JPH08225256A - エレベータの群管理制御装置 - Google Patents
エレベータの群管理制御装置Info
- Publication number
- JPH08225256A JPH08225256A JP7053383A JP5338395A JPH08225256A JP H08225256 A JPH08225256 A JP H08225256A JP 7053383 A JP7053383 A JP 7053383A JP 5338395 A JP5338395 A JP 5338395A JP H08225256 A JPH08225256 A JP H08225256A
- Authority
- JP
- Japan
- Prior art keywords
- allocation
- call
- neural network
- car
- state data
- 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
Landscapes
- Elevator Control (AREA)
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【構成】 乗場呼びが発生するとそのときのエレベータ
システム状態データから、仮割り当て手段１３により従
来方式で仮割り当てを行う。その割り当て結果を入力パ
ターンの指標の一つとしてシステム状態データと共にニ
ューラルネット１５に入力し、その出力パターンから割
り当て判定手段１７により、割り当て号機を決定する。 【効果】 従来方式による割り当て結果を入力パターン
の指標の一つとしたので、従来の割り当てに用いられて
いた種々の有効な指標をニューラルネットに多数入力す
るのと同様な効果があり、高精度の割り当て性能を発揮
できるだけでなく、入力パターンに用いる指標の数も必
要最小限で済み、ニューラルネットの接続構成の複雑化
を防止することができる。
システム状態データから、仮割り当て手段１３により従
来方式で仮割り当てを行う。その割り当て結果を入力パ
ターンの指標の一つとしてシステム状態データと共にニ
ューラルネット１５に入力し、その出力パターンから割
り当て判定手段１７により、割り当て号機を決定する。 【効果】 従来方式による割り当て結果を入力パターン
の指標の一つとしたので、従来の割り当てに用いられて
いた種々の有効な指標をニューラルネットに多数入力す
るのと同様な効果があり、高精度の割り当て性能を発揮
できるだけでなく、入力パターンに用いる指標の数も必
要最小限で済み、ニューラルネットの接続構成の複雑化
を防止することができる。
Description
【０００１】
【産業上の利用分野】本発明は、ニューラルネットを用
いて呼びの割り当てを行うエレベータの群管理制御装置
の改良に関するものである。
いて呼びの割り当てを行うエレベータの群管理制御装置
の改良に関するものである。
【０００２】
【従来の技術】従来、エレベータの群管理制御といえば
評価関数を用いた呼び割り当て方式や、ファジー理論を
用いたエキスパートシステムによる呼び割り当て制御が
主流であったが、最近では生物の神経回路をモデルにし
たニューラルネットを用いて呼びの割り当てを行うとい
う新しい方式が提案されている。
評価関数を用いた呼び割り当て方式や、ファジー理論を
用いたエキスパートシステムによる呼び割り当て制御が
主流であったが、最近では生物の神経回路をモデルにし
たニューラルネットを用いて呼びの割り当てを行うとい
う新しい方式が提案されている。
【０００３】ニューラルネットとは、人間の脳をまねた
ネットワークで、神経細胞モデル（ニューロン）が複数
個、複雑に接続され、各ニューロンの動作及びニューロ
ン間の接続形態をうまく決めることによって、パターン
認識機能や知識処理機能を埋め込むことができるという
ものであり、例えば「日経エレクトロニクス」１９８７
年８月１０日号（No４２７）のＰ１１５〜Ｐ１２４や１
９８９年２月に産業図書株式会社から刊行された図書
「ＰＤＰモデル」などに開示されており、特にニューロ
ンを階層構造に配置したものは「バックプロパゲーショ
ン」と呼ばれる自律的学習アルゴリズムを利用できるこ
とに特徴がある。
ネットワークで、神経細胞モデル（ニューロン）が複数
個、複雑に接続され、各ニューロンの動作及びニューロ
ン間の接続形態をうまく決めることによって、パターン
認識機能や知識処理機能を埋め込むことができるという
ものであり、例えば「日経エレクトロニクス」１９８７
年８月１０日号（No４２７）のＰ１１５〜Ｐ１２４や１
