JP2956516B2 - エレベータの群管理制御装置 - Google Patents

Description

【発明の詳細な説明】

【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
に係り、特に各建物のそれぞれにおいて、その仕様や交
通状況に適したニューラルネットを作成することのでき
るエレベータの群管理制御装置に関する。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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
表すシステム状態の中から何を選択し、或いはどのよう
に加工して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。

【００１４】しかしながら、関連すると思われるデータ
をすべて入力パターンに含めるとなると、入力層のニュ
ーロンの数が増えてニューラルネットの規模が大きくな
るだけでなく、学習に大容量のメモリが必要となり、学
習及び割り当ての計算にも時間がかかるといった問題が
ある。

【００１５】このため、呼びの割り当てに有効なデータ
のみを選択して入力パターンとし、ニューラルネットの
規模（入力層のニューロンの数）が必要以上に大きくな
らないようにする必要があるが、どのデータが有効であ
るかは建物の仕様や交通状況によって異なるため、有効
なデータを建物毎に判断し、その建物に最適なニューラ
ルネットを作成するのは、非常に困難であり、また煩雑
な作業を要するという問題があった。

【００１６】本発明はこのような問題点に鑑みてなされ
たもので、建物毎にその状況に適したニューラルネット
を簡単に作成することができ、また、学習や割り当ての
計算に要する時間も少なくてすむ群管理システムを提供
することを目的とする。

【００１７】

【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、エレベータの稼働中に随時学習用サン
プルを作成する学習用サンプル作成手段と、前記入力パ
ターンの各データの内、予め特定された削除可能データ
について各学習用サンプルにおける変化量を算出するデ
ータ変化量算出手段と、該データ変化量の小さいデータ
を削除データとして選択する削除データ選択手段と、該
選択されたデータを削除した学習用サンプルを用いて前
記ニューラルネットの学習を行う学習手段とを備えたこ
とを特徴とする。

【００１８】

【作用】本発明においては、ニューラルネットへの入力
パターンの各データは、予めシミュレーション等で、削
除可能なデータとそうでないデータとに分けておく。削
除可能データについては、その建物で実際にエレベータ
の運転を行って作成した学習用サンプルにより、各デー
タがどの程度変化しているかを算出し、変化の少ないデ
ータを削除データとして学習用サンプルから削除する。
そして残りのデータだけを入力パターンとした学習用サ
ンプルによりニューラルネットの学習を実施する。

【００１９】

【実施例】以下、本発明の一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。

【００２０】群管理装置１０はマイクロコンピュータ等
で構成され、入出力インターフェイス１１と、従来方
式、例えば評価関数による割り当てやファジー群管理装
置等を用いて割り当てを行う従来方式割り当て手段１２
と、エレベータの稼働中に学習用サンプルを随時作成す
る学習用サンプル作成手段１３と、予め特定された削除
可能データのそれぞれについて、各学習用サンプルにお
ける変化量を算出するデータ変化量算出手段１４と、そ
の結果に基づいて変化量の小さいデータを削除データと
して選択する削除データ選択手段１５と、前記選択され
た削除データを削除した学習用サンプルに基づいてニュ
ーラルネットの学習を行う学習手段１６と、呼び割り当
て用のニューラルネット１７と、ニューラルネットの出
力パターンから最適な号機を判定し割り当て信号を出力
する割り当て判定手段１８とを備えており、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。

【００２１】以上の構成において、本発明におけるニュ
ーラルネットの作成の手順を図２のフローチャートに基
づいて説明する。

【００２２】まず、ステップＳ１からステップＳ６で、
エレベータの稼働中に学習用サンプルを随時作成する。
なお、この学習用サンプルの入力パターンには、割り当
てに関連すると思われるすべてのデータを含むように
し、予めシミュレーション等により、割り当てに必要不
可欠で削除できない削除不可データと、それほど重要で
なく、ビルの仕様や交通状況によっては（変化量が小さ
くて割り当てにほとんど影響がない場合）削除すること
の可能な削除可能データを特定しておく。この削除可能
データの例としては、例えば次のようなものが考えられ
る。

【００２３】・平均扉反転回数（発生乗客が多い建物の
場合、扉反転回数が増えるとエレベータの停止時間が長
くなり、割り当てに影響するデータ） ・号機別の群管理外運転の確率（専用運転・ＶＩＰ運転
等を特定号機で頻繁に行っている建物の場合、その号機
の群管理外運転を行う可能性を考慮するデータ） そして、ステップＳ７以下で削除可能データの中から実
際に削除するデータを選択してそれを学習用サンプルか
ら削除し、その削除後の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。以下各ステップについて
説明する。

