WO2021039220A1 - エレベータ分析システム及びエレベータ分析システムの設計方法 - Google Patents

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 Download PDF

Info

Publication number
WO2021039220A1
WO2021039220A1 PCT/JP2020/028334 JP2020028334W WO2021039220A1 WO 2021039220 A1 WO2021039220 A1 WO 2021039220A1 JP 2020028334 W JP2020028334 W JP 2020028334W WO 2021039220 A1 WO2021039220 A1 WO 2021039220A1
Authority
WO
WIPO (PCT)
Prior art keywords
elevator
analysis system
origin
destination information
storage area
Prior art date
Application number
PCT/JP2020/028334
Other languages
English (en)
French (fr)
Inventor
直樹 下出
訓 鳥谷部
彰規 淺原
助田　浩子
Original Assignee
株式会社日立製作所
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to CN202080040159.XA priority Critical patent/CN113891846B/zh
Publication of WO2021039220A1 publication Critical patent/WO2021039220A1/ja

Links

Images

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
    • B66B1/02—Control systems without regulation, i.e. without retroactive action
    • B66B1/06—Control systems without regulation, i.e. without retroactive action electric
    • B66B1/14—Control systems without regulation, i.e. without retroactive action electric with devices, e.g. push-buttons, for indirect control of movements
    • B66B1/18—Control systems without regulation, i.e. without retroactive action electric with devices, e.g. push-buttons, for indirect control of movements with means for storing pulses controlling the movements of several cars or cages
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B1/00—Control systems of elevators in general
    • B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
    • B66B1/3415—Control system configuration and the data transmission or communication within the control system
    • B66B1/3423—Control system configuration, i.e. lay-out
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B3/00—Applications of devices for indicating or signalling operating conditions of elevators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0012—Devices monitoring the users of the elevator system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0018—Devices monitoring the operating condition of the elevator system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0037—Performance analysers
    • 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
    • B66B2201/243—Distribution of elevator cars, e.g. based on expected future need
    • 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