９８９年２月に産業図書株式会社から刊行された図書
「ＰＤＰモデル」などに開示されており、特にニューロ
ンを階層構造に配置したものは「バックプロパゲーショ
ン」と呼ばれる自律的学習アルゴリズムを利用できるこ
とに特徴がある。
【０００４】このニューラルネットを用いると、割り当
てアルゴリズムを人間が一切考える必要はなく、しかも
各種の交通状況に対応して、結果的には最適な割り当て
かごを決定する判断システムを自動的に生成できるとい
う優れた効果があり、例えばエレベータの呼び割り当て
に用いた例としては、特開平１−２７５３８１号「エレ
ベータの群管理制御装置」や、特開平３−３１１７３号
「エレベータの群管理制御装置」、特願平５−２４３８
１７号「エレベータ呼び割当て用ニューラルネットの学
習方法」などがある。
てアルゴリズムを人間が一切考える必要はなく、しかも
各種の交通状況に対応して、結果的には最適な割り当て
かごを決定する判断システムを自動的に生成できるとい
う優れた効果があり、例えばエレベータの呼び割り当て
に用いた例としては、特開平１−２７５３８１号「エレ
ベータの群管理制御装置」や、特開平３−３１１７３号
「エレベータの群管理制御装置」、特願平５−２４３８
１７号「エレベータ呼び割当て用ニューラルネットの学
習方法」などがある。
【０００５】ここで呼び割り当て用ニューラルネットの
一例を図４に示す。図４に示すように、呼び割り当て用
のニューラルネットＮＮは、入力パターン（エレベータ
システム状態データ）に対応する入力層ＮＲ1 と、出力
パターン（割り当て適性）に対応する出力層ＮＲ3 と、
入力層と出力層の中間に置かれる中間層ＮＲ2 のニュー
ロンとで構成される。
一例を図４に示す。図４に示すように、呼び割り当て用
のニューラルネットＮＮは、入力パターン（エレベータ
システム状態データ）に対応する入力層ＮＲ1 と、出力
パターン（割り当て適性）に対応する出力層ＮＲ3 と、
入力層と出力層の中間に置かれる中間層ＮＲ2 のニュー
ロンとで構成される。
【０００６】入力パターンは、エレベータシステムの状
態を表す種々のデータ（乗場呼びの発生階と方向、各号
機の位置と運転方向、かご呼び、荷重状態等）を、呼び
の割り当てに必要なパラメータとして、ニューラルネッ
トに入力できる形に変換したものであり、入力層のニュ
ーロンの数はそのパラメータの総数に対応する。
態を表す種々のデータ（乗場呼びの発生階と方向、各号
機の位置と運転方向、かご呼び、荷重状態等）を、呼び
の割り当てに必要なパラメータとして、ニューラルネッ
トに入力できる形に変換したものであり、入力層のニュ
ーロンの数はそのパラメータの総数に対応する。
【０００７】この入力層の各ニューロンに入力データを
与えると、出力層に向かって順に信号が伝わり、その結
果出力層の各ニューロンからそれぞれ何らかの値が出力
される。出力層では、エレベータの台数分のニューロン
があり、さまざまな入力パターンに対して、割り当てに
最適である号機に対応するニューロンが「１」（最大
値）を、その他のニューロンは「０」を出力するように
予め学習されている。
与えると、出力層に向かって順に信号が伝わり、その結
果出力層の各ニューロンからそれぞれ何らかの値が出力
される。出力層では、エレベータの台数分のニューロン
があり、さまざまな入力パターンに対して、割り当てに
最適である号機に対応するニューロンが「１」（最大
値）を、その他のニューロンは「０」を出力するように
予め学習されている。
【０００８】従って、出力パターンの各ニューロンの値
の中で、「１」（最大値）に最も近い値を出力したニユ
ーロンが割り当てに最適であることを示すことになり、
このニューロンに対応する号機が割り当て号機として選
択される。なお、中間層（実施例では一層であるが、複
数であってもよい）のニューロンの数は、エレベータの
台数やビルの性質等に応じて適宜定められる。
の中で、「１」（最大値）に最も近い値を出力したニユ
ーロンが割り当てに最適であることを示すことになり、
このニューロンに対応する号機が割り当て号機として選
択される。なお、中間層（実施例では一層であるが、複
数であってもよい）のニューロンの数は、エレベータの
台数やビルの性質等に応じて適宜定められる。
【０００９】また、図示を省略しているが、各ニューロ
ン間にはニューロンの結び付きの強さを表す結合重み
（シナプスウェイト）が設定されている。この結合重み
は、最初は適当な値に設定されているが、その後「バッ
クプロパゲーション」と呼ばれる学習アルゴリズムを用
いて、より精度の高い呼び割り当てができるように修正
していくことができる。
ン間にはニューロンの結び付きの強さを表す結合重み