【００２４】まず、ステップＳ１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Ｓ２
で、その呼びの発生時点におけるエレベータシステム状
態データをニューラルネットの入力パターンに変換す
る。この間にこの呼びは、従来方式の割り当て手段によ
って割り当てられ、応答号機がその呼び向かって運転を
開始する。

【００２５】そしてステップＳ３で、その呼びがサービ
スされたことを確認すると、ステップＳ４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サ
ービスし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
換えられたためサービスできなくな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。

【００２６】ステップＳ５では、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。こうしてステップＳ６を経て上記の手順を繰り返し
実行するとエレベータの稼働中に学習用サンプルが随時
作成される。

【００２７】学習用サンプルが所定数に達すると、ステ
ップＳ７で、収集した学習用サンプルの各データのうち
削除可能なデータのそれぞれについて、その変化量の大
小を調べる。例えば、或るデータの変化の大小について
は、各学習用サンプルにおけるそのデータの各値から分
散を計算し、その値が小さければ変化が小さいものとし
て扱う。

【００２８】ステップＳ８では、その分散の値が小さい
データを削除データとして選択する。例えば、いま入力
パターンのデータの数が全部で１００個（そのうち削除
不可データは３０個、削除可能データは７０個）とし、
ニューラルネットの入力層のニューロンの数を５０個に
限定しているものとすると、削除不可データの３０個と
削除可能データのうち分散の大きな２０個との計５０個
が、入力パターンのデータとして選出され、削除可能デ
ータの残りの５０個は削除データとして選択されて各学
習用サンプルから削除される。図３は、この学習用サン
プルから削除データを削除する様子を示した図である。

【００２９】ステップＳ９では、選択された削除データ
が前回の選択結果と同一か否かを判断するが、いまは削
除データを始めて選択したのでステップＳ９からＳ１０
へと進み、その削除データを各学習用サンプルから削除
する。そしてステップＳ１１でその削除後の学習用サン
プルを用いてニューラルネットの学習を実施する。

【００３０】ステップＳ１２を経て学習を完了すると、
このニューラルネットはその建物に最も有効なデータか
らなる入力パターンでの割り当てが可能となり、ステッ
プＳ１３でその学習用サンプルをクリアし、その後は学
習後の新たなニューラルネットで割り当てを行う（ステ
ップＳ１４）。

【００３１】このようにして上記の手順を繰り返すと、
建物の仕様変更や交通状況の変動が生じたとしても、そ
の都度その状況に最も適したデータを入力パターンとす
るニューラルネットが形成されることになる。

【００３２】なお、上記の実施例ではステップＳ９で、
削除データの選択結果が前回と一つでも異なると再学習
を行うようにしているが、選択された削除データが所定
数以上異なる場合にのみ再学習を行うようにしてもよ
い。

【００３３】また、入力層のニューロンの数は固定とせ
ず、変化量が所定値以下のデータのみ削除データとし、
残りのデータ数に合わせて入力層のニューロンの数を決
めるようにしてもよい。

【００３４】

【発明の効果】本発明によれば、入力パターンのデータ
としてその都度その建物の状況に最も有効なデータを選
択できるようにしたので、常にその建物の状況に最適な
ニューラルネットを作成することができると共に、デー
タ数を限定しニューラルネットの規模を制限することに
よってメモリの節約ができ、学習や割り当てに要する時
間も短縮することができる。

【図面の簡単な説明】

【図１】本発明の全体の構成を示すブロック図である。

【図２】本発明における学習の手順の一例を示すフロー
チャートである。

【図３】本発明における学習用サンプルの一例を示す図
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。

【符号の説明】

Ａ１〜Ａｎ １号機〜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 従来方式割り当て手段 １３ 学習用サンプル作成手段 １４ データ変化量算出手段 １５ 削除データ選択手段 １６ 学習手段 １７ ニューラルネット １８ 割当て判定手段

フロントページの続き (72)発明者 中川 真実 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 審査官 志水 裕司 (58)調査した分野(Int.Cl.⁶，ＤＢ名) B66B 1/18 - 1/20

Claims (2)

(57)【特許請求の範囲】
1. 【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、エレベ
   ータの稼働中に随時学習用サンプルを作成する学習用サ
   ンプル作成手段と、前記入力パターンの各データの内、
   予め特定された削除可能データのそれぞれについて各学
   習用サンプルにおける変化量を算出するデータ変化量算
   出手段と、該データ変化量の小さいデータを削除データ
   として選択する削除データ選択手段と、該選択されたデ
   ータを削除した学習用サンプルを用いて前記ニューラル
   ネットの学習を行う学習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。
2. 【請求項２】 各学習用サンプルにおけるデータの変化
   量を、分散により求め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。