JP7315415B2 - エレベータ分析システム及びエレベータ分析システムの設計方法 - Google Patents

Description

本発明は、エレベータ分析システムに関する。

オフィス又は各種施設等のビルでは、エレベータの利用者の利便性を向上させることが求められている。例えば、エレベータを対象とした人流予測、すなわち、エレベータの利用者がどの階に発生してどの階に行こうとしているかの予測を行うことによって、利用者が呼びボタンを押す前にエレベータが先回りして待つなどの制御が可能になり、待ち時間の低減につながる。

このような人流予測を実現する方法として、例えば、過去の人流の実績を記録し、それを学習することによって予測モデルを生成する方法がある。この方法で精度のよい予測モデルを生成しようとすると、ある程度の長さの期間にわたって人流の実績を記録する必要があり、そのための記憶領域を確保する必要がある。

これに対して、スパース性を利用してデータをロスレス圧縮する技術が知られている（例えば非特許文献１参照）。

Gibbs, Norman E.; Poole, William G.; Stockmeyer, Paul K. (1976). "A comparison of several bandwidth and profile reduction algorithms". ACM Transactions on Mathematical Software. 2 (4): 322-330. doi:10.1145/355705.355707.

乗降データを分析して人流予測モデルを生成する機能をエレベータの制御盤に実装しようとする場合、乗降データを制御盤のメモリに格納する必要がある。しかし、一般に、制御盤のメモリの容量には制限がある。一方、スパース性を利用したロスレス圧縮によってデータをどれだけ圧縮できるかは、データ中の非ゼロ値の出現回数に依存する。しかし、エレベータの乗降データにおける非ゼロ値の出現回数が不明であるため、制御盤上にデータを分析して予測モデルを生成する機能を実装する場合、必要なメモリの容量を確定できず、分析及びモデル生成の安定性を保証することは困難であった。

上記の課題の少なくとも一つを解決するため、本発明は、プロセッサと、前記プロセッサに接続される記憶装置と、を有するエレベータ分析システムであって、前記記憶装置は、階床間の人物の移動を記録するＯｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域を有し、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域のサイズは、階床間の人物の移動を観測する単位時間の長さを、１台のエレベータの階床間の移動に要する最低時間で除することによって得られた、１台あたり、前記単位時間あたりの前記エレベータの移動回数の上限に、設置される前記エレベータの台数を乗じることによって算出された、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の非ゼロ値の出現回数に基づいて決定されることを特徴とする。

本発明の一形態によれば、納入するエレベータの物件情報に基づいて、人流の実績を記録するために必要な記憶容量を事前に算出することができる。上記した以外の課題、構成及び効果は、以下の実施形態の説明によって明らかにされる。

本発明の実施例のエレベータ分析システムの構成を示す機能ブロック図である。 本発明の実施例のエレベータ分析システムを実現する計算機システムのハードウェア構成を示すブロック図である。 本発明の実施例のエレベータ分析システムが保持するＯＤ表の説明図である。 本発明の実施例のエレベータ分析システムが行先階予測の説明変数として使用するＯＤ表の時系列データの説明図である。 本発明の実施例のエレベータ分析システムが保持する、行先階予測の説明変数の非ゼロ値を格納するテーブルの説明図である。 本発明の実施例のエレベータ分析システムがＯＤ表をスパース行列として格納する処理を示すフローチャートである。

以下、本発明の実施例を、図面を参照して説明する。

図１は、本発明の実施例のエレベータ分析システム１００の構成を示す機能ブロック図である。

エレベータ分析システム１００は、発生人数予測部１１０及び行先階予測部１３０を有する。

発生人数予測部１１０は、各階の発生人数を予測する。本実施例において「発生」とは、エレベータを利用しようとする人物がエレベータホール（すなわちエレベータの乗り場）に到達することを意味し、「発生人数」とは、発生した人物の数である。発生人数予測部１１０は、いかなる方法で発生人数を予測してもよい。ここでは、その一例を説明する。