Definitions

  • the present invention relates to an elevator analysis system.
  • Non-Patent Document 1 a technique for lossless compression of data using sparsity is known (see, for example, Non-Patent Document 1).
  • Non-Patent Document 1 Gibbs, Norman E .; Poole, William G .; Stockmeyer, Paul K. (1976). "A comparison of several bandwidth and profile reduction algorithms”. ACM Transactions on Mathematical Software. 2 (4) -330. doi: 10.1145 / 355705.355707.
  • the present invention is an elevator analysis system including a processor and a storage device connected to the processor, wherein the storage device moves a person between floors.
  • the size of the storage area of the Origin-Destination information is calculated based on the minimum time required for moving between the floors of the elevator. It is characterized in that it is determined based on the maximum number of non-zero values.
  • the storage capacity required for recording the actual results of the flow of people can be calculated in advance based on the property information of the elevator to be delivered. Issues, configurations and effects other than those described above will be clarified by the description of the following embodiments.
  • FIG. 1 is a functional block diagram showing the configuration of the elevator analysis system 100 according to the embodiment of the present invention.
  • the elevator analysis system 100 has a number of occurrence prediction unit 110 and a destination floor prediction unit 130.
  • the number of occurrence prediction unit 110 predicts the number of occurrences on each floor.
  • "occurrence” means that a person who intends to use the elevator reaches the elevator hall (that is, the elevator platform), and "occurrence number” is the number of persons who have occurred.
  • the number of occurrence prediction unit 110 may predict the number of occurrences by any method. Here, an example thereof will be described.
  • the number of occurrence prediction unit 110 of this embodiment is the number of passengers getting on and off calculation unit 111, simulation data generation unit 112, offline conversion model generation unit 113, real-time conversion model generation unit 114, prediction model learning unit 115, prediction unit 116, conversion generation database. It has (DB) 117, a model database (DB) 118, a simulation database (DB) 119, and a local boarding / alighting database (DB) 120.
  • DB model database
  • DB simulation database
  • DB local boarding / alighting database
  • the boarding / alighting number calculation unit 111 acquires data on the state of the elevator 140 acquired during actual operation in the past from the elevator 140.
  • the data acquired here may include, for example, the position of each car of the elevator 140, the moving direction, the weight of the load of each car, and the like for each time (or a time zone of a predetermined length). Further, the boarding / alighting number calculation unit 111 may acquire data indicating the calling state of each floor at each time (or a time zone of a predetermined length), that is, whether or not the calling button of each floor has been pressed. .. These data are also referred to as local data.
  • the boarding / alighting number calculation unit 111 generates local boarding / alighting data from the acquired data. For example, the boarding / alighting number calculation unit 111 may estimate the number of people in each car at each time based on the weight of each car at each time. In addition, the boarding / alighting number calculation unit 111 may estimate the number of people who boarded each car on each floor, the number of people who got off each floor, and the like from changes in the position, moving direction, and weight of each car at each time. Furthermore, the number of people who got on from one floor and went down to another floor may be estimated based on the operation records of the destination floor button of each car and the call button of each floor. Local boarding / alighting data includes at least one of such information. Since the above estimation can be performed by any method, detailed description thereof will be omitted here.
  • the boarding / alighting number calculation unit 111 stores the acquired data such as the state of the car and the local boarding / alighting data estimated based on the data in the local boarding / alighting database 120.
  • the local boarding / alighting database 120 may include, for example, an OD (Origin-Destination) table described later and a table generated based on the OD table.
  • the simulation data generation unit 112 generates virtual traffic demand. For example, the simulation data generation unit 112 uses a random number to determine the time when a person occurs, the floor where the person occurs, and the floor (destination floor) where the person intends to go using the elevator 140. You may decide and assume that such a person has occurred.
  • the simulation data generation unit 112 generates operation data of the elevator 140 from the virtual traffic demand.
  • the simulation data generation unit 112 may have an operation simulator of the elevator 140, and by inputting virtual traffic demand into the operation simulator, the operation simulation may be executed to generate virtual operation data.
  • the generated virtual traffic demand and operation data are stored in the simulation database 119.
  • the offline conversion model generation unit 113 generates a model for estimating the number of people generated before the time, based on the operation data such as the number of people getting on and off after the time.
  • the real-time conversion model generation unit 114 generates a model for estimating the number of people generated after a certain time based on the operation data such as the number of people getting on and off before the time.
  • These models are stored in the model database 118.
  • the number of occurrences estimated by these models is stored in the conversion occurrence database 117.
  • the prediction model learning unit 115 learns a prediction model for predicting the number of occurrences after a certain time from the number of occurrences before a certain time, based on the number of occurrences stored in the conversion occurrence database 117.
  • the trained prediction model is stored in the model database 118.
  • the prediction unit 116 uses a prediction model to predict the number of people who will occur after that from the local boarding / alighting data before a certain time.
  • the on-site boarding / alighting data before a certain time to be input may be estimated by the model generated by the real-time conversion model generation unit 114, or may be acquired by other means. May be good.
  • the result of predicting the number of people generated by the prediction unit 116 is input to the destination floor prediction unit 130.
  • the destination floor prediction unit 130 predicts the destination floor of a person who has occurred on each floor.
  • the destination floor prediction unit 130 of this embodiment includes a prediction feature amount calculation unit 131, a destination floor prediction model generation unit 132, a destination floor probability generation unit 133, and a destination floor allocation unit 134.
  • the predicted feature amount calculation unit 131 calculates the feature amount of the departure floor, the destination floor, and the number of people for each time zone of a predetermined length included in the past local boarding / alighting data stored in the local boarding / alighting database 120.
  • the destination floor prediction model generation unit 132 predicts the departure floor, destination floor, and number of people in the time zone after the time zone of the local boarding / alighting data, which is the basis of the calculation of the feature quantity, from the calculated feature quantity. Generate a prediction model.
  • the destination floor probability generation unit 133 generates a destination floor probability indicating what percentage of the persons generated on each floor go to what floor based on the generated destination floor prediction model. Then, the destination floor allocation unit 134 multiplies the generation number prediction result by the prediction unit 116 by the destination floor probability, so that the prediction result of the number of occurrences for each destination floor, that is, how many of the number of people predicted to occur on each floor.
  • the result of predicting which floor to go to is output to the elevator 140 as the result of predicting the flow of people.
  • the control panel of the elevator 140 (not shown) can control the elevator according to the demand based on the result of forecasting the flow of people.
  • the embodiment of the present invention it is possible to plan the operation of the elevator 140 more suitable for the actual demand by predicting not only the number of people generated on each floor but also the number of people generated on each destination floor. This will be possible and the satisfaction level of users will be improved.
  • FIG. 2 is a block diagram showing a hardware configuration of a computer system that realizes the elevator analysis system 100 according to the embodiment of the present invention.
  • the elevator analysis system 100 is realized by, for example, a computer system 200 having an interconnected interface (I / F) 201, an input device 202, an output device 203, a processor 204, a main storage device 205, and an auxiliary storage device 206. ..
  • I / F interconnected interface
  • Interface 201 is connected to a network (not shown) and communicates with the elevator 140 via the network.
  • the input device 202 is a device used by the user of the elevator analysis system 100 to input information to the elevator analysis system 100, and may include at least one of a keyboard, a mouse, a touch sensor, and the like.
  • the output device 203 is a device that outputs information to the user of the elevator analysis system 100, and may include, for example, a display device that displays characters, images, and the like.
  • the processor 204 executes various processes according to the program stored in the main storage device 205.
  • the main storage device 205 is a semiconductor storage device such as a DRAM, and stores a program executed by the processor 204, data necessary for processing by the processor, and the like.
  • the auxiliary storage device 206 is a storage device having a relatively large capacity such as a hard disk drive or a flash memory, and stores data or the like referred to in a process executed by the processor 204.
  • the number of people getting on and off calculation unit 111, the simulation data generation unit 112, the offline conversion model generation unit 113, the real-time conversion model generation unit 114, the prediction model learning unit 115, and the prediction A program for realizing the prediction feature amount calculation unit 131 of the destination floor prediction unit 130, the destination floor prediction model generation unit 132, the destination floor probability generation unit 133, and the destination floor allocation unit 134 is stored. Therefore, in the following description, the processing executed by each of the above parts is actually executed by the processor 204 according to the program corresponding to each part stored in the main storage device 205.
  • the auxiliary storage device 206 of this embodiment stores a simulation database 119, a conversion generation database 117, a model database 118, and a local boarding / alighting database 120. Further, a program corresponding to each unit included in the number of occurrence prediction unit 110 and the destination floor prediction unit 130 may be stored in the auxiliary storage device 206 and copied to the main storage device 205 as needed. In addition, at least a part of the above database may be copied to the main storage device 205 as needed.
  • the elevator analysis system 100 may be realized by, for example, a computer system 200 connected to the elevator 140 via a network, but may be realized by the hardware of the existing control panel of the elevator 140.
  • the computer system 200 corresponds to the hardware of the control panel of the elevator 140.
  • the computer system 200 does not have to have the interface 201.
  • the computer system 200 does not have a large-capacity auxiliary storage device 206, and all programs and data may be stored in a relatively small-capacity main storage device 205.
  • the present invention can be applied to the configuration of the current elevator product, and it is not necessary to connect the control panel to an external analysis server or the like via a network, for example.
  • FIG. 3 is an explanatory diagram of an OD table held by the elevator analysis system 100 according to the embodiment of the present invention.