（シナプスウェイト）が設定されている。この結合重み
は、最初は適当な値に設定されているが、その後「バッ
クプロパゲーション」と呼ばれる学習アルゴリズムを用
いて、より精度の高い呼び割り当てができるように修正
していくことができる。
【００１０】このバックプロパゲーションについてはよ
く知られているので詳細な説明は省略するが、予め作成
された学習用サンプル（入力パターンと、その入力パタ
ーンに対する望ましい出力パターンすなわち教師信号と
を対にしたもの）を用い、同一の入力パターンに対する
出力パターンと教師信号とを比較し、その誤差を最小化
するように結合重みを修正していくアルゴリズムで、ま
ず最初はすべての重みを初期化（例えばランダムな値に
設定）しておき、入力層の各ニューロンに学習用サンプ
ルの入力パターンを与える。そしてこのときの出力パタ
ーンとその学習用サンプルの出力パターン（教師信号）
とを比較し、その差（誤差）を用いて、その差が小さく
なるように各結合重みの値を出力層側から順に修正して
いくのである。
く知られているので詳細な説明は省略するが、予め作成
された学習用サンプル（入力パターンと、その入力パタ
ーンに対する望ましい出力パターンすなわち教師信号と
を対にしたもの）を用い、同一の入力パターンに対する
出力パターンと教師信号とを比較し、その誤差を最小化
するように結合重みを修正していくアルゴリズムで、ま
ず最初はすべての重みを初期化（例えばランダムな値に
設定）しておき、入力層の各ニューロンに学習用サンプ
ルの入力パターンを与える。そしてこのときの出力パタ
ーンとその学習用サンプルの出力パターン（教師信号）
とを比較し、その差（誤差）を用いて、その差が小さく
なるように各結合重みの値を出力層側から順に修正して
いくのである。
【００１１】そして、多数の学習用サンプルを用いて誤
差が収束するまでこれを繰り返すと、ニューラルネット
に教師信号と同レベルの呼び割当機能が自動的に埋め込
まれたことになり、学習用の入力パターンだけでなく未
知の入力パターンに対しても、教師信号と同レベルの呼
び割り当てを行なうことができるようになる。
差が収束するまでこれを繰り返すと、ニューラルネット
に教師信号と同レベルの呼び割当機能が自動的に埋め込
まれたことになり、学習用の入力パターンだけでなく未
知の入力パターンに対しても、教師信号と同レベルの呼
び割り当てを行なうことができるようになる。
【００１２】
【発明が解決しようとする課題】ところで、上記学習の
効率や学習完了後の割り当て精度は、ニューラルネット
の入力パターンの各データ（指標）として何を選択する
か、すなわち新規呼びが発生したときの群全体の状況を
表すシステム状態データの中から何を選択し、或いはど
のように加工したものをニューラルネットへの入力とす
るかによって大きく左右される。
効率や学習完了後の割り当て精度は、ニューラルネット
の入力パターンの各データ（指標）として何を選択する
か、すなわち新規呼びが発生したときの群全体の状況を
表すシステム状態データの中から何を選択し、或いはど
のように加工したものをニューラルネットへの入力とす
るかによって大きく左右される。
【００１３】理屈から言えば、この入力パターンの各指
標としては、各エレベータのかご位置や運転方向、呼び
の発生状況、かごの荷重状態等の直接的なデータや、或
いはこれらを加工した間接的なデータ等、呼びの割り当
てに関連していると思われるものであれば、何でもよい
と考えられる。そこで、従来方式である評価関数による
呼び割り当て制御や、ファジー理論を用いたエキスパー
トシステムによる呼び割り当て制御に用いた評価指標、
例えば乗場呼びの予測待ち時間や、新規呼びを割り当て
ることによる他の乗場呼びの待ち時間の悪化指標等、種
々の指標を導入することが考えられるが、指標の数をあ
まり多くすると入力層のニューロンの数が増え、接続構
成が複雑となって学習にも時間がかかるだけでなく、ど
の指標が有効でどの指標がそれほど有効でないかを見つ
け出すのに、多くの時間と労力を必要とするという問題
点があった。
標としては、各エレベータのかご位置や運転方向、呼び
の発生状況、かごの荷重状態等の直接的なデータや、或
いはこれらを加工した間接的なデータ等、呼びの割り当
てに関連していると思われるものであれば、何でもよい
と考えられる。そこで、従来方式である評価関数による
呼び割り当て制御や、ファジー理論を用いたエキスパー
トシステムによる呼び割り当て制御に用いた評価指標、
例えば乗場呼びの予測待ち時間や、新規呼びを割り当て
ることによる他の乗場呼びの待ち時間の悪化指標等、種
々の指標を導入することが考えられるが、指標の数をあ
