JP7276517B2 - エレベーターの制御システム - Google Patents

Description

本開示は、エレベーターの制御システムに関する。

特許文献１は、エレベーターの制御システムを開示する。当該制御システムは、エレベーターのかご配車の交通需要を予測する。当該制御システムは、当該予測に基づいてかご配車の制御を行う。

日本特許第６４１７２９２号公報

しかしながら、特許文献１に記載のエレベーターの制御システムは、登録されている個人を検知することで、かご配車の交通需要を予測する。このため、利用者が複数人のグループとなることで普段と異なる行動をとる場合、当該制御システムは、その行動を予測できない。即ち、当該制御システムは、交通需要を正確に予測できない。その結果、エレベーター利用者の利便性は向上されない。

本開示は、上述の課題を解決するためになされた。本開示の目的は、利用者の利便性を向上することができるエレベーターの制御システムを提供することである。

本開示に係るエレベーターの制御システムは、エレベーターの乗場に存在する利用者を記録した撮像情報を用いて、前記エレベーターの利用者が所属するグループを決定し、前記グループに所属する全ての利用者の外見的特徴及び前記撮像情報が撮像された階のフロア情報を含む付帯情報を含んだ前記グループの全体の特徴をグループ属性情報として作成する処理装置と、前記グループ属性情報を用いて、前記グループに対する予測降車階の情報を作成する推論装置と、を備えた。

本開示によれば、エレベーターの制御システムは、撮像装置による撮像情報を用いて、不特定多数の利用者グループの降車階を予測する。このため、利用者の利便性を向上することができる。

実施の形態１におけるエレベーターの概要図である。 実施の形態１におけるエレベーターの制御システムのブロック図である。 実施の形態１におけるエレベーターの利用状況データベースに記憶されるグループ情報の例である。 実施の形態１におけるエレベーターの処理装置が行うグループ情報作成処理のフローチャートである。 実施の形態１におけるエレベーターの処理装置が行うグループ情報作成処理のフローチャートである。 実施の形態１におけるエレベーターの学習装置のブロック図である。 実施の形態１におけるエレベーターの学習装置が行う機械学習手法例である。 実施の形態１におけるエレベーターの学習装置において学習に使用されるグループ情報の例である。 実施の形態１におけるエレベーターの推論装置のブロック図である。 実施の形態１におけるエレベーターの推論装置が行う推論処理結果の例である。 実施の形態１におけるエレベーターの学習装置が行う学習動作のフローチャートである。 実施の形態１におけるエレベーターの推論装置が行う推論動作のフローチャートである。 実施の形態１におけるエレベーターの推論装置のハードウェア構成図である。 実施の形態２におけるエレベーターの概要図である。 実施の形態２におけるエレベーターのかご配車予定表示盤の表示例である。 実施の形態３におけるエレベーターの制御盤のブロック図である。

実施の形態について添付の図面に従って説明する。なお、各図中、同一または相当する部分には同一の符号が付される。当該部分の重複説明は適宜に簡略化ないし省略する。

実施の形態１．
図１は実施の形態１におけるエレベーターの概要図である。

図１のエレベーターシステムにおいて、建築物１は、２フロア以上の階を備える。昇降路は、建築物１の各階を貫く。図示されない機械室は、昇降路の直上に設けられる。

複数の乗場２の各々は、建築物１の各階に設けられる。複数の乗場２の各々は、昇降路に対向する。

複数の撮像装置３は、建築物１の各階に設けられる。撮像装置３は、各階にある複数の乗場２を撮像することができる位置に設けられる。例えば、撮像装置３は、複数の乗場２を往来する利用者の行動を撮像できる位置に設けられる。例えば、複数の撮像装置３は、各階にある複数の乗場２を撮影する。複数の撮像装置３は、撮像情報を出力する。

巻上機４は、機械室に設けられる。主ロープ５は、巻上機４に巻き掛けられる。

かご６は、昇降路の内部に設けられる。かご６は、主ロープ５の一側に吊るされる。図示されない釣合おもりは、昇降路の内部に設けられる。当該釣合おもりは、主ロープ５の他側に吊るされる。

複数の出入口７の各々は、昇降路と各階にある複数の乗場２の各々との間に設けられる。利用者は、出入口７を通過して、乗場２とかご６とを移動する。

例えば、制御盤８は、機械室に設けられる。例えば、制御盤８は、昇降路の上部に設けられる。制御盤８は、撮像装置３と、有線または無線によって電気的に接続されている。制御盤８は、有線または無線によって巻上機４と電気的に接続されている。

制御盤８は、制御システムとして、エレベーターシステムの運転を制御する。制御盤８は、巻上機４の運動を制御する。制御盤８は、１つ以上のかご６の配車を制御する。

制御盤８は、撮像装置３から撮像情報を受け取る。制御盤８は、撮像情報を記憶する。

制御盤８は、撮像情報を用いて、乗場２にいる利用者が降車する階を予測する。制御盤８は、利用者の降車階を予測するための図示されない予測モデルを備える。

例えば、制御盤８は、予測した降車階の情報を用いて、エレベーターシステムの運転を制御する。以下にその概要を説明する。

撮像装置３は、乗場２へ到着した複数の利用者を撮像し、撮像情報を作成する。撮像装置３は、撮像情報を制御盤８へ出力する。

制御盤８は、当該撮像情報を用いて、当該複数の利用者を１つのグループとみなす。制御盤８は、当該利用者の外見的特徴から、当該利用者それぞれの人属性情報を作成する。制御盤８は、当該グループに所属する複数の利用者の人属性情報から、グループ属性情報を作成する。