  • FIG. 3 shows an example of the OD table 300 included in the local boarding / alighting database 120.
  • the OD table 300 is information recording the movement of a person (that is, the flow of people) between floors during a time zone of a predetermined length (for example, a certain 5 minutes).
  • the horizontal axis of the OD table 300 shows the floor (departure floor, Origin) where a person was generated and got into the basket, and the vertical axis shows the floor (destination floor, Destination) where the person got off.
  • the numbers indicate the number of people who boarded on the corresponding departure floor and disembarked on the corresponding destination floor. In the example of Fig.
  • FIG. 3 shows an example of a 5-minute OD table 300, but in reality, for example, 5 minutes from 8:00 to 8:05, 5 minutes from 8:01 to 8:06, and so on.
  • the OD table 300 is generated and stored every 5 minutes. Then, such data is used as training data for generating a destination floor prediction model.
  • FIG. 4 is an explanatory diagram of time series data of the OD table used by the elevator analysis system 100 of the embodiment of the present invention as an explanatory variable for destination floor prediction.
  • FIG. 4 as an example, an explanatory variable for predicting the movement of a person between floors in a certain time zone based on the OD table in the time zone 5 minutes before and the OD table in the time zone 10 minutes before.
  • the numerical value "3" stored in the field corresponding to "1 ⁇ 2" of the time "8:00” and “5 minutes ago” is on the first floor for 5 minutes from 7:55 to 8:00. It shows that there were three people who got on the basket and got off on the second floor. That is, the one-row fields corresponding to the times "8:00" and "5 minutes ago” are arranged two-dimensionally as shown in FIG. 3 in the 5-minute OD table 300 from 7:55 to 8:00. The fields are rearranged into one line.
  • the numerical value "2" stored in the field corresponding to "1 ⁇ 2" at the time "8:00” and “10 minutes ago" is on the first floor for 5 minutes from 7:50 to 7:55. It shows that there were two people who got on the basket and got off on the second floor.
  • the movement of a person between floors for a certain 5 minutes (for example, from 8:00 to 8:05) is performed in the OD table 300 for 5 minutes (for example, from 7:55 to 8:00) 5 minutes before that.
  • a destination floor prediction model for prediction is generated based on the OD table 300 for 5 minutes (for example, from 7:50 to 7:55) 5 minutes before that.
  • the 5-minute OD table 300 from 8:00 to 8:05 is stored, and then the 5-minute OD table 300 from 8:01 to 8:06 is stored.
  • time-series data in 1-minute increments is stored.
  • this step size is an example, and another step size such as a 5-minute step may be adopted.
  • the elevator analysis system 100 needs to secure an area for storing the number of people corresponding to all combinations of the departure floor and the destination floor.
  • N the number of combinations of departure floors and destination floors
  • the storage area for storing the OD table 300 is proportional to the square of the number of floors. Will increase. For example, if the number of floors is 32, the number of combinations of departure floors and destination floors is 992. That is, in the time series data of FIG. 4, the number of columns corresponding to each of "5 minutes ago" and "10 minutes ago" is 992.
  • the OD table 300 for a sufficiently long period (for example, one month) is used to ensure the accuracy of the data. Need to hold. However, especially when the elevator analysis system 100 is realized by the control panel of the elevator 140, the storage area of the control panel is squeezed to store such a long-term OD table 300.
  • the data is compressed by utilizing the sparsity of the OD table 300.
  • the movement of a person for 5 minutes is recorded in one OD table, but in reality, the values of most of the fields in the OD table 300 are 0. This is because there is a limit to the number of combinations of the departure floor and the destination floor where the movement of the person actually occurs in 5 minutes. Therefore, the storage area used can be reduced by storing the non-zero values in the OD table 300 and not storing the zero values.
  • the upper limit of the number of occurrences of the non-zero value is determined in order to determine the size of the array to be reserved in the storage area for storing the non-zero value. Need to know in advance.
  • the non-zero values in the OD table 300 correspond to the movement of the basket between the floors that actually occurred, the number of occurrences of the non-zero values is between the floors that can actually occur in 5 minutes. Do not exceed the maximum number of movements of the basket. In this embodiment, this is used to calculate the upper limit of the number of occurrences of non-zero values, that is, the size of the array to be secured.
  • the number of occurrences of non-zero values in the OD table 300 is calculated by the following equation (1).
  • the observation unit time is 5 minutes in the above example.
  • This length of 5 minutes can be said to be the window width for collecting statistics on the flow of people, and a time longer or shorter than 5 minutes may be adopted.
  • the demand pattern of elevators differs depending on the time zone. For example, in the case of an elevator in an office building, it is considered that the demand pattern differs greatly between the time zone immediately before the start time and the time zone immediately after the start time. In order to generate a destination floor forecast model that reflects such changes in demand patterns, it is desirable to set an observation unit time of an appropriate length. Generally, about 5 minutes is considered appropriate.
  • the minimum time required to move between floors is the minimum time required for the basket to move from the departure floor to the destination floor, and is usually the movement time when the departure floor and the destination floor are adjacent to each other. Since this includes the door opening / closing time, acceleration time, and deceleration time, it is generally about 10 seconds or more.
  • the number of elevators delivered is the number when multiple elevators are installed facing one elevator hall in one building.
  • the observation unit time is 5 minutes
  • the minimum time required for movement between floors is 10 seconds
  • the observation unit time is divided by the minimum time required for movement between floors.
  • the value is 30 times. This is the upper limit of the number of movements for 5 minutes per elevator. Multiplying this by the number of elevators delivered gives 300 times. That is, it can be seen that an array size of at most 300 is sufficient before the elevator is actually delivered.
  • the size of the storage area to be secured in the local boarding / alighting database 120 is specified based on the above.
  • the capacity of the storage device to be secured when the elevator analysis system 100 is mounted on the control panel of the elevator 140 can be known in advance based on the property information of the elevator.
  • the calculation of the size of the array and the storage capacity to be secured may be executed, for example, by the processor 204 of the computer system having the configuration shown in FIG. 2 according to the program stored in the main storage device 205. This makes it possible to design an elevator analysis system 100 with a storage device of calculated capacity.
  • FIG. 5 is an explanatory diagram of a table that stores the non-zero values of the explanatory variables of the destination floor prediction held by the elevator analysis system 100 of the embodiment of the present invention.
  • Table 500 shown in FIG. 5 is an example of a sparse matrix that stores only non-zero values in the time series data 400 of FIG.
  • Table 500 shown in FIG. 5 is an example of a sparse matrix that stores only non-zero values in the time series data 400 of FIG.
  • a table for storing the value of "5 minutes before” at the time "8:00” in the time series data 400 of FIG. 4 is shown.
  • the time series data 400 of FIG. 4 includes 992 fields corresponding to the times "8:00” and "5 minutes ago", assuming that it relates to an elevator on the 32nd floor.
  • the number of fields in which non-zeros are stored is at most 300.
  • the explanatory variable value 502 is an explanatory variable value (that is, a non-zero value) extracted from the time series data 400.
  • the index 504 corresponding to the explanatory variable is a value indicating from which field of the time series data 400 the non-zero explanatory variable is extracted.
  • the explanatory variable extracted from the field of “1 ⁇ 2” that is, the departure floor is the first floor and the destination floor is the second floor
  • "0" is given as 504.
  • FIG. 6 is a flowchart showing a process in which the elevator analysis system 100 of the embodiment of the present invention stores an OD table as a sparse matrix.
  • This process is executed by, for example, the boarding / alighting number calculation unit 111.
  • the boarding / alighting number calculation unit 111 generates an OD table 300 based on the locally acquired local boarding / alighting data, temporarily stores it in the local boarding / alighting database 120, and once the daily OD table 300 is accumulated, they are used. Is stored as a sparse matrix. However, one day is an example, and the OD table 300 for a period other than one day (for example, one hour), which is sufficiently shorter than the training data accumulation period (for example, 30 days) for generating the destination floor prediction model. May be executed for.
  • the boarding / alighting number calculation unit 111 secures a storage area for the sparse matrix in the local boarding / alighting database 120 (step 601). At this time, the required storage area is calculated based on the size of the array calculated by the above equation (1).
  • the boarding / alighting number calculation unit 111 reads the OD table 300 for one day into the memory (step 602).
  • the boarding / alighting number calculation unit 111 records the read OD table 300 for one day as a sparse matrix (for example, table 500 in FIG. 5) in the storage area secured in step 601. As a result, the data stored in the storage device is compressed.
  • a sparse matrix for example, table 500 in FIG. 5
  • the boarding / alighting number calculation unit 111 determines whether the sparse matrix for 30 days has been recorded (step 604).
  • 30 days that is, one month
  • 30 days' worth of sparse matrices have not been accumulated (step 604: No)
  • steps 602 and subsequent steps are repeated.
  • 30 days' worth of sparse matrices have been accumulated (step 604: Yes)
  • the process ends.
  • the destination floor prediction model generation unit 132 can generate a destination floor prediction model based on the OD table recorded as a sparse matrix.
  • this is an example of a model for predicting the demand of the elevator 140, and the elevator analyzer may generate another model, for example, a model for predicting the number of occurrences, based on the recorded OD table.
  • the present invention is not limited to the above-mentioned examples, and includes various modifications.
  • the above-mentioned examples have been described in detail for a better understanding of the present invention, and are not necessarily limited to those having all the configurations of the description.
  • it is possible to replace a part of the configuration of one embodiment with the configuration of another embodiment and it is possible to add the configuration of another embodiment to the configuration of one embodiment.
  • each of the above configurations, functions, processing units, processing means, etc. may be realized by hardware by designing a part or all of them by, for example, an integrated circuit. Further, each of the above configurations, functions, and the like may be realized by software by the processor interpreting and executing a program that realizes each function. Information such as programs, tables, and files that realize each function can be stored in non-volatile semiconductor memories, hard disk drives, storage devices such as SSDs (Solid State Drives), or non-readable computers such as IC cards, SD cards, and DVDs. It can be stored in a temporary data storage medium.
  • control lines and information lines are shown as necessary for explanation, and not all control lines and information lines are shown on the product. In practice, it can be considered that almost all configurations are interconnected.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Elevator Control (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

