の予測の際に生成されたエキスパートの予測値と、を用いて、木曜日の時間帯ｔ−１におけるエキスパートの重みを更新する。

ステップＳ９０３では、交通需要予測部１６５は、２０１１年４月２８日（木曜日）の時間帯ｔの交通需要を予測する。具体的には、交通需要予測部１６５は、予測パラメータＤＢ１６４から木曜日の時間帯ｔにおけるエキスパートの重みを取得し、重みが最も大きいエキスパートの予測値を２０１１年４月２８日（木曜日）の時間帯ｔの交通需要の特徴量として決定する。各エキスパートの予測値及び保留変数は、次の時間帯ｔ＋１の予測が終了するまで保存される。
このようにして、エキスパートそれぞれの重みは、予測が行われるたびに更新される。

交通需要予測部１６５は、予測パラメータＤＢ１６４からエキスパートそれぞれの重みを受け取り、特徴量ＤＢ１６３を参照してエキスパートそれぞれの予測値を算出し、エキスパートそれぞれの重みに基づいて学習者の予測値を決定する。交通需要予測部１６５は、学習者の予測値を予測結果として出力する。予測結果は、カテゴリー特徴量を含む。予測結果は、移動方向別の乗車割合及び降車割合並びに利用者数の特徴量をさらに含むことができる。

制御方式選択部１６６は、交通需要予測部１６５から予測結果を受け取り、予め用意される制御方式リストから予測結果に応じた制御方式を選択する。制御方式選択部１６６が保持している制御方式リストの一例を図１０に示す。図１０の制御方式リストでは、カテゴリー特徴量の各々について複数の制御方式候補が決められている。図１０の例では、予測結果に含まれるカテゴリー特徴量及び利用者数の特徴量によって制御方式が決定される。例えば、カテゴリー特徴量が（１，０，０，０）であり且つ利用者数の特徴量が２以下であるという予測結果が得られた場合、制御方式は分散待機に決定され、カテゴリー特徴量が（１，０，０，０）であり且つ利用者数の特徴量が６以上であるという予測結果が得られた場合、制御方式は複数台割当に決定される。図１０において、分散待機とは、利用者が少ない場合にカゴの待機位置を制限する制御方式である。複数台割当とは、１つのホール呼びに対して複数台のカゴを配車する制御方式である。また、ゾーニングとは、カゴの周回時間を短縮するために、ホール呼びを制限する制御方式である。本実施形態では、これらの制御方式を実現する方法は既存の方法を使用するものとし、詳細には言及しない。図１０においては、制御方式は交通需要予測部１６５の予測結果によって一意に決まる。しかしながら、ある条件で起動され得る制御方式候補を複数用意しておき、実際に運行した結果によって複数の制御方式候補を評価し、この条件で起動する制御方式候補を１つに絞ってもよい。

以上のように、第１の実施形態に係るエレベータ装置では、オンラインアルゴリズムのエキスパートを用いて交通需要を予測する交通需要予測装置を備えることにより、交通需要を正しく予測することができる。それにより、実際の交通需要に適合した割当を行うことが可能になり、その結果、サービス性能を向上することができる。

（第２の実施形態）
第１の実施形態では、交通需要の特徴量を予測する方法について説明している。第１の実施形態では、各エキスパートの重みは曜日及び時間帯に関連付けて予測パラメータＤＢ１６４に記録される。該重みは、同じ曜日及び時間帯で得られた実測値を用いて更新される。そのため、各エキスパートの予測値は、重みの更新時に使用するが、その後は使用されないので記録する必要がない。

第１の実施形態では、例えば建物内の会社が入れ替わるなどして交通需要の傾向が変化した場合には、交通需要予測部１６５の予測結果が特定の曜日及び時間帯で外れるようになることがある。これは、エキスパートの成績の変化が重みに反映されるのにある程度の期間を要することに起因する。例えば、あるエキスパートは、ある曜日のある時間帯で予測の正解率が高かったが、交通需要の傾向が変化した後に、その曜日のその時間帯で正解率が低くなることがある。この場合、交通需要の傾向が変化した後のある程度の期間では、その曜日のその時間帯においてこのエキスパートの重みが大きいので、このエキスパートの予測値が交通需要予測部１６５の予測結果として採用される。