制御盤８は、当該グループ属性情報を、図示されない予測モデルに入力する。これにより、制御盤８は、当該グループがエレベーターを降車する階を予測する。

制御盤８は、当該グループが降車すると予測した階を、かご６の行先階に登録する。その後、制御盤８は、エレベーターのかごを配車する。

制御盤８は、記憶している撮像情報を用いて、当該予測モデルを作成する。以下にその概要を説明する。

撮像装置３は、エレベーターから降車し、乗場２に存在する利用者グループを撮像し、撮像情報を作成する。撮像装置３は、当該撮像情報を制御盤８へ出力する。

制御盤８は、当該利用者グループのグループ属性情報と降車階とを統合し、グループ情報として記憶する。例えば、制御盤８は、グループ属性情報と降車階とそれ以外の複数の情報とを統合する。具体的には、統合する情報は、当該利用者グループの乗車階、乗車時刻、降車時刻、降車階のフロア情報、等である。

制御盤８は、記憶している複数のグループ情報を用いて、予測モデルを作成する。当該予測モデルは、利用者の降車階を予測するために利用される。

次に、図２を用いて、実施の形態１におけるエレベーターの制御システムを説明する。
図２は実施の形態１におけるエレベーターの制御システムのブロック図である。

図２に示されるように、制御盤８は、処理装置１０と学習装置２０と推論装置３０と配車分析装置４０と配車装置５０とを備える。

処理装置１０は、変換部１１と個別画像抽出部１２とグループ化部１３と人属性判定部１４と乗降判定部１５と付帯情報部１６と統合部１７とグループ情報記憶部１８とを備える。

変換部１１は、撮像装置３から撮像情報を受け取る。変換部１１は、撮像情報を変換して、静止画像である第１画像情報を作成する。変換部１１は、第１画像情報に記録された１人以上の利用者を識別する。

変換部１１は、当該利用者それぞれに対して、撮像情報から得られた行動特性情報を作成する。例えば、当該行動特性情報は、当該利用者の撮像内における位置の情報と当該利用者の移動方向の情報と当該利用者の移動速度の情報とを備える。

変換部１１は、第１画像情報と当該行動特性情報とを備えた第２画像情報を作成する。

変換部１１は、第２画像情報内の利用者が未処理状態か否かを判定する。例えば、変換部１１は、対象とする利用者にグループＩＤ情報が付与されていない場合、当該利用者は未処理状態であると判定する。

個別画像抽出部１２は、第２画像情報を用いて、利用者１人のみの像を抽出した第３画像情報を作成する。例えば、第３画像情報は、第２画像情報をトリミング加工して得られた１人の利用者の全身が記録された画像である。例えば、第３画像情報は、第２画像情報をトリミング加工して得られた１人の利用者の顔が記録された画像である。

グループ化部１３は、第２画像情報に記録された利用者を、１人以上のグループに分類する。例えば、グループ化部１３は、行動特性情報が類似する複数の利用者を同一グループとして判定する。

グループ化部１３は、当該利用者に関して、所属するグループに固有のグループＩＤ情報を作成する。当該利用者が所属するグループにまだ固有のグループＩＤが無い場合、グループ化部１３は、当該グループに新しいグループＩＤ情報を割り当てる。

グループ化部１３は、第２画像情報に当該利用者のグループＩＤ情報を付与することで、第２画像情報を更新する。

グループ化部１３は、グループＩＤ情報を統合部１７へ出力する。

人属性判定部１４は、画像情報から人属性を推定するための人属性推定モデルを備える。人属性は、人の外見から推定される個人の特徴を意味する。例えば、当該人属性推定モデルは、本エレベーターシステムの外部において、機械学習によって作成されたモデルである。

人属性判定部１４は、第２画像情報に記録された利用者それぞれの人属性情報を作成する。例えば、人属性判定部１４は、第２画像情報に記録された利用者の身長、性別、年齢、服装などを推定する。人属性判定部１４は、推定した分類項目を統合し、人属性情報を作成する。

乗降判定部１５は、撮像情報の行動特性情報を用いて、利用者の乗車状態と降車状態とを判定する。乗降判定部１５は、利用者がエレベーター降車後の状態か、エレベーター乗車待ちの状態か、のどちらであるかを判定する。その後、乗降判定部１５は、乗車階情報と降車階情報とを作成する。

例えば、利用者は、建築物１の３階において、出入口７を通過せずに乗場２へ至ったという行動特性情報を持つ場合、乗降判定部１５は、当該利用者をエレベーター乗車待ちの状態にあると判定する。その後、乗降判定部１５は、当該利用者に関して、乗車階情報「３」と降車階情報「０」とを作成する。乗車階情報の「３」は、３階で乗車待ちの状態であることを意味する。降車階情報の「０」は、当該利用者が降車した状態では無いことを意味する。

例えば、利用者は、建築物１の３階において、出入口７を通過して乗場２へ至ったという行動特性情報を持つ場合、乗降判定部１５は、当該利用者をエレベーター降車後の状態にあると判定する。その後、乗降判定部１５は、当該利用者に関して、乗車階情報「０」と降車階情報「３」とを作成する。乗車階情報の「０」は、当該利用者が乗車待ち状態では無いことを意味する。降車階情報の「３」は、当該利用者が３階で降車した状態であることを意味する。

付帯情報部１６は、利用者個人に関する以外の情報である付帯情報を、利用者に付与する。例えば、付帯情報部１６は、第２画像情報が撮像された日時の情報を、第２画像情報に記録された利用者に付与する。例えば、付帯情報部１６は、第２画像情報が撮影された階の情報を第２画像情報に記録された利用者に付与する。例えば、付帯情報部１６は、第２画像情報が撮像された階のフロア情報を、第２画像情報に記録された利用者に付与する。具体的には、階のフロア情報は、５階はおもちゃ売り場、１２階はレストラン、という情報である。

統合部１７は、変換部１１から第２画像情報を取得する。統合部１７は、個別画像抽出部１２から第３画像情報を取得する。統合部１７は、グループ化部１３からグループＩＤ情報を取得する。統合部１７は、人属性判定部１４から人属性情報を取得する。統合部１７は、乗降判定部１５から乗車階情報と降車階情報とを取得する。統合部１７は、付帯情報部１６から付帯情報を取得する。

統合部１７は、第２画像情報に記録されている利用者の情報を統合し、利用者情報を作成する。例えば、統合部１７は、第２画像情報に記録された利用者の第３画像情報とグループＩＤ情報と人属性情報と降車情報と乗車情報と付帯情報とを統合し、利用者情報を作成する。