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、階床間の人物の移動を記録するＯｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域を有し、Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域のサイズは、エレベータの階床間の移動に要する最低時間に基づいて算出された、Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の非ゼロ値の最大個数に基づいて決定される。

Description

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 参照による取り込み
　本出願は、令和１年（２０１９年）８月２８日に出願された日本出願である特願２０１９－１５６００６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、エレベータ分析システムに関する。
　オフィス又は各種施設等のビルでは、エレベータの利用者の利便性を向上させることが求められている。例えば、エレベータを対象とした人流予測、すなわち、エレベータの利用者がどの階に発生してどの階に行こうとしているかの予測を行うことによって、利用者が呼びボタンを押す前にエレベータが先回りして待つなどの制御が可能になり、待ち時間の低減につながる。
　このような人流予測を実現する方法として、例えば、過去の人流の実績を記録し、それを学習することによって予測モデルを生成する方法がある。この方法で精度のよい予測モデルを生成しようとすると、ある程度の長さの期間にわたって人流の実績を記録する必要があり、そのための記憶領域を確保する必要がある。
　これに対して、スパース性を利用してデータをロスレス圧縮する技術が知られている（例えば非特許文献１参照）。
　　非特許文献１：Gibbs, Norman E.; Poole, William G.; Stockmeyer, Paul K. (1976). "A comparison of several bandwidth and profile reduction algorithms". ACM Transactions on Mathematical Software. 2 (4): 322-330. doi:10.1145/355705.355707.
　乗降データを分析して人流予測モデルを生成する機能をエレベータの制御盤に実装しようとする場合、乗降データを制御盤のメモリに格納する必要がある。しかし、一般に、制御盤のメモリの容量には制限がある。一方、スパース性を利用したロスレス圧縮によってデータをどれだけ圧縮できるかは、データ中の非ゼロ値の出現回数に依存する。しかし、エレベータの乗降データにおける非ゼロ値の出現回数が不明であるため、制御盤上にデータを分析して予測モデルを生成する機能を実装する場合、必要なメモリの容量を確定できず、分析及びモデル生成の安定性を保証することは困難であった。
　上記の課題の少なくとも一つを解決するため、本発明は、プロセッサと、前記プロセッサに接続される記憶装置と、を有するエレベータ分析システムであって、前記記憶装置は、階床間の人物の移動を記録するＯｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域を有し、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域のサイズは、エレベータの階床間の移動に要する最低時間に基づいて算出された、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の非ゼロ値の最大個数に基づいて決定されることを特徴とする。
　本発明の一形態によれば、納入するエレベータの物件情報に基づいて、人流の実績を記録するために必要な記憶容量を事前に算出することができる。上記した以外の課題、構成及び効果は、以下の実施形態の説明によって明らかにされる。
本発明の実施例のエレベータ分析システムの構成を示す機能ブロック図である。 本発明の実施例のエレベータ分析システムを実現する計算機システムのハードウェア構成を示すブロック図である。 本発明の実施例のエレベータ分析システムが保持するＯＤ表の説明図である。 本発明の実施例のエレベータ分析システムが行先階予測の説明変数として使用するＯＤ表の時系列データの説明図である。 本発明の実施例のエレベータ分析システムが保持する、行先階予測の説明変数の非ゼロ値を格納するテーブルの説明図である。 本発明の実施例のエレベータ分析システムがＯＤ表をスパース行列として格納する処理を示すフローチャートである。
　以下、本発明の実施例を、図面を参照して説明する。
　図１は、本発明の実施例のエレベータ分析システム１００の構成を示す機能ブロック図である。
　エレベータ分析システム１００は、発生人数予測部１１０及び行先階予測部１３０を有する。
　発生人数予測部１１０は、各階の発生人数を予測する。本実施例において「発生」とは、エレベータを利用しようとする人物がエレベータホール（すなわちエレベータの乗り場）に到達することを意味し、「発生人数」とは、発生した人物の数である。発生人数予測部１１０は、いかなる方法で発生人数を予測してもよい。ここでは、その一例を説明する。
　本実施例の発生人数予測部１１０は、乗降人数算定部１１１、シミュレーションデータ生成部１１２、オフライン変換モデル生成部１１３、リアルタイム変換モデル生成部１１４、予測モデル学習部１１５、予測部１１６、変換発生データベース（ＤＢ）１１７、モデルデータベース（ＤＢ）１１８、シミュレーションデータベース（ＤＢ）１１９及び現地乗降データベース（ＤＢ）１２０を有する。
　乗降人数算定部１１１は、エレベータ１４０から、過去の実際の運行時に取得された当該エレベータ１４０の状態に関するデータを取得する。ここで取得されるデータは、例えば、時刻（又は所定の長さの時間帯）ごとのエレベータ１４０の各かごの位置、移動方向及び各かごの積載物の重量などを含んでもよい。さらに、乗降人数算定部１１１は、時刻（又は所定の長さの時間帯）ごとの各階床の呼び状態、すなわち各階床の呼びボタンが押されていたか否かを示すデータを取得してもよい。これらのデータを現地データとも記載する。
　さらに、乗降人数算定部１１１は、取得したデータから、現地乗降データを生成する。例えば、乗降人数算定部１１１は、各時刻の各かごの重量に基づいて、各時刻に各かごに乗っている人の数を推定してもよい。また、乗降人数算定部１１１は、各時刻の各かごの位置、移動方向及び重量の変化から、各かごに各階床で乗り込んだ人数、各階床で降りた人数等を推定してもよいし、さらに、各かごの行先階ボタン及び各階床の呼びボタンの操作の記録に基づいて、ある階から乗って別のある階に下りた人物の数を推定してもよい。現地乗降データは、このような情報の少なくともいずれかを含む。上記のような推定は、任意の方法で行うことができるため、ここではその詳細な説明を省略する。
　乗降人数算定部１１１は、取得したかごの状態等のデータ及びそれに基づいて推定された現地乗降データを現地乗降データベース１２０に格納する。現地乗降データベース１２０は、例えば、後述するＯＤ（Origin-Destination）表、及び、ＯＤ表に基づいて生成されたテーブルを含んでもよい。
　シミュレーションデータ生成部１１２は、仮想交通需要を生成する。例えば、シミュレーションデータ生成部１１２は、乱数を使用して、人物が発生する時刻、当該人物が発生する階床、及び当該人物がエレベータ１４０を使用して行こうとする階床（行先階）を決定し、そのような人物が発生したと仮定してもよい。
　さらに、シミュレーションデータ生成部１１２は、仮想交通需要から、エレベータ１４０の運行データを生成する。例えば、シミュレーションデータ生成部１１２がエレベータ１４０の運行シミュレータを有し、その運行シミュレータに仮想交通需要を入力することで運行シミュレーションを実行して、仮想的な運行データを生成してもよい。生成された仮想交通需要及び運行データは、シミュレーションデータベース１１９に格納される。
　オフライン変換モデル生成部１１３は、ある時刻より後の乗降人数等の運行データに基づいて、当該時刻より前の発生人数を推定するためのモデルを生成する。リアルタイム変換モデル生成部１１４は、ある時刻より前の乗降人数等の運行データに基づいて、当該時刻より後の発生人数を推定するためのモデルを生成する。これらのモデルは、モデルデータベース１１８に格納される。これらのモデルによって推定された発生人数は、変換発生データベース１１７に格納される。
　予測モデル学習部１１５は、変換発生データベース１１７に格納された発生人数に基づいて、ある時刻より前の発生人数から、当該時刻より後の発生人数を予測するための予測モデルを学習する。学習された予測モデルは、モデルデータベース１１８に格納される。