第２の実施形態では、重みに代えて、所定期間内での正解率を示す信頼度を使用する。以下、図１１から図１６を参照して第２の実施形態について具体的に説明する。

図１１は、第２の実施形態に係るエレベータ装置１１００を概略的に示している。図１１に示すエレベータ装置１１００は、図１に示すエレベータ装置１００の構成に加えて、信頼度算出部１１０１及び情報入力部１１０２を備える。信頼度算出部１１０１は、所定期間内のエキスパートの成績に基づいてそのエキスパートの信頼度を算出する。情報入力部１１０２は、例えば、キーボードやマウスなどの入力機器を含み、オペレータからの入力を受け付ける。本実施形態では、情報入力部１１０２は、信頼度算出部１１０１で信頼度を算出する際に使用するデータの数を設定するために使用される。信頼度の算出に使用する予測結果の数はエキスパート毎に設定することができる。

本実施形態では、予測パラメータＤＢ１６４は、各エキスパートの予測値が実測値と一致したかどうかを属性情報及び時刻に関連付けて記録するエキスパート予測結果データを保持している。エキスパート予測結果データの一例を図１２に示す。図１２において、各欄の記号「○」は予測値と実測値が一致したこと（即ち、正解）を示し、記号「×」は予測値と実測値が不一致であったこと（即ち、不正解）を示す。エキスパートが予測値の出力を保留した場合には、不正解であるとする。さらに、エキスパート予測結果データには、属性情報及び時刻に関連付けて、選択したエキスパートの番号及びその予測値が実測値と一致したかどうかが記録されている。

図１３は、本実施形態に係るエキスパートの設計の一例を示す。図１３に示されるように、各エキスパートは、予測時に参照するデータ及び信頼度計算対象期間を指定されている。ここで、Ｄ（ｔ｜ｄ）は、経過日数ｄの時間帯ｔにおけるデータを示す。例えば、エキスパート１は、Ｄ（ｔ−３｜ｄ）、Ｄ（ｔ−２｜ｄ）、及びＤ（ｔ−１｜ｄ）を用いて、経過日数ｄの時間帯ｔにおける交通需要を予測する。また、信頼度計算対象期間は、信頼度の計算に使用するデータの数を示す。信頼度計算対象期間は、情報入力部１１０２を用いて設定されることができる。信頼度の計算方法については後述する。

次に、図１４を参照して本実施形態に係る交通需要の特徴量を予測する方法を説明する。
図１４のステップＳ１４０１では、特徴量算出部１６２は、時間帯ｔ−１の統合荷重データから交通需要の特徴量を算出し、算出した交通需要の特徴量を特徴量ＤＢ１６３に記録する。例えば、特徴量算出部１６２は、図３を参照して上述した手順に従って交通需要の特徴量を算出する。

ステップＳ１４０２では、信頼度算出部１１０１は、時間帯ｔの交通需要を予測するために、予測パラメータＤＢ１６４が保持するエキスパート予測結果データを参照して複数のエキスパートの信頼度を算出し、信頼度によってソートされたエキスパートのリストを作成する。ステップＳ１４０２の処理について図１５を参照して説明する。

図１５のステップＳ１５０１では、信頼度算出部１１０１は、予測パラメータＤＢ１６４が保持するエキスパート予測結果データを参照して複数のエキスパートの信頼度を算出する。各エキスパートの信頼度を算出する方法を具体的に説明する。ある曜日のある時間帯の予測を行う場合、過去Ｐ週分のその曜日のその時間帯でのエキスパートの正解率を信頼度として算出する。ここで、Ｐは、自然数であり、信頼度計算対象期間を表す。正解率は、正解（○）の数をＰで割った値である。図１３の例では、エキスパート３の信頼度計算対象期間Ｐは３であり、例えば２０１１年４月２８日（木曜日）の７時００分から７時０５分の時間帯の予測を行う場合には、信頼度算出部１１０１は、２０１１年４月２１日の７時０５分から７時１０分の時間帯、７時１０分から７時１５分の時間帯、及び７時１５分から７時２０分の時間帯での正解（○）の数を３で割ることによってエキスパート３の信頼度を算出する。なお、信頼度は、予測を行う曜日及び時間帯と同じ曜日及び時間帯のデータから算出する上述の例に限らず、他の曜日及び時間帯のデータを用いて算出してもよい。