グループ情報記憶部１８は、統合部１７から利用者情報を取得する。

グループ情報記憶部１８は、利用者情報を記憶しているグループ情報へ追加する。グループ情報記憶部１８は、利用者情報が追加されたグループ情報を記憶する。

例えば、ある利用者Ａの利用者情報のグループＩＤが、既にグループ情報記憶部１８が記憶しているグループＩＤである場合、グループ情報記憶部１８は、当該グループＩＤを持つグループ情報に利用者Ａの利用者情報を追加する。

例えば、ある利用者Ｂの利用者情報のグループＩＤが、まだグループ情報記憶部１８が記憶していないグループＩＤである場合、グループ情報記憶部１８は、当該グループＩＤを有する新規グループ情報を作成し、利用者Ｂの利用者情報を新規グループ情報に追加する。

グループ情報記憶部１８は、グループに属する利用者の乗車階情報を用いて、グループの乗車階情報を作成する。グループ情報記憶部１８は、グループに属する利用者の降車階情報を用いて、グループの降車階情報を作成する。グループ情報記憶部１８は、乗車階情報と降車階情報とを当該グループ情報に追加する。

グループ情報記憶部１８は、グループに属する利用者の人属性情報と個別画像情報と付帯情報とを統合して、グループ全体の属性情報であるグループ属性情報を作成する。利用者情報がグループ情報に新しく追加された場合、グループ情報記憶部１８は、新しくグループ属性情報を作成する。グループ情報記憶部１８は、グループ属性情報をグループ情報に追加する。

学習装置２０は、グループ情報を教師データとして、いわゆる教師あり学習を行う。学習装置２０は、利用者のグループ情報を用いて、利用者の降車階を推論する学習済推論モデルを作成する。

推論装置３０は、学習装置２０で作成された学習済の推論モデルを備える。推論装置３０は、利用者のグループ情報を用いて、利用者の降車階を推論する。

例えば、配車分析装置４０は、推論装置３０から予測降車階情報を取得する。例えば、配車分析装置４０は、各階の呼びボタンから登録される呼び情報とかご６の内部から登録された行先登録情報と予測降車情報とから、最適なエレベーターのかご配車情報を演算する。例えば、配車分析装置４０は、ＤＯＡＳ（Ｄｅｓｔｉｎａｔｉｏｎ Ｏｒｉｅｎｔｅｄ Ａｌｌｏｃａｔｉｏｎ Ｓｙｓｔｅｍ：エレベーター行先予報システム）を用いて、最適なエレベーターのかご配車情報を演算する。

配車装置５０は、配車分析装置４０からかご配車情報を取得する。例えば、配車装置５０は、配車情報をもとに、かご６の配車を行う。例えば、配車装置５０は、かご６の配車を実施するために、巻上機４へ駆動命令を出力する。

次に、図３を用いて、グループ情報記憶部１８が記憶するグループ情報の例を説明する。
図３は実施の形態１におけるエレベーターの利用状況データベースに記憶されるグループ情報の例である。

図３に示されるように、グループ属性情報は、グループＩＤとグループの乗車階情報とグループの降車階情報とグループ属性情報とを備える。

グループ属性情報は、各グループの人属性情報と付帯情報と個別画像情報とを備える。

例えば、人属性情報は、性別と身長と年齢と体型と衣服とその他の外見情報とを備える。

例えば、グループＡ１００５は、グループＩＤがＡ１００５であるグループを意味する。グループＡ１００５は、１名の女性Ｃが所属するグループである。女性Ｃの身長は、約１６０ｃｍである。女性Ｃの年齢は約３０歳である。女性Ｃの体型はやせ型である。女性Ｃは、赤い上着と白いズボンと眼鏡とを着用している。グループＡ１００５のグループ情報は、女性Ｃが２０１９年１０月１日に１階エントランスフロアにて乗車した情報である。グループＡ１００５の列に記載された「有」は、個別画像抽出部１２が女性Ｃの全身と顔との第３画像情報を作成したことを意味する。

例えば、グループＡ１００６は、１名の女性が所属するグループである。グループＡ１００６は、グループＡ１００５とグループ属性が同じである。従って、グループＡ１００６は、グループＡ１００５と同一のグループである。グループＡ１００６に所属する女性は、女性Ｃである。グループＡ１００６のグループ情報は、女性Ｃが２０１９年１０月１日に３階女性洋服売場で降車した情報である。

このように、女性Ｃが乗車した情報はＡ１００５に、女性Ｃが降車した情報はＡ１００６に記録される。

次に、図４および図５を用いて、処理装置が撮像情報を処理する方法について説明する。
図４および図５は実施の形態１におけるエレベーターの処理装置が行うグループ情報作成処理のフローチャートである。

ステップＳ００１において、変換部１１は、撮像装置３から撮像情報を取得する。

その後、ステップＳ００２の動作が行われる。ステップＳ００２において、変換部１１は、撮像装置３から受け取った撮像情報を、第１画像情報として、連続した静止画像情報を作成する。

その後、ステップＳ００３の動作が行われる。ステップＳ００３において、変換部１１は、第１画像情報に記録された１人以上の利用者を識別する。変換部１１は、連続した静止画像情報をもとに、当該利用者それぞれに対して、行動特性情報を作成する。変換部１１は、第１画像情報と作成した行動特性情報とを備えた第２画像情報を作成する。

その後、ステップＳ００４の動作が行われる。ステップＳ００４において、変換部１１は、第２画像情報に記録された利用者１人を、第１利用者として処理対象に指定する。

その後、ステップＳ００５の動作が行われる。ステップＳ００５において、変換部１１は、第１利用者が未処理状態か否かを判定する。例えば、変換部１１は、第１利用者にグループＩＤ情報が付与されていない場合、第１利用者は未処理状態であると判定する。

ステップＳ００５で、変換部１１が第１利用者を未処理状態であると判定した場合、ステップＳ００６の動作が行われる。ステップＳ００６において、個別画像抽出部１２は、第２画像情報を用いて、第１利用者の第３画像情報を作成する。