　予測部１１６は、予測モデルを用いて、ある時刻より前の現地乗降データからそれより後の発生人数を予測する。ここで、入力されるある時刻より前の現地乗降データは、リアルタイム変換モデル生成部１１４によって生成されたモデルによって推定されたものであってもよいし、その他の手段で取得されたものであってもよい。予測部１１６による発生人数予測結果は、行先階予測部１３０に入力される。
　行先階予測部１３０は、各階に発生した人物の行先階を予測する。本実施例の行先階予測部１３０は、予測特徴量算出部１３１、行先階予測モデル生成部１３２、行先階確率生成部１３３及び行先階割り当て部１３４を有する。
　予測特徴量算出部１３１は、現地乗降データベース１２０に格納された過去の現地乗降データに含まれる所定の長さの時間帯ごとの出発階、行先階及び人数の特徴量を計算する。行先階予測モデル生成部１３２は、計算された特徴量から、当該特徴量の計算の基礎となった現地乗降データの時間帯より後の時間帯の出発階、行先階及び人数を予測する行先階予測モデルを生成する。
　行先階確率生成部１３３は、生成された行先階予測モデルに基づいて、各階に発生した人物の何％が何階に行くかを示す行先階確率を生成する。そして、行先階割り当て部１３４は、予測部１１６による発生人数予測結果に行先階確率を乗じることによって、行先階ごとの発生人数の予測結果、すなわち、各階に発生すると予測された人数のうち何人が何階に行くかを予測した結果を、人流予測結果としてエレベータ１４０に出力する。エレベータ１４０の制御盤（図示省略）は、人流予測結果に基づいて、需要に適合したエレベータの制御を行うことができる。
　このように、本発明の実施例によれば、各階に発生する人数だけでなく、行先階ごとの発生人数を予測することによって、より実際の需要に適合したエレベータ１４０の運行を計画することが可能になり、利用者の満足度の向上が図られる。
　図２は、本発明の実施例のエレベータ分析システム１００を実現する計算機システムのハードウェア構成を示すブロック図である。
　エレベータ分析システム１００は、例えば、相互に接続されたインターフェース（Ｉ／Ｆ）２０１、入力装置２０２、出力装置２０３、プロセッサ２０４、主記憶装置２０５及び補助記憶装置２０６を有する計算機システム２００によって実現される。
　インターフェース２０１は、ネットワーク（図示省略）に接続され、ネットワークを介してエレベータ１４０との通信を行う。入力装置２０２は、エレベータ分析システム１００のユーザがエレベータ分析システム１００に情報を入力するために使用する装置であり、例えばキーボード、マウス及びタッチセンサ等の少なくともいずれかを含んでもよい。出力装置２０３は、エレベータ分析システム１００のユーザに情報を出力する装置であり、例えば文字及び画像等を表示する表示装置を含んでもよい。
　プロセッサ２０４は、主記憶装置２０５に格納されたプログラムに従って種々の処理を実行する。主記憶装置２０５は、例えばＤＲＡＭのような半導体記憶装置であり、プロセッサ２０４によって実行されるプログラム及びプロセッサの処理に必要なデータ等を格納する。補助記憶装置２０６は、例えばハードディスクドライブ又はフラッシュメモリなどの比較的大容量の記憶装置であり、プロセッサ２０４によって実行される処理において参照されるデータ等を格納する。
　本実施例の主記憶装置２０５には、発生人数予測部１１０の乗降人数算定部１１１、シミュレーションデータ生成部１１２、オフライン変換モデル生成部１１３、リアルタイム変換モデル生成部１１４、予測モデル学習部１１５及び予測部１１６、並びに、行先階予測部１３０の予測特徴量算出部１３１、行先階予測モデル生成部１３２、行先階確率生成部１３３及び行先階割り当て部１３４を実現するためのプログラムが格納される。したがって、以下の説明において上記の各部が実行する処理は、実際には、プロセッサ２０４が、主記憶装置２０５に格納された各部に対応するプログラムに従って実行する。
　本実施例の補助記憶装置２０６は、シミュレーションデータベース１１９、変換発生データベース１１７、モデルデータベース１１８及び現地乗降データベース１２０を格納する。さらに、発生人数予測部１１０及び行先階予測部１３０に含まれる各部に対応するプログラムが補助記憶装置２０６に格納され、必要に応じて主記憶装置２０５にコピーされてもよい。また、上記のデータベースの少なくとも一部が必要に応じて主記憶装置２０５にコピーされてもよい。
　なお、エレベータ分析システム１００は、例えばネットワークを介してエレベータ１４０に接続された計算機システム２００によって実現されてもよいが、エレベータ１４０の既存の制御盤のハードウェアによって実現されてもよい。その場合、計算機システム２００は、エレベータ１４０の制御盤のハードウェアに相当する。その場合、計算機システム２００は、インターフェース２０１を有しなくてもよい。また、計算機システム２００は、大容量の補助記憶装置２０６を有さず、全てのプログラム及びデータが比較的小容量の主記憶装置２０５に格納されてもよい。エレベータ分析システム１００を制御盤上に実装することによって、現行のエレベータ製品の構成に本発明を適用可能となり、例えば外部の分析サーバなどにネットワークを介して制御盤を接続する必要がなくなる。
　図３は、本発明の実施例のエレベータ分析システム１００が保持するＯＤ表の説明図である。
　図３には、現地乗降データベース１２０に含まれるＯＤ表３００の一例を示す。ＯＤ表３００は、所定の長さの時間帯（例えばある５分間）の、階床間の人物の移動（すなわち人流）を記録した情報である。ＯＤ表３００の横軸は、人物が発生して、カゴに乗り込んだ階（出発階、Origin）を示し、縦軸は、その人物が降りた階（行先階、Destination）を示し、表中の数字は、対応する出発階で乗り込み、対応する行先階で降りた人物の数を示す。図３の例は、ある５分間に、１階で乗り込んで２階で降りた人物は３人おり、１階で乗り込んで３階で降りた人物は１人もおらず、１階で乗り込んで４階で降りた人物は４人いたことを示している。
　図３にはある５分間のＯＤ表３００の例を示しているが、実際には、例えば８：００から８：０５までの５分間、８：０１から８：０６までの５分間、のように、５分ごとにＯＤ表３００が生成されて格納される。そして、このようなデータが行先階予測モデルを生成するための学習データとして使用される。
　図４は、本発明の実施例のエレベータ分析システム１００が行先階予測の説明変数として使用するＯＤ表の時系列データの説明図である。
　図４には、例として、ある時間帯の階床間の人物の移動を、その５分前の時間帯のＯＤ表及び１０分前の時間帯のＯＤ表に基づいて予測する場合の説明変数として用いられる時系列データ４００を示している。
　例えば、時刻「８：００」、「５分前」の「１→２」に対応するフィールドに格納された数値「３」は、７：５５から８：００までの５分間に、１階でカゴに乗って２階で降りた人物が３人いたことを示している。すなわち、時刻「８：００」、「５分前」に対応する１行のフィールドは、７：５５から８：００までの５分間のＯＤ表３００において図３のように２次元に配列されたフィールドを１行に並べ替えたものである。
　同様に、時刻「８：００」、「１０分前」の「１→２」に対応するフィールドに格納された数値「２」は、７：５０から７：５５までの５分間に、１階でカゴに乗って２階で降りた人物が２人いたことを示している。この例では、ある５分間（例えば８：００から８：０５まで）の階床間の人物の移動を、その５分前の５分間（例えば７：５５から８：００まで）のＯＤ表３００と、さらにその５分前の５分間（例えば７：５０から７：５５まで）のＯＤ表３００と、に基づいて予測する行先階予測モデルが生成される。
　なお、図４の例では、例えば８：００から８：０５までの５分間のＯＤ表３００が格納され、次に、８：０１から８：０６までの５分間ＯＤ表３００が格納される、というように、１分刻みの時系列データが格納される。しかし、この刻み幅は一例であり、例えば５分刻みなど、別の刻み幅が採用されてもよい。
　エレベータ分析システム１００は、ＯＤ表３００を格納するために、出発階と行先階の全ての組み合わせに対応する人数を記憶するための領域を確保する必要がある。階床数がＮであるエレベータにおいては、出発階と行先階の組み合わせの数はＮ×（Ｎ－１）となり、ＯＤ表３００を格納するための記憶領域は階床数の２乗に比例して増加する。例えば階床数が３２であれば出発階と行先階の組み合わせの数は９９２となる。すなわち、図４の時系列データにおいて、「５分前」及び「１０分前」のそれぞれに対応するカラムの数が９９２個となる。
　これらのデータは、行先階予測モデルを生成するための学習データとして使用されるものであるため、その精度を確保するために、十分な長さの期間（例えば１カ月間）のＯＤ表３００を保持する必要がある。しかし、特にエレベータ分析システム１００がエレベータ１４０の制御盤によって実現される場合には、そのような長期間のＯＤ表３００を格納するために制御盤の記憶領域が圧迫されることとなる。