ステップＳ１５０２では、信頼度算出部１１０１は、信頼度が高い順にエキスパートをソートしたリストを作成する。このように信頼度でソートするのは、信頼度が高いエキスパートを選択するためである。具体的には、まず、信頼度を第１キーとしてエキスパートをソートする。このとき、信頼度が同じエキスパートが複数存在する場合、各エキスパートが予測に用いるデータを取得するのに要する時間（期間）を第２キーとして同じ信頼度を持つエキスパートをソートする。予測に用いるデータを取得するのに要する時間は、図１３の例では、エキスパート１では１５分、エキスパート２では２１日、エキスパート３では７日、エキスパート４では３日である。

図１４に戻ると、ステップＳ１４０３では、交通需要予測部１６５は、ステップＳ１４０２で作成したリストを用いて、時間帯ｔにおける交通需要を予測する。本実施形態に係る交通需要の予測方法について図１６を参照して説明する。

図１６のステップＳ１６０１では、ステップＳ１４０２で作成されたエキスパートのリストを参照する際に用いるｉｎｄｅｘを初期化する。例えば、ｉｎｄｅｘ＝１とする。ステップＳ１６０２では、交通需要予測部１６５は、リスト中のｉｎｄｅｘ番目のエキスパートを用いて、交通需要の特徴量を予測する。エキスパートによる予測に関しては第１の実施形態で説明したものと同じ方法を用いることができるので、ここでは説明を省略する。

ステップＳ１６０３では、ｉｎｄｅｘ番目のエキスパートが予測を保留したかどうかを判断する。ｉｎｄｅｘ番目のエキスパートが予測を保留しない、即ち、予測値を生成した場合は、交通需要予測部１６５は、このエキスパートの予測値を予測結果として出力し、処理が終了になる。ただし、後に信頼度を算出することができるように、ｉｎｄｅｘ番目以降の全てのエキスパートも予測を行う必要がある。

ステップＳ１６０３においてｉｎｄｅｘ番目のエキスパートが予測を保留した場合、ステップＳ１６０４に進む。ステップＳ１６０４では、ｉｎｄｅｘをインクリメントする。ステップＳ１６０５では、ｉｎｄｅｘの値がエキスパートの個数（Ｎ_Ｅ）を超えているかどうかを判断する。ｉｎｄｅｘの値がエキスパートの個数以下である場合、ステップＳ１６０２に戻る。ｉｎｄｅｘの値がエキスパートの個数を超えている場合、即ち、全てのエキスパートが予測を保留した場合、ステップＳ１６０６に進む。ステップＳ１６０６では、交通需要予測部１６５は、直前の時間帯に得られた実測値を予測結果として採用する。

以上のように、第２の実施形態に係る交通需要予測装置１６０は、所定期間内の成績に基づいて信頼度をエキスパート毎に算出し、信頼度に基づいてエキスパートを選択する。それにより、ある曜日のある時間帯で正解率が高いエキスパートが変化したとしても、比較的に短い時間でその変化に追従することができる。交通需要予測装置１６０は、最近の成績がよいエキスパートの予測値を予測結果として採用することにより、交通需要を的確に予測することができる。なお、信頼度計算対象期間Ｐを１とすると、一週前のデータから信頼度を求めることになり、これは最も変化に対する追従性があるが、一方で、偶然当たった場合の区別もできなくなる。

（第３の実施形態）
第１及び第２の実施形態では、交通需要が主に曜日に依存すると想定している。しかしながら、実際の建物では単に曜日に応じて周期的に同じ交通需要が発生するとは限らない。例えば、属性を平日（月曜日、火曜日、水曜日、木曜日、金曜日）と週末（土曜日、日曜日）に分けると、オフィスビルでは、平日同士、週末同士の交通需要のパターンは似ているが、平日の交通需要と週末の交通需要は似ていないなどの傾向があり得る。また、平日であっても、勤務日か休暇日かによっても発生する交通需要のパターンに違いが見られると予想できる。第３の実施形態では、曜日以外の情報も考慮する。