その後、ステップＳ００７の動作が行われる。ステップＳ００７において、グループ化部１３は、第１利用者と類似する行動特性情報を備えた利用者である第２利用者が、第２画像情報内に存在するか否かを判定する。

ステップＳ００７で、第１利用者と類似する行動特性情報を備える利用者が第２画像情報内に存在する場合、ステップＳ００８の動作が行われる。ステップＳ００８において、グループ化部１３は、第２利用者がグループＩＤ情報を有するか否かを判定する。

ステップＳ００８で、第２利用者がグループＩＤ情報を有する場合、ステップＳ００９の動作が行われる。ステップＳ００９において、グループ化部１３は、第２利用者と同じグループＩＤを有する第１利用者のグループＩＤ情報を作成する。グループ化部１３は、作成したグループＩＤ情報を統合部１７へ出力する。グループ化部１３は、作成したグループＩＤ情報を第２画像情報内の第１利用者に付与する。

その後、ステップＳ０１０の動作が行われる。ステップＳ０１０において、人属性判定部１４は、第１利用者の人属性情報を作成する。

その後、ステップＳ０１１の動作が行われる。ステップＳ０１１において、乗降判定部１５は、第１利用者の行動特性情報をもとに、第１利用者の乗車階情報と降車階情報とを作成する。

その後、ステップＳ０１２の動作が行われる。ステップＳ０１２において、付帯情報部１６は、第２画像情報から付帯情報を作成する。

その後、ステップＳ０１３の動作が行われる。ステップＳ０１３において、統合部１７は、第１利用者の第３画像情報と第１利用者のグループＩＤ情報と第１利用者の人属性情報と第１利用者の乗車階情報と第１利用者の降車階情報と付帯情報と取得する。統合部１７は、第１利用者の第３画像情報と第１利用者のグループＩＤ情報と第１利用者の人属性情報と第１利用者の乗車階情報と第１利用者の降車階情報と付帯情報とを統合して、第１利用者の利用者情報を作成する。

その後、ステップＳ０１４の動作が行われる。ステップＳ０１４において、グループ情報記憶部１８は、第１利用者情報を取得する。グループ情報記憶部１８は、グループ情報記憶部１８の記憶する複数のグループ情報の中で、第１利用者のグループＩＤと同じグループＩＤを持つものが存在するか否かを判定する。

ステップＳ０１４で、第１利用者と同じグループＩＤを持つグループ情報が存在する場合、ステップＳ０１５の動作が行われる。ステップＳ０１５において、グループ情報記憶部１８は、当該グループ情報に第１利用者の利用者情報を追加する。

その後、ステップＳ０１６の動作が行われる。ステップＳ０１６において、変換部１１は、第２画像情報内において、グループＩＤ情報を持たない利用者が存在しないか否かを判定する。

ステップＳ０１６で、第２画像情報内において、グループＩＤ情報を持たない利用者が存在しない場合、処理装置１０は、撮像情報の処理を終了する。

ステップＳ００５で変換部１１が第１利用者を未処理状態と判断しない場合、またはステップＳ０１６で、第２画像情報内においてグループＩＤ情報を持たない利用者が存在する場合、ステップＳ００４の動作が行われる。

ステップＳ００７で、第１利用者と類似する行動特性情報を備える利用者が第２画像情報内に存在しない場合、またはステップＳ００８で、第２利用者がグループＩＤ情報を有さない場合、ステップＳ０１７の動作が行われる。ステップＳ０１７において、グループ化部１３は、新規のグループＩＤを備える第１利用者のグループＩＤ情報を作成する。グループ化部１３は、新規のグループＩＤ情報を統合部１７へ出力する。グループ化部１３は、新規のグループＩＤ情報を第２画像情報内の第１利用者に付与する。

その後、ステップＳ０１０以降の動作が行われる。

ステップＳ０１４で、第１利用者と同じグループＩＤを持つグループ情報が存在しない場合、ステップＳ０１８の動作が行われる。ステップＳ０１８において、グループ情報記憶部１８は、第１利用者のグループＩＤを備える新規グループ情報を作成する。グループ情報記憶部１８は、新規グループ情報に第１利用者の利用者情報を追加する。

その後、ステップＳ０１９の動作が行われる。ステップＳ０１９において、グループ情報記憶部１８は、第１利用者の利用者情報を用いて、当該新規グループのグループ属性情報と付帯情報と個別画像情報と乗車階情報と降車階情報とを作成する。

その後、ステップＳ０１６以降の動作が行われる。

次に、図６を用いて、学習装置２０の説明をする。
図６は実施の形態１におけるエレベーターの学習装置のブロック図である。

図６に示されるように、学習装置２０は、利用状況データベース２１（以下、利用状況ＤＢ２１）と学習データ取得部２２とモデル生成部２３とを備える。

利用状況ＤＢ２１は、グループ情報を処理装置１０から取得する。利用状況ＤＢ２１は、グループ情報を記憶する。利用状況ＤＢ２１は、既に記憶しているグループ情報の乗車階情報を、取得した同一のグループ情報の降車階情報に書き換える。

例えば、利用状況ＤＢ２１は、降車階情報が「０」であるグループ情報をいくつか記憶している。利用状況ＤＢ２１は、降車階情報が「３」かつ乗車階情報が「０」であるグループ情報Ｄを取得する。その後、利用状況ＤＢ２１は、既に記憶しているグループ情報において、グループ属性情報がグループ情報Ｄに類似するグループ情報Ｅを選択する。利用状況ＤＢ２１は、グループ情報Ｄとグループ情報Ｅとを同一のグループの情報と判定する。グループ情報Ｄの降車階情報は「０」である。グループ情報Ｅの乗車階情報は「１」である。利用状況ＤＢ２１は、グループ情報Ｅの降車階情報をグループ情報Ｄの降車階情報に書き換える。即ち、グループ情報Ｅの降車階情報は「３」となる。このようにして、利用状況ＤＢ２１は、同一グループの降車階情報と乗車階情報とが対になるように記憶する。

