JPH03279178A - エレベータ制御装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

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達するとき
の、かご内の混雑の程度（以下、かご内混雑度という）
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。

しかし、１日のビル内の交通状態の中で、出動時、昼食
時、退勤時、などの交通混雑時においては、かごが満員
となってしまい、割当られた乗場呼びを通過し、他のか
ごに割当（予報）を変更するという現象が多発する。又
、かごが到着しても、既にかご内が混雑しているために
待客全員が乗車できず、積み残し客が生じるという現象
も多発する。このよ−うな満貫通過や満員積み残し現象
は、乗場待客に余分な待時間を課することになり、好ま
しいことではない。

従って、このような現象の発生を防止するため、例えば
、特公昭６２−４７７８７号公報に記載されたエレベー
タの群管理装置が提案されている。この場合、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
れぞれ待時間評価値とし、又、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に対する満員確率（かご
が満員になる可能性を表わす指揮）の総和に所定の重み
付けをしたものを満員評価値とし、これらの待時間評価
値及び満員評価値を加算して総合評価値を求め、この総
合評価値が最小となるかごを割当かごとして選択する。

又、このほかにも、かご内負荷（又は、かご内乗客数）
の予測値をそのまま上記評価値に組込む割当方式（特開
昭５９−１７７２６６号公報参照）や、かご内乗客数の
子測値が乗込制限値を越えるかごには乗場呼びを割当て
ないようにする割当方式（特公昭６１−４７４８号公報
参照）なども提案されている。

このように、近い将来のかご内混雑度の予測値（以下、
かご内予想混雑度という）に基づいて乗場呼びの割当を
行うことにより、乗場呼びの待時間を短縮させると共に
、満貫通過や積残し現象の発生を減少させることができ
る。

しかし、かご内予想混雑度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、乗場呼びの待時間を短縮させたり
、満貫通過や積残し現象を減少させることはできなくな
る。従って、かご内予想混雑度の正確さは、群管理の性
能に大きく影響を及ぼしている。

更に、かご内予想混雑度を用いた群管理制御装置は、上
記のような満貫通過防止を目的としたちの以外にも種々
提案されている０例えば、乗場呼び登録の再操作の手間
を省くために、待客数検出装置により検出した待客数と
、かご呼びがあるときにその階床で降車する人数を予測
して求めた予想かご負荷゛とから、かごが到着したとき
に積残しが予想される場合には乗場呼びを打消さないよ
うにした方式（実公昭６２−４３９７５号公報参照）が
ある６又、重役室や貴賓室のある重要階床などの乗場呼
びに対してはできるだけすいているかごを割当てるよう
にした方式や、乗車人数又は乗込み可能人数の子測値を
、乗場に設けた報知器により待客に知らせる方式（実開
昭５６−１３５９６９号公報参照）などもある。このよ
うな群管理制御においても、かご内予想混雑度の正確さ
は、群管理の性能に大きな影響を及ぼす。

従来、かご内予想混雑度の予測演算方法としては、以下
の（Ａ）及び（Ｂ）に示すものが提案されている。

（Ａ）かご内乗客数を行先階床呼び別に振り分け、かご
内乗客数に待客数検出装置により検出した乗場待客数を
加算し、更に行先階床呼び別のかご内乗客数を減算して
、各乗場毎にかご内予想乗客数を求める（特開昭５０−
１０２０４４号公報、特公昭５４３５３６８号公報、等
参照）。

（Ｂ）かご負荷（定格負荷に対する割合）の予測値にば
らつきがあることを考慮して、途中階床での乗込客数及
び降車客数の予測値と乗込許容人数とから、乗場毎にか
ごが満貫通過する確率（満貫通過確率）、及び、満員で
出発し積残して客を生じさせる確率（満員積残し確率）
を求める（特公昭６２−４７７８７号公報参照）。

又、かご内予想乗客数の子測精度を向上させるため、以
下の（Ｃ）及び＜Ｄ）に示すような予測方法が提案され
ている。

（Ｃ）かご内乗客数を、かご呼びのある階床に所定の割
合に従って配分し、行先階法則のかご内乗客数を検出す
る。このとき、配分された行先階法則のかご内乗客数の
和が、かご内乗客数となるように補正する（特公昭５４
−２４５７８号公報参照）。