図１７は、第３の実施形態に係るエレベータ装置１７００を概略的に示している。図１７に示すエレベータ装置１７００は、図１に示すエレベータ装置１００の構成に加えて、情報入力部１７０１、エキスパート作成部１７０２、及び信頼度算出部１７０３を備える。情報入力部１７０１は、例えば、キーボードやマウスなどの入力機器を含み、オペレータからの入力を受け付ける。情報入力部１７０１は、建物内の会社に関する勤務体系情報を入力するために使用される。エキスパート作成部１７０２は、情報入力部１７０１が取得した勤務体系情報に基づいてエキスパートを作成する。信頼度算出部１７０３は、第２の実施形態の信頼度算出部１１０１（図１１）と同様の動作を行うので、詳細な説明を省略する。

本実施形態では、属性情報は、平日、週末、祝日、祭日などの暦に関する情報（即ち、カレンダー情報）と、会社毎に定まる午前休暇日、午後休暇日、定時退社日、特別休暇日などの勤務体系に関する情報（勤務体系情報）と、を含む。図１８は、属性情報の一例を示す。図１８において、「week_num」は、曜日を表す変数である。「weekend」は平日と週末を区別するための変数である。「holiday」は祝日及び祭日（祝祭日）を表す変数である。「working_day」は勤務体系を表す変数である。week_num、weekend及びholidayの変数は、カレンダー情報から、ある日付「day」に対して一意に決まる。week_numは、その値が１、２、３、４、５、６、７であるときにそれぞれ月曜日、火曜日、水曜日、木曜日、金曜日、土曜日、日曜日を表す。weekendは、その値が０であれば平日（月曜日、火曜日、水曜日、木曜日、金曜日）を表し、その値が１であれば週末（土曜日、日曜日）を表す。holidayは、その値が１であれば祝祭日を表し、その値が０であればそれ以外の日を表す。日付dayが２０１１年４月２９日である場合、week_num=5、weekend=0、holiday=1のように一意に決まる。

working_dayは建物内にある会社の勤務体系を表す情報であり、事前に入力する必要がある。勤務体系情報は、情報入力部１７０１を用いてオペレータによって入力される。パーソナルコンピュータ（ＰＣ）の表示部（例えば液晶表示装置）に表示される勤務体系情報を入力するための画面の一例を図１９に示す。本実施形態では、ＰＣを用いて勤務体系情報を入力する例を説明するが、入力方法はこの例に限定されない。図１９に示されるように、画面には一般的な表示形式のカレンダーが表示される。具体的には、画面上部に西暦（又は年号表示）及び月の情報が表示され、画面中央部に、横軸を曜日に設定して日付が配置されている。カレンダー情報によって決まる祝祭日は、対応するカラムがカラー表示される。画面上でカーソルを２０１１年４月２９日に合わせると、勤務体系のリストが吹き出し表示で現れる。オペレータは、リストの中から適切な項目を選択することで、その日の勤務体系情報を設定する。ここでは、建物内に１つの会社だけが存在するものとして説明している。しかしながら、建物内に勤務体系の異なる複数の会社が存在してもよい。その場合、勤務体系情報は会社ごとに入力される。

次に、エキスパート作成部１７０２について説明する。エキスパート作成部１７０２は、情報入力部１７０１で入力された勤務体系情報を用いて、エキスパートを作成する。

第１の実施形態では、エキスパートは次のように設定されている。
エキスパート１：経過日数ｄの時間帯ｔ−３，ｔ−２，ｔ−１のデータから予測する。
エキスパート２：経過日数ｄ−３，ｄ−２，ｄ−１の時間帯ｔ＋１のデータから予測する。
エキスパート３：経過日数ｄ−２１，ｄ−１４，ｄ−７の時間帯ｔのデータから予測する。

