JPH0687579A - 人工知能トラフィックのモデル化および予測システム - Google Patents
人工知能トラフィックのモデル化および予測システムInfo
- Publication number
- JPH0687579A JPH0687579A JP5090278A JP9027893A JPH0687579A JP H0687579 A JPH0687579 A JP H0687579A JP 5090278 A JP5090278 A JP 5090278A JP 9027893 A JP9027893 A JP 9027893A JP H0687579 A JPH0687579 A JP H0687579A
- Authority
- JP
- Japan
- Prior art keywords
- traffic
- passenger
- arrival rate
- neural network
- car
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/24—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration
- B66B1/2408—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration where the allocation of a call to an elevator car is of importance, i.e. by means of a supervisory or group controller
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/24—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration
- B66B1/2408—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration where the allocation of a call to an elevator car is of importance, i.e. by means of a supervisory or group controller
- B66B1/2458—For elevator systems with multiple shafts and a single car per shaft
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B2201/00—Aspects of control systems of elevators
- B66B2201/10—Details with respect to the type of call input
- B66B2201/102—Up or down call input
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B2201/00—Aspects of control systems of elevators
- B66B2201/20—Details of the evaluation method for the allocation of a call to an elevator car
- B66B2201/211—Waiting time, i.e. response time
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B2201/00—Aspects of control systems of elevators
- B66B2201/20—Details of the evaluation method for the allocation of a call to an elevator car
- B66B2201/235—Taking into account predicted future events, e.g. predicted future call inputs
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B2201/00—Aspects of control systems of elevators
- B66B2201/40—Details of the change of control mode
- B66B2201/402—Details of the change of control mode by historical, statistical or predicted traffic data, e.g. by learning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B2201/00—Aspects of control systems of elevators
- B66B2201/40—Details of the change of control mode
- B66B2201/403—Details of the change of control mode by real-time traffic data
Abstract
(57)【要約】 （修正有）
【目的】 特にエレベータ群のために、神経ネットワー
クを使用する人工知能トラフィックのモデル化および予
測システムを提供する。 【構成】 乗客到着率（ＰＡＲ）および乗客行先確率
（ＰＤＰ）をモデル化、学習且つ予測するために、トラ
フィックモデルに基づく三つの神経ネットワークが提供
される。該モデルは、ビル内に設置されて、その神経ネ
ットワークに、入力時の時間であり、出力時の到着率ま
たはカー呼び出し分配である前もって記憶されたトラフ
ィックデータを与えることにより発生するトラフィック
を学習する。次いで神経ネットワークは、最適な予測を
与えるために組み合わせ回路で結合されている前日のデ
ータに基づく履歴予測と最後の１０分間のデータに基づ
くリアルタイム予測とを行うようにその内部構造を調整
する。
クを使用する人工知能トラフィックのモデル化および予
測システムを提供する。 【構成】 乗客到着率（ＰＡＲ）および乗客行先確率
（ＰＤＰ）をモデル化、学習且つ予測するために、トラ
フィックモデルに基づく三つの神経ネットワークが提供
される。該モデルは、ビル内に設置されて、その神経ネ
ットワークに、入力時の時間であり、出力時の到着率ま
たはカー呼び出し分配である前もって記憶されたトラフ
ィックデータを与えることにより発生するトラフィック
を学習する。次いで神経ネットワークは、最適な予測を
与えるために組み合わせ回路で結合されている前日のデ
ータに基づく履歴予測と最後の１０分間のデータに基づ
くリアルタイム予測とを行うようにその内部構造を調整
する。
Description
【０００１】
【産業上の利用分野】本発明は、特にエレベータ群のた
めの神経ネットワークを使用する人工知能トラフィック
のモデル化および予測システムに関しており、該システ
ムにおいて、所定の機能必要条件の組からエレメントの
所望の組み合わせおよび重量計測により規定される機能
プロファイルに関して、呼び出しに応えるカーへのホー
ルからの呼び出しを適切に割り当てることによりエレベ
ータ群の機能が最適化され、この呼び出し割当が、マイ
クロプロセッサにより支援されていると共に、乗客の待
ち時間および他の損失時間に対応し且つ計算時に決定論
的に広く行われるトラフィック、およびサービス時間に
ついて慨然論的に予測されるトラフィックに基づいて計
算される操作費用に基づいており、さらに全エレベータ
および全ホール呼び出しの操作費用が比較され、これら
の操作費用を最適化する割当が選択される。
めの神経ネットワークを使用する人工知能トラフィック
のモデル化および予測システムに関しており、該システ
ムにおいて、所定の機能必要条件の組からエレメントの
所望の組み合わせおよび重量計測により規定される機能
プロファイルに関して、呼び出しに応えるカーへのホー
ルからの呼び出しを適切に割り当てることによりエレベ
ータ群の機能が最適化され、この呼び出し割当が、マイ
クロプロセッサにより支援されていると共に、乗客の待
ち時間および他の損失時間に対応し且つ計算時に決定論
的に広く行われるトラフィック、およびサービス時間に
ついて慨然論的に予測されるトラフィックに基づいて計
算される操作費用に基づいており、さらに全エレベータ
および全ホール呼び出しの操作費用が比較され、これら
の操作費用を最適化する割当が選択される。
【０００２】
【従来の技術】より知的なエレベータ群の制御システム
の必要性が認識されている。したがって、人工知能トラ
フィックプロセッサ（ＡＩＴＰ）（Artificially Intel
ligentTraffic Processor）が、相互に作用するいくつ
かのモジュ−ルまたは目的として設計され、その結果よ
りフレキシブルで知的なシステムが作られた。人工知能
の分野からの技術が、このシステム内でいくつかの目的
を実行するために使用された。これらの技術は、トラフ
ィックパターンにおける変化に適応し、不確実なデータ
を使用し、より有効な割当てを行うようにシステムの能
力を高める。トラフィックパターンのモデル化および予
測はすでに乗客サービスを改良する可能な手段として認
められている。
の必要性が認識されている。したがって、人工知能トラ
フィックプロセッサ（ＡＩＴＰ）（Artificially Intel
ligentTraffic Processor）が、相互に作用するいくつ
かのモジュ−ルまたは目的として設計され、その結果よ
りフレキシブルで知的なシステムが作られた。人工知能
の分野からの技術が、このシステム内でいくつかの目的
を実行するために使用された。これらの技術は、トラフ
ィックパターンにおける変化に適応し、不確実なデータ