まり多くすると入力層のニューロンの数が増え、接続構
成が複雑となって学習にも時間がかかるだけでなく、ど
の指標が有効でどの指標がそれほど有効でないかを見つ
け出すのに、多くの時間と労力を必要とするという問題
点があった。
【００１４】
【課題を解決するための手段】上記目的を達成するた
め、本発明では、エレベータシステムの状態を表すシス
テム状態データに基づいて従来方式により割り当てを行
う仮割り当て手段と、該仮割り当て手段による割り当て
結果を入力パターンの指標の一つとし、割り当て適性を
出力パターンとするニューラルネットと、該出力パター
ンから割り当て号機を決定する割り当て判定手段とを備
えたことを特徴とする。
め、本発明では、エレベータシステムの状態を表すシス
テム状態データに基づいて従来方式により割り当てを行
う仮割り当て手段と、該仮割り当て手段による割り当て
結果を入力パターンの指標の一つとし、割り当て適性を
出力パターンとするニューラルネットと、該出力パター
ンから割り当て号機を決定する割り当て判定手段とを備
えたことを特徴とする。
【００１５】
【作用】本発明によるエレベータの群管理装置において
は、乗場呼びが発生するとまず従来方式により呼びが仮
に割り当てられ、その割り当て結果が呼び発生時のシス
テム状態データと共に入力パターンとしてニューラルネ
ットに入力される。そしてその出力パターンから最適な
号機が割り当て号機として決定される。
は、乗場呼びが発生するとまず従来方式により呼びが仮
に割り当てられ、その割り当て結果が呼び発生時のシス
テム状態データと共に入力パターンとしてニューラルネ
ットに入力される。そしてその出力パターンから最適な
号機が割り当て号機として決定される。
【００１６】
【実施例】以下、本発明の実施例について図面を参照し
ながら説明する。図１は、本発明の全体の構成を示すブ
ロック図で、図中、１は各階床に設けられた乗場呼び釦
（１つの階床分のみを図示し、他の階については省略し
ている）、２は乗場呼び信号、Ａ１は１号機の運行を管
理する運行制御装置、同様にＡ２〜Ａｎは２号機〜ｎ号
機用の運行制御装置、３は各号機の状態（かご位置や運
転方向、走行または停止の別、戸の開閉状態、かご呼
び、荷重、サービス階、異常等）を表すかご情報信号、
１０はこの乗場呼び信号２とかご情報信号３からなるエ
レベータのシステム状態データに基づいて乗場呼びを最
適な号機に割り当て、それを割り当て信号４として出力
する群管理装置であり、各運行制御装置Ａ１〜Ａｎはこ
の割り当て信号４で割り当てられた乗場呼びと自号機の
かご内で登録されたかご呼びに順次応答するようにかご
の運行を制御する。
ながら説明する。図１は、本発明の全体の構成を示すブ
ロック図で、図中、１は各階床に設けられた乗場呼び釦
（１つの階床分のみを図示し、他の階については省略し
ている）、２は乗場呼び信号、Ａ１は１号機の運行を管
理する運行制御装置、同様にＡ２〜Ａｎは２号機〜ｎ号
機用の運行制御装置、３は各号機の状態（かご位置や運
転方向、走行または停止の別、戸の開閉状態、かご呼
び、荷重、サービス階、異常等）を表すかご情報信号、
１０はこの乗場呼び信号２とかご情報信号３からなるエ
レベータのシステム状態データに基づいて乗場呼びを最
適な号機に割り当て、それを割り当て信号４として出力
する群管理装置であり、各運行制御装置Ａ１〜Ａｎはこ
の割り当て信号４で割り当てられた乗場呼びと自号機の
かご内で登録されたかご呼びに順次応答するようにかご
の運行を制御する。
【００１７】群管理装置１０はマイクロコンピュータ等
で構成され、１１は入出力インターフェィス、１２及び
１２’はエレベータのシステム状態データ（１２の各デ
ータと１２’の各データとは、それぞれ同一であっても
異なるものであってもよい）、１３はこのシステム状態
データ１２’に基づいて従来方式で仮割り当てを行う仮
割り当て手段、１４は仮割り当て信号、１５はこの仮割
り当て結果とシステム状態データ１２とを入力パターン
として入力し、出力パターンとして割り当て適性１６を
出力する割り当て用のニューラルネット、１７はこの割
り当て適性１６から割り当て号機を判定する割り当て判
定手段、１８はニューラルネット１５の学習を行う学習
手段で、これらの各手段とニューラルネットはマイクロ
コンピュータ内のソフトウェア上で実現される。
で構成され、１１は入出力インターフェィス、１２及び
１２’はエレベータのシステム状態データ（１２の各デ
ータと１２’の各データとは、それぞれ同一であっても
異なるものであってもよい）、１３はこのシステム状態
データ１２’に基づいて従来方式で仮割り当てを行う仮