利用状況ＤＢ２１は、学習するのに十分な量のグループ情報を記憶しているか否かを判定する。例えば、利用状況ＤＢ２１は、グループ情報を１０００グループ分以上記憶している場合、学習するのに十分な量のグループ情報を記憶していると判定する。例えば、利用状況ＤＢ２１は、１週間以上の期間のグループ情報を記憶している場合、学習するのに十分な量のグループ情報を記憶していると判定する。

学習データ取得部２２は、グループ属性情報と乗車階情報と降車階情報とを利用状況ＤＢ２１から取得する。

モデル生成部２３は、学習データ取得部２２からグループ属性情報と乗車階情報と降車階情報とを取得する。

モデル生成部２３は、グループ属性情報と乗車階情報と降車階情報との組み合わせに基づいて作成される学習用データに基づいて、予測降車階情報を学習する。即ち、モデル生成部２３は、エレベーターのグループ属性情報と乗車階情報とから最適な予測降車階情報を推論する学習済モデルを生成する。

なお、学習装置２０、エレベーター利用者の予測降車階情報を学習するために使用される。例えば、ネットワークを介してエレベーターの制御システムに接続され、このエレベーターとは別個の装置であってもよい。また、学習装置２０は、エレベーターシステムに内蔵されていてもよい。さらに、学習装置２０は、クラウドサーバ上に存在していてもよい。

モデル生成部２３が用いる学習アルゴリズムは教師あり学習、教師なし学習、強化学習等の公知のアルゴリズムを用いることができる。

例えば、モデル生成部２３は、ニューラルネットワークモデルに従って、いわゆる教師あり学習により、予測降車階情報を学習する。ここで、教師あり学習とは、入力と結果（ラベル）のデータの組を学習装置２０に与えることで、それらの学習用データにある特徴を学習し、入力から結果を推論する手法をいう。

ニューラルネットワークは、複数のニューロンからなる入力層、複数のニューロンからなる中間層（隠れ層）、および複数のニューロンからなる出力層で構成される。中間層は、１層または２層以上でもよい。

例えば、本開示において、ニューラルネットワークは、データ取得部によって取得されるグループ属性情報と乗車階情報と降車階情報との組み合わせに基づいて作成される学習用データに従って、いわゆる教師あり学習により、予測降車階情報を学習する。

次に、図７を用いて、機械学習手法の一例として、ニューラルネットワークを適用した場合について説明する。
図７は実施の形態１におけるエレベーターの学習装置が行う機械学習手法例である。

例えば、図７に示されるように、３層のニューラルネットワークであれば、複数の入力が入力層（Ｘ１－Ｘ３）に入力されると、その値に重みＷ１（ｗ１１－ｗ１６）を掛けて中間層（Ｙ１－Ｙ２）に入力され、その結果にさらに重みＷ２（ｗ２１－ｗ２６）をかけて出力層（Ｚ１－Ｚ３）から出力される。この出力結果は、重みＷ１とＷ２の値によって変わる。

すなわち、ニューラルネットワークは、入力層にグループ属性情報と乗車階情報を入力して出力層から出力された結果が、降車階情報に近づくように重みＷ１とＷ２とを調整することで学習する。

次に、図８を用いて、学習に使用されるグループ情報の例を説明する。
図８は実施の形態１におけるエレベーターの学習装置において学習に使用されるグループ情報の例である。

図８に示されるように、グループ属性情報は、グループＩＤとグループの乗車階情報とグループの降車階情報とグループ属性情報とを備える。

例えば、グループＡ１００５は、女性Ｃが所属するグループである。グループＡ１００５のグループ情報は、女性Ｃが２０１９年１０月１日に１階エントランスフロアにて乗車した後、３階女性洋服売場にて降車した情報である。

その他の情報例も、図８に示す通りである。

次に、図９を用いて、推論装置３０の説明をする。
図９は実施の形態１におけるエレベーターの推論装置のブロック図である。

図９に示されるように、推論装置３０は、学習済モデル記憶部３１と利用データ取得部３２と推論部３３とを備える。

学習済モデル記憶部３１は、モデル生成部２３から学習済モデルを取得する。学習済モデル記憶部３１は、学習モデルを記憶する。

利用データ取得部３２は、処理装置１０から、グループ属性情報と乗車階情報とを取得する。

推論部３３は、学習済モデルを利用して得られる予測降車階情報を推論する。推論部３３は、学習済モデル記憶部３１から、学習済モデルを取得する。推論部３３は、利用データ取得部３２からグループ属性情報と乗車階情報とを取得する。その後、推論部３３は、当該学習済モデルにグループ属性情報と乗車階情報とを入力する。推論部３３は、グループ属性情報と乗車階情報とから推論される予測降車階情報を作成する。

次に、図１０を用いて、推論装置３０が行う推論の例を説明する。
図１０は実施の形態１におけるエレベーターの推論装置が行う推論処理結果の例である。

図１０に示されるように、図示されない推論装置３０は、ＩＮＰＵＴ情報として、グループ属性情報と乗車階情報とを取得する。図示されない推論装置３０は、ＯＵＴＰＵＴ情報として、予測降車階情報を出力する。

例えば、グループＡ１１０１は、女性Ｆが所属するグループである。グループＡ１１０１のグループ情報は、女性Ｆが２０１９年１０月２日９時３５分に１階エントランスから乗車した情報である。

図示されない推論装置３０は、グループＩＤがＡ１１０１のグループの情報に予測モデルを適用し、当該グループは３階の女性洋服売場で降車すると予測する。図示されない推論装置３０は、予測降車階情報「３」を作成する。

その他の推論処理の例も、図１０に示す通りである。

次に、図１１を用いて、学習装置が学習する処理について説明する。
図１１は実施の形態１におけるエレベーターの学習装置が行う学習動作のフローチャートである。

ステップＳ１０１において、利用状況ＤＢ２１は、処理装置１０から１つのグループ情報である第１グループ情報を取得する。

その後、ステップＳ１０２の動作が行われる。ステップＳ１０２において、利用状況ＤＢ２１は、第１グループ情報が降車階情報を有するか否かを判定する。第１グループ情報の降車階情報が「０」でない場合、利用状況ＤＢ２１は、第１グループ情報が降車階情報を有すると判定する。