これらエキスパートは、次のように表示することができる。
エキスパート１：Prediction[D(t-3|d), D(t-2|d), D(t-1|d)]
エキスパート２：Prediction[D(t+1|d-1), D(t+1|d-2), D(t+1|d-3)]
エキスパート３：Prediction[D(t|d-21), D(t|d-14), D(t|d-7)]
ここで、Ｐｒｅｄｉｃｔｉｏｎ［Ｄ（ｘ１），Ｄ（ｘ２），Ｄ（ｘ３）］は、データＤ（ｘ１）、Ｄ（ｘ２）、Ｄ（ｘ３）を用いて多数決判定によって予測を行うことを示す。エキスパート１、２、３においては、次のように時間帯ｔの交通需要のカテゴリーを予測するために用いるデータの時間帯が異なっている。

エキスパート１：直前の時間帯ｔ−３、ｔ−２、ｔ−１のデータを用いる。
エキスパート２：最近３日の時間帯ｔ＋１のデータを用いる。
エキスパート１：同一曜日、同一時間帯ｔのデータを用いる。
予測を行う際には、どの時間帯のデータを用いてもよいが、それでは、エキスパートを無限に作成することが可能になる。エキスパート作成部１７０２は、過去時間帯予測、未来時間帯予測、現在時間帯予測の３つの予測形態を基本としてエキスパートを作成する。エキスパート作成部１７０２は、経過日数ｄ、日付ｄａｙ、平日週末ｗｅｅｋｅｎｄ、祝祭日ｈｏｌｉｄａｙ。勤務体系ｗｏｒｋｉｎｇ＿ｄａｙをどのように組み合わせて用いるかによって決まる。組み合わせは、以下の１０通りが考えられる。
（１）曜日、祝祭日、勤務体系
（２）平日週末、祝祭日、勤務体系
（３）曜日、祝祭日
（４）曜日、勤務体系
（５）平日週末、祝祭日
（６）平日週末、勤務体系
（７）祝祭日、勤務体系
（８）曜日
（９）祝祭日
（１０）勤務体系
例えば（１）曜日、祝祭日、勤務体系を考慮する場合、エキスパート作成部１７０２は、以下の３つのエキスパートｍ１、ｍ２、ｍ３を作成する。
データD(t-3|d, week_num, holiday, working_day)
データD(t-2|d, week_num, holiday, working_day)
データD(t-1|d, week_num, holiday, working_day)
を用いて予測を行うエキスパートｍ１
データD(t+1|d-7*x_1, week_num, holiday, working_day)
データD(t+1|d-7*x_2, week_num, holiday, working_day)
データD(t+1|d-7*x_3, week_num, holiday, working_day)
を用いて予測を行うエキスパートｍ２（ただし、x_1、x_2、x_3は自然数であり、*は乗算記号を示す。）
データD(t|d-7*y_1, week_num, holiday, working_day)
データD(t|d-7*y_2, week_num, holiday, working_day)
データD(t|d-7*y_3, week_num, holiday, working_day)
を用いて予測を行うエキスパートｍ３（ただし、y_1、y_2、y_3は自然数である。）
ここで、Ｄ（ｔ｜Ｍ）は属性Ｍの時間帯ｔのデータを示す。エキスパートｍ２におけるx_1、x_2、x_3は同じ属性を持つ日がｘ＿１週前、ｘ＿２週前、ｘ＿３週前であることを表し、エキスパートｍ３におけるy_1、y_2、y_3は同じ属性を持つ日がｙ＿１週前、ｙ＿２週前、ｙ＿３週前であることを表す。平日週末情報を除いたのは、平日週末が曜日によって決まるものなので曜日を考慮することは平日週末を考慮することを含むためである。ただし、平日週末を考慮することは、曜日を考慮することを含んでいないことに注意されたい。エキスパートｍ１、ｍ２、ｍ３はそれぞれ過去時間帯予測、未来時間帯予測、現在時間帯予測のエキスパートであるが、（１）の場合であっても複数作成することができる。例えば、２０１１年４月２８日の７時００分から７時０５分までの時間帯の予測を行う際には、２０１１年４月２８日の６時５５分から７時００分、６時５０分から６時５５分、６時４５分から６時５０分の時間帯のデータを使うエキスパートも作成でき、２０１１年４月２１日の６時５５分から７時００分、６時５０分から６時５５分、６時４５分から６時５０分の時間帯のデータを使うエキスパートも作成できる。これでは、エキスパートの作成に一意性がないため、自動で作成することはできない。そこで、そこで、同じ属性のデータを用いる際には、エキスパートは最新のデータを用いることとする。すると、（１）の過去時間帯予測では、２０１１年４月２８日の７時００分から７時０５分までの時間帯の予測を行う際には、２０１１年４月２８日の６時５５分から７時００分、６時５０分から６時５５分、６時４５分から６時５０分の時間帯のデータを使うエキスパートが用いられることになる。