割り当て手段、１４は仮割り当て信号、１５はこの仮割
り当て結果とシステム状態データ１２とを入力パターン
として入力し、出力パターンとして割り当て適性１６を
出力する割り当て用のニューラルネット、１７はこの割
り当て適性１６から割り当て号機を判定する割り当て判
定手段、１８はニューラルネット１５の学習を行う学習
手段で、これらの各手段とニューラルネットはマイクロ
コンピュータ内のソフトウェア上で実現される。
【００１８】以上の構成において、本発明における割り
当ての手順を図２のフローチャートに基づいて説明す
る。
当ての手順を図２のフローチャートに基づいて説明す
る。
【００１９】まず、ステップＳ１において新たに乗場呼
びが発生したか否かを判断し、発生していればステップ
Ｓ２でそのときの乗場呼び信号２及びかご情報信号３を
読み込み、それをそのまま或いは一部を加工してエレベ
ータのシステム状態データ１２及び１２’とする。ステ
ップＳ３では、このシステム状態データ１２’に基づい
て従来方式、例えばファジー理論を用いた呼び割り当て
方式により仮割り当てを行う。このシステム状態データ
１２’としては、例えばかご位置や呼びの発生階等の他
に、従来から使用されている「新規乗場呼びを割り当て
ることによる、他の乗場呼びの待ち時間の悪化」や、
「順方向で新規乗場呼び発生階以遠の乗場呼びの最大待
ち時間」、或いは「新規乗場呼びの予測待ち時間」等が
考えられる。
びが発生したか否かを判断し、発生していればステップ
Ｓ２でそのときの乗場呼び信号２及びかご情報信号３を
読み込み、それをそのまま或いは一部を加工してエレベ
ータのシステム状態データ１２及び１２’とする。ステ
ップＳ３では、このシステム状態データ１２’に基づい
て従来方式、例えばファジー理論を用いた呼び割り当て
方式により仮割り当てを行う。このシステム状態データ
１２’としては、例えばかご位置や呼びの発生階等の他
に、従来から使用されている「新規乗場呼びを割り当て
ることによる、他の乗場呼びの待ち時間の悪化」や、
「順方向で新規乗場呼び発生階以遠の乗場呼びの最大待
ち時間」、或いは「新規乗場呼びの予測待ち時間」等が
考えられる。
【００２０】ステップＳ４では、この仮割り当て結果と
システム状態データ１２とをニューラルネットに入力で
きる形に変換し、入力パターンとしてニューラルネット
に入力する。
システム状態データ１２とをニューラルネットに入力で
きる形に変換し、入力パターンとしてニューラルネット
に入力する。
【００２１】ニューラルネットの各ニューロン間の結合
重みは、後述の手順で学習により予め設定されているの
で、入力パターンが決まると順次各層の出力を演算によ
って求めることができ、この処理をステップＳ５で行
う。そしてその出力パターンの値からステップＳ６で最
適と思われる号機を選択し、ステップＳ７でこれを割り
当て信号として出力する。以後は上記の手順を繰り返す
ことにより、乗場呼びが順次割り当てられることにな
る。
重みは、後述の手順で学習により予め設定されているの
で、入力パターンが決まると順次各層の出力を演算によ
って求めることができ、この処理をステップＳ５で行
う。そしてその出力パターンの値からステップＳ６で最
適と思われる号機を選択し、ステップＳ７でこれを割り
当て信号として出力する。以後は上記の手順を繰り返す
ことにより、乗場呼びが順次割り当てられることにな
る。
【００２２】なお、ニューラルネットは予め学習を行っ
ておく必要があり、シミュレーションにより或いは実際
の現場でエレベータの稼働中に学習用サンプルを作成
し、そのサンプルを用いて学習を行う手順について図３
のフローチャートにより説明する。
ておく必要があり、シミュレーションにより或いは実際
の現場でエレベータの稼働中に学習用サンプルを作成
し、そのサンプルを用いて学習を行う手順について図３
のフローチャートにより説明する。
【００２３】まず、ステップＳ１１で新たな乗場呼びが
発生したか否かを判定し、呼びが発生するとステップＳ
１２で、その呼びの発生時点におけるエレベータシステ
ム状態データを一時記憶する。ステップＳ１３では、こ
の呼びをファジー群管理等の従来方式の呼び割り当て制
御で割り当て、ステップＳ１４でこの割り当て結果とシ
ステム状態データとをニューラルネットの入力パターン
に変換する。
発生したか否かを判定し、呼びが発生するとステップＳ
１２で、その呼びの発生時点におけるエレベータシステ
ム状態データを一時記憶する。ステップＳ１３では、こ
の呼びをファジー群管理等の従来方式の呼び割り当て制
御で割り当て、ステップＳ１４でこの割り当て結果とシ
ステム状態データとをニューラルネットの入力パターン