ステップＳ１０２で、第１グループ情報が降車階情報を有する場合、ステップＳ１０３の動作が行われる。ステップＳ１０３において、利用状況ＤＢ２１は、記憶しているグループ情報の中に、降車階情報が「０」で、かつ取得したグループ情報と同一のグループ情報が存在するか否かを判定する。

ステップＳ１０３で、降車階情報が「０」で、かつ取得したグループ情報と同一のグループ情報（以下、第２グループ情報と呼称する）が存在する場合、ステップＳ１０４の動作が行われる。ステップＳ１０４において、利用状況ＤＢ２１は、第２グループ情報の降車階情報を、第１グループ情報が有する降車階情報に書き換える。

その後、ステップＳ１０５の動作が行われる。ステップＳ１０５において、利用状況ＤＢ２１は、学習するのに十分な量のグループ情報を記憶しているか否かを判定する。

ステップＳ１０５で、利用状況ＤＢ２１が学習するのに十分な量のグループ情報を記憶している場合、ステップＳ１０６の動作が行われる。ステップＳ１０６において、学習データ取得部２２は、学習用データとして、利用状況ＤＢ２１からグループ属性情報と乗車階情報と降車階情報とを取得する。

その後、ステップＳ１０７の動作が行われる。ステップＳ１０７において、モデル生成部２３は、学習データ取得部２２によって取得されるグループ属性情報と乗車階情報と降車階情報との組み合わせに基づいて作成される学習用データに従って、いわゆる教師あり学習により、予測降車階情報を学習し、学習済モデルを作成する。

その後、ステップＳ１０８の動作が行われる。ステップＳ１０８において、学習済モデル記憶部３１は、モデル生成部２３が生成した学習済モデルを記憶する。

その後、学習処理を終了する。

ステップＳ１０２で第１グループ情報が降車階情報を有さない場合、またはステップＳ１０３で、降車階情報が「０」で、かつ同一のグループ情報が存在しない場合、ステップＳ１０９の動作が行われる。ステップＳ１０９において、利用状況ＤＢ２１は、第１グループ情報を記憶する。

その後、ステップＳ１０５以降の動作が行われる。

次に、図１２を用いて、推論装置３０を使って予測降車階情報を得るための処理を説明する。
図１２は、実施の形態１におけるエレベーターの推論装置が行う推論動作のフローチャートである。

ステップＳ２０１において、利用データ取得部３２は、推論用のグループ情報として、処理装置１０から第３グループ情報を取得する。

その後、ステップＳ２０２の動作が行われる。ステップＳ２０２において、利用データ取得部３２は、第３グループ情報が乗車階情報を有するか否かを判定する。第３グループ情報の乗車階情報が「０」でない場合、利用データ取得部３２は、第３グループ情報が乗車階情報を有すると判定する。

ステップＳ２０２で、第３グループ情報が乗車階情報を有する場合、ステップＳ２０３の動作が行われる。ステップＳ２０３において、推論部３３は、第３グループ情報が有するグループ属性情報と乗車階情報とを取得する。

その後、ステップＳ２０４の動作が行われる。ステップＳ２０４において、推論部３３は、学習済モデル記憶部３１に記憶された学習済モデルを取得する。推論部３３は、学習済モデルを用いて第３グループの測降車階を演算する。推論部３３は、予測降車階情報を作成する。

その後、ステップＳ２０５の動作が行われる。ステップＳ２０５において、推論部３３は、予測降車階情報を配車分析装置４０に出力する。

その後、ステップＳ２０６の動作が行われる。ステップＳ２０６において、配車分析装置４０は、当該予測降車階情報をもとに、エレベーターのかご配車を演算する。配車分析装置４０は、かご配車情報を作成する。

その後、ステップＳ２０７の動作が行われる。ステップＳ２０７において、配車装置５０は、かご配車情報を取得する。配車装置５０は、かご配車情報をもとに、エレベーターのかご６を配車する。

以上で説明した実施の形態１によれば、処理装置１０は、撮像情報を用いて、エレベーター利用者のグループの特徴を表すグループ属性情報を作成する。推論装置３０は、グループ属性情報を用いて、不特定多数の利用者グループの予測降車階情報を作成する。このため、推論装置３０は、利用者が複数人のグループとなることで普段と異なる行動をとることを予測できる。これは、推論装置３０の予測精度が向上することを意味する。その結果、利用者は、より効率的な配車が行われるエレベーターを利用できる。即ち、エレベーターの制御システムは、利用者の利便性を向上することができる。

また、制御盤８は、グループ属性情報と降車階情報とを用いて、予測降車階情報を推論する学習装置２０を備える。このため、エレベーターの制御システムは、利用者の降車階の予測モデルを作成することができる。

また、制御盤８は、配車分析装置４０を備える。配車分析装置４０は、予測降車階情報を用いて、エレベーターのかご配車情報を作成する。配車装置５０は、かご配車情報を用いて、予測降車階情報を行先登録したエレベーターのかご６を配車する。このため、エレベーターの利用者は、自身で行先階を登録することなく、エレベーターのかご６に乗車することができる。

ここで、変換部１１は、処理装置１０に設けられなくてもよい。例えば、変換部１１は、撮像装置３に設けられる。この場合、変換部は、変換後の撮像情報を処理装置１０へ出力する。

また、例えば、学習装置２０は、学習する処理を定期的に実行する。学習装置２０が学習する処理の頻度は、あらかじめ設定しておく。例えば、学習装置２０は、１週間に１度学習する処理を実行する。利用状況ＤＢ２１が記憶する情報量は、記憶期間が長くなるほど増える。利用状況ＤＢ２１が記憶する情報量が多いほど、モデルの予測精度は向上する。