を使用し、より有効な割当てを行うようにシステムの能
力を高める。トラフィックパターンのモデル化および予
測はすでに乗客サービスを改良する可能な手段として認
められている。
【０００３】現在までのトラフィックのモデル化計画
は、ホールでの乗客の到着をモデル化するために主にポ
アソン分布に基づく待行列理論を広く使用してきた。ビ
ル全体用の単一の到着率または各個別の階に特有な到着
率を使用する計画が提案された。これらの計画は、選択
された到着率がビルの日毎の、またより長い期間の使用
期間にわたって不変であるという基本的な仮定に基づい
ている。しかしこの仮定は、階の搭乗者の動きが、その
階の到着率および行先にかなり影響を及ぼす可能性があ
る、階の使用者が少ない近代的なビルにおいては効果が
無い。次に、ビルの使用はその使用期間にわたって著し
く変化し、したがって居住者の到着率行動も同様であり
得る。最後に、ポアソン分布はエレベータ状況における
待行列行動に近いものとみなされるにすぎない。
は、ホールでの乗客の到着をモデル化するために主にポ
アソン分布に基づく待行列理論を広く使用してきた。ビ
ル全体用の単一の到着率または各個別の階に特有な到着
率を使用する計画が提案された。これらの計画は、選択
された到着率がビルの日毎の、またより長い期間の使用
期間にわたって不変であるという基本的な仮定に基づい
ている。しかしこの仮定は、階の搭乗者の動きが、その
階の到着率および行先にかなり影響を及ぼす可能性があ
る、階の使用者が少ない近代的なビルにおいては効果が
無い。次に、ビルの使用はその使用期間にわたって著し
く変化し、したがって居住者の到着率行動も同様であり
得る。最後に、ポアソン分布はエレベータ状況における
待行列行動に近いものとみなされるにすぎない。
【０００４】最近では、重要なトラフィック事象を表わ
す統計表の作成技術を使用することによってこれらの短
所のいくつかを解決しようとする計画が試みられてい
る。新しい事象が、予測されてパラメータ化された指数
平滑法機能を使用するこれらの表に加えられる。これら
のシステムは、離散的事象にサービスを提供するだけで
あり、指数平滑法技術は、貴重な情報を失う可能性があ
る。このように、現在且つ履歴トラフィック事象からそ
の予測を推論する統計技術が、長年の間明白であった
し、また「人口知能」と見なされることも可能である。
しかし、あらかじめデータを解釈することがしばしば必
要とされること、および観察されたトラフィック行動に
関する変数の微妙な結果を表すのが不可能ではなくとも
しばしば困難であるというこれらの統計技術についての
二つの一般的なコメントは妥当である。
す統計表の作成技術を使用することによってこれらの短
所のいくつかを解決しようとする計画が試みられてい
る。新しい事象が、予測されてパラメータ化された指数
平滑法機能を使用するこれらの表に加えられる。これら
のシステムは、離散的事象にサービスを提供するだけで
あり、指数平滑法技術は、貴重な情報を失う可能性があ
る。このように、現在且つ履歴トラフィック事象からそ
の予測を推論する統計技術が、長年の間明白であった
し、また「人口知能」と見なされることも可能である。
しかし、あらかじめデータを解釈することがしばしば必
要とされること、および観察されたトラフィック行動に
関する変数の微妙な結果を表すのが不可能ではなくとも
しばしば困難であるというこれらの統計技術についての
二つの一般的なコメントは妥当である。
【０００５】したがって、エレベータカー割当のための
群衆感知システムに基づく「人口知能」が、ヨーロッパ
特許出願第0,385,811号から既知となっている。この特
許出願によって提案されている方法では、観察が、記憶
されるか、または何か他のアクションが取られる前に
「興味深い」と分類される。興味深いというのは、二つ
のカーが３分以内一つの階に停止していることであると
分類され得る。そのようなアプローチは、「興味深い」
ということがほとんどの事象に適切である分類による。
「興味深い」事象を指定する基準がハードコード化（ha
rd-coded）され、したがって全てのエレベータの設置の
ためには適切でない可能性がある。将来の事象は、指数
平滑法技術を使って結合される最近の事象から推論され
る。長期的事象は、長期的データベースから予測され
る。興味深いとみなされる事象だけが長期的データベー
スへの追加について考慮される。事象はふたたび指数平
滑法技術を使って結合される。そのようなアプローチ
は、フレキシブルでなく、大規模な事象のみを表すこと
が可能であるように見える。本発明は、そのような問題
および欠陥に対する救済策を提供しようとしている。
群衆感知システムに基づく「人口知能」が、ヨーロッパ
特許出願第0,385,811号から既知となっている。この特
許出願によって提案されている方法では、観察が、記憶
されるか、または何か他のアクションが取られる前に
「興味深い」と分類される。興味深いというのは、二つ
のカーが３分以内一つの階に停止していることであると
分類され得る。そのようなアプローチは、「興味深い」
ということがほとんどの事象に適切である分類による。
「興味深い」事象を指定する基準がハードコード化（ha
rd-coded）され、したがって全てのエレベータの設置の
ためには適切でない可能性がある。将来の事象は、指数
平滑法技術を使って結合される最近の事象から推論され
る。長期的事象は、長期的データベースから予測され
る。興味深いとみなされる事象だけが長期的データベー
スへの追加について考慮される。事象はふたたび指数平
滑法技術を使って結合される。そのようなアプローチ
は、フレキシブルでなく、大規模な事象のみを表すこと
が可能であるように見える。本発明は、そのような問題
および欠陥に対する救済策を提供しようとしている。
【０００６】
【発明が解決しようとする課題】したがって本発明の目
的は、神経ネットワーク（Neural Network）技術を使用
してビルを使用する人々の行動をモデル化することによ
ってトラフィックのモデル化への新しいアプローチを提
示することである。特に、これら神経ネットワーク技術
は、事象をあらかじめ定義することなしにトラフィック
行動における変化に自動的に適応し、トラフィックの相
対レベルならびにトラフィックパターンを表す結果を生
成させ、且つカー割り当ての原因となるＡＩＴＰ内の目
的に対して予測情報を供給するトラフィックのモデル化
用システムを提供する。
的は、神経ネットワーク（Neural Network）技術を使用
してビルを使用する人々の行動をモデル化することによ
ってトラフィックのモデル化への新しいアプローチを提
示することである。特に、これら神経ネットワーク技術
は、事象をあらかじめ定義することなしにトラフィック
行動における変化に自動的に適応し、トラフィックの相
対レベルならびにトラフィックパターンを表す結果を生
成させ、且つカー割り当ての原因となるＡＩＴＰ内の目
的に対して予測情報を供給するトラフィックのモデル化
用システムを提供する。
【０００７】
【課題を解決するための手段】本発明によれば、この問
題は請求項１に特徴付けられている手段によって解決さ
れる。有利な拡張は、従属請求項に示されている。
題は請求項１に特徴付けられている手段によって解決さ
れる。有利な拡張は、従属請求項に示されている。
【０００８】従来技術のトラフィックのモデル化および
予測の問題点および欠陥は、本発明に従って下記の利点
を提供する神経ネットワークにより解決される。第１の
利点は、特にパターンの識別および分類に好適な分配モ
デルを提供する神経ネットワークに見ることができる。
利点には、自動学習、並列処理および障害の許容範囲を
使用するため適用範囲が含まれることもまた発見され
た。さらに、部分的または不完全な情報しか利用可能で
ない場合に、神経ネットワークは部分的または完全な解
決案を提供することが可能である。デ−タが雑音が多く
しばしば不完全であるトラフィックパターンをモデル化
するときに、これらの特性の多くが非常に有効であるこ
とは明らかである。
予測の問題点および欠陥は、本発明に従って下記の利点
を提供する神経ネットワークにより解決される。第１の
利点は、特にパターンの識別および分類に好適な分配モ
デルを提供する神経ネットワークに見ることができる。
利点には、自動学習、並列処理および障害の許容範囲を
使用するため適用範囲が含まれることもまた発見され
た。さらに、部分的または不完全な情報しか利用可能で
ない場合に、神経ネットワークは部分的または完全な解
決案を提供することが可能である。デ−タが雑音が多く
しばしば不完全であるトラフィックパターンをモデル化
するときに、これらの特性の多くが非常に有効であるこ
とは明らかである。
【０００９】本発明は、エレベータ群におけるトラフィ
ックのモデル化および予測に関して記載されている。し
かし本発明が、人間の輸送または材料の取扱い用の他の
型のシステムでトラフィックを処理するのに使用しても
よいし、従って明細書および請求項に使用されているよ
うな「エレベータ」「カー」「乗客」という用語がそう
した他のタイプの輸送システムにおいて同等なものを包
含することを理解しなければならない。
ックのモデル化および予測に関して記載されている。し
かし本発明が、人間の輸送または材料の取扱い用の他の
型のシステムでトラフィックを処理するのに使用しても
よいし、従って明細書および請求項に使用されているよ
うな「エレベータ」「カー」「乗客」という用語がそう
した他のタイプの輸送システムにおいて同等なものを包
含することを理解しなければならない。
【００１０】本発明の典型的な実施例を示す図面に関連
した下記の詳細な記載を読むことにより、本発明はより
よく理解され、上記に記載されたもの以外の目的が明ら
かになるであろう。
した下記の詳細な記載を読むことにより、本発明はより
よく理解され、上記に記載されたもの以外の目的が明ら
かになるであろう。
【００１１】
【実施例】図１は、ＡＩＴＰの全体的な操作を示してい
る。割当ておよび費用計算目的の予測データ必要条件を