に変換する。
【００２４】ステップＳ１５では、この呼びがサービス
されたか否かを確認し、サービスされるとステップＳ１
６で、そのサービスした号機を割り当て号機としてニュ
ーラルネットの出力パターンに変換する。このとき、割
り当て変更或いは再割り当て等により、当初割り当てら
れた号機と実際に割り当てられた号機とが異なる場合、
すなわち当初の割り当てが結果的に最善でなかった場合
（但し専用運転に切り換えられたためにサービスできな
かったような場合は除く）は、実際にサービスした号機
を割り当て号機として出力パターンに変換する。
されたか否かを確認し、サービスされるとステップＳ１
６で、そのサービスした号機を割り当て号機としてニュ
ーラルネットの出力パターンに変換する。このとき、割
り当て変更或いは再割り当て等により、当初割り当てら
れた号機と実際に割り当てられた号機とが異なる場合、
すなわち当初の割り当てが結果的に最善でなかった場合
（但し専用運転に切り換えられたためにサービスできな
かったような場合は除く）は、実際にサービスした号機
を割り当て号機として出力パターンに変換する。
【００２５】そしてステップＳ１７で、上記の入力パタ
ーンと出力パターンとを対にして学習用サンプルとして
記憶する。更にステップＳ１８を経て、学習用サンプル
が所定数に達するまで上記の手順を繰り返し実行し、ス
テップＳ１９でその収集した学習用サンプルを用いてニ
ューラルネットの学習を実施する。
ーンと出力パターンとを対にして学習用サンプルとして
記憶する。更にステップＳ１８を経て、学習用サンプル
が所定数に達するまで上記の手順を繰り返し実行し、ス
テップＳ１９でその収集した学習用サンプルを用いてニ
ューラルネットの学習を実施する。
【００２６】このようにして学習を終了すると、以後は
従来方式の割り当て結果を入力パターンの指標の一つと
して入力することにより、それを上回る割り当て性能の
出力パターンが得られることになる。
従来方式の割り当て結果を入力パターンの指標の一つと
して入力することにより、それを上回る割り当て性能の
出力パターンが得られることになる。
【００２７】
【発明の効果】従来のファジー群管理や評価関数による
呼び割り当て方式の割り当て結果は、有効性が実証され
ている種々の指標値を集約した結果であり、本発明では
これを入力パターンの指標の一つとしてニューラルネッ
トに入力するようにしたので、従来の割り当てに用いら
れていた種々の有効な指標をニューラルネットに多数入
力するのと同様な効果があり、高精度の割り当てを実現
できるだけでなく、入力パターンに用いる指標の数も必
要最小限に留めることができ、ニューラルネットの接続
構成の複雑化を防止することができると共に、有効な指
標を開発するのに要する時間と労力をも軽減することが
できる。
呼び割り当て方式の割り当て結果は、有効性が実証され
ている種々の指標値を集約した結果であり、本発明では
これを入力パターンの指標の一つとしてニューラルネッ
トに入力するようにしたので、従来の割り当てに用いら
れていた種々の有効な指標をニューラルネットに多数入
力するのと同様な効果があり、高精度の割り当てを実現
できるだけでなく、入力パターンに用いる指標の数も必
要最小限に留めることができ、ニューラルネットの接続
構成の複雑化を防止することができると共に、有効な指
標を開発するのに要する時間と労力をも軽減することが
できる。
【００２８】また、従来方式の割り当て結果を入力パタ
ーンの指標の一つとし、実際に応答した号機を出力パタ
ーンとして学習するようにしたので、従来方式を上回る
割り当て性能を期待することができる。
ーンの指標の一つとし、実際に応答した号機を出力パタ
ーンとして学習するようにしたので、従来方式を上回る
割り当て性能を期待することができる。
【図１】本発明の全体の構成を示すブロック図である。
【図２】本発明における割り当ての手順を示すフローチ
ャートである。
ャートである。
【図３】本発明におけるニューラルネットの学習手順を
示すフローチャートである。
示すフローチャートである。
【図４】呼び割当て用ニューラルネットの一例を示す図
である。
である。
Ａ１〜Ａｎ １〜ｎ号機の運行制御装置 １ 乗場呼び釦 ２ 乗場呼び信号 ３ かご情報信号 ４ 割り当て信号 １０ 群管理装置 １１ 入出力インターフェイス １２ システム状態データ １３ 仮割り当て手段 １４ 仮割り当て信号 １５ ニューラルネット １６ 割り当て適性 １７ 割り当て判定手段 １８ 学習手段