このように属性が同じである場合、最新のデータで予測を行うという条件を加えることで、（１）から（１０）のような属性の組に対しても各エキスパートでそれぞれ一意に設定することができる。

情報入力部で勤務体系情報が入力されない場合、エキスパート作成部１７０２は、勤務体系を含むものを除いて（３）、（５）、（８）、（９）を考慮してエキスパートを作成する。エキスパート作成部１７０２で作成されたエキスパートは、予測パラメータＤＢ１６４に送信され、予測に用いるエキスパートとして登録され、各時間帯で予測を行う。第３の実施形態での最終的な予測結果を決定するには第２の実施形態で説明されるような信頼度を用い、信頼度が最も高いエキスパートの予測値を予測結果として採用する。

なお、交通需要予測部１６５は、第１の実施形態で説明したような重みを使用して、どのエキスパートの予測値を予測結果として採用するかを決定することもできる。しかしながら、重みはエキスパート間で相対的に変更されることから、エキスパートが多数存在する場合には重みの変化（増減）が小さくなることがある。

一方、第２の実施形態で説明した信頼度は、エキスパートごとに個別に算出される。このため、多数のエキスパートが存在する場合には信頼度を用いるのが有効である。エキスパート作成部１７０２で作成されたエキスパートそれぞれには、信頼度計算対象期間Ｐが設定される。図２０は、本実施形態に係る信頼度計算対象期間を設定するための入力画面の一例を示す。図２０に示されるように、信頼度計算対象期間は、（１）から（１０）までの属性の組み合わせごと及び３つの予測形態ごとに設定される。オペレータは、情報入力部１７０１を用いて各欄に信頼度計算対象期間を入力設定する。一例では、全ての欄に初期値として３が格納されている。

信頼度の算出方法は、第２の実施形態で説明したものと同様の方法を用いることができる。具体的には、各エキスパートの信頼度は、過去の同一属性の日における成績から算出される。曜日属性を考慮する場合、同一属性の日は１週間ごとに現れる。一方、平日は週に５日あり、週末は週に２日あるので、平日週末の属性を考慮する場合には、同一属性の日が現れる頻度は、曜日属性を考慮する場合より多くなる。このように、頻繁に現れる属性に関しては信頼度の更新が頻繁になる。一方、めったに現れない属性に関しては信頼度の更新は稀になる。しかしながら、多数のエキスパートを用意することで、正答を出すエキスパートが存在する確率が高くなる。さらに、その中でも信頼度の高いエキスパートの予測値を予測結果として採用することから、めったに発生しない属性の日を除いては、正しい予測を行えるようになる。

以上のように、第３の実施形態に係る交通需要予測装置は、建物内の会社に関する勤務体系を含む種々の属性の組み合わせに関して複数のエキスパートを作成する。より多くのエキスパートを利用して予測を行うことにより、予測の精度をより高めることができる。

以上説明した少なくとも１つの実施形態に係る交通需要予測装置は、一定時間間隔で交通需要の特徴量を計算し、該交通需要の特徴量を記録したデータベース及びオンラインアルゴリズムのエキスパートを用いて、次の時間帯での交通需要の予測を行うことにより、建物内の交通需要を正しく予測することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１００…エレベータ装置、１１０Ａ，１１０Ｂ，１１０Ｃ…エレベータカゴ、１１２…カゴ呼びボタン、１１４…積載荷重測定部、１２０Ａ，１２０Ｂ，１２０Ｃ…カゴ制御部、１３０…ホール呼びボタン、１５０…群管理制御装置、１５１…ホール呼び検出部、１５２…ホール呼び情報記憶部、１５３…エレベータ状態把握部、１５４…カゴ割当演算処理部、１５５…カゴ運行制御部、１５６…カゴ呼び検出部、１５７…カゴ呼び情報記憶部、１６０…交通需要予測装置、１６１…エレベータ制御結果取得部、１６２…特徴量算出部、１６３…特徴量データベース、１６４…予測パラメータデータベース、１６５…交通需要予測部、１６６…交通需要予測部、１１００…エレベータ装置、１１０１…信頼度算出部、１１０２…情報入力部、１７００…エレベータ装置、１７０１…情報入力部、１７０２…エキスパート作成部、１７０３…信頼度算出部。