満たすために、集団行動が、一日の間の各階および方向
に対しての乗客の到着率の分配と、一日の間の各階につ
いての乗客の行先確率（即ち、カー呼び出しの分配）と
いう集団の移動の二つの主要特性をモデル化することに
よって表わされる。
る。割当ておよび費用計算目的の予測データ必要条件を
満たすために、集団行動が、一日の間の各階および方向
に対しての乗客の到着率の分配と、一日の間の各階につ
いての乗客の行先確率（即ち、カー呼び出しの分配）と
いう集団の移動の二つの主要特性をモデル化することに
よって表わされる。
【００１２】特に興味深いのは、トラフィックのモデル
化および予測を含む行動操作である。三つの主要な操作
がこの点で実行される。
化および予測を含む行動操作である。三つの主要な操作
がこの点で実行される。
【００１３】− トラフィックデータの短期記憶、フォ
ーマッティング、および長期記憶１（図４参照）、 − 時刻およびに最近のトラフィック行動による現在の
トラフィック予測の更新２（図５参照）、 − 長期的データ記憶装置に保管されたトラフィックデ
ータを使用する神経ネットワークモデルのトレーニング
３（図６参照）。
ーマッティング、および長期記憶１（図４参照）、 − 時刻およびに最近のトラフィック行動による現在の
トラフィック予測の更新２（図５参照）、 − 長期的データ記憶装置に保管されたトラフィックデ
ータを使用する神経ネットワークモデルのトレーニング
３（図６参照）。
【００１４】前述の二つのトラフィック特性に基づい
て、所定の階から移動する必要がある乗客の数を予測
し、その予想行先の測定をすることが可能である。
て、所定の階から移動する必要がある乗客の数を予測
し、その予想行先の測定をすることが可能である。
【００１５】図２はトラフィック特性「乗客到着率」を
モデル化することに関する。乗客到着率をモデル化し、
将来の所定の時間に対して乗客到着率のベクトル、階お
よび方向につき一つのエレメントを作り出す二つのモデ
ルが開発された。次いでこれを現在および将来の呼び出
しの背後の乗客数の予測用に使用することが可能であ
る。履歴到着率モデル（Historical Arrival Rates Mod
el）と呼ばれる第１のトラフィックモデルＴＭ１は、エ
レベータシステムの作業時間中の乗客の到着率パターン
を連続的に学習する。このモデルは神経ネットワーク技
術により実行されているので、このプロセスは神経ネッ
トワークトレーニングと言われる。該モデルにより、現
在の時刻が与えられると、将来の指定された時間にビル
の各階および方向についての乗客到着率を予測すること
が可能である。該モデルは、それぞれ異なる入力パター
ンとその結果として生ずる出力パターンとの間の対応を
表わす。入力パターンは、時刻および曜日のコード化さ
れた２進バージョンである。出力パターンは、ビルの各
階および方向についての到着率を表わす。したがって、
トレーニングデータセットは、一日のトラフィック行動
についての入出力パターンのペアを含んでいる。各ペア
は、各階における５分周期の到着率行動を表わす。実到
着率モデル（Real Arrival Rates Model）と呼ばれる第
２のトラフィックモデルＴＭ２もまた神経ネットワーク
技術に基づいており、また将来の乗客到着率の予測をす
る。しかし、第１のモデルと違って、これらの予測は各
階での最近の乗客到着率行動から推論される。このアプ
ローチは、現システムと同様であるが、神経ネットワー
ク技術を使用することにより、あらかじめ定義された統
計的分配ではなく実際の到着率行動を表わす、より強力
な推論機能が獲得される。
モデル化することに関する。乗客到着率をモデル化し、
将来の所定の時間に対して乗客到着率のベクトル、階お
よび方向につき一つのエレメントを作り出す二つのモデ
ルが開発された。次いでこれを現在および将来の呼び出
しの背後の乗客数の予測用に使用することが可能であ
る。履歴到着率モデル（Historical Arrival Rates Mod
el）と呼ばれる第１のトラフィックモデルＴＭ１は、エ
レベータシステムの作業時間中の乗客の到着率パターン
を連続的に学習する。このモデルは神経ネットワーク技
術により実行されているので、このプロセスは神経ネッ
トワークトレーニングと言われる。該モデルにより、現
在の時刻が与えられると、将来の指定された時間にビル
の各階および方向についての乗客到着率を予測すること
が可能である。該モデルは、それぞれ異なる入力パター
ンとその結果として生ずる出力パターンとの間の対応を
表わす。入力パターンは、時刻および曜日のコード化さ
れた２進バージョンである。出力パターンは、ビルの各
階および方向についての到着率を表わす。したがって、
トレーニングデータセットは、一日のトラフィック行動
についての入出力パターンのペアを含んでいる。各ペア
は、各階における５分周期の到着率行動を表わす。実到
着率モデル（Real Arrival Rates Model）と呼ばれる第
２のトラフィックモデルＴＭ２もまた神経ネットワーク
技術に基づいており、また将来の乗客到着率の予測をす
る。しかし、第１のモデルと違って、これらの予測は各
階での最近の乗客到着率行動から推論される。このアプ
ローチは、現システムと同様であるが、神経ネットワー
ク技術を使用することにより、あらかじめ定義された統
計的分配ではなく実際の到着率行動を表わす、より強力
な推論機能が獲得される。
【００１６】図３は、トラフィック特性「カー呼び出し
分配」のモデル化に関する。このために、カー呼び出し
分配モデルと呼ばれる第３のトラフィックモデルＴＭ３
が、一日の間の各階について観察されるカー呼び出しの
分配をモデル化する。これによって、現在および将来の
ホール呼び出しについての行先を予測することが可能に
なる。登録された呼び出しについての乗客の行先が、最
高逆階（reversal floor）および中間停止の数のような
計算に使用されることが可能である。エレベータシステ
ムの作動時間中に各階で発生するカー呼び出しのパター
ンを連続的に学習する。それによって該モデルは、現在
の時刻に従って発生する可能性があるカー呼び出しを予
測することができる。該モデルは、履歴到着率モデルＴ
Ｍ１と同様な方法で自身を訓練する。しかし、出力パタ
ーンは、ビル内の各階に対するカー呼び出し確率分配と
取り替えられる。したがって、パターンペアは、一日の
各５分周期の間の各階に対する時間およびカー呼び出し
分配ということになる。
分配」のモデル化に関する。このために、カー呼び出し
分配モデルと呼ばれる第３のトラフィックモデルＴＭ３
が、一日の間の各階について観察されるカー呼び出しの
分配をモデル化する。これによって、現在および将来の
ホール呼び出しについての行先を予測することが可能に
なる。登録された呼び出しについての乗客の行先が、最
高逆階（reversal floor）および中間停止の数のような
計算に使用されることが可能である。エレベータシステ
ムの作動時間中に各階で発生するカー呼び出しのパター
ンを連続的に学習する。それによって該モデルは、現在
の時刻に従って発生する可能性があるカー呼び出しを予
測することができる。該モデルは、履歴到着率モデルＴ
Ｍ１と同様な方法で自身を訓練する。しかし、出力パタ
ーンは、ビル内の各階に対するカー呼び出し確率分配と
取り替えられる。したがって、パターンペアは、一日の
各５分周期の間の各階に対する時間およびカー呼び出し
分配ということになる。
【００１７】以下の図４、図５および図６は、必要に応
じてカー費用の計算および割当ての原因となる目的につ
いての予測を行うことに関する。カー割当ては、第１に
現在のホール呼び出しに応答することと、第２に将来の
頻繁なトラフィックに対する要求が予想されるエリアで
カーをパークさせることという二つの形をとり得る。
じてカー費用の計算および割当ての原因となる目的につ
いての予測を行うことに関する。カー割当ては、第１に
現在のホール呼び出しに応答することと、第２に将来の
頻繁なトラフィックに対する要求が予想されるエリアで
カーをパークさせることという二つの形をとり得る。
【００１８】図４において、トラフィック予測に必要と
されるデ−タが集められ、フォーマッティングされ、且
つ記憶される。トラフィックデータは、カー目的からト
ラフィックデータ記憶目的に伝送される。このデ−タ
は、到着率またはカー呼び出しデ−タという二つの形を
取り得る。これらは、その日のどの分周期をデ−タが記
載するかを示す日時記録と共に別々に受信される。この
日時記録は、現在のデ−タ日時記録を対照して検査され
る。各分周期に、各カー用の到着率とカー呼び出しデ−
タとのセットがある。デ−タの日時記録が異なっている
場合には、データは関連タイムスロット４用にセーブさ
れる。デ−タが現在のタイムスロットに属している場合
には、データはタイムスロット５用に存在するデ−タに
加えられる。例えば、Ｎ台のカー群には各分につきＮセ
ットの到着デ−タと、Ｎセットのカー呼び出しデ−タが
ある。到着率は、各階／方向用に加算されて、その分周
期用のトータル到着率値を与える。同じプロセスが、カ
ー呼び出し用に実行される。最後に、新規の５分分のデ
−タが集められた場合６、即ち、５ｘＮカーの場合、到
着率およびカー呼び出し用の累積値が、その日における
５分周期を表し、長期的記憶装置に記憶される日時記録
と共にフォーマッティングされる。このデ−タの記載お
よびフォ−マットは、下記のように詳細に記載すること
が可能である。一日の間の乗客行動デ−タが各５分周期
について記憶される。特定の５分間に乗客が到着する率
と、５分周期の間の各階についてのカー呼び出しの確率
分配という二つの型のデータが記憶される。どちらの場
合も、一日に５分周期が２８８ある。
されるデ−タが集められ、フォーマッティングされ、且
つ記憶される。トラフィックデータは、カー目的からト
ラフィックデータ記憶目的に伝送される。このデ−タ
は、到着率またはカー呼び出しデ−タという二つの形を
取り得る。これらは、その日のどの分周期をデ−タが記