フロントページの続き (72)発明者 長島 一郎 大阪府茨木市庄１丁目28番10号 株式会社 フジテック技術研究所内 (72)発明者 緑谷 武 大阪府茨木市庄１丁目28番10号 株式会社 フジテック技術研究所内 (72)発明者 田辺 友晃 大阪府茨木市庄１丁目28番10号 株式会社 フジテック技術研究所内 (72)発明者 太田 直樹 大阪府茨木市庄１丁目28番10号 株式会社 フジテック技術研究所内
Claims (2)
- 【請求項１】 複数の階床に対し複数台のエレベータを
就役させ、乗場呼びが発生すると、その時のエレベータ
システムの状態を表す種々のシステム状態データを、ニ
ューラルネットの入力パターンとして使用できる形に変
換して割り当て用のニューラルネットに入力し、その出
力パターンから最適なかごを選択して、その乗場呼びに
割り当てるようにしたエレベータの群管理制御装置にお
いて、前記システム状態データに基づいて従来方式によ
り割り当てを行う仮割り当て手段と、該仮割り当て手段
による割り当て結果を入力パターンの指標の一つとし、
割り当て適性を出力パターンとするニューラルネット
と、該出力パターンから割り当て号機を決定する割り当
て判定手段とを備えたことを特徴とするエレベータの群
管理制御装置。 - 【請求項２】 前記従来方式とは、評価関数を用いた呼
び割り当て方式或いはファジー理論を用いたエキスパー
トシステムによる呼び割り当て方式であることを特徴と
する請求項１記載のエレベータの群管理制御装置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7053383A JP2959425B2 (ja) | 1995-02-16 | 1995-02-16 | エレベータの群管理制御装置 |
| US08/576,937 US5767461A (en) | 1995-02-16 | 1995-12-22 | Elevator group supervisory control system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7053383A JP2959425B2 (ja) | 1995-02-16 | 1995-02-16 | エレベータの群管理制御装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH08225256A true JPH08225256A (ja) | 1996-09-03 |
| JP2959425B2 JP2959425B2 (ja) | 1999-10-06 |
Family
ID=12941307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7053383A Expired - Lifetime JP2959425B2 (ja) | 1995-02-16 | 1995-02-16 | エレベータの群管理制御装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2959425B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100399882B1 (ko) * | 1998-03-30 | 2003-11-13 | 미쓰비시덴키 가부시키가이샤 | 엘리베이터의 제어장치 |
| KR20110098759A (ko) | 2008-12-25 | 2011-09-01 | 후지텍크가부시키가이샤 | 엘리베이터의 군 관리 제어 방법 및 장치 |
| CN111170095A (zh) * | 2019-12-31 | 2020-05-19 | 北京猎户星空科技有限公司 | 一种电梯调度系统 |
-
1995
- 1995-02-16 JP JP7053383A patent/JP2959425B2/ja not_active Expired - Lifetime
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100399882B1 (ko) * | 1998-03-30 | 2003-11-13 | 미쓰비시덴키 가부시키가이샤 | 엘리베이터의 제어장치 |
| KR20110098759A (ko) | 2008-12-25 | 2011-09-01 | 후지텍크가부시키가이샤 | 엘리베이터의 군 관리 제어 방법 및 장치 |
| US8960374B2 (en) | 2008-12-25 | 2015-02-24 | Fujitec Co., Ltd. | Elevator group control method and device for performing control based on a waiting time expectation value of all passengers on all floors |