Claims (6)

1. ホール呼びに対してエレベータカゴを割り当てる上下ボタン方式の群管理制御に適用されるエレベータ交通需要予測装置であって、
   移動方向別及び階床別の乗車荷重及び降車荷重を含むエレベータ制御結果を取得する取得部と、
   前記エレベータ制御結果に基づいて、交通需要のカテゴリーを示すカテゴリー特徴量を含む交通需要の特徴量を算出する算出部と、
   前記算出された交通需要の特徴量を属性情報及び時刻情報に関連付けて記録する特徴量データベースと、
   前記特徴量データベースを参照して交通需要を予測して予測結果を生成する予測部であって、前記特徴量データベースに含まれる異なるデータを参照して交通需要のカテゴリーを予測して予測値を生成する複数のエキスパートを含み、前記予測値のうちの１つを前記予測結果として出力する予測部と、
   予め用意される複数の制御方式から、前記予測結果に応じた制御方式を選択する選択部と、
   を具備し、
   前記複数のエキスパートのそれぞれは重みを有し、前記複数のエキスパートそれぞれの前記重みは、予測が行なわれるたびに、予測が正解である場合に重みを相対的に大きくし、予測が不正解である場合に重みを相対的に小さくするように、更新され、
   前記予測部は、前記重みが最も大きいエキスパートによって生成された予測値を前記予測結果として出力する、エレベータ交通需要予測装置。
2. 前記複数のエキスパートそれぞれの前記重みを曜日及び時刻情報に関連付けて記録する予測パラメータデータベースをさらに具備する請求項１に記載のエレベータ交通需要予測装置。
3. ホール呼びに対してエレベータカゴを割り当てる上下ボタン方式の群管理制御に適用されるエレベータ交通需要予測装置であって、
   移動方向別及び階床別の乗車荷重及び降車荷重を含むエレベータ制御結果を取得する取得部と、
   前記エレベータ制御結果に基づいて、交通需要のカテゴリーを示すカテゴリー特徴量を含む交通需要の特徴量を算出する算出部と、
   前記算出された交通需要の特徴量を属性情報及び時刻情報に関連付けて記録する特徴量データベースと、
   前記特徴量データベースを参照して交通需要を予測して予測結果を生成する予測部であって、前記特徴量データベースに含まれる異なるデータを参照して交通需要のカテゴリーを予測して予測値を生成する複数のエキスパートを含み、前記予測値のうちの１つを前記予測結果として出力する予測部と、
   予め用意される複数の制御方式から、前記予測結果に応じた制御方式を選択する選択部と、
   を具備し、
   前記複数のエキスパートは、過去時間帯予測を行う第１エキスパート、現在時間帯予測を行う第２エキスパート、及び未来時間帯予測を行う第３エキスパートを含む、エレベータ交通需要予測装置。
4. 前記属性情報は、当該エレベータ交通需要予測装置の運用開始日から経過した日数を示す経過日数及び日付の少なくとも一方を含む、請求項１乃至請求項３のいずれか一項に記載のエレベータ交通需要予測装置。
5. 前記複数のエキスパートそれぞれに関して、所定期間内での予測の正解率を示す信頼度を算出する信頼度算出部をさらに具備し、
   前記予測部は、前記信頼度が最も大きいエキスパートによって生成された予測値を前記予測結果として出力する、請求項３に記載のエレベータ交通需要予測装置。
6. 建物内の会社に関する勤務体系を示す勤務体系情報を入力する入力部と、
   前記勤務体系情報に基づいて前記複数のエキスパートを作成するエキスパート作成部と、
   をさらに具備し、前記属性情報は、前記勤務体系情報を含む、請求項１乃至請求項５のいずれか一項に記載のエレベータ交通需要予測装置。

Images