（Ｄ）かご内乗客数又はかご呼びの状態が変化したとき
に、行先階法則のかご内予想乗客数を修正する。これに
より、最新の運行状態に基づいた正確な予測が可能とな
る（特公昭５４３５３７１号公報参照）。

更に、上記（Ａ）の方法においては、待客数検出装置が
付加されることを前提としているが、待客数検出装置は
高価なため全階床に設置されないことが多い。従って、
以下の（Ｅ）に示す方法が提案されている。

（Ｅ）待客数検出装置が付加されないときには、過去の
交通需要に応じた一定値で乗場待客数を予測し、この乗
場待客数に基づいて、かご内予想乗客数を演算する（特
公昭５４−３５３７２号公報参照）。

しかしながら、上記（Ｅ）のような方法においては、乗
場待客数の子測精度が低いため、結果的に、かご内予想
乗客数の予測演算精度の向上しない。

そこで、乗場待客数検出装置が設置されない場合でも、
かご内予想乗客数を精度良く予測できるように、以下の
（Ｆ）〜（Ｈ）に示すような方法が提案されている。

（Ｆ）乗場呼びの継続時間に基づいて待客数を予測し、
予想待客数をかご内予想乗客数の演算に用いる（特開昭
５９−１７７２６６号公報参照）６（Ｇ）サービス階床
間の交通量を計測して単位時間当りの平均交通量を予測
し、平均交通量とかごが到着する丈での予測時間とから
待客数を予測し、この予想待客数をかご内予想乗客数の
演算に用いる（特開昭５９−４５８３号公報、特開昭５
９−１８２１８２号公報参照）。

（Ｈ）乗場待人数入力装置を介して、乗場待客自身が入
力した待客数を用いて、かご内予想乗客数の演算を行う
（特開昭５９−１２４６７１０号公報参照）。

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、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。

［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、かご内予想
混雑度を正確に演算するなめに、種々の要素、即ち、か
ご内乗客数やかご呼びの状態、停止予定階床での乗降人
数の子測、行先階法則の乗客数の子測、行先階法則の待
客数の子測、各階床の交通状態、などを考慮している。

しかし、これらの要素の予測を、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行い、かご内予想混雑
度を正確に演算しようとすると、かご内予想混雑度の演
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こと
が演算時間の増大を招き、乗場呼び登録と同時に割当か
ごを決定し且つかご内予想混雑度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、交通状態や交通量に応じて柔軟な予測を行
うことにより、実際のかご内混雑度に近い精密なかご内
混雑度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
、かご内予想混雑度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
するかご内予想混雑度演算手段と、出力データを所定の
制御目的の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
定の乗場のかご内予想混雑度及びそのとき使用した入力
データを記憶すると共に、その後の制御結果によりかご
が所定の乗場に停止又は通過するときの実混雑度を記憶
し、記憶された入力データ、かご内予想混雑度及び実混
雑度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かご内予想混雑度演
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、実際のかご内混雑度に近いかご内予想
混雑度を演算し、このかご内予想混雑度を用いて所定目
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、
かご内予想混雑度演算手段にニューラルネット）の重み
係数を自動的に修正することにより、交通状態や交通需
要に応じ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Ｍ　（１０）は、機能的に以
下の手段（ＩＯＡ）〜（ＩＯＤ）、（ＩＯＦ）及び（Ｉ
ＯＧ）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（ＩＯＡ）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（ＩＯＢ）は、乗場呼びの予測待時間とか
ご内予想混雑度（予測かご負荷）に基づいて評価値を計
算し、この評価値が最小となるか、ごを割当てる。

データ変換手段（ＩＯＣ）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（かご内予想混雑度に
相当するデータ）を所定の制御目的の動作（例えば、評
価値の演算）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かご内予想混雑度を演算するか
ご内予想混雑度演算手段（ＩＯＤ）は、後述するように
、入力データを取り込む入力層と、かご内予想混雑度に
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（ＩＯＦ）は、各かごのかご内予
想混雑度及びそのときの入力データ（交通状態データ）
と、その後の各かごの混雑度（かご負荷）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（ＩＯＣ）は、学習用データを用いてかご内予
想混雑度演算手段（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（Ｉ
ＩＡ）〜（ＩＩＥ）から構成されている７乗場呼び打消
手段（ＩＩＡ）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（ＩＩＢ）は、
各階床のかご呼びを登録する。