また、利用状況ＤＢ２１は、推論装置３０が間違った推定結果を演算した利用者に関して、当該利用者の正しい降車階情報を学習用データとして記憶する。従って、学習装置２０は、より精度の高い推論を行うことができる学習済モデルを作成する。

また、例えば、学習データ取得部２２は、グループ属性情報と乗車階情報と降車階情報とのデータをそれぞれ別のタイミングで取得しても良い。

また、学習データ取得部２２は、学習用データを収集するエレベーターシステムを途中で対象に追加したり、対称から除去したりすることも可能である。さらに、あるエレベーターシステムに関して予測降車階情報を学習した学習装置を、これとは別のエレベーターシステムに適用し、当該別のエレベーターシステムに関して予測降車階情報を再学習して更新するようにしてもよい。

また、本実施の形態では、モデル生成部２３が用いる学習アルゴリズムに教師あり学習を適用した場合について説明したが、これに限られるものではない。学習アルゴリズムについては、教師あり学習以外にも、強化学習、教師無し学習、または半教師あり学習等を適用することも可能である。

また、モデル生成部２３は、複数のエレベーターシステムに対して作成される学習用データに従って、予測降車階情報を学習するようにしてもよい。モデル生成部２３は、同一のエリアで使用される複数のエレベーターシステムから学習用データを取得してもよい。モデル生成部２３は、異なるエリアで独立して動作する複数のエレベーターシステムから収集される学習用データを利用して予測降車階情報を学習してもよい。

また、モデル生成部２３に用いられる学習アルゴリズムとしては、特徴量そのものの抽出を学習する、深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）を用いることもでき、他の公知の方法、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどに従って機械学習を実行してもよい。

また、推論装置３０は、エレベーターのモデル生成部２３で学習した学習済モデルを用いて予測降車階情報を出力するものとして説明したが、他のエレベーター等の外部から学習済モデルを取得し、この学習済モデルに基づいて予測降車階情報を出力するようにしてもよい。

なお、例えば、利用者が希望する降車階と推論装置３０が推論した予測降車階とが異なっていた場合、利用者は、自身で希望する降車階を行先登録する。従って、当該利用者は、通常の利便性を有するエレベーターを利用することができる。

次に、図１３を用いて、推論装置３０の例を説明する。
図１３は実施の形態１におけるエレベーターの推論装置のハードウェア構成図である。

推論装置３０の各機能は、処理回路により実現し得る。例えば、処理回路は、少なくとも１つのプロセッサ１００ａと少なくとも１つのメモリ１００ｂとを備える。例えば、処理回路は、少なくとも１つの専用のハードウェア２００を備える。

処理回路が少なくとも１つのプロセッサ１００ａと少なくとも１つのメモリ１００ｂとを備える場合、推論装置３０の各機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせで実現される。ソフトウェアおよびファームウェアの少なくとも一方は、プログラムとして記述される。ソフトウェアおよびファームウェアの少なくとも一方は、少なくとも１つのメモリ１００ｂに格納される。少なくとも１つのプロセッサ１００ａは、少なくとも１つのメモリ１００ｂに記憶されたプログラムを読み出して実行することにより、推論装置３０の各機能を実現する。少なくとも１つのプロセッサ１００ａは、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰともいう。例えば、少なくとも１つのメモリ１００ｂは、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ等である。

処理回路が少なくとも１つの専用のハードウェア２００を備える場合、処理回路は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、またはこれらの組み合わせで実現される。例えば、監視装置９の各機能は、それぞれ処理回路で実現される。例えば、推論装置３０の各機能は、まとめて処理回路で実現される。

推論装置３０の各機能について、一部を専用のハードウェア２００で実現し、他部をソフトウェアまたはファームウェアで実現してもよい。例えば、推論部３３の機能については専用のハードウェア２００としての処理回路で実現し、推論部３３の機能以外の機能については少なくとも１つのプロセッサ１００ａが少なくとも１つのメモリ１００ｂに格納されたプログラムを読み出して実行することにより実現してもよい。

このように、処理回路は、ハードウェア２００、ソフトウェア、ファームウェア、またはこれらの組み合わせで推論装置３０の各機能を実現する。

図示されないが、撮像装置３の各機能も、推論装置３０の各機能を実現する処理回路と同等の処理回路で実現される。処理装置１０の各機能も、推論装置３０の各機能を実現する処理回路と同等の処理回路で実現される。学習装置２０の各機能も、推論装置３０の各機能を実現する処理回路と同等の処理回路で実現される。配車分析装置４０の各機能も、推論装置３０の各機能を実現する処理回路と同等の処理回路で実現される。配車装置５０の各機能も、推論装置３０の各機能を実現する処理回路と同等の処理回路で実現される。外部情報装置７０の各機能も、推論装置３０の各機能を実現する処理回路と同等の処理回路で実現される。

実施の形態２．
図１４は実施の形態２におけるエレベーターの概要図である。なお、実施の形態１と同一または相当部分には同一符号が付される。当該部分の説明は省略される。

図１４に示されるように、配車分析装置４０は、かご配車情報を外部に出力する機能を備える。

かご配車予定表示盤６０は、建築物１の各階に設けられる。例えば、かご配車予定表示盤６０は、各階の出入口７の周辺に設けられる。例えば、かご配車予定表示盤６０は、乗場２にいる利用者が容易に視認できる位置に設けられる。かご配車予定表示盤６０は、配車分析装置４０と有線または無線によって電気的に接続される。かご配車予定表示盤６０は、配車分析装置４０からエレベーターのかご配車情報を取得する。かご配車予定表示盤６０は、取得したかご配車情報を表示する。

図１５は実施の形態２におけるエレベーターのかご配車予定表示盤の表示例である。

図１５に示されるように、かご配車予定表示盤６０は、かご配車情報を用いて、エレベーターのかご配車に関する情報を表示する。例えば、かご配車予定表示盤６０は、複数のエレベーターかごの停車予定フロアを表示する。例えば、かご配車予定表示盤６０は、各エレベーターかごが到着するまでの予測時間を表示する。

以上で説明した実施の形態２によれば、配車分析装置４０は、かご配車予定表示盤６０へかご配車情報を出力する機能を備える。かご配車予定表示盤６０は、エレベーターの利用者にかご配車情報を伝える。このため、当該利用者は、かごが到着する前に、目的の階への所要時間が少ないエレベーターかごの号機を知ることができる。当該利用者は、かごが到着する前に、自らが乗るエレベーターかごのドア付近へ移動することができる。その結果、エレベーターの利用者の利便性を向上することができる。

かご配車情報を利用者へ報知する報知装置は、かご配車予定表示盤６０に限らない。例えば、当該報知装置は、かご配車情報を音声出力できる音声装置でもよい。当該音声装置は、配車分析装置４０からかご配車情報を取得する。当該音声装置は、かご配車情報を表す音声を出力することで、利用者にかご配車情報を知らせる。

なお、例えば、利用者が希望する降車階と推論装置３０が推論した予測降車階とが異なっていた場合、利用者は、自身で希望する降車階を行先登録する。従って、当該利用者は、通常の利便性を有するエレベーターを利用することができる。

また、利用状況ＤＢ２１は、推論装置３０が間違った推定結果を演算した利用者に関して、当該利用者の正しい降車階情報を学習用データとして記憶する。従って、学習装置２０は、より精度の高い推論を行うことができる学習済モデルを作成する。

実施の形態３．
図１６は実施の形態３におけるエレベーターの制御盤のブロック図である。なお、実施の形態１と同一または相当部分には同一符号が付される。当該部分の説明は省略される。

図１６に示されるように、制御盤８は、外部情報装置７０を備える。

外部情報装置７０は、図示されない入力端末から、任意の外部情報を受け取る。例えば、外部情報装置７０は、天気情報、気温情報、建築物１において催されるイベント情報、または売場フロアにおけるセールス情報等を受け取る。

付帯情報部１６は、外部情報装置７０から外部情報を取得する。付帯情報部１６は、外部情報を含んだ付帯情報を作成する。

統合部１７は、付帯情報部１６から外部情報を含んだ付帯情報取得する。統合部１７は、外部情報を含んだ利用者情報を作成する。

グループ情報記憶部１８は、統合部１７から外部情報を含んだ利用者情報を取得する。グループ情報記憶部１８は、外部情報を含んだグループ属性情報を作成する。

学習装置２０は、グループ情報記憶部１８から外部情報を含んだグループ属性情報を取得する。学習装置２０は、外部情報を備えたグループ属性情報を学習時に使用する。このため、学習装置２０は、外部情報が反映された学習済モデルを生成する。

推論装置３０は、グループ情報記憶部１８から外部情報を含んだグループ属性情報を取得する。推論装置３０は、外部情報を含んだグループ属性情報を推論時に使用する。このため、推論装置３０は、外部情報を反映した予測降車階情報を作成する。

以上で説明した実施の形態３によれば、制御盤８は、外部から任意の外部情報を受け取る外部情報装置７０を備える。学習装置２０は、外部情報が反映された学習済モデルを生成する。推論装置３０は、外部情報を反映した予測降車階情報を出力する。このため、外部情報が変化した場合においても、予測降車階情報は、当該変化を反映した情報となる。即ち、予測降車階情報の予測精度が向上する。エレベーターは、より効率的かつより素早く配車される。その結果、エレベーター利用者の利便性を向上することができる。

以上のように、本開示に係るエレベーターの制御システムは、エレベーターシステムに利用できる。

１ 建築物、 ２ 乗場、 ３ 撮像装置、 ４ 巻上機、 ５ 主ロープ、 ６ かご、 ７ 出入口、 ８ 制御盤、 １０ 処理装置、 １１ 変換部、 １２ 個別画像抽出部、 １３ グループ化部、 １４ 人属性判定部、 １５ 乗降判定部、 １６ 付帯情報部、 １７ 統合部、 １８ グループ情報記憶部、 ２０ 学習装置、 ２１ 利用状況データベース、 ２２ 学習データ取得部、 ２３ モデル生成部、 ３０ 推論装置、 ３１ 学習済モデル記憶部、 ３２ 利用データ取得部、 ３３ 推論部、 ４０ 配車分析装置、 ５０ 配車装置、 ６０ かご配車予定表示盤、 ７０ 外部情報装置

Claims (6)

1. エレベーターの乗場に存在する利用者を記録した撮像情報を用いて、前記エレベーターの利用者が所属するグループを決定し、前記グループに所属する全ての利用者の外見的特徴及び前記撮像情報が撮像された階のフロア情報を含む付帯情報を含んだ前記グループの全体の特徴をグループ属性情報として作成する処理装置と、
   前記グループ属性情報を用いて、前記グループに対する予測降車階の情報を作成する推論装置と、
   を備えたエレベーターの制御システム。
2. 前記推論装置は、前記グループ属性情報と前記グループが乗車した階を表す乗車階情報とから前記予測降車階の情報を推論する学習済モデルを用いて、前記グループ属性情報に応じた前記予測降車階の情報を作成する請求項１に記載のエレベーターの制御システム。
3. 前記グループが降車した階を表す降車階情報、前記グループが乗車した階を表す乗車階情報、及び、前記グループ属性情報を用いて、グループ属性情報から予測降車階の情報を推論するための学習済モデルを生成する学習装置を備えた請求項１又は請求項２に記載のエレベーターの制御システム。
4. 前記予測降車階の情報を反映した前記エレベーターを制御するかご配車情報を作成する配車分析装置を備えた請求項１から請求項３のいずれか１項に記載のエレベーターの制御システム。
5. 前記配車分析装置は、前記エレベーターの制御の情報を前記利用者に報知する報知装置へ前記かご配車情報を出力する請求項４に記載のエレベーターの制御システム。
6. 外部から入力された外部情報を出力する外部情報装置と、
   前記外部情報を含む前記グループ属性情報を作成する前記処理装置と、
   を備えた請求項１から請求項５のいずれか１項に記載のエレベーターの制御システム。

Images