本実施例の発生人数予測部１１０は、乗降人数算定部１１１、シミュレーションデータ生成部１１２、オフライン変換モデル生成部１１３、リアルタイム変換モデル生成部１１４、予測モデル学習部１１５、予測部１１６、変換発生データベース（ＤＢ）１１７、モデルデータベース（ＤＢ）１１８、シミュレーションデータベース（ＤＢ）１１９及び現地乗降データベース（ＤＢ）１２０を有する。

乗降人数算定部１１１は、エレベータ１４０から、過去の実際の運行時に取得された当該エレベータ１４０の状態に関するデータを取得する。ここで取得されるデータは、例えば、時刻（又は所定の長さの時間帯）ごとのエレベータ１４０の各かごの位置、移動方向及び各かごの積載物の重量などを含んでもよい。さらに、乗降人数算定部１１１は、時刻（又は所定の長さの時間帯）ごとの各階床の呼び状態、すなわち各階床の呼びボタンが押されていたか否かを示すデータを取得してもよい。これらのデータを現地データとも記載する。

さらに、乗降人数算定部１１１は、取得したデータから、現地乗降データを生成する。例えば、乗降人数算定部１１１は、各時刻の各かごの重量に基づいて、各時刻に各かごに乗っている人の数を推定してもよい。また、乗降人数算定部１１１は、各時刻の各かごの位置、移動方向及び重量の変化から、各かごに各階床で乗り込んだ人数、各階床で降りた人数等を推定してもよいし、さらに、各かごの行先階ボタン及び各階床の呼びボタンの操作の記録に基づいて、ある階から乗って別のある階に下りた人物の数を推定してもよい。現地乗降データは、このような情報の少なくともいずれかを含む。上記のような推定は、任意の方法で行うことができるため、ここではその詳細な説明を省略する。

乗降人数算定部１１１は、取得したかごの状態等のデータ及びそれに基づいて推定された現地乗降データを現地乗降データベース１２０に格納する。現地乗降データベース１２０は、例えば、後述するＯＤ（Origin-Destination）表、及び、ＯＤ表に基づいて生成されたテーブルを含んでもよい。

シミュレーションデータ生成部１１２は、仮想交通需要を生成する。例えば、シミュレーションデータ生成部１１２は、乱数を使用して、人物が発生する時刻、当該人物が発生する階床、及び当該人物がエレベータ１４０を使用して行こうとする階床（行先階）を決定し、そのような人物が発生したと仮定してもよい。

さらに、シミュレーションデータ生成部１１２は、仮想交通需要から、エレベータ１４０の運行データを生成する。例えば、シミュレーションデータ生成部１１２がエレベータ１４０の運行シミュレータを有し、その運行シミュレータに仮想交通需要を入力することで運行シミュレーションを実行して、仮想的な運行データを生成してもよい。生成された仮想交通需要及び運行データは、シミュレーションデータベース１１９に格納される。

オフライン変換モデル生成部１１３は、ある時刻より後の乗降人数等の運行データに基づいて、当該時刻より前の発生人数を推定するためのモデルを生成する。リアルタイム変換モデル生成部１１４は、ある時刻より前の乗降人数等の運行データに基づいて、当該時刻より後の発生人数を推定するためのモデルを生成する。これらのモデルは、モデルデータベース１１８に格納される。これらのモデルによって推定された発生人数は、変換発生データベース１１７に格納される。

予測モデル学習部１１５は、変換発生データベース１１７に格納された発生人数に基づいて、ある時刻より前の発生人数から、当該時刻より後の発生人数を予測するための予測モデルを学習する。学習された予測モデルは、モデルデータベース１１８に格納される。