到着予報灯制御手段（ＩＩＣ）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（ＩＩＤ
）は、かごの運行方向を決定したり、かご呼びゃ割当て
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（ＩＩＥ）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ＣＰ　Ｕ　（１０１）と、ＲＯ
Ｍ　（１０２）と、ＲＡ　Ｍ　（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
船灯への乗場船灯信号（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（ＩＯＣ）及びかご
内予想混雑度演算手段（ＩＯＤ）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（１０Ｃ＾）、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（ＩＯＣＢ）は、第１
図内のデータ変換手段（ＩＯＣ）を構成している。又、
入力データ変換サブユニット（ＩＯＣＡ　）と出力デー
タ変換サブユニット（ＩＯＣＢ　）との間に挿入された
かご内予想混雑度演算ユニット（１０Ｄ＾）は、ニュー
ラルネットからなり、第１図内のかご内予想混雑度演算
手段（ＩＯＤ）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（ＩＯＣ＾）は、かご位置
、運行方向、応答すべき呼び（即ち、かご呼びゃ割当て
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（１０Ｄ＾）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（ＩＯＣＢ）は、ニューラ
ルネット（１０Ｄ＾）の出力データ（かご内予想混雑度
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かご内予想混雑度演算ユニッ
ト（ＩＯＤＡ）は、入力データ変換サブユニ・ｙト（１
０Ｃ＾）からの入力データを取り込む入力層（１０Ｄ＾
１）と、かご内予想混雑度に相当するデータを出力デー
タとする出力層（１０Ｄ＾３）と、入力層（１０Ｄ＾１
）と出力層（１０Ｄ＾３）との間にあって、重み係数が
設定された中間層（１０Ｄ＾２）とから構成されている
。

これらの各層（１０Ｄ＾１）〜（１００＾３）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（ｎｏｄｅ）から構成されている。

ここで、入力層（１０Ｄ＾１）、中間層（１０Ｄ＾２）
及び出力層（１０Ｄ＾３）のノード数を、それぞれ、Ｎ
１、Ｎ２、Ｎ３とすれば、出力層（１０Ｄ＾３）のノー
ド数Ｎ３は、Ｎ５＝２　（ＦＬ−１） 但し、ＦＬ：ビルの階床数 で表わされ、入力層（ＩＯＤＡ１）及び中間層（１００
＾２）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ｔ、ｊ、ｋを、 ｉ＝１．２．・・・、Ｎ１ ｊ＝１．２．・・・、Ｎ２ に＝１．２．・・・、Ｎ３ とすれば、入力層（１００＾１）の第ｉノードの入力値
及び出力値はｘａＨｉ）及びｙａｌ（ｉ）、中間層（１
００＾２）の第ｊノードの入力値及び出力値はｘａ２（
ｊ）及びｙａ２Ｎ）、出力層（１０Ｄ＾３）の第にノー
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（１０Ｄ＾１）の第ｉノードと中間層（１０
Ｄ＾２）の第ｊノードとの間の重み係数をｗａＨｉ、ｊ
）、中間層（１０Ｄ＾２）の第ｊノードと出力層（１０
０＾３）の第に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、 ｙａＨｉ＞＝１／［１＋ｅｘｐｆ−ｘａｌ（ｉ））コ　
　　　・・・■ｘｄ（ｊ）＝Σ（ｗａＨｉ、ｊ）Ｘ　ｙ
ａｌ（ｉ）ｌ　　＝−■（ｉ＝１〜Ｎ１による総和式） ％式％ （、ｊ　＝　１〜Ｎ２による総和式） ｙａ３（ｋ）＝１／ｒｌ＋ｅｘｐ（−ｘａ３（ｋＮｌ　
　　・＋＋■で表わされる。但し、 Ｏ≦ｗａｌ（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かご
内混雑度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Ｆ　（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すれている。

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、乗場船灯
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
くステップ３３）、もし、登録されていれば、１号機用
の仮割当て時のかご内混雑度予測プログラム（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かご内予想混雑度Ｔａ
１（ｋ）を演算する。

同様に、２号機仮割当て時のかご内混雑度予測プログラ
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かご内予想混雑
度Ｔａ２（ｋ）を演算する６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（
非仮割当て時）のかご内混雑度予測プログラム（ステッ
プ３６及び３７）を実行し、１号機及び２号機の各乗場
に対するかご内予想混雑度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で演算されたかご内予想混雑度Ｔａ１（ｋ
）、Ｔａ２（ｋ）、Ｔｂ１（ｋ）及びＴｂ２（ｋ）に基
づいて、待時間評価値Ｗｌ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
Ｗ、及びＷ２の演算方法については、例えば、特開昭５
９−１７７２６６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船灯信号（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（
１１）及び（！２）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、
各乗場のかご内予想混雑度及びその後の各かごのかご内
混雑度（かご負荷）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、かご内予想混雑度演算手段（ＩＯ
Ｄ）における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３１〜４
１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のかご内混雑度予測プログ
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（１０Ｃ＾）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、かご内予想混
雑度を演算すべきかごに関するデータ（かご位置、運行
方向、かご負荷、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、これらをかご
内予想混雑度演算ユニット（１０Ｄ＾）の入力層（１０
Ｄ＾１）の各ノードに対する入力データｘ　ａｔ（１）
〜ｘ　ａＨＮ　１）として変換する（ステップ５１）。

ここで、ビルの階床数ＦＬを１２１１１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＃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Ｊというかご状態は
、 ｘａｌ（ｆ　）−１ ｘａｌ（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、かご
負荷ｘａｌ（２３）は、取り得る最大値ＮＴｓａｘ（例
えば、１２０％）で除算することによって０〜１の値に
正規化される。

又、１階〜１２階のかご呼びｘａｌ（２４）〜ｘａｌ（
３５）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ｘａｌ（３６）〜ｘ　ａｌ　（４６）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ｘａｌ
（４７）〜ｘａｌ（５７）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。

更に、１階〜１１１１１の上り方向での５分間乗車人数
ｘ　ａｔ　（５８）〜ｘａＨ６８）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、Ｏ〜１の値に正規化される。同様に、１２ｗ１〜２
階の下り方向での５分間乗車人数ｘａｌ（６９）〜ｘａ
ｌ（７９）、１階〜１１階の上り方向での５分間降車人
数ｘａｌ（８０）〜ｘａｌ（９０）、並びに、１２階〜
２ｗ１の下り方向での５分間降車人数ｘａｌ（９１）〜
ｘａｌ（１０１）も最大値ＮＮｍａｘで除算することに
より正規化される。

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１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ｘａｌ（１）を
、 ｘ　ｄ（１）＝　ｆ　／　Ｐ　Ｌ とし、かごの運行方向を表わす第２ノードの入力値ｘａ
Ｈ２）を、上り方向は「＋１」、下り方向は「−１」、
無方向はｒ□、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（１０Ｄ＾１）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
たときのかご内混雑度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ｘａｌＮ＞を用いて、■式より、入力
層（１０Ｄ＾１）の出力値ｙａｌ（ｉ）を演算する（ス
テップ５２）。

続いて、■式で得られた出力値ｙａｌ（ｉ）に重み係数
ｗａｌ（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（１０Ｄ＾２）の入力値
ｘ　ａ２（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、
０式より、中間層（１０Ｄ＾２）の出力値ｙａ２（、ｉ
）を演算する（ステップ５４）。

続いて、０式で得られた出力値ｙａ２＜ｊ）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（ＩＯＤ八３への入力値
ｘ　ａ３（ｋ　）を演算する（ステップ５５）。

そして、■式で得られた入力値ｘ　ａ３（ｋ　）を用い
て、０式より、出力層（１０Ｄ＾３）の出力値ｙａ３（
ｋ）を演算する（ステップ５６）。

以上のように、かご内予想混雑度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（
１０ＣＢ）により、出力値ｙ　ａ３　（１）〜Ｖ　ａ３
（ｋ）の形を変換して最終的なかご内予想混雑度を決定
する（ステップ５７）。

このとき、出力層（１０Ｄ＾３）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ｙ
　ａ３（１）〜ｙ　ａ３（１１）は、それぞれ、１，２
．−．１ｌＲｊの上り方向乗場のかご内予想混雑度の演
算値の決定に使用され、第１Ｚ〜第２２ノードの出力値
ｙａ３（１２）〜ｙａ３（２２）は、それぞれ、下り方
向乗場のかご内予想混雑度の演算値の決定に使用される
。

即ち、第にノードの出力値ｙ　ａ３（ｋ　）は、乗場に
のかご内予想混雑度Ｔ（ｋ）に変換され、このかご内予
想混雑度Ｔ　（ｋ）は、 Ｔ（ｋ）＝ｙａ３（ｋ）ＸＮＴｅ＋ａｘ　　　　　＋＋
＋■のように表わされる。但し、ＮＴｍａｘは、かご内
予想混雑度の取り得る最大値を表わす一定値である。

ここで、第にノードの出力値ｙａ３（ｋ）はＯ〜１の範
囲に正規化されているので、０式のように最大値ＮＴｍ
ａｘを乗算することにより、かご内予想混雑度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、かご内混雑度予測プログラム（ステップ３
４〜・３７）において、交通状態とかご内予想混雑度と
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かご内予想混雑度を演算
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、実際のかご内混雑度に近いかご内予想混雑度を
求めることができる。更に、かご内予想混雑度に基づい
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、乗場呼びの待時間を短縮させると共に、満貫通過や
満員ＩＷ残しの発生を減少させることができる。

しかし、このネットワークは、ニューラルネッ）　（１
００＾）内の各ノード間を結ぶ重み係数ｍａｌ（ｉ、ｊ
）及びｗ　ａ　２（ｊ　、ｋ）によって変化するので、
重み係数ｍａｌ（ｉ、ｊ）及びｗａｇ（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
切なかご内予想混雑度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（ＩＯＦ）及び修正手段（ＩＯＧ）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４］）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、パック
プロパゲーション法を用いて効率的に行われる。

パ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、実測データや制鄭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、新種の乗場呼
びＣの割当が行われた直後が否かを判定する（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ｘａｌ（１）〜ｘａｌ（Ｎｌ）
と、このときの各乗場のかご内予想混雑度に相当する出
力データｙ　ａ３（１）〜ｙａ３（Ｎ　３）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、かご内混雑度（かご負荷〉の実測指令をセット
して実かご負荷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、第１かご内混雑度の実測指
令がセットされているが否がが判定されるが、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の乗場に停止又は通過していなければ
、ステップ６６に進み、割当かごのかご位ｌｆ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、かご位置での変化が検出され
ると、ステップ６６からステップ６７に進み、このとき
の実かご負荷を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
実混雑度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（又は、通過）決定が検出されると
、ステップ６８に進み、このときの実かご負荷をｍ番目
の学習用データの一部即ち実混雑度Ｔ　Ａ（Ｃ）として
記憶する。

そして、かご負荷の実測指令をリセットして実かご負荷
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山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
の実混雑度が、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（ＩＯＧ）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（１００＾）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
かを判定しくステップ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８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８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「１１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混雑度Ｔ　Ａ　（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
、 ｄ　ａ　（ｋ）　＝　Ｔ　Ａ　（ｋ）／　Ｎ　Ｔ　＋＊
ａｘ　　　　−■から求める（ステップ７３）６ 次に、ｎ番目の学習用データの中から取り出した出力層
（１０Ｄ＾３）の出力値ｙ　ａ３（１）〜ｙ　ａ３（Ｎ
３）と教師データｄ　ａ（１）〜ｄ　ａ（８３）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）ｌ’
］／２　−＝■（ｋ＝１〜Ｎ３） から求める。そして、０式で得られた誤差Ｅａを用いて
、中間層（１００＾２）と出力層（１０［１＾３）との
間の重み係数ｗ　ａ　２Ｕ、ｋ）（ｊ＝１．２．・−・
、Ｎ２、ｋ＝１．２．−、Ｎ３ンを以下のように修正す
る（ステップ７４）。

まず、０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）＝　−ａ　（θＥａ／θｗａ２（ｊ、ｋ））＝−
α・ｄａ２（ｋ）・ｙ　ａ２（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、０式
において、 ｄａ２（ｋ）　＝　（ｙａ３（ｋ）−ｄａ（ｋ）　１ｙ
ａ３（ｋ）　（１−ｙａ３（ｋ））である。こうして、
重み係数ｗａ２（ｊ、ｋ）の変化量Δｗａ２（ｊ、ｋ）
が計算されると、以下の［相］式により重み係数ｗａ２
（ｊ、ｋ）の修正が行われる。

ｗａ２（ｊ、ｋ）＝ｗａ２（ｊ、ｋ）十へｗａ２（ｊ、
ｋ）　　−（ｍ又、同様に、入力層（ＩＯＤＡＩ）ト中
Ｈ１１（１（ｌＤＡ２　）　トの間の重み係数ｗａｌ（
ｉ、ｊ）（ｉ□１，２．−　、Ｎｌ、ｊｌ、２．−Ｎ２
）を、以下の０式及び０式に従って修正する（ステップ
７５）。

まず、重み係数ｗａｌ（ｉ、ｊ）の変化量Δｗａｌ（ｉ
、ｊ）を、 Δｗｄ（ｉ、ｊ）＝−ａ　・δａｌ（ｊＬｙａｌ（ｉ）
　　・＝＠から求める。但し、０式において、δａｌ（
ｊ）は以下の、ｋ＝１〜Ｎ３による総和式、 δｍｌ　（ｊ）＝　Σイδａ２（ｋ）・＠ａ２（ｊ、ｋ
）・ｙａ２（ｊ）Ｘ　ｒｌ−ｙ　ａ２（ｊ）１１ で表わされる６０式で得られた変化量Δｗａｆ（ｉ、ｊ
）を用いて、以下の０式のように重み係数ｗａｌ（ｉ　
ｊ）の修正が行われる。

ｗａｇ（ｉ、ｊ）←ｗａｌ（ｉ、ｊ）＋Δｗａｌ（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、実際
のかご負荷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７
３〜フ５が行われると、学習用データの番号ｎをインク
リメントしくステップ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〜フロの処理を繰り返す
。

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ｗａＬ（ｉ、ｊ）及びｗａ２
（ｊ、ｋ）をかご内予想混雑度演算手段（ＩＯＤ）に登
録する（ステップフ８）。

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（１００＾）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かご内予想混雑度演算手段（
１００）の重み係数ｗａｌ（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、−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、かご負荷（乗車客の重量を定格容
量に対する割合で表わした値）の予測値をかご内予想混
雑度として用いたが、乗車客の重量そのものの予測値や
乗込み可能人数の予測値、又は、満員確率など、満員に
なる可能性を表わす指標であれば、どれを用いてもよい
。

例えば、特公昭６２−４７７８７号公報のエレベータ群
管理装置で割当評価値に使用されている満員確率をかご
内予想混雑度とした場合は、第３図に示したニューラル
ネット〈１０Ｄ＾）の出力層（１０Ｄ＾３）の出力値ｙ
　ａ３（１）〜ｙ　ａ３（Ｎ　３）のうち、第１〜第１
１ノードの出力値ｙａ３（１）〜ｙａ３（１１）をそれ
ぞれ１〜１１階の上り方向乗場の満員確率に対応させ、
第１２〜第２２ノードの出力値ｙ　ａ３（１２）〜ｙ　
ａ３（２２）をそれぞれ１２〜２１１１の下り方向乗場
の満員確率に対応させればよい、このとき、第にノード
の出力値ｙ　ａ３（ｋ　）（ｋ　＝　１．２．・・・、
Ｎ３）は、既に０〜１の範囲に正規化されているので、
そのまま乗場呼び割当の評価値演算に使用することがで
きる。従って、乗場にのかご内予想混雑度Ｔ（ｋ）は、 Ｔ　（ｋ　）＝　ｙ　ａ３（ｋ　）　　　　　　　・・
・■で表わされる。

又、このように満員確率をかご内予想混雑度とした場合
の学習用データ作成プログラム（ステップ４０）は、第
８図のフローチャート図のようになる。第８図において
、ステップ６１〜６６及び６９は第６図と同様である。

この場合、ステップ６６において、割当かごの位置ｆが
変化したことが判定されると、ステップ６７′に進み、
かご位置階床ｆにかご呼びが無く、且つかご負荷が８０
％以上のとき、満貫通過するものとして、ｍ番目の学習
用データＴＡ（ｆ）を「１」に設定して記憶する。それ
以外のときは、学習用データＴＡ（ｆ）をＯとする。

又、ステップ６５において、割当かごが乗場呼びＣの乗
場に停止又は通過したことが判定されると、ステップ６
８′に進み、かご位Ｎ階床ｆにかご呼びが無く、且つか
ご負荷が８０％以上のとき、満貫通過するものとして、
ｍ番目の学習用データＴ　Ａ　（Ｃ’）を「１」に設定
して記憶する。それ以外のときは、学習用データＴ　Ａ
　（Ｃ）をＯとする。

一般に、満貫通過とは、満員（かご負荷が定格容量の８
０％以上）になると、かご呼びが無い乗場の乗場呼びを
自動的に通過させる動作である。従って、第８図内のス
テップ６７′及び６８′において、教師デ−タは、かご
がかご呼びのない乗場（割当てられた乗場呼びがその乗
場に有るか否かにかかわらず）に到達したときに、かご
負荷が８０％以上であれば’ｌｒ、それ以外のときは「
０」として作成される。この場合、教師データｄａ（ｋ
）への変換は、ｄ　ａ（ｋ）　＝　Ｔ　Ａ　（ｋ）　　
　　　　−＠により行われる。

こうして作成された学習用データに基づいて、第７図の
修正プログラム（ステップ４１）を実行し、前述と同様
に重み係数が修正される。

尚、上記各実施例では、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１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
、−層正確なかご内予想混雑度の演算が可能となる。

又、学習用データ作成手段（ＩＯＰ）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かご内予想
混雑度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
場に対する実混雑度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０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（ＩＯＦ）は１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
を対象とした実混雑度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（ＬＯＧ）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０例えば、全乗場に関するか
ご内予想混雑度と、かごの運行中に測定することができ
た実混雑度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、実混雑度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
ごく割当呼びを待たないかご）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。

更に、かご内予想混雑度演算手段（３０Ｄ　＞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
通が閑散になってかご内予想混雑度演算手段（ＩＯＤ）
によるかご内予想混雑度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。

［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、か
ご内予想混雑度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
かご内予想混雑度演算手段と、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
、かご内予想混雑度を演算するようにしたので、実際の
かご内混雑度に近いかご内予想混雑度を演算することが
できると共に、正確なかご内予想混雑度に基づいて群管
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６ 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、所定のかごのかご内予
想混雑度及びそのときの入力データ、並びに、所定のか
ごの実混雑度を記憶し、これらを−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
用いてかご内予想混雑度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、ビル内の交通の流れの変化にも自動的に対応
でき、更にかご内混雑度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かご内予想混雑度演算手段を具
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かご
内混雑度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、第
８図はこの発明の別の発明の他の実施例による学習用デ
ータ作成プログラムを示すフローチャート図である。 （１０Ｃ）・・・データ変換手段 （１０Ｃ＾）・・・入力データ変換サブユニット（ＩＯ
ＣＢ）・・出力データ変換サブユニット（１０Ｄ＾）・
・・ニューラルネット （１０Ｄ＾１）・・・入力層　　　　（１００Δ２）・
・・中間層（１００＾３）・・・出力層 （ＩＯＣ）・・・かご内予想混雑度演算手段（ＩＯＦ）
・・学習用データ作成手段 （ＩＯＧ＞・・・修正手段 ｗａｌ（ｉ、ｊ）、ｗａ２（ｊ、ｋ）−重み係数部、図
中、同一符号は同−又は相当部分を示す。

Claims (2)

【特許請求の範囲】
1. （１）エレベータのかごが乗場に停止又は通過するとき
   のかご内の混雑の程度をかご内予想混雑度として予測演
   算し、前記かご内予想混雑度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、前記かご内予想混雑
   度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
   かご内予想混雑度演算手段と、 前記出力データを所定の制御目的の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. （２）エレベータの稼働中に予め決められた時期になる
   と、所定の乗場のかご内予想混雑度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
   又は通過するときのかご内の混雑の程度を実混雑度とし
   て記憶し、記憶された前記入力データ、前記かご内予想
   混雑度及び前記実混雑度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かご内予想混雑度演算手段の
   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。