載するかを示す日時記録と共に別々に受信される。この
日時記録は、現在のデ−タ日時記録を対照して検査され
る。各分周期に、各カー用の到着率とカー呼び出しデ−
タとのセットがある。デ−タの日時記録が異なっている
場合には、データは関連タイムスロット４用にセーブさ
れる。デ−タが現在のタイムスロットに属している場合
には、データはタイムスロット５用に存在するデ−タに
加えられる。例えば、Ｎ台のカー群には各分につきＮセ
ットの到着デ−タと、Ｎセットのカー呼び出しデ−タが
ある。到着率は、各階／方向用に加算されて、その分周
期用のトータル到着率値を与える。同じプロセスが、カ
ー呼び出し用に実行される。最後に、新規の５分分のデ
−タが集められた場合６、即ち、５ｘＮカーの場合、到
着率およびカー呼び出し用の累積値が、その日における
５分周期を表し、長期的記憶装置に記憶される日時記録
と共にフォーマッティングされる。このデ−タの記載お
よびフォ−マットは、下記のように詳細に記載すること
が可能である。一日の間の乗客行動デ−タが各５分周期
について記憶される。特定の５分間に乗客が到着する率
と、５分周期の間の各階についてのカー呼び出しの確率
分配という二つの型のデータが記憶される。どちらの場
合も、一日に５分周期が２８８ある。
【００１９】両モデルに共通なのは時間である入力トレ
ーニング（学習）デ−タである。出力デ−タは、モデル
に依存する、即ち、到着率またはカー呼び出し分配であ
る。時間は、時刻（５分周期で）、曜日および月で表さ
れる。これらの部分フィールドの各々は、神経ネットワ
ークと共に使用するためにビット整数としてコード化さ
れる。到着率およびカー呼び出しデ−タは実数で表され
る。データフォーマットは次の通りである。
ーニング（学習）デ−タである。出力デ−タは、モデル
に依存する、即ち、到着率またはカー呼び出し分配であ
る。時間は、時刻（５分周期で）、曜日および月で表さ
れる。これらの部分フィールドの各々は、神経ネットワ
ークと共に使用するためにビット整数としてコード化さ
れる。到着率およびカー呼び出しデ−タは実数で表され
る。データフォーマットは次の通りである。
【００２０】到着率ベクトル 各５分周期について、一つのベクトルが下記のフォーマ
ットでトレーニングファイル内に記憶される。
ットでトレーニングファイル内に記憶される。
【００２１】 到着率は、各階および方向用、即ち、地上階は上方向、
１階は上方向、１階は下方向などである。
１階は上方向、１階は下方向などである。
【００２２】カー呼び出し確率 ビル内の各階用に行先モデルがあるので、各階用にカー
呼び出し確率ベクトルがある。１０階建のビル用には、
５分周期に対して１０のベクトルがある。
呼び出し確率ベクトルがある。１０階建のビル用には、
５分周期に対して１０のベクトルがある。
【００２３】 カー呼び出し確率は各可能行先階用である。この5分周
期操作と平行して、１分周期の到着率の最後の１０が、
リアルタイム予測モジュールによって使用されるために
最新に保たれる。
期操作と平行して、１分周期の到着率の最後の１０が、
リアルタイム予測モジュールによって使用されるために
最新に保たれる。
【００２４】図４の手続によって必要なトラフィックデ
ータを記憶した後で、次の図５は、適時予測が費用計算
およびカー割当て目的によって使用されるのを示してい
る。呼出が行われると、現在の時間は、履歴予測が行わ
れた最後の時間と比較される。その差が５分より大きい
か、または５分に等しい場合、各階および方向について
到着率およびカー呼び出し分配の新規予測が行われる。
到着率の予測もまた、各階および方向について最後の１
０分間の到着率に基づいて行われる。これらのリアルタ
イム予測は、到着率予測の最適セットを作り出すために
歴史に基づいた予測と組み合わせられる。最後に、マト
リクス７が、予測されたカー呼び出しおよび到着率から
構成される。マトリクス７における各エントリ８は、同
一の予定行先を有するホール呼び出しの背後の乗客数を
表す。最後の履歴予測からまだ５分経過していない場合
に、現在の時間が、リアルタイム予測が行われた最後の
時間と対照して検査される。これが１分より大きいか、
または１分に等しい場合には、リアルタイム到着率の新
規のセットが、最後の１０分間の到着率行動に基づいて
作り出される。次いでこれらの予測は、最適到着率予測
の新規セットを与えるために履歴到着率予測の現在のセ
ットと組み合わせられる。さらにこれらの最適値は、新
規の予測マトリクス７を作り出すために現在のカー呼び
出し予測と組み合わせられる。上述のテストが両方とも
うまく行かない場合には、現在の予測マトリクス７が使
用される。
ータを記憶した後で、次の図５は、適時予測が費用計算
およびカー割当て目的によって使用されるのを示してい
る。呼出が行われると、現在の時間は、履歴予測が行わ
れた最後の時間と比較される。その差が５分より大きい
か、または５分に等しい場合、各階および方向について
到着率およびカー呼び出し分配の新規予測が行われる。
到着率の予測もまた、各階および方向について最後の１
０分間の到着率に基づいて行われる。これらのリアルタ
イム予測は、到着率予測の最適セットを作り出すために
歴史に基づいた予測と組み合わせられる。最後に、マト
リクス７が、予測されたカー呼び出しおよび到着率から
構成される。マトリクス７における各エントリ８は、同
一の予定行先を有するホール呼び出しの背後の乗客数を
表す。最後の履歴予測からまだ５分経過していない場合
に、現在の時間が、リアルタイム予測が行われた最後の
時間と対照して検査される。これが１分より大きいか、
または１分に等しい場合には、リアルタイム到着率の新
規のセットが、最後の１０分間の到着率行動に基づいて
作り出される。次いでこれらの予測は、最適到着率予測
の新規セットを与えるために履歴到着率予測の現在のセ
ットと組み合わせられる。さらにこれらの最適値は、新
規の予測マトリクス７を作り出すために現在のカー呼び
出し予測と組み合わせられる。上述のテストが両方とも
うまく行かない場合には、現在の予測マトリクス７が使
用される。
【００２５】次の図６は、ビルを使用する人々の行動が
どのように学習されるかを示している。何故ならば、神
経ネットワークが過去において観察したことから将来の
事象を予測するからである。先ず、履歴到着率およびカ
ー呼び出しモデルのオリジナルが現在の予測のために利
用可能でなければならないので、トレーニング目的はそ
れらのコピーを作成する。これらのコピーは、長期デー
タ記憶装置にあるデ−タと共にトレーニング用に使用さ
れる。トレーニング用に利用可能な例があれば、トレー
ニング要求旗がセットされる。ＡＩＴＰスケジューラが
５分間全くホール呼び出しが登録されていないことを検
出すると、到着率およびカー呼び出しモデルは特定数の
トラフィック例により訓練される。トラフィック例の数
は、ホール呼び出しが登録される場合にはスケジューラ
がトレーニングを中断できるように制限される。そのよ
うなアプローチは、ビル内の人の動きが少ないときに
は、デ−タを処理する「夢見るエレベータ」（dreaming
lift）の概念を起こさせる。このプロセスは、その前
の作業時間用の例セット全体が使用されてしまうまで継
続される。その時点では、予測用のネットワークは、丁
度トレーニングを受けたばかりのネットワークである。
どのように学習されるかを示している。何故ならば、神
経ネットワークが過去において観察したことから将来の
事象を予測するからである。先ず、履歴到着率およびカ
ー呼び出しモデルのオリジナルが現在の予測のために利
用可能でなければならないので、トレーニング目的はそ
れらのコピーを作成する。これらのコピーは、長期デー
タ記憶装置にあるデ−タと共にトレーニング用に使用さ
れる。トレーニング用に利用可能な例があれば、トレー
ニング要求旗がセットされる。ＡＩＴＰスケジューラが
５分間全くホール呼び出しが登録されていないことを検
出すると、到着率およびカー呼び出しモデルは特定数の
トラフィック例により訓練される。トラフィック例の数
は、ホール呼び出しが登録される場合にはスケジューラ
がトレーニングを中断できるように制限される。そのよ
うなアプローチは、ビル内の人の動きが少ないときに
は、デ−タを処理する「夢見るエレベータ」（dreaming
lift）の概念を起こさせる。このプロセスは、その前
の作業時間用の例セット全体が使用されてしまうまで継
続される。その時点では、予測用のネットワークは、丁
度トレーニングを受けたばかりのネットワークである。
【００２６】最後に、図４、図５および図６に従って操
作を実行するために使用された人口知能システムが、図
７に表されている。図２および図３で前に概説されたよ
うに、三つのトラフィックモデルＴＭ１、ＴＭ２、ＴＭ
３が、ＡＩＴＰ用に採用されたアプローチにおけるトラ
フィックを特徴づけるために設計された。このアプロー
チのモデル化および予測行動を改善するために、三つの
モデルＴＭ１、ＴＭ２、ＴＭ３全てが、「神経ネットワ
ーク」ＮＮ（人口知能の分野からの技術セット）により
実行された。
作を実行するために使用された人口知能システムが、図
７に表されている。図２および図３で前に概説されたよ
うに、三つのトラフィックモデルＴＭ１、ＴＭ２、ＴＭ
３が、ＡＩＴＰ用に採用されたアプローチにおけるトラ
フィックを特徴づけるために設計された。このアプロー
チのモデル化および予測行動を改善するために、三つの
モデルＴＭ１、ＴＭ２、ＴＭ３全てが、「神経ネットワ
ーク」ＮＮ（人口知能の分野からの技術セット）により
実行された。
【００２７】神経ネットワークＮＮは、脳の構造に類似
の概念を適用する分配関連モデルを提供する。現在の神
経ネットワークは、非常に簡略化されたバージョンの生
物学的対応物であるが、有意な結果が多様なアプリケー
ション領域で達成された。パターン照合、分類および予
測の領域で特に成功がおさめられた。パターン照合用に
使用される神経ネットワークは、例、即ち入力と所望の
出力とのペアが与えられることにより学習または自身を