予測部１１６は、予測モデルを用いて、ある時刻より前の現地乗降データからそれより後の発生人数を予測する。ここで、入力されるある時刻より前の現地乗降データは、リアルタイム変換モデル生成部１１４によって生成されたモデルによって推定されたものであってもよいし、その他の手段で取得されたものであってもよい。予測部１１６による発生人数予測結果は、行先階予測部１３０に入力される。

行先階予測部１３０は、各階に発生した人物の行先階を予測する。本実施例の行先階予測部１３０は、予測特徴量算出部１３１、行先階予測モデル生成部１３２、行先階確率生成部１３３及び行先階割り当て部１３４を有する。

予測特徴量算出部１３１は、現地乗降データベース１２０に格納された過去の現地乗降データに含まれる所定の長さの時間帯ごとの出発階、行先階及び人数の特徴量を計算する。行先階予測モデル生成部１３２は、計算された特徴量から、当該特徴量の計算の基礎となった現地乗降データの時間帯より後の時間帯の出発階、行先階及び人数を予測する行先階予測モデルを生成する。

行先階確率生成部１３３は、生成された行先階予測モデルに基づいて、各階に発生した人物の何％が何階に行くかを示す行先階確率を生成する。そして、行先階割り当て部１３４は、予測部１１６による発生人数予測結果に行先階確率を乗じることによって、行先階ごとの発生人数の予測結果、すなわち、各階に発生すると予測された人数のうち何人が何階に行くかを予測した結果を、人流予測結果としてエレベータ１４０に出力する。エレベータ１４０の制御盤（図示省略）は、人流予測結果に基づいて、需要に適合したエレベータの制御を行うことができる。

このように、本発明の実施例によれば、各階に発生する人数だけでなく、行先階ごとの発生人数を予測することによって、より実際の需要に適合したエレベータ１４０の運行を計画することが可能になり、利用者の満足度の向上が図られる。

図２は、本発明の実施例のエレベータ分析システム１００を実現する計算機システムのハードウェア構成を示すブロック図である。

エレベータ分析システム１００は、例えば、相互に接続されたインターフェース（Ｉ／Ｆ）２０１、入力装置２０２、出力装置２０３、プロセッサ２０４、主記憶装置２０５及び補助記憶装置２０６を有する計算機システム２００によって実現される。

インターフェース２０１は、ネットワーク（図示省略）に接続され、ネットワークを介してエレベータ１４０との通信を行う。入力装置２０２は、エレベータ分析システム１００のユーザがエレベータ分析システム１００に情報を入力するために使用する装置であり、例えばキーボード、マウス及びタッチセンサ等の少なくともいずれかを含んでもよい。出力装置２０３は、エレベータ分析システム１００のユーザに情報を出力する装置であり、例えば文字及び画像等を表示する表示装置を含んでもよい。

プロセッサ２０４は、主記憶装置２０５に格納されたプログラムに従って種々の処理を実行する。主記憶装置２０５は、例えばＤＲＡＭのような半導体記憶装置であり、プロセッサ２０４によって実行されるプログラム及びプロセッサの処理に必要なデータ等を格納する。補助記憶装置２０６は、例えばハードディスクドライブ又はフラッシュメモリなどの比較的大容量の記憶装置であり、プロセッサ２０４によって実行される処理において参照されるデータ等を格納する。

本実施例の主記憶装置２０５には、発生人数予測部１１０の乗降人数算定部１１１、シミュレーションデータ生成部１１２、オフライン変換モデル生成部１１３、リアルタイム変換モデル生成部１１４、予測モデル学習部１１５及び予測部１１６、並びに、行先階予測部１３０の予測特徴量算出部１３１、行先階予測モデル生成部１３２、行先階確率生成部１３３及び行先階割り当て部１３４を実現するためのプログラムが格納される。したがって、以下の説明において上記の各部が実行する処理は、実際には、プロセッサ２０４が、主記憶装置２０５に格納された各部に対応するプログラムに従って実行する。