　そこで、本実施例では、ＯＤ表３００のスパース性を利用してデータを圧縮する。具体的には、本実施例では、一つのＯＤ表に５分間の人物の移動が記録されるが、実際には、ＯＤ表３００のほとんどのフィールドの値は０である。これは、５分間に実際に人物の移動が発生する出発階と行先階の組み合わせの数に限度があるためである。このため、ＯＤ表３００の非ゼロの値を記憶し、ゼロ値を記憶しないことによって、使用される記憶領域を削減することができる。
　しかし、特にエレベータ分析システム１００をエレベータ１４０の制御盤に組み込む場合には、非ゼロ値を格納するために記憶領域に確保すべき配列のサイズを決定するために、非ゼロ値の出現回数の上限を事前に知る必要がある。ここで、ＯＤ表３００の非ゼロ値は、実際に発生した階床間のカゴの移動に対応していることから、非ゼロ値の出現回数は、５分間に実際に発生しうる階床間のカゴの移動の回数の上限を超えない。本実施例ではこのことを利用して、非ゼロ値の出現回数の上限、すなわち、確保すべき配列のサイズを計算する。
　具体的には、ＯＤ表３００における非ゼロ値の出現回数は、次の式（１）によって計算される。
Figure JPOXMLDOC01-appb-M000001
　ここで、観測単位時間は、上記の例では５分間である。この５分間という長さは、人流の統計をとるための窓幅ということもでき、５分間より長い時間又は短い時間を採用してもよい。一般に、エレベータの需要パターンは時間帯によって異なり、例えば、オフィスビルのエレベータの場合、始業時刻の直前の時間帯と直後の時間帯では需要パターンが大きく異なると考えられる。このような需要パターンの変化を反映した行先階予測モデルを生成するために、適切な長さの観測単位時間を設定することが望ましい。一般には５分間程度が妥当と考えられる。
　また、階床間移動に要する最低時間は、カゴが出発階から行先階まで移動するのに要する時間の最低値であり、通常は出発階と行先階が隣接する場合の移動時間である。これは、ドアの開閉時間、加速時間及び減速時間を含むため、一般には１０秒程度か、それより大きい値となる。
　また、納入されるエレベータ台数は、一つの建物の一つのエレベータホールに面して複数台のエレベータが設置される場合に、その台数である。
　例えば、３２階床に１０台のエレベータが納入され、観測単位時間を５分間、階床間移動に要する最低時間を１０秒とすると、観測単位時間を階床間移動に要する最低時間で除した値は３０回となる。これは、エレベータ１台あたりの、５分間の移動回数の上限である。これに納入されるエレベータ台数を乗じると、３００回となる。すなわち、配列のサイズは高々３００で十分であることが、エレベータを実際に納入する前にわかる。
　このようにして得られた配列のサイズと、各フィールドの人数を記録するために必要なビット数、時系列データの刻み幅（例えば１分）、及び学習データとして必要な期間（例えば１カ月）等とに基づいて、現地乗降データベース１２０に確保すべき記憶領域のサイズが特定される。これによって、特に、エレベータ分析システム１００をエレベータ１４０の制御盤に実装する場合に確保すべき記憶装置の容量を、エレベータの物件情報に基づいて、事前に知ることができる。
　上記の配列のサイズ及び確保すべき記憶容量の計算は、例えば、図２に示した構成を有する計算機システムのプロセッサ２０４が、主記憶装置２０５に格納されたプログラムに従って実行してもよい。これによって、計算された容量の記憶装置を有するエレベータ分析システム１００を設計することができる。
　図５は、本発明の実施例のエレベータ分析システム１００が保持する、行先階予測の説明変数の非ゼロ値を格納するテーブルの説明図である。
　図５に示すテーブル５００は、図４の時系列データ４００のうち非ゼロ値のみを格納するスパース行列の例である。ここでは、例として、図４の時系列データ４００のうち、時刻「８：００」の、「５分前」の値を格納するテーブルを示している。図４の時系列データ４００は、仮に３２階床のエレベータに関するものであるとすると、時刻「８：００」及び「５分前」に対応する９９２個のフィールドを含んでいる。しかし、上記のように、それらのうち非ゼロが格納されたフィールドの数は高々３００である。
　例えば、図５のテーブル５００のうち、配列のインデックス５０１及び配列のインデックス５０３は、テーブルに格納された配列の要素を識別するものであり、互いに対応する。説明変数の値５０２は、時系列データ４００から抽出された説明変数の値（すなわち非ゼロ値）である。説明変数に対応するインデックス５０４は、非ゼロの説明変数が時系列データ４００のどのフィールドから抽出されたものであるかを示す値である。図５の例では、図４の時系列データ４００の「１→２」（すなわち出発階が１階、行先階が２階）のフィールドから抽出された説明変数には、説明変数に対応するインデックス５０４として「０」が付与される。図４の時系列データ４００の「１→３」（すなわち出発階が１階、行先階が３階）のフィールドから抽出された説明変数には、説明変数に対応するインデックス５０４として「１」が付与される。
　図５の例では、配列のインデックス５０１の値「０」に対応する説明変数の値５０２として「３」が格納されている。これは、図４の時系列データ４００の「１→２」のフィールドから抽出された説明変数である。そして、配列のインデックス５０３の値「０」に対応する、説明変数に対応するインデックスの値５０２として、当該フィールドを識別する「０」が格納されている。
　図４の時系列データ４００の「１→３」のフィールドの説明変数の値は「０」であるため、これは図５のテーブル５００には格納されない。このため、説明変数に対応するインデックス５０４には、当該フィールドを識別する「１」が格納されていない。
　図６は、本発明の実施例のエレベータ分析システム１００がＯＤ表をスパース行列として格納する処理を示すフローチャートである。
　この処理は、例えば、乗降人数算定部１１１によって実行される。
　この例では、乗降人数算定部１１１は、順次取得された現地乗降データに基づいてＯＤ表３００を生成して一旦現地乗降データベース１２０に格納し、１日分のＯＤ表３００が蓄積されるとそれらをスパース行列として格納する。ただし１日分というのは一例であり、行先階予測モデルを生成するための学習データの蓄積期間（例えば３０日）より十分に短い、１日以外の期間（例えば１時間など）のＯＤ表３００を対象として実行してもよい。
　処理が開始されると、乗降人数算定部１１１は、現地乗降データベース１２０にスパース行列の記憶領域を確保する（ステップ６０１）。このとき、上記の式（１）で計算された配列のサイズに基づいて、必要な記憶領域が計算される。
　次に、乗降人数算定部１１１は、１日分のＯＤ表３００をメモリに読み込む（ステップ６０２）。
　次に、乗降人数算定部１１１は、読み込んだ１日分のＯＤ表３００を、スパース行列（例えば図５のテーブル５００）として、ステップ６０１において確保された記憶領域に記録する。これによって、記憶装置に格納されるデータが圧縮される。
　次に、乗降人数算定部１１１は、３０日分のスパース行列が記録されたかを判定する（ステップ６０４）。ここで、３０日（すなわち１カ月）とは、行先階予測モデルを生成するための学習データの蓄積期間の例である。３０日分のスパース行列が蓄積されていなければ（ステップ６０４：Ｎｏ）、ステップ６０２以降が繰り返し実行される。３０日分のスパース行列が蓄積されていれば（ステップ６０４：Ｙｅｓ）、処理が終了する。
　その後、例えば、行先階予測モデル生成部１３２が、スパース行列として記録されたＯＤ表に基づいて行先階予測モデルを生成することができる。ただし、これはエレベータ１４０の需要を予測するモデルの一例であり、エレベータ分析装置は、記録されたＯＤ表に基づいて、例えば発生人数を予測するモデル等、他のモデルを生成してもよい。
　なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明のより良い理解のために詳細に説明したのであり、必ずしも説明の全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることが可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
　また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によってハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによってソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、不揮発性半導体メモリ、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記憶デバイス、または、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。
　また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