訓練する。次いでネットワークは、入出力パターン間の
変形を表わすためにその内部構造を調整する。したがっ
て、入力パターンが与えられると、ネットワークは所望
の出力を再生することが可能である。神経ネットワーク
テクノロジは、エレベータの設置に適用されて、ビルを
使用する人々の行動を動力学的に学習し、それによっ
て、学習したことに基づいて将来の事象を予測するため
の機構を提供する。古典的統計を使う以前の計画とは異
なり、神経ネットワークは、基本的な数学的モデルをあ
らかじめ予測したり、自動学習したり、また発生するビ
ル行動に従ってモデルを適合させたりする必要がない。
観察された行動からモデルが構築され、プリセットされ
た到着率値は必要とされない。これらの値が以前のシス
テムの主要な欠点と考えられるのは確かである。神経ネ
ットワーク技術を使用することにより、これらのモデル
をさまざまなビル内に設置し、自動的に実際のトラフィ
ックを学習するようにさせることが可能である。トラフ
ィック事象をあらかじめ定義する必要はなく、これらの
モデルからの出力は、以前の観察に基づいて予想される
トラフィックレベルを予測するだけである。これは、以
前には激しいものと規定されていた行動がいま他の階と
比較してみると平均的なものであるという場合に、特に
重要である。現在のアプローチは、そのようなフレキシ
ブルで自律的な行動を提供し得ない。本発明の好ましい
実施例として、集団行動が、D.E. Rumelhart 、J.L. Mc
Clelland による「平行に分配されるプロセシング」（P
arallel Distributed Processing）の８章に記載されて
いるような「背後伝播」（Backpropagation）神経ネッ
トワークアプローチを使用してモデル化される。このア
プローチが最もフレキシブルであることがわかった。
の概念を適用する分配関連モデルを提供する。現在の神
経ネットワークは、非常に簡略化されたバージョンの生
物学的対応物であるが、有意な結果が多様なアプリケー
ション領域で達成された。パターン照合、分類および予
測の領域で特に成功がおさめられた。パターン照合用に
使用される神経ネットワークは、例、即ち入力と所望の
出力とのペアが与えられることにより学習または自身を
訓練する。次いでネットワークは、入出力パターン間の
変形を表わすためにその内部構造を調整する。したがっ
て、入力パターンが与えられると、ネットワークは所望
の出力を再生することが可能である。神経ネットワーク
テクノロジは、エレベータの設置に適用されて、ビルを
使用する人々の行動を動力学的に学習し、それによっ
て、学習したことに基づいて将来の事象を予測するため
の機構を提供する。古典的統計を使う以前の計画とは異
なり、神経ネットワークは、基本的な数学的モデルをあ
らかじめ予測したり、自動学習したり、また発生するビ
ル行動に従ってモデルを適合させたりする必要がない。
観察された行動からモデルが構築され、プリセットされ
た到着率値は必要とされない。これらの値が以前のシス
テムの主要な欠点と考えられるのは確かである。神経ネ
ットワーク技術を使用することにより、これらのモデル
をさまざまなビル内に設置し、自動的に実際のトラフィ
ックを学習するようにさせることが可能である。トラフ
ィック事象をあらかじめ定義する必要はなく、これらの
モデルからの出力は、以前の観察に基づいて予想される
トラフィックレベルを予測するだけである。これは、以
前には激しいものと規定されていた行動がいま他の階と
比較してみると平均的なものであるという場合に、特に
重要である。現在のアプローチは、そのようなフレキシ
ブルで自律的な行動を提供し得ない。本発明の好ましい
実施例として、集団行動が、D.E. Rumelhart 、J.L. Mc
Clelland による「平行に分配されるプロセシング」（P
arallel Distributed Processing）の８章に記載されて
いるような「背後伝播」（Backpropagation）神経ネッ
トワークアプローチを使用してモデル化される。このア
プローチが最もフレキシブルであることがわかった。
【００２８】したがって図７において、トラフィックデ
ータはカー目的９からトラフィックデータ記憶目的１０
に伝送される。このデ−タは、カー呼び出しデ−タか到
着率かの二つの形をとることが可能である。三つのトラ
フィックモデルＴＭ１、ＴＭ２、ＴＭ３の各々に対し
て、神経ネットワークＮＮ１、ＮＮ２、ＮＮ３として実
行されるモジュ−ルＭ１、Ｍ２、Ｍ３が対応する。トラ
フィックモデルＴＭ１およびＴＭ３は過去に観察したも
のに関する将来の事象を予測するので、それらのコピー
ＴＭ１ｃ、ＴＭ３ｃは、一日のトラフィック行動用の入
出力パターンのペアにより訓練されている。入力パター
ンは、時刻についてのコード化された２進バージョンで
あり、出力パターンは、各階用の到着率またはカー呼び
出し確率分配である。実到着率モデルＴＭ２は、時間を
明白には入力として使用しない。また時間は、すでにト
レーニングデ−タと組み合わせられており、したがって
時間は、モデル１および３のコピーＴＭ１ｃおよびＴＭ
３ｃを訓練するための入力としては必要とされない。最
後に、上記二つのモジュ−ルＭ１、Ｍ２からの到着率
は、例外的なトラフィック行動を可能にし得る最適の結
果を生む最適到着率（Optimum Arrival Rates）を生成
させるために組合わせ回路１１において結合される。例
えば、履歴到着率は、通常発生するものに基づいた将来
事象を予測する。例外的な理由のために、ある日特定の
階が空になる場合には、モデルは以前の行動に基づいて
その階用のトラフィックを予測する。しかし、実到着率
モデルは、最後の10分にわたる最近の事象を基にしてこ
れらの予測を調整する。この場合、最後の10分用の到着
率がゼロであれば、次の分に対して到着値ゼロが推論さ
れることになろう。最後にマトリクス７は、予測された
カー呼び出しおよび到着率から構成される。マトリクス
７における各エントリ８は、ホール呼び出しの背後の同
一予定行先の乗客数を表わす。マトリクス７は、１分お
よび５分周期で更新される。
ータはカー目的９からトラフィックデータ記憶目的１０
に伝送される。このデ−タは、カー呼び出しデ−タか到
着率かの二つの形をとることが可能である。三つのトラ
フィックモデルＴＭ１、ＴＭ２、ＴＭ３の各々に対し
て、神経ネットワークＮＮ１、ＮＮ２、ＮＮ３として実
行されるモジュ−ルＭ１、Ｍ２、Ｍ３が対応する。トラ
フィックモデルＴＭ１およびＴＭ３は過去に観察したも
のに関する将来の事象を予測するので、それらのコピー
ＴＭ１ｃ、ＴＭ３ｃは、一日のトラフィック行動用の入
出力パターンのペアにより訓練されている。入力パター
ンは、時刻についてのコード化された２進バージョンで
あり、出力パターンは、各階用の到着率またはカー呼び
出し確率分配である。実到着率モデルＴＭ２は、時間を
明白には入力として使用しない。また時間は、すでにト
レーニングデ−タと組み合わせられており、したがって
時間は、モデル１および３のコピーＴＭ１ｃおよびＴＭ
３ｃを訓練するための入力としては必要とされない。最
後に、上記二つのモジュ−ルＭ１、Ｍ２からの到着率
は、例外的なトラフィック行動を可能にし得る最適の結
果を生む最適到着率（Optimum Arrival Rates）を生成
させるために組合わせ回路１１において結合される。例
えば、履歴到着率は、通常発生するものに基づいた将来
事象を予測する。例外的な理由のために、ある日特定の
階が空になる場合には、モデルは以前の行動に基づいて
その階用のトラフィックを予測する。しかし、実到着率
モデルは、最後の10分にわたる最近の事象を基にしてこ
れらの予測を調整する。この場合、最後の10分用の到着
率がゼロであれば、次の分に対して到着値ゼロが推論さ
れることになろう。最後にマトリクス７は、予測された
カー呼び出しおよび到着率から構成される。マトリクス
７における各エントリ８は、ホール呼び出しの背後の同
一予定行先の乗客数を表わす。マトリクス７は、１分お
よび５分周期で更新される。
【図１】ＡＩＴＰの全体操作を示す簡略化制御構造を示
す図である。
す図である。
【図２】到着率モデルからの出力を示す、トラフィック
特性「乗客到着率」をモデル化するための概念の概略図
である。
特性「乗客到着率」をモデル化するための概念の概略図
である。
【図３】カー呼び出し分配モデルからの出力を示す、ト
ラフィック特性「カー呼び出し分配」をモデル化するた
めの概念の概略図である。
ラフィック特性「カー呼び出し分配」をモデル化するた
めの概念の概略図である。
【図４】トラフィックデータをフォーマット化して記憶
するために実行される操作を詳細に説明するトラフィッ
クデータ記憶スケデュールの簡略化論理流れ図である。
するために実行される操作を詳細に説明するトラフィッ
クデータ記憶スケデュールの簡略化論理流れ図である。
【図５】現在のトラフィック予測を更新するために実行
される操作を示すトラフィック予測更新スケジュールの
簡略化論理流れ図である。
される操作を示すトラフィック予測更新スケジュールの
簡略化論理流れ図である。
【図６】新規のトラフィックデータでモデルを更新する
ために実行される操作を示すモデルトレーニングスケジ
ュールの簡略化論理流れ図である。
ために実行される操作を示すモデルトレーニングスケジ
ュールの簡略化論理流れ図である。
【図７】図４、図５および図６に従って操作を実行する
ための人工知能システムの概略図である。
ための人工知能システムの概略図である。
１ 長期記憶装置 ２ 更新 ３ トレーニング
Claims (7)
- 【請求項１】 所定の機能必要条件のセットからエレメ
ントの所望の組み合わせおよび重量計測によって規定さ
れる機能プロファイルに関して、呼び出しに応えるカー
へのホールからの呼び出しを適切に割り当てることによ
りエレベータ群の機能が最適化され、この呼び出し割当
が、マイクロプロセッサにより支援されていると共に、
乗客の待ち時間および他の損失時間に対応し且つ計算時