| CN111170095A (zh) * | 2019-12-31 | 2020-05-19 | 北京猎户星空科技有限公司 | 一种电梯调度系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2959425B2 (ja) | 1999-10-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5767461A (en) | Elevator group supervisory control system | |
| JPH075235B2 (ja) | エレベータの群管理制御装置 | |
| JP2959425B2 (ja) | エレベータの群管理制御装置 | |
| JP2979993B2 (ja) | エレベータ呼び割当て用ニューラルネットの学習方法 | |
| JPH0742055B2 (ja) | エレベータの群管理制御方法 | |
| JP2956516B2 (ja) | エレベータの群管理制御装置 | |
| JPH0331173A (ja) | エレベータの群管理制御装置 | |
| JP2988312B2 (ja) | エレベータの群管理制御装置 | |
| JP2988306B2 (ja) | エレベータの群管理制御装置 | |
| JP2867849B2 (ja) | エレベータ呼び割当て用ニューラルネットの学習方法 | |
| JP3106908B2 (ja) | 待ち時間予測用ニューラルネットの学習方法 | |
| JP2500407B2 (ja) | エレベ―タ群管理制御装置の構築方法 | |
| JP2991077B2 (ja) | エレベータの群管理制御装置 | |
| JP2964907B2 (ja) | エレベータの群管理制御装置 | |
| JP2962174B2 (ja) | エレベータの群管理制御装置 | |
| JP3060879B2 (ja) | 呼び割り当て用ニューラルネットの構成とその学習方法 | |
| JP3052768B2 (ja) | エレベータの群管理制御装置 | |
| JP2964902B2 (ja) | エレベータ呼び割り当て用ニューラルネットの学習方法 | |
| JP2962182B2 (ja) | エレベータの群管理制御装置 | |
| JP2964900B2 (ja) | 呼び割り当て用ニューラルネットの学習方法 | |
| JP3407660B2 (ja) | エレベータの群管理制御装置 | |
| JP2998589B2 (ja) | エレベータの群管理制御装置 | |
| JP3215001B2 (ja) | エレベータ呼び割り当て用ニューラルネットの学習方法 | |
| JPH0764488B2 (ja) | エレベータの群管理制御装置 | |
| JP2964908B2 (ja) | エレベータの群管理制御装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080730 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090730 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090730 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100730 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100730 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110730 Year of fee payment: 12 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110730 Year of fee payment: 12 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120730 Year of fee payment: 13 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130730 Year of fee payment: 14 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |