WO2019087760A1 - エレベータ分析システム及びエレベータ分析方法 - Google Patents

Abstract

プロセッサと、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、記憶装置は、制御の対象であるエレベータ群の各階の乗り場にエレベータを利用するために現れた人物の数である発生人数を保持し、プロセッサは、記憶装置に保持された発生人数から、将来の発生人数を予測し、予測された将来の発生人数から、エレベータ群に属する各カゴの運行を制御するために適用される運行ルール、及び、各運行ルールにおいて設定される制御パラメータを決定し、決定された運行ルール及び制御パラメータを出力する。

Description

エレベータ分析システム及びエレベータ分析方法 参照による取り込み

　本出願は、平成２９年（２０１７年）１０月３０日に出願された日本出願である特願２０１７－２０９７２１の優先権を主張し、その内容を参照することにより、本出願に取り込む。

　本発明は、群管理エレベータを分析する技術に関する。

　比較的規模の大きなビルにおいては、エレベータの輸送能力を向上させるため複数のエレベータを併設し、乗り場での呼び登録に際して、最適なカゴを選択してサービスさせるシステムを導入している。更にビルの規模が大きくなるにつれ、併設されるエレベータの台数も多くなり、これら複数のエレベータを群管理装置が適切に制御して利用者に対する待ち時間の低減等のサービス向上を図っている。その際には、群管理装置は、運行データ等を用いて、エレベータ利用状況を予測することで、最適な制御を試みている。

　特許文献１では、カゴの乗車人数から、上向き乗車割合の特徴量、上向き降車の特徴量、下向き乗車割合の特徴量、下向き降車の特徴量を用いて、利用需要の予測分析している。

　特許文献２では、エレベータホールにカメラ設置し、乗場人数をカウントする。ある時刻における待ち人数を予測する場合に、過去一定期間の同時刻における待ち時間の平均値を予測値としている。

　特許文献３では、カゴの乗車人数を用いている。現在のビルの混雑状況と過去の利用履歴を用いて、混雑状況を予想している。

　特許文献４では、エレベータホール前より建物入口部分に向けて撮影するようにカメラを設置し、エレベータホールに近づいてくる人を検知したら、カゴを配車する。

　　特許文献１：特開２０１４－１７２７１８号公報
　　特許文献２：特開２０１５－９９０９号公報
　　特許文献３：国際公開第２０１７／００６３７９号
　　特許文献４：特開２０００－２６０３４号公報

　乗場に訪れるこれからエレベータを利用する人の訪問時間、乗車階床、降車階床、その人数が分からないために、群管理エレベータ制御が限定されている。

　特許文献１と特許文献３では、エレベータのカゴ乗車人数を用いているため、乗車階床と降車階床の状況は分かるが、乗場の状況は分からない。よって、乗場の変化に合わせた制御が難しい。

　また、特許文献２と特許文献４では、乗場にカメラを設置するため、乗場の状況がわかるが、乗車階床と降車階床の状況がわからない。よって、乗車階床と降車階床の状況に合わせた制御がむずかしい。また、カメラを設置するコストが別途発生する。

　本発明の目的は、データから乗場に訪れるこれからエレベータを利用する人の訪問時間、乗車階床、降車階床、その人数を求め、将来の混雑が予測された際に、乗場にいる利用者の待ち時間など利用者からの不満を低減させる制御を実施することである。

　上記の課題の少なくとも一つを解決するために、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、制御の対象であるエレベータ群の各階の乗り場にエレベータを利用するために現れた人物の数である発生人数を保持し、前記プロセッサは、前記記憶装置に保持された発生人数から、将来の発生人数を予測し、予測された前記将来の発生人数から、前記エレベータ群に属する前記各カゴの運行を制御するために適用される運行ルール、及び、各運行ルールにおいて設定される制御パラメータを決定し、決定された前記運行ルール及び制御パラメータを出力することを特徴とする。

　本発明の一態様によれば、最適なエレベータ制御を実現することで、エレベータの関係者の不満を低減させることができる。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。

本発明の実施形態の群管理エレベータ制御システムの全体構成を示すブロック図である。 本発明の実施形態の分析サーバのハードウェア構成を示すブロック図である。 本発明の実施形態の群管理エレベータ制御システムの処理、及び、データの関連を示した説明図である。 本発明の実施形態の群管理エレベータ制御システムの処理の発生人数予測及び行き先階予測の概要を示すシーケンス図である。 本発明の実施形態の群管理エレベータ制御システムの処理の有効ルール／パラメータ選択の概要を示すシーケンス図である。 本発明の実施形態の発生人数推定モデル生成部の処理を示すフローチャートである。 本発明の実施形態の発生人数推定部の処理を示すフローチャートである。 本発明の実施形態の発生人数予測部の処理を示すフローチャートである。 本発明の実施形態の行き先階推定部の処理を示すフローチャートである。 本発明の実施形態の行き先階予測部の処理を示すフローチャートである。 本発明の実施形態の制御セレクター部の処理を示すフローチャートである。 本発明の実施形態のルール／パラメータ評価部の処理を示すフローチャートである。 本発明の実施形態の分析サーバが保持するビル基本情報の説明図である。 本発明の実施形態の分析サーバが保持するランダムシードの説明図である。 本発明の実施形態の分析サーバが保持する乗降人数の説明図である。 本発明の実施形態の分析サーバが保持するエレベータ運行ログの説明図である。 本発明の実施形態の分析サーバが保持する外部情報（天候）の説明図である。 本発明の実施形態の分析サーバが保持する外部情報（カメラ）の説明図である。 本発明の実施形態の分析サーバが保持する外部情報（建屋情報）の説明図である。 本発明の実施形態の分析サーバが保持する発生人数推定入力の説明図である。 本発明の実施形態の分析サーバが保持する発生人数推定モデルの説明図である。 本発明の実施形態の分析サーバが保持する発生人数推定結果の説明図である。 本発明の実施形態の分析サーバが保持する発生人数予測結果の説明図である。 本発明の実施形態の分析サーバが保持する発生人数予測結果２の説明図である。 本発明の実施形態の分析サーバが保持する時間帯別行き先階推定の説明図である。 本発明の実施形態の分析サーバが保持する時間帯別行き先階予測結果の説明図である。 本発明の実施形態の分析サーバが保持するルール／制御テンプレートの説明図である。 本発明の実施形態の分析サーバが保持するＫＰＩリストの説明図である。 本発明の実施形態の分析サーバが保持するシミュレーションの入力と結果の説明図である。 本発明の実施形態の分析サーバが保持する有効ルール／パラメータの説明図である。 本発明の実施形態の分析サーバが保持する有効ルール／パラメータの細分化リストの説明図である。 本発明の実施形態の分析サーバが保持するルール／パラメータリストの説明図である。 本発明の実施形態の分析サーバによって出力されるビル個別化レポートの説明図である。

　次に、本発明の実施形態について図面を用いて詳細に説明するが、本発明は以下の実施形態に限定されることなく、本発明の技術的な概念の中で種々の変形例や応用例をもその範囲に含むものである。以下、本発明に係る一実施形態を、図１を用いて説明する。

　図１Ａは、本発明の実施形態の群管理エレベータ制御システムの全体構成を示すブロック図である。

　分析サーバＳＡ、クライアント端末ＣＬ、外部情報近隣建屋情報ＥＸＮ、外部情報データベースＥＸＤ、外部情報カメラＥＸＣ、制御盤ＣＡ、カゴ１ＣＡ１、カゴ２ＣＡ２、及びカゴ８ＣＡ８は、ｏｐｅｎ又はｃｌｏｓｅのネットワークＮＷに接続されている。

　分析サーバＳＡは、群管理エレベータの制御に関する分析を行うエレベータ分析システムを構成する。分析サーバＳＡは、データベースＳＡ０、表示部ＳＡ１、要求部ＳＡ２及び実行部ＳＡ３から構成されている。

　データベースＳＡ０は、分析サーバＳＡ内で使用される入力／出力データを扱っている。具体的には、データベースＳＡ０は、予め分析サーバＳＡに設定されている情報、ネットワークＮＷを介して取得された情報、及び、実行部ＳＡ３の処理によって生成された情報等を含む。図１Ａでは省略されているが、データベースＳＡ０は、例えば、ビル基本情報ＳＡ００、ランダムシードＳＡ０１、乗降人数ＳＡ０２、エレベータ運行ログＳＡ０３、外部情報（天候）ＳＡ０４、外部情報（カメラ）ＳＡ０５、外部情報（建屋情報）ＳＡ０６、発生人数推定入力ＳＡ０７、発生人数推定モデルＳＡ０８、発生人数推定結果ＳＡ０９、発生人数予測結果ＳＡ１０、発生人数予測結果ＳＡ１１、時間帯別行き先階推定ＳＡ１２、時間帯別行き先階予測結果ＳＡ１３、ルール／制御テンプレートＳＡ１４、ＫＰＩリストＳＡ１５、シミュレーションの入力と結果ＳＡ１６、有効ルール／パラメータＳＡ１７及びルール／パラメータリストＳＡ１９を含む（図２、図１２～図３１参照）。

　実行部ＳＡ３は実際に分析を実行する部分であり、計測処理部ＳＡ３１、発生人数推定モデル生成部ＳＡ３２、発生人数推定部ＳＡ３３、発生人数予測部ＳＡ３４、行き先階推定部ＳＡ３５、行き先階予測部ＳＡ３６、制御セレクター部ＳＡ３７及びルール／パラメータ評価部ＳＡ３８から構成されている。

　クライアント端末ＣＬは、管理者が分析の状況を閲覧するための端末である。外部情報近隣建屋情報ＥＸＮ、外部情報データベースＥＸＤ、外部情報カメラＥＸＣ及び制御盤ＣＡは、エレベータの運行に関する情報ではない情報を提供する。これらを外部情報と記載する。外部情報は、上記のもの以外に、鉄道交通データ及び道路状況データなど公開されている情報を含んでもよい。カゴ１ＣＡ１、カゴ２ＣＡ２及びカゴ８ＣＡ８はエレベータのカゴであり、制御盤ＣＡはカゴ１ＣＡ１～カゴ８ＣＡ８を制御する制御装置である。

　一部の図示が省略されているが、図１Ａの例では、カゴ１ＣＡ１～カゴ８ＣＡ８までの８台のカゴが制御盤ＣＡによって制御される。カゴ１ＣＡ１～カゴ８ＣＡ８は、例えば、同じ建物の、同じエレベータ乗り場（エレベータホール）に面して設置された、８基からなる群管理の対象となるエレベータ群のカゴである。ただし８基は一例であり、２基以上からなるエレベータ群に本発明を適用することができる。

　また、本実施形態において発生人数とは、エレベータに乗るためにエレベータホールに現れた人物の数である。

　図１Ｂは、本発明の実施形態の分析サーバＳＡのハードウェア構成を示すブロック図である。

　分析サーバＳＡは、例えば、相互に接続されたインターフェース（Ｉ／Ｆ）１０１、入力装置１０２、出力装置１０３、プロセッサ１０４、主記憶装置１０５及び補助記憶装置１０６を有する計算機である。

　インターフェース１０１は、ネットワークＮＷに接続され、ネットワークＮＷを介してクライアント端末ＣＬ、外部情報データベースＥＸＤ、外部情報カメラＥＸＣ及び制御盤ＣＡとの通信、並びに、外部情報近隣建屋情報ＥＸＮの取得等を行う。入力装置１０２は、分析サーバＳＡのユーザが分析サーバＳＡ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１０３は、分析サーバＳＡ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１０４は、主記憶装置１０５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１０５は、例えばＤＲＡＭのような半導体記憶装置であり、プロセッサ１０４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１０６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、プロセッサによって実行する処理において参照されるデータ等を格納する。

　本実施形態の主記憶装置１０５には、実行部ＳＡ３に含まれる計測処理部ＳＡ３１、発生人数推定モデル生成部ＳＡ３２、発生人数推定部ＳＡ３３、発生人数予測部ＳＡ３４、行き先階推定部ＳＡ３５、行き先階予測部ＳＡ３６、制御セレクター部ＳＡ３７及びルール／パラメータ評価部ＳＡ３８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実行部ＳＡ３に含まれる各部が実行する処理は、実際には、プロセッサ１０４が、主記憶装置１０５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。

　また、要求部ＳＡ２の処理は、プロセッサ１０４が主記憶装置１０５に格納された要求部ＳＡ２に対応するプログラムに従ってインターフェース１０１又は入力装置１０２を制御することによって実現されてもよい。表示部ＳＡ１の処理は、プロセッサ１０４が主記憶装置１０５に格納された表示部ＳＡ１に対応するプログラムに従って出力装置１０３を制御することによって実現されてもよい。

　本実施形態の補助記憶装置１０６は、データベースＳＡ０を格納する。さらに、実行部ＳＡ３に含まれる各部に対応するプログラムが補助記憶装置１０６に格納され、必要に応じて主記憶装置１０５にコピーされてもよい。また、データベースＳＡ０の少なくとも一部が必要に応じて主記憶装置１０５にコピーされてもよい。

　図２は、本発明の実施形態の群管理エレベータ制御システムの処理、及び、データの関連を示した説明図である。

　この図を参照することによって、それぞれの処理に関する入力データおよび出力データが明らかになる。また、処理、及び、データの全体俯瞰が可能となる。太線の枠のブロックが処理、細線の枠のブロックがデータを示す。また、実線で囲まれている範囲がリアルタイム処理であり、破線で囲まれている範囲はオフラインで実行されることが望ましい。

　具体的には、発生人数推定モデル生成部ＳＡ３２は、ビル基本情報ＳＡ００（図１２）及びランダムシードＳＡ０１（図１３）に基づいて、発生人数モデル処理ＳＰ０１（図５）を実行して、発生人数推定モデルＳＡ０８（図２０）を出力する。図２の例では、この発生人数モデル処理ＳＰ０１は、オフライン処理ＳＺ１として実行される。

　発生人数推定部ＳＡ３３は、乗降人数ＳＡ０２（図１４）、エレベータ運行ログＳＡ０３（図１５）、外部情報（天候）ＳＡ０４（図１６）、外部情報（カメラ）ＳＡ０５（図１７）、外部情報（建屋情報）ＳＡ０６（図１８）、ビル基本情報ＳＡ００及び発生人数推定モデルＳＡ０８に基づいて、発生人数推定処理ＳＰ０２（図６）を実行し、その結果を発生人数予測部ＳＡ３４に入力する。発生人数推定部ＳＡ３３は、上記以外に利用できる外部情報があればそれを利用してもよい。

　発生人数予測部ＳＡ３４は、発生人数推定処理ＳＰ０２の結果に基づいて、発生人数予測処理ＳＰ０３（図７）を実行し、その結果を行き先階予測部ＳＡ３６及び制御セレクター部ＳＡ３７に入力する。また、その結果は保存処理ＳＰ０７（図９）によって保存される。

　行き先階推定部ＳＡ３５は、乗り降り人数ＳＡ０２に基づいて、行き先階推定処理ＳＰ０４（図８）を実行し、その結果を行き先階予測部ＳＡ３６に入力する。

　行き先階予測部ＳＡ３６は、発生人数予測処理ＳＰ０３及び行き先階推定処理ＳＰ０４の結果に基づいて、行き先階予測処理ＳＰ０５（図９）を実行する。その結果は保存処理ＳＰ０７によって保存される。

　制御セレクター部ＳＡ３７は、行き先階予測処理ＳＰ０５の結果、発生人数予測処理ＳＰ０３の結果、及び、後述する表示／制御データ生成処理ＳＰ１５によって生成されたルール／パラメータリストＳＡ１９に基づいて、制御セレクターＳＰ０６（図１０）を実行し、その結果を制御盤ＣＡに出力する。

　図２の例では、上記の発生人数推定処理ＳＰ０２～保存処理ＳＰ０７は、リアルタイム処理ＳＺ０として実行される。

　ルール／パラメータ評価部ＳＡ３８は、保存処理ＳＰ０７によって保存されたデータ、ルール／制御テンプレートＳＡ１４（図２６）、及びＫＰＩリストＳＡ１５（図２７）に基づいて、ＫＰＩシミュレーション処理ＳＰ１１、有効ルール／パラメータ選択ＳＰ１２、終了判定処理ＳＰ１３、有効ルール／パラメータの細分化処理ＳＰ１４及び表示／制御データ生成処理ＳＰ１５を実行する（図１１）。その過程でシミュレーションの入力と結果ＳＡ１６（図２８）及び有効ルール／パラメータＳＡ１７（図２９）が生成され、最終的にルール／パラメータリストＳＡ１９（図３１）及びビル個別化レポートＳＡ２０（図３２）が出力される。

　図２の例では、上記のＫＰＩシミュレーション処理ＳＰ１１～表示／制御データ生成処理ＳＰ１５は、オフライン処理ＳＺ２として実行される。

　図３は、本発明の実施形態の群管理エレベータ制御システムの処理の発生人数予測及び行き先階予測の概要を示すシーケンス図である。

　図３のシーケンス図は、データ関連（乗降人数ＳＡ０２、エレベータ運行ログＳＡ０３、外部情報（天候）ＳＡ０４、外部情報（カメラ）ＳＡ０５など）、分析サーバＳＡ、制御盤ＣＡ及びクライアント端末ＣＬのそれぞれに対応する４つの軸を用いて表現されている。

　データ収集Ｓ０１は、外部情報データベースＥＸＤ等の外部のシステムが周期的にデータを分析サーバＳＡに送信する処理である。分析サーバＳＡの実行部ＳＡ３の計測処理部ＳＡ３１がそれらのデータを受信し、データベース登録Ｓ０２を行って、データベースＳＡ０のそれぞれのテーブルに受信したデータを格納する。定期的に、実行部ＳＡ３の発生人数推定モデル生成部ＳＡ３２、発生人数推定部ＳＡ３３、発生人数予測部ＳＡ３４、行き先階推定部ＳＡ３５、行き先階予測部ＳＡ３６及び制御セレクター部ＳＡ３７の処理が実行され、その結果のデータがデータベース登録Ｓ０３によって、データベースＳＡ０のそれぞれのテーブルに格納される。最後に、分析サーバＳＡは、制御セレクター部ＳＡ３７によって選択された制御パラメータを制御盤ＣＡに対して入力コマンドＣＡ０として送信する。

　図４は、本発明の実施形態の群管理エレベータ制御システムの処理の有効ルール／パラメータ選択の概要を示すシーケンス図である。

　図４のシーケンス図は、図３と同様の４つの軸を用いて表現される。

　クライアント端末ＣＬでは、管理者が経営者情報として例えばＫＰＩ及び期間などを入力する経営者情報入力Ｓ０４が実行される。クライアント端末ＣＬは、入力された情報を含む要求コマンドを分析サーバＳＡに送信する。

　分析サーバＳＡは、データ取得Ｓ０５を実行して、クライアント端末ＣＬから送信されたデータを取得する。そして、分析サーバＳＡは、ルール／パラメータ評価部ＳＡ３８を実行し、データベースＳＡ０から該当するデータを取得しながら、有益なルール及び制御パラメータを選択し、その結果を用いてコンテンツを生成する。分析サーバＳＡは、生成したコンテンツを含む表示データをクライアント端末ＣＬに送信する。

　クライアント端末ＣＬは、表示処理Ｓ０６を実行して、コンテンツを表示する。表示されるコンテンツの一例については図３０を参照して後述する。また、ＫＰＩ及び期間などは分析時に用いるため、事前に登録した方が望ましい。

　図５は、本発明の実施形態の発生人数推定モデル生成部ＳＡ３２の処理を示すフローチャートである。

　発生人数モデル処理ＳＰ０１は、発生人数データ生成ＳＰ０１０と発生人数推定モデル生成ＳＰ０１１で構成される。発生人数データ生成ＳＰ０１０では、発生人数推定モデル生成部ＳＡ３２が、ビル基本情報ＳＡ００及びランダムシードＳＡ０１から、シミュレーション（第２のシミュレーション）によって、各カゴの乗降人数（すなわち乗り人数及び降り人数）及びカゴ状態を求める。

　例えば、発生人数推定モデル生成部ＳＡ３２は、シミュレーション上で、各階のエレベータホールに、これからエレベータに乗ろうとする複数の人物をランダムに発生させる。具体的には、発生人数推定モデル生成部ＳＡ３２は、ランダムシードＳＡ０１を用いて、各人物が現れるエレベータホールの階、及び、現れる時刻をランダムに決定する。さらに、発生人数推定モデル生成部ＳＡ３２は、各人物の行き先階を、ビル基本情報ＳＡ００に基づいて選択し得る階の中からランダムに決定する。

　そして、発生人数推定モデル生成部ＳＡ３２は、決定された各人物が現れる時刻、現れる階及び行き先階に応じて、各カゴを運行するシミュレーションを行って、時刻ごとの各カゴの乗降人数及びカゴ状態を求め、それらを発生人数推定入力ＳＡ０７として生成する。カゴ状態とは、例えば、各カゴが位置する階床、各カゴの進行方向（上方向又は下方向）、及び、各カゴの搭乗人数等であり、詳細には、後述するエレベータ運行ログＳＡ０３に登録されている値と同様のものであってもよい。ただし、エレベータ運行ログＳＡ０３には実際に計測された値が登録されるが、発生人数推定モデル生成部ＳＡ３２はシミュレーションによって値を生成する。

　このとき、発生人数推定モデル生成部ＳＡ３２は、例えば後述するルール／制御テンプレートＳＡ１４（図２６）に登録されたいずれかの運行ルール／制御パラメータに従ってシミュレーションを実行してもよい。

　発生人数推定モデル生成ＳＰ０１１では、発生人数推定モデル生成部ＳＡ３２は、ステップ１及びステップ２からなる２段階の処理を実施することで、発生人数推定モデルＳＡ０８を生成する。ステップ１において、発生人数推定モデル生成部ＳＡ３２は、シミュレーションの結果から、時刻ごとの発生人数と、それぞれに対応して求められた乗降人数及びカゴ状態とを特定する。そして、発生人数推定モデル生成部ＳＡ３２は、ステップ２において、各カゴの状態、各階における各カゴの乗り人数及び降り人数から、発生人数を推定するモデル、すなわち、発生人数＝ｆ（乗降人数、カゴ状態）が成立する関数ｆを求める。例えば、図２０を参照して後述するように、乗降人数及びカゴ状態を説明指標とし、発生人数を目的変数として重回帰分析を行ってもよい。

　このとき、エレベータ運行ログＳＡ０３、外部情報（天候）ＳＡ０４、外部情報（カメラ）ＳＡ０５及び外部情報（建屋情報）ＳＡ０６の少なくともいずれか（又はその他の外部情報）を利用できる場合は、それらの値を外部変数として、発生人数＝ｆ（乗降人数、カゴ状態、外部変数）が成立する関数ｆを求めてもよい。関数ｆを求める際には、ステップ１において特定された発生人数から乗降人数等への変換の逆変換を求めればよい。また、関数ｆが求まるならば、他の手法を用いてもよい。

　図６は、本発明の実施形態の発生人数推定部ＳＡ３３の処理を示すフローチャートである。

　発生人数推定処理ＳＰ０２では、発生人数推定部ＳＡ３３は、図５で求めた発生人数推定モデルＳＡ０８に、現在の乗降人数ＳＡ０２及びエレベータ運行ログＳＡ０３から取得した実際の乗り人数、降り人数及びカゴ状態を代入することで、現在における発生人数推定結果ＳＡ０９を求め、主記憶装置１０５又は補助記憶装置１０６に保持する。これによって、各カゴへ人物の乗り降りの状況、及び、各カゴの位置、進行方向といった状態から、これからエレベータに乗ろうとしている人物の発生の状況を推定することが可能になる。

　各カゴの乗降人数は、例えば、制御盤ＣＡが計測している各カゴの重量の変化から推定することができる。また、各カゴの位置、進行方向等は、制御盤ＣＡによる制御に依存している。したがって、上記の発生人数モデル処理ＳＰ０１及び発生人数推定処理ＳＰ０２によれば、外部情報が一切得られない場合であっても、エレベータそのものから取得される情報に基づいて、これからエレベータに乗ろうとしている人物の発生の状況を推定することが可能になる。

　なお、現在の乗降人数ＳＡ０２及びエレベータ運行ログＳＡ０３は、それらに含まれるデータが取得されたときにエレベータに適用されていた運行ルール／制御パラメータ（すなわちそれに基づいて制御盤ＣＡが各カゴの制御を行っていた運行ルール／制御パラメータ、例えば図２６参照）を識別する情報を含んでいてもよい。その場合、発生人数推定部ＳＡ３３は、その運行ルール／制御パラメータに従うシミュレーションに基づいて発生人数推定モデル生成部ＳＡ３２が生成した発生人数推定モデルＳＡ０８に、現在の乗降人数ＳＡ０２及びエレベータ運行ログＳＡ０３から取得した実際の乗り人数、降り人数及びカゴ状態を代入することで、現在における発生人数推定結果ＳＡ０９を求める。これによって、精度の高い推定を行うことができる。

　また、このとき、エレベータ運行ログＳＡ０３、外部情報（天候）ＳＡ０４、外部情報（カメラ）ＳＡ０５及び外部情報（建屋情報）ＳＡ０６の少なくともいずれか（又はその他の外部情報）を利用できる場合は、それらを代入してもよい。

　図７は、本発明の実施形態の発生人数予測部ＳＡ３４の処理を示すフローチャートである。

　発生人数予測処理ＳＰ０３は、発生人数予測ＳＰ０３０と形式変換ＳＰ０３１で構成される。

　発生人数予測ＳＰ０３０では、発生人数予測部ＳＡ３４は、図６の処理で求めた各時点の（例えば所定の時間幅を持った時間帯ごとの）発生人数推定結果ＳＡ０９を用いて、発生人数推定結果ＳＡ０９に格納されている時刻より未来の時刻の発生人数を予測し、その結果を発生人数予測結果ＳＡ１０として出力する。このとき、エレベータ運行ログＳＡ０３、外部情報（天候）ＳＡ０４、外部情報（カメラ）ＳＡ０５及び外部情報（建屋情報）ＳＡ０６の少なくともいずれか（又はその他の外部情報）を利用できる場合は、それらを利用してもよい。例えば、外部情報（カメラ）ＳＡ０５が利用できる場合は、発生人数推定結果ＳＡ０９から取得される発生人数の代わりに、外部情報（カメラ）ＳＡ０５に含まれる人数（ＳＡ０５７）等を利用してもよいし、その他の外部情報から特定された発生人数を利用できる場合はそれらを利用してもよい。

　形式変換ＳＰ０３１では、発生人数予測ＳＰ０３０で求めた発生人数予測結果ＳＡ１０を用いて、ポアソン分布を用いて単位時間当たりの人数別の発生確率に変換し、その結果を発生人数予測結果２＿ＳＡ１１として出力する。この発生確率を用いて後述するＫＰＩシミュレーションを実行することができる。

　図８は、本発明の実施形態の行き先階推定部ＳＡ３５の処理を示すフローチャートである。

　行き先階推定部ＳＡ３５は、乗降人数ＳＡ０２に基づいて、時間帯毎にカゴから降りる人の傾向を求めることで、行き先階を推定し、その結果を時間帯別行き先階推定ＳＡ１２として出力する。

　図９は、本発明の実施形態の行き先階予測部ＳＡ３６の処理を示すフローチャートである。

　行き先階予測部ＳＡ３６は、行き先階予測処理ＳＰ０５及び保存処理ＳＰ０７を実行する。

　行き先階予測処理ＳＰ０５では、行き先階予測部ＳＡ３６は、発生した人々の行き先階、すなわち、発生した人々がどの階に行こうとしているのかを予測する。具体的には、行き先階予測部ＳＡ３６は、図７の発生人数予測部ＳＡ３４の処理結果である発生人数予測結果２＿ＳＡ１１と図８の行き先階推定部ＳＡ３５の処理結果である時間帯別行き先階推定ＳＡ１２とを掛け合わせることで行き先階を予測し、その結果を時間帯別行き先階予測結果ＳＡ１３として出力する。

　保存処理ＳＰ０７は、今まで求めてきた発生人数予測結果ＳＡ１０及び時間帯別行き先階予測結果ＳＡ１３などを例えばデータベースＳＡ０に保存する処理である。これを実行する理由はオフライン処理を行う時に、過去の大量のデータが必要になるためである。

　図１０は、本発明の実施形態の制御セレクター部ＳＡ３７の処理を示すフローチャートである。

　制御セレクター部ＳＡ３７が実行する制御セレクターＳＰ０６は、発生人数予測結果ＳＡ１０及び時間帯別行き先階予測結果ＳＡ１３が満たすルール／パラメータリストを選択する処理である。選択したパラメータは入力コマンドＣＡ０として、制御盤ＣＡに送られる。

　図１１は、本発明の実施形態のルール／パラメータ評価部ＳＡ３８の処理を示すフローチャートである。

　ルール／パラメータ評価部ＳＡ３８は、ＫＰＩシミュレーション処理ＳＰ１１、有効ルール／パラメータ選択ＳＰ１２、終了判定処理　ＳＰ１３、有効ルール／パラメータの細分化処理ＳＰ１４、及び表示／制御データ生成処理ＳＰ１５で構成されている。

　ＫＰＩシミュレーション処理ＳＰ１１では、ルール／パラメータ評価部ＳＡ３８は、ルール／制御テンプレートＳＡ１４とＫＰＩリストＳＡ１５と時間帯別行き先階予測結果ＳＡ１３と発生人数予測結果２＿ＳＡ１１とを用いて、運行ルール／制御パラメータを変更しながら複数回のシミュレーション（第１のシミュレーション）を行い、ＫＰＩ値を出力する。

　具体的には、ルール／パラメータ評価部ＳＡ３８は、時間帯別行き先階推定ＳＡ１２に記入されている行き先階確率と、発生人数予測結果２＿ＳＡ１１に記入されている人数ごとの発生確率とに従って、各階のエレベータホールに人物を発生させて、それに応じて、ルール／制御テンプレートＳＡ１４から選択された運行ルール／制御パラメータに従って各カゴを制御するシミュレーションを実行する。後述するように、このシミュレーションは、適用される運行ルール／制御パラメータを変更しながら複数回実行される。

　有効ルール／パラメータ選択ＳＰ１２では、ルール／パラメータ評価部ＳＡ３８は、ＫＰＩシミュレーション処理ＳＰ１１に代入した値とその結果から、有効ルール／パラメータを選択する。

　終了判定処理ＳＰ１３では、ルール／パラメータ評価部ＳＡ３８は、有効ルール／パラメータ選択ＳＰ１２の結果として改善効果が見られるか否かを判定し、改善効果が見られたらＹｅｓ、見られない場合にはＮｏに進む。

　有効ルール／パラメータの細分化処理ＳＰ１４では、ルール／パラメータ評価部ＳＡ３８は、有効ルール／パラメータ選択ＳＰ１２の結果から、より効果がある特徴量に関して、細分化するための範囲を決める。

　ルール／パラメータ評価部ＳＡ３８は、その結果をＫＰＩシミュレーション処理ＳＰ１１に代入することで、終了判定処理ＳＰ１３による結果の改善効果が見られるまでループを繰り返す。

　表示／制御データ生成処理ＳＰ１５では、ルール／パラメータ評価部ＳＡ３８は、有効ルール／パラメータＳＡ１７をもとに、ルール／パラメータリストＳＡ１９及びビル個別化レポートＳＡ２０を生成する。

　図１２は、本発明の実施形態の分析サーバＳＡが保持するビル基本情報ＳＡ００の説明図である。

　ビル基本情報ＳＡ００は、ビルの基本情報を記載したテーブルである。ビル毎に、エレベータは複数のカゴから構成されており、それをエレベータバンクという。エレベータバンク毎に制御を行うため、それを管理するテーブルがビル基本情報テーブル（図１２）である。例えば図１Ａのカゴ１ＣＡ１～カゴ８ＣＡ８が一つのエレベータバンクに属する。一つのエレベータバンクが、制御盤ＣＡによる群管理の対象となるエレベータ群に相当する。一つのビルに複数のエレベータバンクが存在する場合には、制御盤と複数のカゴとの組合せが複数存在することとなる。

　ビルＩＤ（ＳＡ０００）はエレベータが設置されたビルの識別情報（ＩＤ）である。ビル毎に異なるＩＤで識別される。エレベータバンクＩＤ（ＳＡ００１）はビルにおけるエレベータバンクを区別するためのＩＤである。バンク名称（ＳＡ００２）はエレベータバンクの名称である。カゴ数（ＳＡ００３）はエレベータバンクを構成しているカゴ数である。対象階床（ＳＡ００４）はエレベータバンクを構成するカゴが停止する階床を示している。緯度（ＳＡ００５）及び経度（ＳＡ００６）は、それぞれ、エレベータバンクがある位置を示す緯度及び経度である。エレベータバンクの面積が大きい場合には、その重心の緯度及び経度であってもよい。また、地球を全体とする絶対座標におけるエレベータバンクの位置を示せる情報があればよく、緯度及び経度以外の値であってもよい。ビル名称（ＳＡ００７）はエレベータがあるビルの正式名称である。

　図１２に示されたのは一例であり、分析する際に、ビルの基本情報として必要なデータがあれば、そのデータを追加するようにビル基本情報ＳＡ００を変更することができる。

　図１３は、本発明の実施形態の分析サーバＳＡが保持するランダムシードＳＡ０１の説明図である。

　ランダムシードＳＡ０１は、乱数を発生する時に用いるシードを記載したテーブルである。ランダムシードＮｏ（ＳＡ０１０）はランダムシードのＩＤである。ランダムシード毎に異なるＩＤで識別される。

　ランダムシード（ＳＡ０１１）はランダムシード値である。本テーブルを用いることで、ランダムシードＮｏを指定するとそれに該当する値を参照することができる。

　図１３に示されたのは一例であり、乱数を発生する際に、必要なデータがあれば、そのデータを追加するようにランダムシードＳＡ０１を変更することができる。

　図１４は、本発明の実施形態の分析サーバＳＡが保持する乗降人数ＳＡ０２の説明図である。

　乗降人数ＳＡ０２は、実際のエレベータによる階床ごとの各カゴの乗り人数及び降り人数を示したテーブルである。

　ビルＩＤ（ＳＡ０２０）はビルを識別するＩＤである。エレベータバンクＩＤ（ＳＡ０２１）はビル内にある複数のエレベータバンクの各々を識別するＩＤである。日付（ＳＡ０２２）は本エレベータの運行状況を示した日付である。時刻（ＳＡ０２３）は本エレベータの運行状況を示した時刻である。

　曜日（ＳＡ０２４）は本エレベータの運行状況を示した曜日である。時間幅（ＳＡ０２５）は、本エレベータの運行状況を集計した時間の幅である。カゴ１（ＳＡ０２６）はエレベータバンクＩＤ（ＳＡ０２１）によって識別されるエレベータバンクに所属する１つのカゴが識別されていることを示している。階床（ＳＡ０２７）は、カゴ１（ＳＡ０２６）が、日付（ＳＡ０２２）、時刻（ＳＡ０２３）、曜日（ＳＡ０２４）及び時間幅（ＳＡ０２５）によって特定される時間帯に存在する階床である。カゴ内人数（ＳＡ０２８）は、日付（ＳＡ０２２）、時刻（ＳＡ０２３）、曜日（ＳＡ０２４）及び時間幅（ＳＡ０２５）によって特定される時間帯に当該カゴ内に乗っていた人物の数（すなわちカゴ内人数）である。

　上方向（ＳＡ０２９）の乗り人数（ＳＡ０２Ａ）は、日付（ＳＡ０２２）、時刻（ＳＡ０２３）、曜日（ＳＡ０２４）及び時間幅（ＳＡ０２５）によって特定される時間帯のうち、カゴ１（ＳＡ０２６）が上方向に向いているときに当該カゴに乗り込んだ人物の数（すなわち乗り人数）を示している。上方向（ＳＡ０２９）の降り人数（ＳＡ０２Ｂ）は、日付（ＳＡ０２２）、時刻（ＳＡ０２３）、曜日（ＳＡ０２４）及び時間幅（ＳＡ０２５）によって特定される時間帯のうち、カゴ１（ＳＡ０２６）が上方向に向いているときに当該カゴから降りた人物の数（すなわち降り人数）を示している。

　下方向（ＳＡ０２Ｃ）の乗り人数（ＳＡ０２Ｄ）は、日付（ＳＡ０２２）、時刻（ＳＡ０２３）、曜日（ＳＡ０２４）及び時間幅（ＳＡ０２５）によって特定される時間帯のうち、カゴが下方向に向いているときの乗り人数を示している。下方向（ＳＡ０２Ｃ）の降り人数（ＳＡ０２Ｅ）は、日付（ＳＡ０２２）、時刻（ＳＡ０２３）、曜日（ＳＡ０２４）及び時間幅（ＳＡ０２５）によって特定される時間帯のうち、カゴが下方向に向いているときの降り人数を示している。

　乗降人数ＳＡ０２には、エレベータバンクを構成する全てのカゴに関する情報が含まれる。図１４に示すカゴ１（ＳＡ０２６）に関する情報はそれらの１つである。図１４では省略されているが、他のカゴに関するデータも同様に乗降人数ＳＡ０２として格納される。

　乗降人数ＳＡ０２にデータが記入されるタイミングは、イベント毎（例えば、実際に変動があった時など）、又は所定の周期毎（例えば、１ミリ秒毎、１秒毎、１分毎ごとなど）でもよい。実際に記入した日時を日付（ＳＡ０２２）、時刻（ＳＡ０２３）及び曜日（ＳＡ０２４）で示しておけばよい。所定の周期ごとに記入される場合はその周期を時間幅（ＳＡ０２５）として記入してもよい。また、本テーブルに指定した全てのデータが格納されている必要はない。

　例えば、図１４のテーブルの最初の行は、２０１７年６月２７日火曜日の午前１０時０分１秒から始まる５分間に、ビルＩＤ「Ｂ００１」で識別されるビルのエレベータバンクＩＤ「０１」で識別されるエレベータバンクに属するカゴ１（ＳＡ０２６）が３階に１回以上停止し、その時のカゴ内人数（ＳＡ０２８）が１０人であり、上方向に移動中に停止した時の乗り人数（ＳＡ０２Ａ）及び降り人数（ＳＡ０２ｂＢがそれぞれ１５人及び１人であり、下方向に移動中に停止した時の乗り人数（ＳＡ０２Ｄ）及び降り人数（ＳＡ０２Ｅ）がそれぞれ０人及び１０人であったことを示している。カゴ内人数（ＳＡ０２８）は、停止した階での乗り降りが終了した後の人数である。これらの人数は、上記の５分間にカゴ１（ＳＡ０２６）が３階に複数回停止した場合にはそれらの複数回の人数の合計であってもよいし、３階で停止した１回ごとの人数が記入されてもよい。また、同じ５分間に当該カゴ１（ＳＡ０２６）が別の階にも１回以上停止した場合には、その階についても上記と同様の情報がテーブルに記入される。

　図１４に示されたのは一例であり、階床別の乗降人数を表現する際に、必要なデータがあれば、そのデータを追加するように乗降人数ＳＡ０２を変更することができる。

　図１５は、本発明の実施形態の分析サーバＳＡが保持するエレベータ運行ログＳＡ０３の説明図である。

　エレベータ運行ログＳＡ０３は、実際のエレベータによる運行ログを示したテーブルである。このテーブルにはエレベータバンク毎に集計されたデータとエレベータバンクに所属するカゴのデータの両方を格納することができる。

　ビルＩＤ（ＳＡ０３０）はビルを識別するＩＤである。エレベータバンクＩＤ（ＳＡ０３１）はビル内にある複数のエレベータバンクを識別するＩＤである。日付（ＳＡ０３２）は本エレベータの運行状況を示した日付である。時刻（ＳＡ０３３）は本エレベータの運行状況を示した時刻である。

　曜日（ＳＡ０３４）は本エレベータの運行状況を示した曜日である。時間幅（ＳＡ０３５）は本エレベータの運行状況を集計した時間の幅である。長待ち率（ＳＡ０３６）は、日付（ＳＡ０３２）、時刻（ＳＡ０３３）、曜日（ＳＡ０３４）及び時間幅（ＳＡ０３５）によって特定される時間帯に、エレベータバンクで発生した待ち時間（すなわちカゴを呼びだした人物がカゴの到着まで待っていた時間）のうち、所定の長さ（例えば６０秒）以上の待ち時間の割合を示している。所定の長さは事前に指定することによって変更することができる。

　カゴ呼び数（ＳＡ０３７）は、日付（ＳＡ０３２）、時刻（ＳＡ０３３）、曜日（ＳＡ０３４）及び時間幅（ＳＡ０３５）によって特定される時間帯に、エレベータバンク内でカゴ呼びボタンが押された回数である。交通流モード（ＳＡ０３８）はエレベータバンクの運行モードである。

　長待ち率（ＳＡ０３６）カゴ呼び数（ＳＡ０３７）交通流モード（ＳＡ０３８）はエレベータバンク毎に集計される値であるが、必要なデータがあれば上記の情報の変更および上記以外の情報の追加をすることができる。

　カゴ１（ＳＡ０３９）はエレベータバンクＩＤ（ＳＡ０３１）に所属する１つのカゴが識別されていることを示している。階床（ＳＡ０Ａ）は、カゴ１（ＳＡ０３９）が、日付（ＳＡ０３２）、時刻（ＳＡ０３３）及び曜日（ＳＡ０３４）によって特定される時点に存在していた位置（階床）である。方向（ＳＡ０３Ｂ）は、カゴ１（ＳＡ０３９）が、日付（ＳＡ０３２）、時刻（ＳＡ０３３）及び曜日（ＳＡ０３４）によって特定される時点に進んでいた方向である。例えば、上は上方向に進んでいたことを示し、下は下方向に進んでいたことを示している。

　状態（ＳＡ０３Ｃ）は、日付（ＳＡ０３２）、時刻（ＳＡ０３３）及び曜日（ＳＡ０３４）によって特定される時点のカゴ１（ＳＡ０３９）の状態を示している。例えば、「動作」はカゴ１（ＳＡ０３９）が実際に動いていたことを示し、「停止」は停止していたことを示している。搭乗人数（ＳＡ０３Ｄ）は、日付（ＳＡ０３２）、時刻（ＳＡ０３３）、曜日（ＳＡ０３４）によって特定される時点にカゴ１（ＳＡ０３９）に搭乗していた人数を示している。

　エレベータ運行ログＳＡ０３には、エレベータバンクを構成する全てのカゴに関する情報が含まれる。図１５に示すカゴ１（ＳＡ０３９）はその１つである。図１５では省略されているが、他のカゴに関するデータも同様にエレベータ運行ログＳＡ０３として格納される。

　エレベータ運行ログＳＡ０３にデータが記入されるタイミングは、イベント毎（例えば、実際に変動があった時など）、又は所定の周期毎（例えば、１ミリ秒毎、１秒毎、１分毎ごとなど）でもよい。実際に記入した日時を日付（ＳＡ０３２）、時刻（ＳＡ０３３）及び曜日（ＳＡ０３４）で示しておけばよい。所定の周期ごとに記入される場合はその周期を時間幅（ＳＡ０３５）として記入してもよい。また、本テーブルに指定した全てのデータが格納されている必要はない。

　図１５に示されたのは一例であり、エレベータによる運行ログを表現する際に、必要なデータがあれば、そのデータを追加するようにエレベータ運行ログＳＡ０３を変更することができる。

　図１６は、本発明の実施形態の分析サーバＳＡが保持する外部情報（天候）ＳＡ０４の説明図である。

　外部情報（天候）ＳＡ０４は、外部情報の１つである天候に関するデータをまとめたテーブルである。

　外部情報ＩＤ（ＳＡ０４０）は外部情報の識別ＩＤである。日付（ＳＡ０４１）は当該外部情報を取得した日付である。時刻（ＳＡ０４２）は当該外部情報を取得した時刻である。曜日（ＳＡ０４３）は当該外部情報を取得した曜日である。場所（ＳＡ０４４）は当該外部情報を取得した場所である。緯度（ＳＡ０４５）は当該外部情報を取得した緯度である。経度（ＳＡ０４６）は当該外部情報を取得した経度である。天気（ＳＡ０４７）、気温（ＳＡ０４８）及び雨量（ＳＡ０４９）は、それぞれ、日付（ＳＡ０４１）及び時刻（ＳＡ０４２）によって特定される時点の、場所（ＳＡ０４４）によって特定される場所における天気、気温及び雨量である。

　外部情報（天候）ＳＡ０４にデータが記入されるタイミングは、イベント毎（例えば、実際に変動があった時など）又は所定の周期毎（例えば、１ミリ秒毎、１秒毎、１分毎ごとなど）でもよい。実際に記入した日時及びデータが取得された場所を日時（ＳＡ０４１）、時刻（ＳＡ０４２）及び場所（ＳＡ０４４）で示しておけばよい。また、本テーブルに指定した全てのデータが格納されている必要はない。

　図１６に示されたのは一例であり、外部情報の１つである天候に関するデータを表現する際に、必要なデータがあれば、そのデータを追加するように外部情報（天候）ＳＡ０４を変更することができる。

　図１７は、本発明の実施形態の分析サーバＳＡが保持する外部情報（カメラ）ＳＡ０５の説明図である。

　外部情報（カメラ）ＳＡ０５は、外部情報の１つである、カメラによる計測によって認識されたものに関するデータをまとめたテーブルである。

　外部情報ＩＤ（ＳＡ０５０）は、外部情報の識別ＩＤである。日付（ＳＡ０５１）は、本情報を取得した日付である。時刻（ＳＡ０５２）は、本情報を取得した時刻である。曜日（ＳＡ０５３）は、本情報を取得した曜日である。ビルＩＤ（ＳＡ０５４）は、本情報を取得したビルを識別するＩＤである。階床（ＳＡ０５５）は、本情報を取得した階床である。設置場所（ＳＡ０５６）は、本情報を取得するためにカメラを設置した場所である。

　人数（ＳＡ０５７）は、日付（ＳＡ０５１）及び時刻（ＳＡ０５２）によって特定される時点に、設置場所（ＳＡ０５６）によって特定される場所に設置されたカメラによって検知された人の数である。子供（ＳＡ０５８）、大人（ＳＡ０５９）、男性（ＳＡ０５Ａ）、女性（ＳＡ０５Ｂ）、車いす（ＳＡ０５Ｃ）及び台車（ＳＡ０５Ｄ）は、それぞれ、日付（ＳＡ０５１）及び時刻（ＳＡ０５２）によって特定される時点に、設置場所（ＳＡ０５６）によって特定される場所に設置されたカメラによって検知された子供、大人、男性、女性、車いす及び台車の数である。このように、人物の総数だけでなく、人物の属性（例えば年齢層及び性別）ごとの内訳、及び、人物以外の物体も検知することができる。

　怒り（ＳＡ０５Ｅ）は、日付（ＳＡ０５１）及び時刻（ＳＡ０５２）によって特定される時点に、設置場所（ＳＡ０５６）によって特定される場所に設置されたカメラによって検知された結果に基づいて、当該カメラによって検知された人物のうち、怒っていると判定された人の人数である。このように人物の数だけでなく、カメラで顔及び行動から人物の感情を検知して、特定の感情が検知された人物の数を計数することができる。

　外部情報（カメラ）ＳＡ０５にデータが記入されるタイミングは、イベント毎（例えば、実際に変動があった時など）でもよいし、所定の周期毎（例えば、１ミリ秒毎、１秒毎、１分毎ごとなど）でもよい。実際に記入した日時及びそのデータを取得したカメラの設置場所を日付（ＳＡ０５１）、時刻（ＳＡ０５２）、設置場所（ＳＡ０５６）で示しておけばよい。また、本テーブルに指定した全てのデータが格納されている必要はない。

　図１７に示されたのは一例であり、外部情報の１つであるカメラによる計測によって認識されたものに関するデータを表現する際に、必要なデータがあれば、そのデータを追加するように外部情報（カメラ）ＳＡ０５を変更することができる。

　図１８は、本発明の実施形態の分析サーバＳＡが保持する外部情報（建屋情報）ＳＡ０６の説明図である。

　外部情報（建屋情報）ＳＡ０６は、外部情報の１つである建屋に関するデータをまとめたテーブルである。

　外部情報ＩＤ（ＳＡ０６０）は、外部情報の識別ＩＤである。ビルＩＤ（ＳＡ０６１）は、本情報を取得したビルを識別するＩＤである。日付（ＳＡ０６２）は、本情報を取得した日付である。時刻（ＳＡ０６３）は、本情報を取得した時刻である。曜日（ＳＡ０６４）は、本情報を取得した曜日である。３階東側（ＳＡ０６５）は、本情報を取得した階床（３階）、および、当該階床を分割したエリアのうち本情報を取得したエリア（東側）を示している。階床およびエリアごとに集計した値が格納される。階床およびエリアは任意に追加することができ、追加した場合には３階東側（ＳＡ０６５）と同じように当該階床及び当該エリアで集計したデータを格納することができる。

　電気使用量（ＳＡ０６６）及び水使用量（ＳＡ０６７）は、それぞれ、日付（ＳＡ０６２）及び時刻（ＳＡ０６３）によって特定される時点に、３階東側（ＳＡ０６５）で使用された電気量及び水量である。温度（ＳＡ０６８）及び湿度（ＳＡ０６９）は、それぞれ、日付（ＳＡ０６２）及び時刻（ＳＡ０６３）によって特定される時点における３階東側（ＳＡ０６５）の温度及び湿度である。滞在人数（ＳＡ０６Ａ）は、日付（ＳＡ０６２）及び時刻（ＳＡ０６３）によって特定される時点の３階東側（ＳＡ０６５）の滞在人数である。

　外部情報（建屋情報）ＳＡ０６にデータが記入されるタイミングは、イベント毎（例えば、実際に変動があった時など）でもよいし、所定の周期毎（例えば、１ミリ秒毎、１秒毎、１分毎ごとなど）でもよい。実際に記入した日時及びそのデータが取得された場所を日付（ＳＡ０６２）、時刻（ＳＡ０６２）、３階東側（ＳＡ０６５）で示しておけばよい。また、本テーブルに指定した全てのデータが格納されている必要はない。

　図１８に示されたのは一例であり、外部情報の１つである建屋に関するデータを表現する際に、必要なデータがあれば、そのデータを追加するように外部情報（建屋情報）ＳＡ０６を変更することができる。

　図１９は、本発明の実施形態の分析サーバＳＡが保持する発生人数推定入力ＳＡ０７の説明図である。

　発生人数推定入力ＳＡ０７は、発生人数モデル処理ＳＰ０１内の発生人数データ生成ＳＰ０１０によって生成されるデータを格納したテーブルである。生成されるデータは、階床毎の発生人数、カゴ別乗降人数及びカゴ状態である。

　発生人数推定入力ＩＤ（ＳＡ０７０）は、発生人数推定入力値を識別するためのＩＤである。時刻（ＳＡ０７１）、曜日（ＳＡ０７２）及び時間幅（ＳＡ０７３）は、それぞれ、発生人数データ生成ＳＰ０１０によって生成された時刻、曜日及び時間幅である。発生人数（ＳＡ０７４）は、発生人数データ生成ＳＰ０１０によって生成された発生人数である。発生人数は階床別に求められる。図１９では３階の発生人数を３階（ＳＡ０７５）で示している。図１９では省略されているが、他の階の発生人数も同様に記入される。発生人数は、階床毎、エリア毎、エレベータホール毎に生成することができ、その場合には生成された発生人数が発生人数（ＳＡ０７４）に格納される。

　カゴ別乗降人数（ＳＡ０７６）は、時刻（ＳＡ０７１）、曜日（ＳＡ０７２）及び時間幅（ＳＡ０７３）によって特定される時間帯における、発生人数データ生成ＳＰ０１０によって生成されたカゴ別乗降人数である。カゴ別乗降人数（ＳＡ０７６）はカゴ別に求められる。図１９ではカゴ１のカゴ別乗降人数をカゴ１（ＳＡ０７７）で示している。カゴ１（ＳＡ０７７）にはカゴ１の乗降人数に関する情報が格納されており、階床（ＳＡ０７８）はカゴが存在する階床、上方向（ＳＡ０７９）は上方向に移動するカゴが階床に停止した時の乗り人数と降り人数、下方向（ＳＡ０７Ａ）は下方向に移動するカゴが階床に停止した時の乗り人数と降り人数である。カゴ１（ＳＡ０７７）には、上記以外にカゴ１に関する情報も格納することができる。カゴ別乗降人数（ＳＡ０７６）は、カゴ１以外のカゴについても、該当するカゴに関する情報を格納することができる。

　カゴ状態（ＳＡ０７Ｂ）は、カゴの状態に関するデータが格納されており、カゴ１に関するデータがカゴ１（ＳＡ０７Ｃ）に格納されている。階床は、カゴ１（ＳＡ０７Ｃ）が時刻（ＳＡ０７１）、曜日（ＳＡ０７２）及び時間幅（ＳＡ０７３）によって特定される時間帯に存在する階床である。方向は、カゴ１（ＳＡ０７Ｃ）が時刻（ＳＡ０７１）、曜日（ＳＡ０７２）及び時間幅（ＳＡ０７３）によって特定される時間帯に進んでいる方向である。例えば、「上」は上方向に進むことを示し、「下」は下方向に進むことを示している。

　状態は、カゴ１（ＳＡ０７Ｃ）が時刻（ＳＡ０７１）、曜日（ＳＡ０７２）及び時間幅（ＳＡ０７３）によって特定される時間帯のカゴ１（ＳＡ０７Ｃ）の状態を示している。例えば、「動作」は実際に動いていることを示し、「停止」は停止していることを示している。搭乗人数は、時刻（ＳＡ０７１）、曜日（ＳＡ０７２）及び時間幅（ＳＡ０７３）によって特定される時間帯にカゴ１（ＳＡ０７Ｃ）に搭乗している人数を示している。カゴ１（ＳＡ０７Ｃ）には、上記以外にカゴ１の状態に関する情報も格納することができる。カゴ状態（ＳＡ０７Ｂ）は、カゴ１以外のカゴについても、該当するカゴの状態に関する情報を格納することができる。

　発生人数推定入力ＳＡ０７にデータが記入されるタイミングは、イベント毎（例えば、実際に変動があった時など）でもよいし、所定の周期毎（例えば、１ミリ秒毎、１秒毎、１分毎ごとなど）でもよい。実際に記入した日時を時刻（ＳＡ０７１）及び曜日（ＳＡ０７２）で示しておけばよい。また、本テーブルに指定した全てのデータが格納されている必要はない。

　図１９に示されたのは一例であり、発生人数データ生成ＳＰ０１０にて生成されるデータを表現する際に、必要なデータがあれば、そのデータを追加するように発生人数推定入力ＳＡ０７を変更することができる。

　図２０は、本発明の実施形態の分析サーバＳＡが保持する発生人数推定モデルＳＡ０８の説明図である。

　発生人数推定モデルＳＡ０８は、発生人数モデル処理ＳＰ０１内の発生人数推定モデル生成ＳＰ０１１にて生成されるデータを格納するテーブルである。生成されるデータは、「発生人数＝ｆ（乗降人数、カゴ状態、外部情報）」とした時の関数ｆである。発生人数、乗降人数、及びカゴ状態は、発生人数推定入力ＳＡ０７として取得され、外部情報は、外部情報（天候）ＳＡ０４、外部情報（カメラ）ＳＡ０５、及び外部情報（建屋情報）ＳＡ０６から取得される。

　発生人数推定ＩＤ（ＳＡ０８０）は、発生人数推定モデルを識別するためのＩＤである。階床（ＳＡ０８１）は、生成した推定モデルの対象とした階床である。方向（ＳＡ０８２）は、生成した推定モデルの対象とした方向である。時刻（ＳＡ０８３）は、生成した推定モデルの対象とした時刻である。曜日（ＳＡ０８４）は、生成した推定モデルの対象とした曜日である。時間幅（ＳＡ０８２）は、生成した推定モデルの対象とした時間幅である。

　以降のカラムには関数ｆの係数が格納される。発生人数推定入力ＳＡ０７のカゴ別乗降人数（ＳＡ０７６）、カゴ状態（ＳＡ０７Ｂ）、または、外部情報（天候）ＳＡ０４、外部情報（カメラ）ＳＡ０５及び外部情報（建屋情報）ＳＡ０６の中から選択された一つ以上の項目のデータを特徴量とする。そして、それらの特徴量を説明指標とし、発生人数（ＳＡ０７４）を目的指標として、重回帰分析をすることによって、特徴量の係数を求めることができる。乗降人数係数１（ＳＡ０８５）、カゴ状態係数１（ＳＡ０８７）、外部変数係数１（ＳＡ０８８）は、分析によって求めた特徴量の係数である。特徴量毎に係数が求まるため、特徴量毎の係数を格納することが望ましい。

　発生人数を推定するモデルを生成する手法として、重回帰分析以外の分析手法を用いてもかまわない。

　発生人数推定モデルＳＡ０８にデータが記入されるタイミングは、イベント毎（例えば、実際に変動があった時など）でもよいし、所定の周期毎（例えば、１ミリ秒毎、１秒毎、１分毎ごとなど）でもよい。実際に記入した日時を時刻（ＳＡ０８３）及び曜日（ＳＡ０８４）で示しておけばよい。また、本テーブルに指定した全てのデータが格納されている必要はない。

　図２０に示されたのは一例であり、発生人数推定モデル生成ＳＰ０１１にて生成されるモデルを表現する際に、必要なデータがあれば、そのデータを追加するように発生人数推定モデルＳＡ０８を変更することができる。

　図２１は、本発明の実施形態の分析サーバＳＡが保持する発生人数推定結果ＳＡ０９の説明図である。

　発生人数推定結果ＳＡ０９は、発生人数推定処理ＳＰ０２内の発生人数推定ＳＰ０２０にて生成されるデータを格納したテーブルである。発生人数推定ＳＰ０２０では、格納した発生人数推定モデル（関数ｆ）と現時刻の乗降人数とカゴ状態と外部変数を入力とし、階床別に発生する人数を推定する。図２１の発生人数推定結果ＳＡ０９にはその結果が格納される。

　発生人数推定ＩＤ（ＳＡ０９０）は、発生人数推定を識別するためのＩＤである。日付（ＳＡ０９２）は発生人数を推定した日付である。時刻（ＳＡ０９３）は、発生人数を推定した時刻である。曜日（ＳＡ０９４）は、発生人数を推定した曜日である。時間幅（ＳＡ０９２）は、発生人数を推定した時間幅である。階床（ＳＡ０９３）は発生人数を推定した階床である。場所（ＳＡ０９４）は、発生人数推定した場所である。発生人数（ＳＡ０９５）は発生人数推定した発生人数である。

　発生人数推定結果ＳＡ０９にデータが記入されるタイミングは、イベント毎（例えば、実際に変動があった時など）でもよいし、所定の周期毎（例えば、１ミリ秒毎、１秒毎、１分毎ごとなど）でもよい。実際に記入した日時を日付（ＳＡ０９２）、時刻（ＳＡ０９２）及び曜日（ＳＡ０９３）で示しておけばよい。また、本テーブルに指定した全てのデータが格納されている必要はない。

　図２１に示されたのは一例であり、発生人数推定ＳＰ０２０にて生成される発生人数を表現する際に、必要なデータがあれば、そのデータを追加するように発生人数推定結果ＳＡ０９を変更することができる。

　図２２は、本発明の実施形態の分析サーバＳＡが保持する発生人数予測結果ＳＡ１０の説明図である。

　発生人数予測結果ＳＡ１０は、発生人数予測処理ＳＰ０３内の発生人数推定ＳＰ０２０にて生成されるデータを格納したテーブルである。発生人数予測ＳＰ０３０では、発生人数予測部ＳＡ３４は、発生人数推定処理ＳＰ０２で求めた発生人数推定結果ＳＡ０９及び外部情報を使って、未来の発生人数を推定する処理を行う。図２２の発生人数予測結果ＳＡ１０にはその結果が格納される。

　図７を参照して説明したように、発生人数予測ＳＰ０３０の入力は、分析に使用する時間幅（例えば、過去１０分間）、発生人数推定結果ＳＡ０９、外部情報（天候）ＳＡ０４、外部情報（カメラ）ＳＡ０５、及び外部情報（建屋情報）ＳＡ０６であり、出力は未来の発生人数である。

　発生人数を予測する手法としては例えばＡＲモデル（自己回帰モデル）などがあるが、ＡＲモデル以外の分析手法を用いてもかまわない。

　発生人数予測ＩＤ（ＳＡ１００）は、行われた発生人数予測を識別するためのＩＤである。日付（ＳＡ１０１）、時刻（ＳＡ１０２）及び曜日（ＳＡ１０３）は、それぞれ、分析対象の（すなわち分析を行った時点の）日付、時刻及び曜日である。予測時刻（ＳＡ１０４）は、分析対象を予測した時刻である（すなわちその時刻における発生人数が予測される）。時間幅（ＳＡ１０５）は、分析対象の時間幅である。階床（ＳＡ１０６）は、分析対象の階床である。場所（ＳＡ１０７）は、分析対象の場所である。発生人数（ＳＡ１０８）は、分析対象を予測した時刻の発生人数である。

　例えば、図２２の発生人数予測結果ＳＡ１０の先頭の行は、２０１７年６月２７日火曜日１０時６分１秒からの５分間に３階のエレベータフロアの発生人数を予測する処理が、同日の午前１０時１分１秒に実行され、その結果、発生人数が１２人であると予測されたことを示している。