に決定論的に広く行われるトラフィック、およびサービ
ス時間について慨然論的に予測されるトラフィックに基
づいて計算される操作費用に基づいており、さらに全カ
ーおよび全ホール呼び出しの操作費用が比較され、これ
らの操作費用を最適化する割当が選択される、エレベー
タ群用の人工知能トラフィックのモデル化および予測シ
ステムであって、 カーユニットからのトラフィックデータの長期および短
期記憶用にトラフィックデータ記憶手段が備えられてお
り、 神経ネットワーク技術を介してトラフィックをモデル
化、学習且つ予測するべく、神経ネットワークモジュー
ルが備えられており、該神経ネットワークモジュール
は、長期周期および短期周期用の少なくとも一つのその
特性を表わすことによってトラフィックをモデル化且つ
予測すると共に、最近のデータに基づく履歴データおよ
びリアルタイム予測に基づいてトラフィックの履歴予測
を供給し、 最適なトラフィック予測を与えるために、履歴トラフィ
ック予測とリアルタイム予測とを結合させるべく組み合
わせ回路が備えられており、 予測されたトラフィック特性が接続されるマトリックス
手段が備えられており、該マトリックスのエントリが同
一のトラフィックの他の特性についての予測を表わすこ
とを特徴とする人工知能トラフィックのモデル化および
予測システム。 - 【請求項２】 前記神経ネットワークモジュールが「背
後伝播」型のものであることを特徴とする請求項１に記
載のシステム。 - 【請求項３】 前記システムが前記カーユニットにより
測定された前記カー呼び出し分配から乗客の行先確率を
引き出すべく特殊アルゴリズムを使用することを特徴と
する請求項１に記載のシステム。 - 【請求項４】 前記履歴予測が、最も一般的に発生する
パターンに基づいていると共に、リアルタイム予測によ
って例外的な最近の事象用に調整されることを特徴とす
る請求項１に記載のシステム。 - 【請求項５】 前記トラフィックが、一日の間の５分周
期用および最後の１０分間にわたる１分周期用に表わさ
れる、それぞれ乗客の行先確率と乗客の到着率との形の
二つのトラフィック特性に基づいてモデル化且つ予測さ
れることを特徴とする請求項１に記載のシステム。 - 【請求項６】 乗客の行先確率および乗客の到着率を予
測するために、三つの神経ネットワークモジュールが備
えられており、第１の神経ネットワークモジュールが、
一日の間の５分周期についての乗客の行先確率を予測す
る履歴カー呼び出しモデルを表わし、第２の神経ネット
ワークモジュールが、一日の間の５分周期についての乗
客の到着率を予測する履歴到着率モデルを表わし、第３
の神経ネットワークモジュールが、次の１０分間の１分
周期についての乗客の到着率を予測するリアルタイム到
着率モデルを表わすことを特徴とする請求項５に記載の
システム。 - 【請求項７】 前記予測された履歴乗客行先確率および
前記予測された最適乗客到着率が、前記マトリックスで
結合され、該マトリックスのエントリがホール呼び出し
の背後の同一の行先の乗客数を表すことを特徴とする請
求項５に記載のシステム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GB9208466A GB2266602B (en) | 1992-04-16 | 1992-04-16 | Artificially intelligent traffic modelling and prediction system |
| GB9208466.4 | 1992-04-16 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0687579A true JPH0687579A (ja) | 1994-03-29 |
| JP3379983B2 JP3379983B2 (ja) | 2003-02-24 |
Family
ID=10714204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP09027893A Expired - Fee Related JP3379983B2 (ja) | 1992-04-16 | 1993-04-16 | 人工知能トラフィックのモデル化および予測システム |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US5354957A (ja) |
| EP (1) | EP0565864B1 (ja) |
| JP (1) | JP3379983B2 (ja) |
| DE (1) | DE69302745T2 (ja) |
| FI (1) | FI112788B (ja) |
| GB (1) | GB2266602B (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999036340A1 (fr) * | 1998-01-19 | 1999-07-22 | Mitsubishi Denki Kabushiki Kaisha | Organe de commande de gestion de fonctionnement pour ascenseur |
| JP2016088751A (ja) * | 2014-11-10 | 2016-05-23 | 三菱電機株式会社 | エレベータ群システムにおいてエレベータかごをスケジューリングする方法およびシステム |
Families Citing this family (54)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU658066B2 (en) * | 1992-09-10 | 1995-03-30 | Deere & Company | Neural network based control system |
| JP3414843B2 (ja) * | 1993-06-22 | 2003-06-09 | 三菱電機株式会社 | 交通手段制御装置 |
| EP0676356A3 (en) * | 1994-04-07 | 1996-09-18 | Otis Elevator Co | Distribution system for elevators. |
| US5704011A (en) * | 1994-11-01 | 1997-12-30 | The Foxboro Company | Method and apparatus for providing multivariable nonlinear control |
| US5767461A (en) * | 1995-02-16 | 1998-06-16 | Fujitec Co., Ltd. | Elevator group supervisory control system |
| FI111620B (fi) * | 1995-12-21 | 2003-08-29 | Kone Corp | Menetelmä ja laitteisto hissin toimintojen esittämiseksi |
| FI111929B (fi) | 1997-01-23 | 2003-10-15 | Kone Corp | Hissiryhmän ohjaus |
| JP3926855B2 (ja) * | 1997-04-07 | 2007-06-06 | 三菱電機株式会社 | エレベーターの群管理制御装置 |
| US6125105A (en) * | 1997-06-05 | 2000-09-26 | Nortel Networks Corporation | Method and apparatus for forecasting future values of a time series |
| EP0943576B1 (en) * | 1997-10-07 | 2005-03-30 | Mitsubishi Denki Kabushiki Kaisha | Device for managing and controlling operation of elevator |
| WO1999021787A1 (en) | 1997-10-10 | 1999-05-06 | Kone Corporation | Procedure for controlling an elevator group where virtual passenger traffic is generated |
| JP2002522832A (ja) * | 1998-08-07 | 2002-07-23 | シーメンス アクチエンゲゼルシヤフト | 相互に結合された演算子の装置、ダイナミックプロセスに基づくダイナミクスをコンピュータのサポートにより検出するための方法、並びに、相互に結合された演算子の装置をコンピュータのサポートにより検出するための方法 |
| CA2401555A1 (en) * | 2000-02-29 | 2001-09-07 | United Parcel Service Of America, Inc. | Delivery system and method for vehicles and the like |
| US6439349B1 (en) | 2000-12-21 | 2002-08-27 | Thyssen Elevator Capital Corp. | Method and apparatus for assigning new hall calls to one of a plurality of elevator cars |
| WO2003084852A1 (fr) * | 2002-04-10 | 2003-10-16 | Mitsubishi Denki Kabushiki Kaisha | Dispositif de commande superviseur d'un groupe d'ascenseur |