Claims (6)

  1. 　プロセッサと、前記プロセッサに接続される記憶装置と、を有するエレベータ分析システムであって、
    　前記記憶装置は、階床間の人物の移動を記録するＯｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域を有し、
    　前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域のサイズは、エレベータの階床間の移動に要する最低時間に基づいて算出された、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の非ゼロ値の最大個数に基づいて決定されることを特徴とするエレベータ分析システム。
  2. 　請求項１に記載のエレベータ分析システムであって、
    　前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の非ゼロ値の最大個数は、階床間の人物の移動を観測する単位時間の長さを、１台の前記エレベータの階床間の移動に要する最低時間で除することによって得られた、１台あたり、前記単位時間あたりの前記エレベータの移動回数の上限に、設置される前記エレベータの台数を乗じることによって算出され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Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域のサイズは、少なくとも、前記エレベータの需要を予測するモデルを生成するための学習データとして必要な期間の、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の非ゼロ値の最大個数分のデータが格納されるサイズであることを特徴とするエレベータ分析システム。
  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、
    　前記記憶装置に、決定されたサイズの前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域を確保し、
    　前記エレベータの需要を予測するモデルを生成するための学習データとして必要な期間より短い期間の、ゼロ値を含む前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報から、非ゼロ値を含むスパース行列を生成して、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報のデータとして前記記憶領域に格納し、
    　前記エレベータの需要を予測するモデルを生成するための学習データとして必要な期間の前記スパース行列が前記記憶領域に格納されたら、前記記憶領域に格納された前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報のデータに基づいて、前記エレベータの需要を予測するモデルを生成することを特徴とするエレベータ分析システム。
  5. 　請求項４に記載のエレベータ分析システムであって、
    　前記エレベータの需要を予測するモデルは、前記エレベータを利用する人物の行先階を予測するモデルであることを特徴とするエレベータ分析システム。
  6. 　プロセッサと、前記プロセッサに接続される記憶装置と、を有する計算機システムが実行するエレベータ分析システムの設計方法であって、
    　前記エレベータ分析システムは、階床間の人物の移動を記録するＯｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域を有し、
    　前記設計方法は、前記プロセッサが、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の記憶領域のサイズを、エレベータの階床間の移動に要する最低時間に基づいて算出された、前記Ｏｒｉｇｉｎ－Ｄｅｓｔｉｎａｔｉｏｎ情報の非ゼロ値の最大個数に基づいて決定する手順を含むことを特徴とする設計方法。
PCT/JP2020/028334 2019-08-28 2020-07-21 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 WO2021039220A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202080040159.XA CN113891846B (zh) 2019-08-28 2020-07-21 电梯分析系统及电梯分析系统的设计方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-156006 2019-08-28
JP2019156006A JP7315415B2 (ja) 2019-08-28 2019-08-28 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

Publications (1)

Publication Number Publication Date
WO2021039220A1 true WO2021039220A1 (ja) 2021-03-04

Family

ID=74675305

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/028334 WO2021039220A1 (ja) 2019-08-28 2020-07-21 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

Country Status (3)

Country Link
JP (1) JP7315415B2 (ja)
CN (1) CN113891846B (ja)
WO (1) WO2021039220A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115028045B (zh) * 2022-06-10 2023-12-19 广州广日电梯工业有限公司 电梯开门宽度自适应调节方法、系统、装置及存储介质
CN115490102B (zh) * 2022-10-19 2023-09-05 北京软通智慧科技有限公司 一种电梯调度方法、装置、电梯和存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011144025A (ja) * 2010-01-15 2011-07-28 Toshiba Elevator Co Ltd エレベータの群管理装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2266602B (en) * 1992-04-16 1995-09-27 Inventio Ag Artificially intelligent traffic modelling and prediction system
JPH10279202A (ja) * 1997-04-11 1998-10-20 Hitachi Ltd エレベータの制御装置
JP2002265154A (ja) * 2001-03-13 2002-09-18 Mitsubishi Electric Corp エレベータの群管理システム
TWI225030B (en) * 2001-07-24 2004-12-11 Li-Chen Fu Elevator group control devices
US7152714B2 (en) * 2003-05-19 2006-12-26 Otis Elevator Company Elevator car separation based on response time
WO2005119475A2 (en) * 2004-06-04 2005-12-15 Khimetrics, Inc. Attribute modeler
FI118332B (fi) * 2005-10-14 2007-10-15 Kone Corp Hissijärjestelmä
JP5464979B2 (ja) * 2009-11-17 2014-04-09 株式会社日立製作所 エレベータの群管理システム
JP5882090B2 (ja) * 2012-03-09 2016-03-09 株式会社東芝 エレベータの群管理制御システム
CN104955755B (zh) * 2013-02-01 2017-05-03 通力股份公司 电梯系统中用于使用磁场图的电梯分配的装置和方法
JP5973929B2 (ja) * 2013-02-07 2016-08-23 株式会社日立製作所 エレベータの管制運転装置およびその方法
JP2016222437A (ja) * 2015-06-02 2016-12-28 株式会社日立ビルシステム 交通手段案内システム
CN106547723B (zh) * 2015-09-23 2019-04-05 浪潮电子信息产业股份有限公司 一种预测稀疏矩阵运算能耗的方法
JP6485648B2 (ja) * 2016-03-29 2019-03-20 三菱電機株式会社 エレベーター群管理装置
JP6904883B2 (ja) * 2017-10-30 2021-07-21 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方法
JP6524199B1 (ja) * 2017-12-18 2019-06-05 東芝エレベータ株式会社 利用者誘導システムおよび利用者誘導方法
CN108275530A (zh) * 2018-01-18 2018-07-13 柯钢 一种基于机器学习的电梯安全预警方法
CN109245773B (zh) * 2018-10-30 2021-09-28 南京大学 一种基于块循环稀疏矩阵神经网络的编解码方法
CN109761120B (zh) * 2019-02-28 2020-11-24 杭州西奥电梯有限公司 一种基于预测楼层到达人数的电梯控制方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011144025A (ja) * 2010-01-15 2011-07-28 Toshiba Elevator Co Ltd エレベータの群管理装置

Also Published As

Publication number Publication date
JP2021031277A (ja) 2021-03-01
JP7315415B2 (ja) 2023-07-26
CN113891846A (zh) 2022-01-04
CN113891846B (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
CN110861983B (zh) 电梯的运行控制方法及装置
WO2021039220A1 (ja) 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
Hansun A new approach of moving average method in time series analysis
Iervolino et al. Seismic risk of RC building classes
El Mouayni et al. A simulation-based approach for time allowances assessment during production system design with consideration of worker’s fatigue, learning and reliability
JP7437353B2 (ja) エレベータ分析システム及びエレベータ分析方法
CN113918884A (zh) 业务量预测模型构建方法和业务量预测方法
Noureldin et al. A machine learning procedure for seismic qualitative assessment and design of structures considering safety and serviceability
JP2008226179A (ja) 業務プロセス推定プログラム、業務プロセス推定方法および業務プロセス推定装置
JP2020001860A (ja) 人流予測方法及び人流予測システム
CN112381308A (zh) 一种电流预测模型的训练及其电流预测方法与相关装置
Sajedi et al. Intensity-based feature selection for near real-time damage diagnosis of building structures
JP7273601B2 (ja) 混雑解析装置及び混雑解析方法
CN115619138B (zh) 基于数字孪生的楼宇管控运营的方法、装置、设备及介质
Ehsanifar et al. A simulation approach to evaluate performance indices of fuzzy exponential queuing system (An M/M/C model in a banking case study)
CN115830870A (zh) 收费站数据处理方法、装置、计算机设备和存储介质
WO2021161469A1 (ja) ストレス分析装置、ストレス分析方法、及びコンピュータ読み取り可能な記録媒体
JP6813827B2 (ja) 情報処理装置、情報処理システム、および情報処理プログラム
JP7385761B2 (ja) 設備レイアウト異常判定装置及び設備レイアウト異常判定方法
JP7326872B2 (ja) 推定装置、推定方法及びプログラム
JP7298684B2 (ja) 混雑度推定装置、混雑度推定方法及びプログラム
CN113536441B (zh) 一种建筑结构破坏分析的快速推演方法和系统
US20220359082A1 (en) Health state prediction system including ensemble prediction model and operation method thereof
Iervolino et al. Seismic risk for Italian type rc buildings
CN116323455A (zh) 电梯等候时间推算装置和电梯等候时间推算方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20857310

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20857310

Country of ref document: EP

Kind code of ref document: A1