　発生人数予測結果ＳＡ１０に代入されるタイミングは、イベント毎（例えば、実際に変動があった時など）でもよいし、所定の周期毎（例えば、１ミリ秒毎、１秒毎、１分毎ごとなど）でもよい。実際に記入した日時を日付（ＳＡ１０１）、時刻（ＳＡ１０２）及び曜日（ＳＡ１０３）で示しておけばよい。また、本テーブルに指定した全てのデータが格納されている必要はない。

　図２２に示されたのは一例であり、発生人数予測ＳＰ０３０にて発生人数予測を表現する際に、必要なデータがあれば、そのデータを追加するように発生人数予測結果ＳＡ１０を変更することができる。

　図２３は、本発明の実施形態の分析サーバＳＡが保持する発生人数予測結果２＿ＳＡ１１の説明図である。

　発生人数予測結果２＿ＳＡ１１は、発生人数予測処理ＳＰ０３内の形式変換ＳＰ０３１にて生成される発生人数予測を形式変換したものを格納するテーブルである。

　形式変換ＳＰ０３１では、発生人数予測部ＳＡ３４は、発生人数予測結果ＳＡ１０を使って、ポアソン分布を用いて単位時間当たりの人数別の発生確率を求める。図２３の発生人数予測結果２＿ＳＡ１１にはその結果が格納される。

　ポアソン分布の公式は、下記の式（１）のとおりである。ｋ人以上が発生する確率Ｐ（ｋ）は、式（１）のλに階床別の発生人数を代入することで求めることができる。

　上記の例は、発生人数の確率分布がポアソン分布に従うとの仮定に基づいて発生人数ごとの発生確率を求める手法である。しかし、発生人数の確率を求めるために、ポアソン分布を用いる手法以外の分析手法を用いてもかまわない。

　発生人数予測ＩＤ（ＳＡ１１０）は、行われた発生人数予測を識別するためのＩＤである。日付（ＳＡ１１１）、時刻（ＳＡ１１２）及び曜日（ＳＡ１１３）は、それぞれ、分析対象の（すなわち分析を行った時点の）日付、時刻及び曜日である。予測時刻（ＳＡ１１４）は、分析対象を予測した時刻である（すなわちその時刻における発生確率が予測される）。時間幅（ＳＡ１１５）は、分析対象の時間幅である。階床（ＳＡ１１６）は、分析対象の階床である。場所（ＳＡ１１７）は、分析対象の場所である。１以上発生する確率（ＳＡ１１８）は、単位時間に１以上の人物が発生する確率である。２以上発生する確率（ＳＡ１１９）は、単位時間に２以上の人物が発生する確率である。単位時間としては時間幅（ＳＡ１１５）を用いてもかまわない。

　例えば、図２３の発生人数予測結果２＿ＳＡ１１の先頭の行は、図２２の発生人数予測結果ＳＡ１０の先頭の行に記入された予測結果に対応する例を示している。すなわち、図２３の発生人数予測結果２＿ＳＡ１１の先頭の行は、３階のエレベータフロアに発生すると予測された人数「１２人」から、単位時間に当該３階のエレベータフロアに１以上の人物が発生する確率が９０％であり、２以上の人物が発生する確率が７５％であると予測されたことを示している。図２３では省略されているが、同様に、３以上の人物が発生する確率、４以上の人物が発生する確率等も計算され、発生人数予測結果２＿ＳＡ１１に記入される。

　図２３に示されたのは一例であり、形式変換ＳＰ０３１にて発生人数予測を表現する際に、必要なデータがあれば、そのデータを追加するように発生人数予測結果２＿ＳＡ１１を変更することができる。

　図２４は、本発明の実施形態の分析サーバＳＡが保持する時間帯別行き先階推定ＳＡ１２の説明図である。

　時間帯別行き先階推定ＳＡ１２は、行き先階推定処理ＳＰ０４によって生成されるデータを格納するテーブルである。行き先階推定処理ＳＰ０４では、行き先階推定部ＳＡ３５は、階床別乗降人数（ＳＡ０２）を使って時間帯別に行き先を推定するモデルの生成を行う。具体的には、行き先階推定部ＳＡ３５は、時間帯ごとに階床別に降車人数をカウントし、階床別の降車人数の傾向を求める。そして、全体を１００％とした推定値に変換する。図２４の時間帯別行き先階推定ＳＡ１２にはその結果が格納される。

　行き先階推定ＩＤ（ＳＡ１２０）は、行われた行き先階推定を識別するためのＩＤである。日付（ＳＡ１２１）、時刻（ＳＡ１２２）、曜日（ＳＡ１２３）及び時間幅（ＳＡ１２４）は、それぞれ、分析対象の日付、時刻、曜日及び時間幅である。乗り階床（ＳＡ１２５）は、乗車した階床である。方向（ＳＡ１２６）は、カゴが進む方向である。行き先階（ＳＡ１２７）は、降車した階床である。エレベータが停止するフロアに対して、全体が１００％とした推定値が記入される。

　例えば、図２４の先頭の行は、２０１７年６月２７日火曜日午前１０時１分１秒からの６０分間に、上方向に進むカゴに３階から乗った人物の１０％が２６階で降り、別の１０％が２７階で降りたことが、乗降人数ＳＡ０２から推定されたことを示している。図２４では他の階で降りた人物の割合は省略されているが、３階から乗った人物行き先になり得る全ての階について計算された割合を合計すると１００％となる。他の階からの行き先階についても同様に割合が計算される。本実施形態では、これらの割合が、各階の乗り場に現れた人物の行き先階がその階になる確率である行き先階確率として使用される。

　なお、例えば外部情報（カメラ）ＳＡ０５等に基づいて、各階でカゴに乗った人物と、各階でカゴから降りた人物とが同一人物であるかを判定できる場合には、その判定結果に基づいて、各階から乗った人物がそれぞれどの階で降りたかを特定し、それに基づいて、例えば３階から乗った人物のうち２６階で降りた人物の割合が１０％であるなど、各階から乗った人物の行き先階の割合を計算することができる。しかし、上記のような外部情報が利用できない場合、例えば、カゴの重さから各階で乗り降りした人数を推定するなど、乗り降りした個々の人物を識別できない場合には、何らかの仮定に基づいて近似的に行き先階の割合が計算されてもよい。

　例えば、日付（ＳＡ１２１）、時刻（ＳＡ１２２）、曜日（ＳＡ１２３）及び時間幅（ＳＡ１２４）によって特定される時間帯に各階で降りた人物の数を集計し、３階以外の階で降りた人物の数の合計に対する、２６階で降りた人物の数の割合を、３階で乗った人物のうち２６階で降りた人物の割合（すなわち３階で乗った人物の行き先階が２６階である確率）として計算してもよい。その場合、他の階で降りた人物の割合、及び、他の階から乗って各階で降りた人物の割合も同様の方法で計算される。

　図２４に示されたのは一例であり、行き先階推定処理ＳＰ０４にて行き先階推定を表現する際に、必要なデータがあれば、そのデータを追加するように時間帯別行き先階推定ＳＡ１２を変更することができる。

　図２５は、本発明の実施形態の分析サーバＳＡが保持する時間帯別行き先階予測結果ＳＡ１３の説明図である。

　時間帯別行き先階予測結果ＳＡ１３は、行き先階予測処理ＳＰ０５内の時間帯別行き先階予測ＳＰ０５１にて生成されるデータを格納するテーブルである。時間帯別行き先階予測ＳＰ０５１では、行き先階予測部ＳＡ３６は、入力データとして、時間帯別行き先階推定ＳＡ１２及び発生人数予測結果２＿ＳＡ１１を用いて、これらを組み合わせることで、発生した人々がどのフロアに訪れるかを予測することができる。具体的には、階床別に発生予測時刻の発生確率に、同じ時刻の行き先階推定を掛け合わせればよい。

　上記に示した時間帯別行き先階予測手法は１例であり、他の手法を用いてもかまわない。図２５の時間帯別行き先階予測結果ＳＡ１３にはその結果が格納される。

　行き先階予測ＩＤ（ＳＡ１３０）は、行われた行き先階予測を識別するためのＩＤである。日付（ＳＡ１３１）、時刻（ＳＡ１３２）及び曜日（ＳＡ１３３）は、それぞれ、分析対象の（すなわち分析を行った時点の）日付、時刻及び曜日である。予測時刻（ＳＡ１３４）は、分析対象を予測した時刻である（すなわちその時刻における発生確率が予測される）。時間幅（ＳＡ１３５）は、分析対象の時間幅である。乗り階床（ＳＡ１３６）は、分析対象の乗り階床である。行き先階床（ＳＡ１３７）は、分析対象の行き先階床である。方向（ＳＡ１３８）は、分析対象のカゴが進む方向である。１人以上が発生する確率（ＳＡ１３９）は、単位時間に１以上の人物が発生する確率である。２人以上が発生する確率（ＳＡ１３Ａ）は、単位時間に２以上の人物が発生する確率である。単位時間としては時間幅（ＳＡ１３５）を用いてもかまわない。

　例えば、図２５の時間帯別行き先階予測結果ＳＡ１３の先頭の行は、図２３の発生人数予測結果２＿ＳＡ１１の先頭の行に記入された予測結果と、図２４の時間帯別行き先階推定ＳＡ１２の先頭の行に記入された推定結果とに対応する例を示している。すなわち、図２５の時間帯別行き先階予測結果ＳＡ１３の先頭の行は、単位時間に、３階のエレベータフロアに、上方向のカゴにのって２６階で降りようとする１以上の人物が発生する確率が９％であり、２以上の人物が発生する確率が７．５％であると予測されたことを示している。

　この例において、「９％」は、図２３の先頭の行の１以上発生する確率（ＳＡ１１８）である「９０％」に、図２４の先頭の行の行き先階（ＳＡ１２７）の２６階に対応する値「１０％」を掛けることによって得られる。「７．５％」は、図２３の先頭の行の２以上発生する確率（ＳＡ１１９）である「７５％」に、図２４の先頭の行の行き先階（ＳＡ１２７）の２６階に対応する値「１０％」を掛けることによって得られる。

　図２５に示されたのは一例であり、時間帯別行き先階予測ＳＰ０５１にて時間帯別行き先階予測を表現する際に、必要なデータがあれば、そのデータを追加するように時間帯別行き先階予測結果ＳＡ１３を変更することができる。

　図２６は、本発明の実施形態の分析サーバＳＡが保持するルール／制御テンプレートＳＡ１４の説明図である。

　ルール／制御テンプレートＳＡ１４は、エレベータの運行ルール／制御パラメータのテンプレートを格納するテーブルである。ここで、運行ルールとは、制御盤ＣＡが群管理の対象となるエレベータの複数のカゴの運行を制御するために適用されるルールであり、制御パラメータは、各運行ルールにおいて変更可能なパラメータである。本実施形態において、運行ルールと、それに含まれる制御パラメータとを併せて運行ルール／制御パラメータと記載する。また、運行ルールを単にルール、制御パラメータを単にパラメータと記載する場合がある。

　ルール／制御テンプレートＳＡ１４を用いることで、最適な運行ルール／制御パラメータを探索することができる。探索する方法は２ステップからなる。第１のステップはルール／制御Ｎｏ（ＳＡ１４０）の探索である。これは数多くある運行ルール／制御パラメータの中からＫＰＩを向上させるのにふさわしい制御パラメータを選択するステップである。第２のステップはパラメータ値（初期値）（ＳＡ１４４）の探索である。探索の対象は、制御パラメータ内でコントロール可能なパラメータ値である。これを探索することで、より最適な制御パラメータを求めることが可能である。

　ルール／制御Ｎｏ（ＳＡ１４０）は、運行ルール／制御パラメータを識別するためのＩＤである。ルール名称（ＳＡ１４１）は、運行ルール／制御パラメータの名称である。条件（ＳＡ１４２）は、運行ルール／制御パラメータの動作条件である。パラメータ値（初期値）（ＳＡ１４３）は、運行ルール／制御パラメータ内のコントロール可能なパラメータである。例えばルール／制御Ｎｏ「Ｒｕ０１」に対応するルールである「５分後、○階からの直行便」では、○の部分（この例では階床の番号）がコントロール可能なパラメータとなっている。係数（初期係数）（ＳＡ１４５）は回帰式などを求める際の係数である。パラメータ値（初期値）（ＳＡ１４３）及び係数（初期係数）（ＳＡ１４５）は最適化処理を繰り返して行うことによって格納されている値を変化させることができる。

　図２６に示されたのは一例であり、エレベータの運行ルール／制御パラメータを実現する際に、必要なデータがあれば、そのデータを追加するようにルール／制御テンプレートＳＡ１４を変更することができる。

　図２７は、本発明の実施形態の分析サーバＳＡが保持するＫＰＩリストＳＡ１５の説明図である。

　ＫＰＩリストＳＡ１５は、最適な運行ルール／制御パラメータを探索する際の評価指標であるＫＰＩ（ｋｅｙ　ｐｅｒｆｏｒｍａｎｃｅ　ｉｎｄｉｃａｔｏｒ）を格納するテーブルである。ＫＰＩはビル毎に異なる場合があるため、ビルごとのＫＰＩを利用フラグ（ＳＡ１５５）によって事前に設定しておく。その際に、ＫＰＩの目標値（ＳＡ１５４）も設定しておく。

　ＫＰＩＩＤ（ＳＡ１５０）は、ＫＰＩを識別するためのＩＤである。分類（ＳＡ１５１）は、ＫＰＩを分類したものである。具体的には、分類（ＳＡ１５１）は、このＫＰＩを改善することによって、誰に恩恵があるかを示したものである。

　名称（ＳＡ１５２）は、ＫＰＩの名称である。条件（ＳＡ１５３）は、ＫＰＩの内容を示している。目標値（ＳＡ１５４）は、条件（ＳＡ１５３）における変更可能なパラメータ値の部分（図２７の例では○の部分）の目標値を示している。ここはビル毎に異なるために、利用する前に設定される。利用フラグ（ＳＡ１５５）は、複数あるＫＩＰから今回の最適化を実施する際に用いるＫＰＩを指定する。利用フラグ（ＳＡ１５５）は１の場合には指定するという意味である。また、複数のＫＰＩを指定してもよい。

　図２７の例では、ＫＰＩとして、乗り場に現れた人物がカゴに乗るまでの待ち時間、乗り場の混雑率、及び、フロアの電気使用量（すなわちカゴを動かすための消費電力量を含む量）を示している。これらの例では、例えば、最大待ち時間が短くなる運行ルール／制御パラメータ、乗り場の混雑率が低くなる運行ルール／制御パラメータ、及び、電気使用量が小さくなる運行ルール／制御パラメータが、適切な運行ルール／制御パラメータと評価される。

　しかし上記は一例であり、上記以外のＫＰＩが指定されてもよい。例えば、異なる階から乗る複数の人物が同じカゴに乗り合わせる率が小さいほど評価が高くなるようなＫＰＩが使用されてもよい。これによって、エレベータの関係者（例えば利用者又は管理者等）の望みに応じて、当該関係者が不満を感じにくいカゴの制御を実現することができる。

　図２７に示されたのは一例であり、エレベータの運行ルール／制御パラメータを実現する際に、必要なデータがあれば、そのデータを追加するようにＫＰＩリストＳＡ１５を変更することができる。

　図２８は、本発明の実施形態の分析サーバＳＡが保持するシミュレーションの入力と結果ＳＡ１６の説明図である。

　シミュレーションの入力と結果ＳＡ１６は、ＫＰＩシミュレーション処理ＳＰ１１によって処理した結果を格納するテーブルである。ＫＰＩシミュレーション処理ＳＰ１１では入力として、発生した状況を示す発生人数予測結果２＿ＳＡ１１、時間帯別行き先階予測結果ＳＡ１３、制御パラメータを示すルール／制御テンプレートＳＡ１４、及び、最適化の目標となるＫＰＩが格納されているＫＰＩリストＳＡ１５を用いる。これらのデータを使うことで、人々が発生した状態でのＫＰＩが高まるような運行ルール／制御パラメータを求めることができる。

　ＫＰＩシミュレーション処理ＳＰ１１では、人々が発生した状態で、ある運行ルール／制御パラメータを用いたときのＫＰＩを出力する処理を、運行ルール／制御パラメータを変更しながら複数回実施する。その結果がシミュレーションの入力と結果ＳＡ１６である。

　ＫＰＩシミュレーションＩＤ（ＳＡ１６０）は、ＫＰＩシミュレーションを識別するＩＤである。回数（ＳＡ１６１）は、ＫＰＩシミュレーションを複数実施した時の回数である。ルール制御リスト１（ＳＡ１６２）は、各回のシミュレーションで使用した運行ルール／制御パラメータの１組を示したものである。ルール／制御Ｎｏ（ＳＡ１６３）は、運行ルール／制御パラメータを識別するためのＩＤである。パラメータ値（ＳＡ１６４）は、今回の制御に用いたコントロールパラメータである。係数（ＳＡ１６５）は、回帰式などを求める際の係数である。ルール制御リストは１回のシミュレーションについて複数個格納することができる。ＫＰＩＩＤ（ＳＡ１６６）は、ＫＰＩを識別するためのＩＤである。ＫＰＩシミュレーション結果（ＳＡ１６７）は、ルール制御リストを用いてＫＰＩシミュレーションしたときの結果として得られるＫＰＩの値である。

　図２８に示されたのは一例であり、エレベータの運行ルール／制御パラメータを実現する際に、必要なデータがあれば、そのデータを追加するようにシミュレーションの入力と結果ＳＡ１６を変更することができる。

　図２９は、本発明の実施形態の分析サーバＳＡが保持する有効ルール／パラメータＳＡ１７の説明図である。

　有効ルール／パラメータＳＡ１７は、図２８で示したシミュレーションの入力と結果ＳＡ１６から、最適化に寄与している（すなわち有効な）運行ルール／制御パラメータを求めた結果を格納するテーブルである。ルール／パラメータ評価部ＳＡ３８は、図２８で示したシミュレーションの入力と結果ＳＡ１６を入力とし、目的変数をＫＰＩシミュレーション結果とし、説明変数をルール制御リストとして複数回分の結果を用いて、重回帰分析をすることができる。ただし、最適化に寄与しているルール制御パラメータを特定できればよく、そのために重回帰分析以外の手法を用いてもかまわない。

　有効ルール／パラメータＩＤ（ＳＡ１７０）は、有効な運行ルール／制御パラメータを識別するためのＩＤである。有効ルール制御リスト１（ＳＡ１７１）は、重回帰分析をした際に一番寄与しているルール制御パラメータである。ルール／制御Ｎｏ（ＳＡ１７２）は、運行ルール／制御パラメータを識別するＩＤである。パラメータ値（ＳＡ１７３）は、今回の処理によって用いたコントロールパラメータ値である。係数（ＳＡ１７４）は、重回帰分析によって求めた係数であり、最適化に寄与している程度を示した値である。これを参照することによって、有効な（すなわちＫＰＩの向上に寄与する）運行ルール／制御パラメータが特定される。有効ルール制御リストは複数個格納することができる。ＫＰＩＩＤ（ＳＡ１７５）は、ＫＰＩを識別するためのＩＤである。予測値（ＳＡ１７６）は、重回帰分析によって求めた回帰式を用いて予測したＫＰＩの値である。

　図２９に示されたのは一例であり、エレベータの運行ルール／制御パラメータを実現する際に、必要なデータがあれば、そのデータを追加するように有効ルール／パラメータＳＡ１７を変更することができる。

　図３０は、本発明の実施形態の分析サーバＳＡが保持する有効ルール／パラメータの細分化リストＳＡ１８の説明図である。

　図２９で示した有効ルール／パラメータＳＡ１７の中から特定された、最適化に寄与が高い運行ルール／制御パラメータに対して、コントロールパラメータ値を細分化することで、さらなる最適化を実現することができる。有効ルール／パラメータＳＡ１７の有効ルール制御リスト内で、係数（ＳＡ１７４）が大きい運行ルール／制御パラメータが選択される。そして、ルール／パラメータ評価部ＳＡ３８は、選択された運行ルール／制御パラメータについて、有効ルール／パラメータの細分化処理ＳＰ１４を実行する。具体的には、ルール／パラメータ評価部ＳＡ３８は、選択された運行ルール／制御パラメータに含まれる制御パラメータ値を増減させることで、より最適化された運行ルール／制御パラメータを探索することができる。

　有効ルール／パラメータ詳細化ＩＤ（ＳＡ１８０）は、有効ルール／パラメータ詳細化を識別するためのＩＤである。有効ルール／パラメータＩＤ（ＳＡ１８１）は、有効な運行ルール／制御パラメータを識別するためのＩＤである。有効ルール制御リスト１（ＳＡ１８２）は、重回帰分析によって一番寄与していると推定されるルール制御パラメータである。ルール／制御Ｎｏ（ＳＡ１８３）は、運行ルール／制御パラメータを識別するＩＤである。パラメータ値（ＳＡ１８４）は、今回の処理によって用いたコントロールパラメータ値である。係数（ＳＡ１８５）は、重回帰分析によって求めた係数であり、最適化に寄与している値である。パラメータ値の細分化範囲（ＳＡ１８６）は、有効ルール／パラメータの細分化処理ＳＰ１４によって求めた値である。有効ルール制御リストは、複数個格納することができる。ＫＰＩＩＤ（ＳＡ１８７）は、ＫＰＩを識別するためのＩＤである。予測値（ＳＡ１８８）は、重回帰分析によって求めた回帰式を用いて予測したＫＰＩの値である。また、ルール／パラメータ評価部ＳＡ３８は、ルール／制御テンプレートＳＡ１４の中から数個の運行ルール／制御パラメータをランダムに選択してもよい。

　図３０に示されたのは一例であり、エレベータの運行ルール／制御パラメータを実現する際に、必要なデータがあれば、そのデータを追加するように有効ルール／パラメータの細分化リストＳＡ１８を変更することができる。

　図３１は、本発明の実施形態の分析サーバＳＡが保持するルール／パラメータリストＳＡ１９の説明図である。

　ルール／パラメータリストＳＡ１９は、図２９の有効ルール／パラメータＳＡ１７から、実運用上で使用する運行ルール／制御パラメータを選択したものを格納したテーブルである。有効ルール制御リストの運行ルール／制御パラメータの中で係数（ＳＡ１７４）の値が大きいものを寄与率が高い運行ルール／制御パラメータであると判断している。

　ルール／パラメータＩＤ（ＳＡ１９０）は、運行ルール／制御パラメータを識別するＩＤである。有効ルール制御１位（ＳＡ１９１）は、重回帰分析の結果、寄与の度合いが最も大きいと推定されるルール制御パラメータである。ルール／制御Ｎｏ（ＳＡ１９２）は、運行ルール／制御パラメータを識別するＩＤである。パラメータ値（ＳＡ１９３）は、今回の処理によって用いたコントロールパラメータ値である。係数（ＳＡ１９４）は、重回帰分析によって求めた係数であり、最適化に寄与している値である。

　有効ルール制御２位（ＳＡ１９５）は、重回帰分析の結果、寄与の度合いが２番目に大きいと推定される運行ルール／制御パラメータである。ルール／制御Ｎｏ（ＳＡ１９６）は、今回の処理によって用いたコントロールパラメータ値である。パラメータ値（ＳＡ１９７）は、今回の処理によって用いたコントロールパラメータ値である。係数（ＳＡ１９８）は、重回帰分析によって求めた係数であり、最適化に寄与している値である。

　ＫＰＩＩＤ（ＳＡ１９９）は、ＫＰＩを識別するためのＩＤである。予測値（ＳＡ１９Ａ）は、重回帰分析によって求めた回帰式を用いて予測した値である。

　ルール／パラメータリストＳＡ１９は、制御セレクターＳＰ０６に送られる。制御セレクターＳＰ０６は、ルール／パラメータリストＳＡ１９に基づいて、ＫＰＩを改善するための運行ルール／制御パラメータを指示する入力コマンドＣＡ０を生成して、制御盤ＣＡに送信する。制御盤ＣＡは、入力コマンドＣＡ０に基づいて、既に設定されている運行ルール／制御パラメータを指示されたものに変更して、変更後の運行ルール／制御パラメータに基づいてカゴを制御する。これによって、ＫＰＩを改善するエレベータの制御が実現される。

　図３１に示されたのは一例であり、エレベータの運行ルール／制御パラメータを実現する際に、必要なデータがあれば、そのデータを追加するようにルール／制御パラメータリストＳＡ１９を変更することができる。

　本実施形態で説明した処理は、分析サーバＳＡの実行部ＳＡ３の中で実行されているが、その一部又は全部が、制御盤ＣＡによって実行されてもよい。例えば、制御盤ＣＡが図１Ｂに示した分析サーバＳＡと同様のハードウェアを有し、これらのハードウェアによって分析サーバＳＡの機能の少なくとも一部が実現されてもよい。

　図３２は、本発明の実施形態の分析サーバＳＡによって出力されるビル個別化レポートＳＡ２０の説明図である。

　ビル個別化レポートＳＡ２０は、ルール／パラメータ評価部ＳＡ３８が表示／制御データ生成処理ＳＰ１５において生成し、表示部ＳＡ１に送信する。表示部ＳＡ１（例えば出力装置１０３として実装された表示装置）は、受信したビル個別化レポートＳＡ２０を表示する。

　ビル個別化レポートＳＡ２０は、例えば、図３２に示すように、ビル名称３２０１、エレベータバンク名称３２０２、期間３２０３、ＫＰＩ３２０４及び結果３２０５を含む。

　エレベータバンク名称３２０２及びビル名称３２０１は、図２に示した各処理の実行の対象となったエレベータバンク及びそれが設置されている建物の名称であり、図１２に示したバンク名称（ＳＡ００２）及びビル名称（ＳＡ００７）に対応する。期間３２０３は、シミュレーションの対象となる期間である。ＫＰＩ３２０４は、ルール／パラメータ評価部ＳＡ３８の処理において評価の対象として選択された評価指標であり、図２７に示した利用フラグ（ＳＡ１５５）が有効になっているＫＰＩに対応する。結果３２０５は、ルール／パラメータ評価部ＳＡ３８の処理の結果、選択された有効な運行ルール／制御パラメータであり、ルール／パラメータリストＳＡ１９に登録された運行ルール／制御パラメータに対応する。

　エレベータの管理者は、ビル個別化レポートＳＡ２０を参照することによって、ＫＰＩ３２０４として表示された評価指標を改善するために必要な運行ルール／制御パラメータの変更内容を把握することができる。管理者は、把握した運行ルール／制御パラメータの変更を手動で制御盤ＣＡに設定してもよい。これによって、ＫＰＩを改善するエレベータの制御が実現される。

　以上、本実施形態によれば、階床乗降人数からエレベータホールの発生人数を予測し、その予測結果に適した制御方法を生成し、その制御方法を利用者からの不満に関連する指標を用いて評価することで、最適なエレベータ制御を実現できる。例えば、将来の混雑が予測される時刻の付近で円滑に乗り場にカゴを配車することによって、乗り場にいる利用者に長い待ち時間が発生することが抑制され、利用者の輸送能力の向上及びそれによる利用者の満足度の向上を図ることができる。

　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ものではない。

　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。

Claims (14)

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、制御の対象であるエレベータ群の各階の乗り場にエレベータを利用するために現れた人物の数である発生人数を保持し、
   　前記プロセッサは、
   　前記記憶装置に保持された発生人数から、将来の発生人数を予測し、
   　予測された前記将来の発生人数から、前記エレベータ群に属する前記各カゴの運行を制御するために適用される運行ルール、及び、各運行ルールにおいて設定される制御パラメータを決定し、
   　決定された前記運行ルール及び制御パラメータを出力す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、
   　前記記憶装置は、前記エレベータ群に属する各カゴの各階における実際の乗り人数及び降り人数を示す乗降人数情報をさらに保持し、
   　前記プロセッサは、
   　前記乗降人数情報に基づいて、前記各階の乗り場に現れた人物の行き先階になり得る階ごとに、前記各階の乗り場に現れた人物の行き先階がその階になる確率である行き先階確率を計算し、
   　前記将来の発生人数及び前記行き先階確率に基づいて、前記エレベータ群に属する前記各カゴの運行を制御するために適用される運行ルール、及び、各運行ルールにおいて設定される制御パラメータを決定す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、
   　前記記憶装置は、前記エレベータ群の前記各カゴの運行を評価するための評価指標を指定する情報をさらに保持し、
   　前記プロセッサは、
   　前記将来の発生人数及び前記行き先階確率に基づいて各階の乗り場に人物を発生させて前記エレベータ群の前記各カゴを運行する第１のシミュレーションを、適用される前記運行ルール及び前記制御パラメータを変更しながら複数回実行し、
   　前記第１のシミュレーションの結果に基づいて、指定された前記評価指標を計算し、
   　計算された前記評価指標に基づいて、前記評価指標の向上に寄与する前記運行ルール及び前記制御パラメータを、前記エレベータ群に属する前記各カゴの運行を制御するために適用される運行ルール、及び、各運行ルールにおいて設定される制御パラメータとして決定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、
   　前記プロセッサは、
   　予測した前記将来の発生人数から、発生人数の確率分布がポアソン分布に従うとの仮定に基づいて、発生する人数ごとに、その人数の人物が現れる確率である発生確率を計算し、
   　発生する人数ごとの前記発生確率及び行き先階ごとの前記行き先階確率に従って人物を発生させて前記第１のシミュレーションを実行することを特徴とするエレベータ分析システム。
5. 　請求項３に記載のエレベータ分析システムであって、
   　前記プロセッサに接続される表示装置をさらに有し、
   　前記プロセッサは、前記評価指標の向上への寄与の大きさが所定の条件を満たす前記運行ルール及び前記制御パラメータを特定し、
   　前記表示装置は、特定された前記運行ルール及び制御パラメータを表示することを特徴とするエレベータ分析システム。
6. 　請求項３に記載のエレベータ分析システムであって、
   　前記プロセッサ、及び、前記エレベータ分析システムの外部のネットワークに接続されるインターフェースをさらに有し、
   　前記ネットワークには、前記エレベータ群に属する各カゴを制御する制御装置が接続され、
   　前記プロセッサは、
   　前記評価指標の向上への寄与の大きさが所定の条件を満たす前記運行ルール及び前記制御パラメータを特定し、
   　前記インターフェースを介して、特定された前記運行ルール及び制御パラメータを前記制御装置に送信することを特徴とするエレベータ分析システム。
7. 　請求項３に記載のエレベータ分析システムであって、
   　前記評価指標は、発生した人物がいずれかのカゴに乗るまでの待ち時間、前記乗り場の混雑率、及び、前記エレベータ群の各カゴを運行するための消費電力量のいずれかを含むことを特徴とするエレベータ分析システム。
8. 　請求項１に記載のエレベータ分析システムであって、
   　前記記憶装置は、
   　制御の対象であるエレベータ群に属する各カゴの各階における実際の乗り人数及び降り人数を示す乗降人数情報と、
   　前記エレベータ群に属する各カゴの実際の状態を示す運行ログ情報と、をさらに保持し、
   　前記プロセッサは、
   　エレベータを利用するために前記エレベータ群の乗り場に現れる複数の人物を発生させ、各人物が現れる前記乗り場の階、前記各人物が現れる時刻、及び前記各人物の行き先階をランダムに決定し、前記各人物が現れる時刻、現れる前記乗り場の階及び行き先階に応じて前記エレベータ群に属する各カゴを運行する第２のシミュレーションを実行することによって、前記各カゴの状態、各階における前記各カゴの乗り人数及び各階における前記各カゴの降り人数から、前記各階の乗り場に現れた人物の数である発生人数を推定する発生人数推定モデルを生成し、
   　前記乗降人数情報及び前記運行ログ情報から取得した実際の乗り人数、降り人数及び各カゴの状態を前記発生人数推定モデルに適用することによって、各階の発生人数を推定し、
   　推定された前記発生人数を前記記憶装置に保持し、
   　前記記憶装置に保持された、前記推定された発生人数から、前記将来の発生人数を予測することを特徴とするエレベータ分析システム。
9. 　請求項８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、前記第２のシミュレーションにおいて、所定の時間幅ごとの前記各階の発生人数を目的指標とし、前記所定の時間幅ごとの前記各カゴの状態、各階における前記各カゴの乗り人数及び各階における前記各カゴの降り人数を説明指標とする重回帰分析を行うことによって、前記発生人数推定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。
10. 　請求項８に記載のエレベータ分析システムであって、
    　前記乗降人数情報及び前記運行ログ情報は、前記乗り人数、降り人数、及び前記各カゴの実際の状態が取得されたときに、前記エレベータ群に属する前記各カゴの運行を制御するために適用されていた運行ルール及び前記運行ルールにおいて設定されていた制御パラメータを示す情報を含み、
    　前記プロセッサは、前記適用されていた運行ルール及び前記設定されていた制御パラメータに従って前記各カゴを運行することによって前記第２のシミュレーションを実行することを特徴とするエレベータ分析システム。
11. 　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によって実行されるエレベータ分析方法であって、
    　前記記憶装置は、制御の対象であるエレベータ群の各階の乗り場にエレベータを利用するために現れた人物の数である発生人数を保持し、
    　前記エレベータ分析方法は、
    　前記プロセッサが、前記記憶装置に保持された発生人数から、将来の発生人数を予測する第１手順と、
    　前記プロセッサが、予測された前記将来の発生人数から、前記エレベータ群に属する前記各カゴの運行を制御するために適用される運行ルール、及び、各運行ルールにおいて設定される制御パラメータを決定する第２手順と、
    　前記プロセッサが、決定された前記運行ルール及び制御パラメータを出力する第３手順と、を含むことを特徴とするエレベータ分析方法。
12. 　請求項１１に記載のエレベータ分析方法であって、
    　前記記憶装置は、前記エレベータ群に属する各カゴの各階における実際の乗り人数及び降り人数を示す乗降人数情報をさらに保持し、
    　前記第２手順において、前記プロセッサは、
    　前記乗降人数情報に基づいて、前記各階の乗り場に現れた人物の行き先階になり得る階ごとに、前記各階の乗り場に現れた人物の行き先階がその階になる確率である行き先階確率を計算し、
    　前記将来の発生人数及び前記行き先階確率に基づいて、前記エレベータ群に属する前記各カゴの運行を制御するために適用される運行ルール、及び、各運行ルールにおいて設定される制御パラメータを決定することを特徴とするエレベータ分析方法。
13. 　請求項１２に記載のエレベータ分析方法であって、
    　前記記憶装置は、前記エレベータ群の前記各カゴの運行を評価するための評価指標を指定する情報をさらに保持し、
    　前記第２手順において、前記プロセッサは、
    　前記将来の発生人数及び前記行き先階確率に基づいて各階の乗り場に人物を発生させて前記エレベータ群の前記各カゴを運行する第１のシミュレーションを、適用される前記運行ルール及び前記制御パラメータを変更しながら複数回実行し、
    　前記第１のシミュレーションの結果に基づいて、指定された前記評価指標を計算し、
    　計算された前記評価指標に基づいて、前記評価指標の向上に寄与する前記運行ルール及び前記制御パラメータを、前記エレベータ群に属する前記各カゴの運行を制御するために適用される運行ルール、及び、各運行ルールにおいて設定される制御パラメータとして決定することを特徴とするエレベータ分析方法。
14. 　請求項１１に記載のエレベータ分析方法であって、
    　前記記憶装置は、
    　制御の対象であるエレベータ群に属する各カゴの各階における実際の乗り人数及び降り人数を示す乗降人数情報と、
    　前記エレベータ群に属する各カゴの実際の状態を示す運行ログ情報と、をさらに保持し、
    　前記エレベータ分析方法は、さらに、
    　前記プロセッサが、エレベータを利用するために前記エレベータ群の乗り場に現れる複数の人物を発生させ、各人物が現れる前記乗り場の階、前記各人物が現れる時刻、及び前記各人物の行き先階をランダムに決定し、前記各人物が現れる時刻、現れる前記乗り場の階及び行き先階に応じて前記エレベータ群に属する各カゴを運行する第２のシミュレーションを実行することによって、前記各カゴの状態、各階における前記各カゴの乗り人数及び各階における前記各カゴの降り人数から、前記各階の乗り場に現れた人物の数である発生人数を推定する発生人数推定モデルを生成する手順と、
    　前記プロセッサが、前記乗降人数情報及び前記運行ログ情報から取得した実際の乗り人数、降り人数及び各カゴの状態を前記発生人数推定モデルに適用することによって、各階の発生人数を推定する手順と、
    　前記プロセッサが、推定した前記発生人数を前記記憶装置に保持する手順と、を含み、
    　前記第１手順において、前記プロセッサは、前記記憶装置に保持された、前記推定された発生人数から、前記将来の発生人数を予測することを特徴とするエレベータ分析方法。

Images