| GB0209368D0 (en) * | 2002-04-24 | 2002-06-05 | Neural Technologies Ltd | Method and system for detecting change in data streams |
| US20050149299A1 (en) * | 2002-04-24 | 2005-07-07 | George Bolt | Method and system for detecting change in data streams |
| US6672431B2 (en) * | 2002-06-03 | 2004-01-06 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for controlling an elevator system |
| US6808049B2 (en) * | 2002-11-13 | 2004-10-26 | Mitsubishi Electric Research Laboratories, Inc. | Optimal parking of free cars in elevator group control |
| US20040122950A1 (en) * | 2002-12-20 | 2004-06-24 | Morgan Stephen Paul | Method for managing workloads in an autonomic computer system for improved performance |
| US7233861B2 (en) * | 2003-12-08 | 2007-06-19 | General Motors Corporation | Prediction of vehicle operator destinations |
| US7552802B2 (en) * | 2004-07-08 | 2009-06-30 | Mitsubishi Electric Corporation | Controller for elevator |
| JP4657794B2 (ja) * | 2005-05-06 | 2011-03-23 | 株式会社日立製作所 | エレベータの群管理システム |
| CA2696165C (en) | 2007-08-06 | 2012-10-09 | Thyssen Elevator Capital Corp. | Control for limiting elevator passenger tympanic pressure and method for the same |
| US8151943B2 (en) | 2007-08-21 | 2012-04-10 | De Groot Pieter J | Method of controlling intelligent destination elevators with selected operation modes |
| CA2750008C (en) * | 2009-01-27 | 2017-09-26 | Inventio Ag | Method for operating an elevator system |
| CN102147982B (zh) * | 2011-04-13 | 2012-10-17 | 中国民航大学 | 一种扇区动态容量预测的方法 |
| JP5875923B2 (ja) * | 2012-03-29 | 2016-03-02 | 株式会社東芝 | エレベータ群管理稼働率制御装置 |
| EP2874932B1 (en) | 2012-09-11 | 2018-11-07 | KONE Corporation | Elevator system |
| EP3005332A4 (en) * | 2013-06-07 | 2017-04-12 | Yandex Europe AG | Methods and systems for representing a degree of traffic congestion using a limited number of symbols |
| CN107074480B (zh) * | 2014-09-12 | 2020-06-12 | 通力股份公司 | 电梯系统中的呼叫分配 |
| CN107207194B (zh) * | 2015-02-24 | 2019-09-06 | 通力股份公司 | 用于预测目的地呼叫的楼层信息的方法和设备 |
| CN108290704B (zh) * | 2015-11-16 | 2020-11-06 | 通力股份公司 | 用于为至少一个电梯确定分配决策的方法和设备 |
| US10683189B2 (en) * | 2016-06-23 | 2020-06-16 | Intel Corporation | Contextual awareness-based elevator management |
| CN109661365B (zh) * | 2016-08-30 | 2021-05-07 | 通力股份公司 | 根据乘客运输强度的峰值运输检测 |
| US9988237B1 (en) * | 2016-11-29 | 2018-06-05 | International Business Machines Corporation | Elevator management according to probabilistic destination determination |
| CN106886755A (zh) * | 2017-01-19 | 2017-06-23 | 北京航空航天大学 | 一种基于交通标志识别的交叉口车辆违章检测系统 |
| JP6925235B2 (ja) * | 2017-10-30 | 2021-08-25 | 株式会社日立製作所 | ビル内交通推定方法およビル内交通推定システム |
| KR101867604B1 (ko) | 2017-11-13 | 2018-07-18 | (주)아이티공간 | 엘리베이터 운전 분석을 통한 고효율 운행방법 |
| US20210047144A1 (en) * | 2017-12-21 | 2021-02-18 | Inventio Ag | Route planning on the basis of expected passenger number |
| EP3505473A1 (en) * | 2018-01-02 | 2019-07-03 | KONE Corporation | Forecasting elevator passenger traffic |
| JP2019156607A (ja) * | 2018-03-15 | 2019-09-19 | 株式会社日立製作所 | エレベーターシステム |
| CN108665178B (zh) * | 2018-05-17 | 2020-05-29 | 上海工程技术大学 | 一种基于afc的地铁站内楼扶梯客流量预测方法 |
| US11584614B2 (en) | 2018-06-15 | 2023-02-21 | Otis Elevator Company | Elevator sensor system floor mapping |
| CN109993341A (zh) * | 2018-09-29 | 2019-07-09 | 上海电科智能系统股份有限公司 | 一种基于径向基函数神经网络的客流量预测方法 |
| CN110969275B (zh) * | 2018-09-30 | 2024-01-23 | 杭州海康威视数字技术股份有限公司 | 交通流量预测方法、装置、可读存储介质及电子设备 |
| US11697571B2 (en) * | 2018-10-30 | 2023-07-11 | International Business Machines Corporation | End-to-end cognitive elevator dispatching system |
| CN109592521A (zh) * | 2018-11-23 | 2019-04-09 | 张勇 | 一种具有优化调度的电梯群控系统 |
| JP7136680B2 (ja) * | 2018-12-25 | 2022-09-13 | 株式会社日立製作所 | エレベーターシステム |
| CN110095994B (zh) * | 2019-03-05 | 2023-01-20 | 永大电梯设备（中国）有限公司 | 一种电梯乘场交通流发生器和基于该电梯乘场交通流发生器自动生成客流数据的方法 |
| CN110182655B (zh) * | 2019-06-06 | 2021-10-08 | 上海三菱电梯有限公司 | 用于单梯的预测乘客乘梯需求的电梯控制方法 |
| EP3999462A1 (en) * | 2019-07-19 | 2022-05-25 | KONE Corporation | Elevator call allocation |
| JP7315415B2 (ja) * | 2019-08-28 | 2023-07-26 | 株式会社日立製作所 | 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 |
| CN116663748B (zh) * | 2023-07-26 | 2023-11-03 | 常熟理工学院 | 基于循环神经网络的电梯调度决策方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4838384A (en) * | 1988-06-21 | 1989-06-13 | Otis Elevator Company | Queue based elevator dispatching system using peak period traffic prediction |