本実施例の補助記憶装置２０６は、シミュレーションデータベース１１９、変換発生データベース１１７、モデルデータベース１１８及び現地乗降データベース１２０を格納する。さらに、発生人数予測部１１０及び行先階予測部１３０に含まれる各部に対応するプログラムが補助記憶装置２０６に格納され、必要に応じて主記憶装置２０５にコピーされてもよい。また、上記のデータベースの少なくとも一部が必要に応じて主記憶装置２０５にコピーされてもよい。

なお、エレベータ分析システム１００は、例えばネットワークを介してエレベータ１４０に接続された計算機システム２００によって実現されてもよいが、エレベータ１４０の既存の制御盤のハードウェアによって実現されてもよい。その場合、計算機システム２００は、エレベータ１４０の制御盤のハードウェアに相当する。その場合、計算機システム２００は、インターフェース２０１を有しなくてもよい。また、計算機システム２００は、大容量の補助記憶装置２０６を有さず、全てのプログラム及びデータが比較的小容量の主記憶装置２０５に格納されてもよい。エレベータ分析システム１００を制御盤上に実装することによって、現行のエレベータ製品の構成に本発明を適用可能となり、例えば外部の分析サーバなどにネットワークを介して制御盤を接続する必要がなくなる。

図３は、本発明の実施例のエレベータ分析システム１００が保持するＯＤ表の説明図である。

図３には、現地乗降データベース１２０に含まれるＯＤ表３００の一例を示す。ＯＤ表３００は、所定の長さの時間帯（例えばある５分間）の、階床間の人物の移動（すなわち人流）を記録した情報である。ＯＤ表３００の横軸は、人物が発生して、カゴに乗り込んだ階（出発階、Origin）を示し、縦軸は、その人物が降りた階（行先階、Destination）を示し、表中の数字は、対応する出発階で乗り込み、対応する行先階で降りた人物の数を示す。図３の例は、ある５分間に、１階で乗り込んで２階で降りた人物は３人おり、１階で乗り込んで３階で降りた人物は１人もおらず、１階で乗り込んで４階で降りた人物は４人いたことを示している。

図３にはある５分間のＯＤ表３００の例を示しているが、実際には、例えば８：００から８：０５までの５分間、８：０１から８：０６までの５分間、のように、５分ごとにＯＤ表３００が生成されて格納される。そして、このようなデータが行先階予測モデルを生成するための学習データとして使用される。

図４は、本発明の実施例のエレベータ分析システム１００が行先階予測の説明変数として使用するＯＤ表の時系列データの説明図である。

図４には、例として、ある時間帯の階床間の人物の移動を、その５分前の時間帯のＯＤ表及び１０分前の時間帯のＯＤ表に基づいて予測する場合の説明変数として用いられる時系列データ４００を示している。

例えば、時刻「８：００」、「５分前」の「１→２」に対応するフィールドに格納された数値「３」は、７：５５から８：００までの５分間に、１階でカゴに乗って２階で降りた人物が３人いたことを示している。すなわち、時刻「８：００」、「５分前」に対応する１行のフィールドは、７：５５から８：００までの５分間のＯＤ表３００において図３のように２次元に配列されたフィールドを１行に並べ替えたものである。

同様に、時刻「８：００」、「１０分前」の「１→２」に対応するフィールドに格納された数値「２」は、７：５０から７：５５までの５分間に、１階でカゴに乗って２階で降りた人物が２人いたことを示している。この例では、ある５分間（例えば８：００から８：０５まで）の階床間の人物の移動を、その５分前の５分間（例えば７：５５から８：００まで）のＯＤ表３００と、さらにその５分前の５分間（例えば７：５０から７：５５まで）のＯＤ表３００と、に基づいて予測する行先階予測モデルが生成される。

なお、図４の例では、例えば８：００から８：０５までの５分間のＯＤ表３００が格納され、次に、８：０１から８：０６までの５分間ＯＤ表３００が格納される、というように、１分刻みの時系列データが格納される。しかし、この刻み幅は一例であり、例えば５分刻みなど、別の刻み幅が採用されてもよい。

エレベータ分析システム１００は、ＯＤ表３００を格納するために、出発階と行先階の全ての組み合わせに対応する人数を記憶するための領域を確保する必要がある。階床数がＮであるエレベータにおいては、出発階と行先階の組み合わせの数はＮ×（Ｎ－１）となり、ＯＤ表３００を格納するための記憶領域は階床数の２乗に比例して増加する。例えば階床数が３２であれば出発階と行先階の組み合わせの数は９９２となる。すなわち、図４の時系列データにおいて、「５分前」及び「１０分前」のそれぞれに対応するカラムの数が９９２個となる。

これらのデータは、行先階予測モデルを生成するための学習データとして使用されるものであるため、その精度を確保するために、十分な長さの期間（例えば１カ月間）のＯＤ表３００を保持する必要がある。しかし、特にエレベータ分析システム１００がエレベータ１４０の制御盤によって実現される場合には、そのような長期間のＯＤ表３００を格納するために制御盤の記憶領域が圧迫されることとなる。

そこで、本実施例では、ＯＤ表３００のスパース性を利用してデータを圧縮する。具体的には、本実施例では、一つのＯＤ表に５分間の人物の移動が記録されるが、実際には、ＯＤ表３００のほとんどのフィールドの値は０である。これは、５分間に実際に人物の移動が発生する出発階と行先階の組み合わせの数に限度があるためである。このため、ＯＤ表３００の非ゼロの値を記憶し、ゼロ値を記憶しないことによって、使用される記憶領域を削減することができる。

しかし、特にエレベータ分析システム１００をエレベータ１４０の制御盤に組み込む場合には、非ゼロ値を格納するために記憶領域に確保すべき配列のサイズを決定するために、非ゼロ値の出現回数の上限を事前に知る必要がある。ここで、ＯＤ表３００の非ゼロ値は、実際に発生した階床間のカゴの移動に対応していることから、非ゼロ値の出現回数は、５分間に実際に発生しうる階床間のカゴの移動の回数の上限を超えない。本実施例ではこのことを利用して、非ゼロ値の出現回数の上限、すなわち、確保すべき配列のサイズを計算する。

具体的には、ＯＤ表３００における非ゼロ値の出現回数は、次の式（１）によって計算される。

ここで、観測単位時間は、上記の例では５分間である。この５分間という長さは、人流の統計をとるための窓幅ということもでき、５分間より長い時間又は短い時間を採用してもよい。一般に、エレベータの需要パターンは時間帯によって異なり、例えば、オフィスビルのエレベータの場合、始業時刻の直前の時間帯と直後の時間帯では需要パターンが大きく異なると考えられる。このような需要パターンの変化を反映した行先階予測モデルを生成するために、適切な長さの観測単位時間を設定することが望ましい。一般には５分間程度が妥当と考えられる。

また、階床間移動に要する最低時間は、カゴが出発階から行先階まで移動するのに要する時間の最低値であり、通常は出発階と行先階が隣接する場合の移動時間である。これは、ドアの開閉時間、加速時間及び減速時間を含むため、一般には１０秒程度か、それより大きい値となる。

また、納入されるエレベータ台数は、一つの建物の一つのエレベータホールに面して複数台のエレベータが設置される場合に、その台数である。

例えば、３２階床に１０台のエレベータが納入され、観測単位時間を５分間、階床間移動に要する最低時間を１０秒とすると、観測単位時間を階床間移動に要する最低時間で除した値は３０回となる。これは、エレベータ１台あたりの、５分間の移動回数の上限である。これに納入されるエレベータ台数を乗じると、３００回となる。すなわち、配列のサイズは高々３００で十分であることが、エレベータを実際に納入する前にわかる。

このようにして得られた配列のサイズと、各フィールドの人数を記録するために必要なビット数、時系列データの刻み幅（例えば１分）、及び学習データとして必要な期間（例えば１カ月）等とに基づいて、現地乗降データベース１２０に確保すべき記憶領域のサイズが特定される。これによって、特に、エレベータ分析システム１００をエレベータ１４０の制御盤に実装する場合に確保すべき記憶装置の容量を、エレベータの物件情報に基づいて、事前に知ることができる。

上記の配列のサイズ及び確保すべき記憶容量の計算は、例えば、図２に示した構成を有する計算機システムのプロセッサ２０４が、主記憶装置２０５に格納されたプログラムに従って実行してもよい。これによって、計算された容量の記憶装置を有するエレベータ分析システム１００を設計することができる。

図５は、本発明の実施例のエレベータ分析システム１００が保持する、行先階予測の説明変数の非ゼロ値を格納するテーブルの説明図である。

図５に示すテーブル５００は、図４の時系列データ４００のうち非ゼロ値のみを格納するスパース行列の例である。ここでは、例として、図４の時系列データ４００のうち、時刻「８：００」の、「５分前」の値を格納するテーブルを示している。図４の時系列データ４００は、仮に３２階床のエレベータに関するものであるとすると、時刻「８：００」及び「５分前」に対応する９９２個のフィールドを含んでいる。しかし、上記のように、それらのうち非ゼロが格納されたフィールドの数は高々３００である。

例えば、図５のテーブル５００のうち、配列のインデックス５０１及び配列のインデックス５０３は、テーブルに格納された配列の要素を識別するものであり、互いに対応する。説明変数の値５０２は、時系列データ４００から抽出された説明変数の値（すなわち非ゼロ値）である。説明変数に対応するインデックス５０４は、非ゼロの説明変数が時系列データ４００のどのフィールドから抽出されたものであるかを示す値である。図５の例では、図４の時系列データ４００の「１→２」（すなわち出発階が１階、行先階が２階）のフィールドから抽出された説明変数には、説明変数に対応するインデックス５０４として「０」が付与される。図４の時系列データ４００の「１→３」（すなわち出発階が１階、行先階が３階）のフィールドから抽出された説明変数には、説明変数に対応するインデックス５０４として「１」が付与される。

図５の例では、配列のインデックス５０１の値「０」に対応する説明変数の値５０２として「３」が格納されている。これは、図４の時系列データ４００の「１→２」のフィールドから抽出された説明変数である。そして、配列のインデックス５０３の値「０」に対応する、説明変数に対応するインデックス５０２の値として、当該フィールドを識別する「０」が格納されている。

図４の時系列データ４００の「１→３」のフィールドの説明変数の値は「０」であるため、これは図５のテーブル５００には格納されない。このため、説明変数に対応するインデックス５０４には、当該フィールドを識別する「１」が格納されていない。

図６は、本発明の実施例のエレベータ分析システム１００がＯＤ表をスパース行列として格納する処理を示すフローチャートである。

この処理は、例えば、乗降人数算定部１１１によって実行される。

この例では、乗降人数算定部１１１は、順次取得された現地乗降データに基づいてＯＤ表３００を生成して一旦現地乗降データベース１２０に格納し、１日分のＯＤ表３００が蓄積されるとそれらをスパース行列として格納する。ただし１日分というのは一例であり、行先階予測モデルを生成するための学習データの蓄積期間（例えば３０日）より十分に短い、１日以外の期間（例えば１時間など）のＯＤ表３００を対象として実行してもよい。

処理が開始されると、乗降人数算定部１１１は、現地乗降データベース１２０にスパース行列の記憶領域を確保する（ステップ６０１）。このとき、上記の式（１）で計算された配列のサイズに基づいて、必要な記憶領域が計算される。

次に、乗降人数算定部１１１は、１日分のＯＤ表３００をメモリに読み込む（ステップ６０２）。

次に、乗降人数算定部１１１は、読み込んだ１日分のＯＤ表３００を、スパース行列（例えば図５のテーブル５００）として、ステップ６０１において確保された記憶領域に記録する。これによって、記憶装置に格納されるデータが圧縮される。

次に、乗降人数算定部１１１は、３０日分のスパース行列が記録されたかを判定する（ステップ６０４）。ここで、３０日（すなわち１カ月）とは、行先階予測モデルを生成するための学習データの蓄積期間の例である。３０日分のスパース行列が蓄積されていなければ（ステップ６０４：Ｎｏ）、ステップ６０２以降が繰り返し実行される。３０日分のスパース行列が蓄積されていれば（ステップ６０４：Ｙｅｓ）、処理が終了する。

その後、例えば、行先階予測モデル生成部１３２が、スパース行列として記録されたＯＤ表に基づいて行先階予測モデルを生成することができる。ただし、これはエレベータ１４０の需要を予測するモデルの一例であり、エレベータ分析システムは、記録されたＯＤ表に基づいて、例えば発生人数を予測するモデル等、他のモデルを生成してもよい。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明のより良い理解のために詳細に説明したのであり、必ずしも説明の全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることが可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によってハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによってソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、不揮発性半導体メモリ、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶デバイス、または、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。

また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

１００ エレベータ分析システム
１１０ 発生人数予測部
１３０ 行先階予測部
１４０ エレベータ
３００ ＯＤ（Origin-Destination）表

Claims (5)

1. プロセッサと、前記プロセッサに接続される記憶装置と、を有するエレベータ分析システムであって、
   前記記憶装置は、階床間の人物の移動を記録するＯｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域を有し、
   前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域のサイズは、階床間の人物の移動を観測する単位時間の長さを、１台のエレベータの階床間の移動に要する最低時間で除することによって得られた、１台あたり、前記単位時間あたりの前記エレベータの移動回数の上限に、設置される前記エレベータの台数を乗じることによって算出された、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の非ゼロ値の出現回数に基づいて決定されることを特徴とするエレベータ分析システム。
2. 請求項１に記載のエレベータ分析システムであって、
   前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域のサイズは、少なくとも、前記エレベータの需要を予測するモデルを生成するための学習データとして必要な期間の、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の非ゼロ値の出現回数分のデータが格納されるサイズであることを特徴とするエレベータ分析システム。
3. 請求項２に記載のエレベータ分析システムであって、
   前記プロセッサは、
   前記記憶装置に、決定されたサイズの前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域を確保し、
   前記エレベータの需要を予測するモデルを生成するための学習データとして必要な期間より短い期間の、ゼロ値を含む前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報から、非ゼロ値を含むスパース行列を生成して、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報のデータとして前記記憶領域に格納し、
   前記エレベータの需要を予測するモデルを生成するための学習データとして必要な期間の前記スパース行列が前記記憶領域に格納されたら、前記記憶領域に格納された前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報のデータに基づいて、前記エレベータの需要を予測するモデルを生成することを特徴とするエレベータ分析システム。
4. 請求項３に記載のエレベータ分析システムであって、
   前記エレベータの需要を予測するモデルは、前記エレベータを利用する人物の行先階を予測するモデルであることを特徴とするエレベータ分析システム。
5. プロセッサと、前記プロセッサに接続される記憶装置と、を有する計算機システムが実行するエレベータ分析システムの設計方法であって、
   前記エレベータ分析システムは、階床間の人物の移動を記録するＯｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域を有し、
   前記設計方法は、前記プロセッサが、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域のサイズを、階床間の人物の移動を観測する単位時間の長さを、１台のエレベータの階床間の移動に要する最低時間で除することによって得られた、１台あたり、前記単位時間あたりの前記エレベータの移動回数の上限に、設置される前記エレベータの台数を乗じることによって算出された、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の非ゼロ値の出現回数に基づいて決定する手順を含むことを特徴とする設計方法。

Images