| US5022497A (en) * | 1988-06-21 | 1991-06-11 | Otis Elevator Company | "Artificial intelligence" based crowd sensing system for elevator car assignment |
| US5024295A (en) * | 1988-06-21 | 1991-06-18 | Otis Elevator Company | Relative system response elevator dispatcher system using artificial intelligence to vary bonuses and penalties |
| JP2664782B2 (ja) * | 1989-10-09 | 1997-10-22 | 株式会社東芝 | エレベータの群管理制御装置 |
| JPH085596B2 (ja) * | 1990-05-24 | 1996-01-24 | 三菱電機株式会社 | エレベータ制御装置 |
| KR940009984B1 (ko) * | 1990-05-29 | 1994-10-19 | 미쓰비시덴키 가부시키가이샤 | 엘리베이터 제어장치 |
| JP2573726B2 (ja) * | 1990-06-19 | 1997-01-22 | 三菱電機株式会社 | エレベータ制御装置 |
-
1992
- 1992-04-16 GB GB9208466A patent/GB2266602B/en not_active Expired - Fee Related
-
1993
- 1993-03-11 DE DE69302745T patent/DE69302745T2/de not_active Expired - Lifetime
- 1993-03-11 EP EP93103914A patent/EP0565864B1/en not_active Expired - Lifetime
- 1993-04-15 FI FI931699A patent/FI112788B/fi not_active IP Right Cessation
- 1993-04-16 US US08/049,091 patent/US5354957A/en not_active Expired - Lifetime
- 1993-04-16 JP JP09027893A patent/JP3379983B2/ja not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1999036340A1 (fr) * | 1998-01-19 | 1999-07-22 | Mitsubishi Denki Kabushiki Kaisha | Organe de commande de gestion de fonctionnement pour ascenseur |
| US6257373B1 (en) | 1998-01-19 | 2001-07-10 | Mitsubishi Denki Kabushiki Kaisha | Apparatus for controlling allocation of elevators based on learned travel direction and traffic |
| JP2016088751A (ja) * | 2014-11-10 | 2016-05-23 | 三菱電機株式会社 | エレベータ群システムにおいてエレベータかごをスケジューリングする方法およびシステム |
Also Published As
| Publication number | Publication date |
|---|---|
| FI112788B (fi) | 2004-01-15 |
| FI931699A0 (fi) | 1993-04-15 |
| FI931699A (fi) | 1993-10-17 |
| DE69302745T2 (de) | 1996-11-28 |
| US5354957A (en) | 1994-10-11 |
| GB2266602A (en) | 1993-11-03 |
| EP0565864B1 (en) | 1996-05-22 |
| GB2266602B (en) | 1995-09-27 |
| JP3379983B2 (ja) | 2003-02-24 |
| EP0565864A1 (en) | 1993-10-20 |
| GB9208466D0 (en) | 1992-06-03 |
| DE69302745D1 (de) | 1996-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3379983B2 (ja) | 人工知能トラフィックのモデル化および予測システム | |
| US4760896A (en) | Apparatus for performing group control on elevators | |
| JP2860261B2 (ja) | エレベーターの群管理制御方法 | |
| Pepyne et al. | Optimal dispatching control for elevator systems during uppeak traffic | |
| JP4870863B2 (ja) | エレベータ群最適管理方法、及び最適管理システム | |
| US5750946A (en) | Estimation of lobby traffic and traffic rate using fuzzy logic to control elevator dispatching for single source traffic | |
| Borne et al. | Decision support system for urban transportation networks | |
| US5841084A (en) | Open loop adaptive fuzzy logic controller for elevator dispatching | |
| CN111753468B (zh) | 基于深度强化学习的电梯系统自学习最优控制方法及系统 | |
| US5786550A (en) | Dynamic scheduling elevator dispatcher for single source traffic conditions | |
| US5808247A (en) | Schedule windows for an elevator dispatcher | |
| Haliem et al. | AdaPool: An adaptive model-free ride-sharing approach for dispatching using deep reinforcement learning | |
| US5767460A (en) | Elevator controller having an adaptive constraint generator | |
| JP2001527495A (ja) | エレベータ配送のための閉ループ適応ファジーロジック制御装置 | |
| US5786551A (en) | Closed loop fuzzy logic controller for elevator dispatching | |
| US6553269B1 (en) | Device for managing and controlling operation of elevator | |
| US5767462A (en) | Open loop fuzzy logic controller for elevator dispatching | |
| Hamdi et al. | Prioritised A* search in real-time elevator dispatching | |
| Imrak | Artificial neural networks application in duplex/triplex elevator group control system | |
| Arafat | Comparing Elevator Strategies for a Parking Lot | |
| Batosalem et al. | Static zoning division elevator traffic simulation using agent-based modeling | |
| JPH08104472A (ja) | エレベータの群管理制御装置 | |
| Yuan et al. | Reinforcement learning for elevator control | |
| CN116384602A (zh) | 一种多目标车辆路径优化方法、系统、电子设备及介质 | |
| Li et al. | Application of hierarchical reinforcement learning in engineering domain |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071213 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081213 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081213 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091213 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101213 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111213 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |