JPH01275381A - エレベータの群管理制御装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 この発明は、複数台のエレベータが並設されている場合
において、乗場呼びを最適なエレベータに割当てるのに
有効なエレベータの群管理制御装置に関するものである
。

〔従来の技術及び発明が解決しようとする課題〕現在の
エレベータにおいて、群管理制御の主流をなすのは評価
関数を使用した割当て制御である。

これは、例えば乗場呼びが発生するごとにその呼びをど
のかごに割当てるのが最適であるかを、予測待時間等の
種々の評価指標に対する所定の評価関数を用いて各かご
毎に数値計算し、その値の最も大きいかごまたは最も小
さいかごに割当てるもので、評価指標を適切に選び評価
関数を工夫することで高度な制御を行うことができる。

一方、最近ではより高度な制御を行うため、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当て制御
が提案されている。

これは種々の評価指標をファジー量としてとらえ、適切
な割当方法をＩＦ−ＴＨＥＮ形式で記述したルール群を
用いて、そのルール群に対する適合度から最適なかごを
選択し割当てる方法で、これによるとエキスパートの知
識を制御に組み込むことが容易となり、ビルの特徴に合
わせたきめこまかな制御を実現することができる。

ところで、上記の何れの方法においても当然のことなが
ら、割当てアルゴリズム（評価式または評価ルール）は
人間が考えて作成していた。すなわちこれらの方法は、
評価指標として予測待時間や長持ち発生確率、予報はず
れ率など、どのような指標を用いればよいかを検討し、
さらに各指標の優先度（重要度）を考慮して評価式や評
価ルールを決定している。このため、複雑な交通パター
ンや変動する交通需要にも対応できるようにしようとす
ると、評価式や評価ルールは複雑となる一方であり、よ
り一層の精度の向上を自損してより複雑な評価式や評価
ルールを開発しようとしても、人間の能力にはどうして
も限界があり、また可能であったとしても非常に困難で
ある。

本願はこうした点に鑑みてなされたもので、割当てアル
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当てかごを決定
する判断システムを自動的に生成することのできる、従
来とは全く異なる新しいエレベータの群管理装置を提供
することを目的とする。

〔課題を解決するための手段〕

本発明の特徴は、割当て制御にニューラル・ネット（詳
細後述）を応用したことである。

すなわち本発明は、乗場呼び及び各かごの状態等からニ
ューラル・ネットへの入力パターンを演算する手段と、
該入力パターンによりニューラル・ネットの演算を行う
手段と、ニューラル・ネットの演算結果により割当ての
判定を行う手段とを備えたことを特徴とする。

更に、ニューラル・ネットを入力層と中間第１層、中間
第２層、出力層で構成し、入力層と中間第１層の各ユニ
ットの接続は、各号機毎に自号機に関するユニット同志
のみを相互に接続し、中間第１層と中間第２層の各ユニ
ットの接続は、自号機に関するユニットと他号機に関す
るユニットをも相互に接続する構成として、また、各号
機の接続構成と重みの設定を対称的として、演算処理の
効率化と精度の向上を図っている。

〔実施例〕 以下、本発明の一実施例について説明するが、まずニュ
ーラル・ネットについて簡単に説明する。

ニューラル・ネットとは、人間の脳を真似たネットワー
クで、脳のニエーロン（神経細胞）に対応したユニット
が複数個、複雑に接続し合ったもので、各ユニットの動
作およびユニット間の接続形態をうまく決めることで、
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
、例えば［日経エレクトロニクスＪ　１９８７年８月１
０日号（−４２７）のＰ１１５〜Ｐ１２４などに紹介さ
れている。

まずニューロンをモデル化したユニットの構造を第７図
に示す。ユニットＵ！は他のユニットからの入力ＱＪの
総和を一定の規則で変換し、Ｑｌとするが、他のユニッ
トとの結合部にはそれぞれ可変の重みＷ、４が付いてい
る。この重みは各ユニット間の結合の強さを表わすため
のもので、この値を変えると接続を変えなくても実質的
にネットワークの構造が変わることになる。後述のネッ
トワークの学習とはこの値を変えることであって、ｆｆ
ｉミＷｉｊは正、ゼロ、負の値をとる。ゼロは結合のな
いことを表わす。

あるユニットが複数ユニットから人力を受けた場合、そ
の入力の総和をＮＥＴで表わすとすると、ユニットＵｉ
の入力の総和は、 ＮＥＴ！　＝　　ΣＷ、ｊＱ。

である。

各ユニットはこの入力の総和ＮＥＴを関数ｆに適用し、
次式に示すように出力Ｑ、に変換する。

Ｑｉ　＝　　ｆ　　（ＮＥＴ、） ＝　　ｆ（写Ｗｉ、ＱＪ） この関数ｆは各ユニットごとに違ってよいが、−ａには
第８図（ａｌに示したしきい値開数又は第８図へ）に示
したｓｉｇｍｏｉｄｉＶＡ数を使う。

このｓｉｇｍｏｉｄ関数は、微分可能な疑似線形関数で
、 ｆ儂＝　□ Ｌ　＋　ｅ−ＮＥＴ（ で表せる。値域はθ〜１で、入力値が大きくなるにつれ
１に、小さくなるにつれＯに近づく。入力がＯのときは
０．５となる。しきい値θ　（バイアス）を加えて、 とする場合もある。

第９図は、ネットワークの構造の一例を示す図で、ユニ
ット間の結合部の重みは図示を省略している。

ニューラル・ネットは、ネットワークの構造からパター
ン連想型と自動連想型に分類されるが、本発明にはパタ
ーン連想型を用いる。パターン連想型とは、入力パター
ンをある出カバターンに変換するネットワークで、第９
図のように各ユニットを入力層、中間層、出力層に階層
化している。

各ユニットは人力層から出力層に向けて１１？ｒｈされ
るが、各層内のユニノＦ−同士は接続しない。また、入
カニニットと出カニニットは独立している。

このようなニューラル・ネットにおいて、入力層の各ユ
ニットに入力データを与えるとこの信号は各ユニットで
変換され、中間層に伝わり、最後に出力層から出てくる
が、望ましい出力を得るためには各ユニット間の結合の
強弱すなわち重みを適切な値に設定する必要がある。こ
の重みの設定は、ネットワークを次のように学習させる
ことによって行う。

まず最初は、すべての重みをランダムに設定しておき、
人力層の各ユニットに学習用の入力データ（予め望まし
い出力の分っているデータ）を与える。そしてこのとき
出力層の各ユニットから出てきた出力値と望ましい出力
値を比べ、その差（誤差）を減らすように各重みの値を
修正する。そしてこれを多数の学習データを用いて誤差
が収束するまで繰り返す。この誤差の値から各重みの値
を修正する学習アルゴリズムについては後述する。

こうして学習を終了すると、ニューラル・ネット内に知
識処理機能が自動的に埋め込まれたことになり、学習用
のデータだけでなく未知の入力データに対しても常に望
ましい出力が得られるようになる。

本発明はこのニューラル・ネットをエレベータの割当て
制御に利用する。なお、ニューラル・ネットは各ユニッ
トを増幅器や抵抗を用いて構成しＬＳＩ化することも可
能であるが、ソフトウェアで仮想的なニューラル・ネッ
トを構成してすべて演算で処理することもでき、以下の
実施例ではソフトウェアで実現する場合について説明す
る。

第１図は本発明の全体の構成の一実施例を示す図で、こ
こでは説明の便宜上、制御対象エレベータが１号機〜３
号機の３台とするが、勿論何台の場合でも本発明を同様
に適用することができる。

第１図において、１は各階に設けられた乗場呼び釦（１
つの階床のみを図示し、他は省略している）、２は乗場
呼び信号、３Ａは１号機の運行を管理する運行制御装置
、同様に３Ｂと３０はそれぞれ２号機と３号機の運行を
管理する運行制御装置、４は各かごの状Ｂ（かご位置、
方向、停止。

走行１戸開閉状態、かご呼び、荷重等）を表わすかご情
報信号、５は群管理装置として割当ての機能を果たすた
めのマイクロコンピュータで、入出力インターフェイス
６を介して読み込んだ乗場呼び信号２及びかご情報信号
４のデータを基に、新たな乗場呼びが発生した時点にお
ける交通状況をニューラル・ネットへの入力パターンと
して変換する入力パターン演算手段７としての機能と、
この入力パターンから各層における各ユニットの出力を
順次演算するニューラル・ネット演算手段８としての機
能、出力層の各ユニットの出力の値からどの号機が最適
であるかを判定し割当てる割当て判定手段９としての機
能を備え、その割当て結果を入出力インターフェイス６
を介し、割当て信号１０として出力する。各運行制御装
置３Ａ〜３Ｃは、この割当て信号１０によって割当てら
れた乗場呼びと、自号機に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。

第２図は、本発明による割当ての処理手順を示したフロ
ーチャートである。

第２図において、プログラムがスタートするとまず手順
Ｍｌｌで新たに発生した乗場呼びがあるか否かを判断し
、あれば手順Ｍ１２へと進む。

手順Ｍ１２では、各かごの状Ｂ（位置、方向他）や乗場
呼びの階、方向等の情報を読み込む。そして手順Ｍ１３
でこれらの情報を基に、ニューラル・ネットへの入力パ
ターンの各データについて演算する。

入力パターンの各データについての一例を第３図に示す
。入力パターンの各データは、第３図に示すように乗場
呼び信号から新たに発生した乗場呼びの階と方向を、ま
た各号機のかご情報信号からかご位置や運転方向、荷重
等をそれぞれ入力パターン演算手段７に入力し、次のよ
うにして求める。例えば１号機に関する人カバターンの
各データＰＩ〜Ｐ、は、 Ｐｉｌｌ　、新規乗場呼びの階、方向と１号機のかご位
置、運転方向とからその階床差（階床数）を求め、それ
をＯ〜１の範囲に正規化する。

ｐ（’：、　を号機に割当済みの乗場呼びと１号機のか
ご呼びのうち、１号機のかご位置から新規乗場呼びの階
の間に存在する呼びの数をカウントし、それをＯ〜１の
範囲に正規化する。

ｐ　ＬＭ　、　を号機に割当済みの乗場呼びのうち、新
規乗場呼びの階より遠方の呼びの数をカウントし、それ
を０〜１の範囲に正規化する。

Ｐ４　：１号機のかご内の荷重をＯ−１の範囲に正規化
する。

のようにして求める。

ここで、０〜１の範囲への正規化は、例えばＰ電′であ
れば、 Ｐ、であれば、 というように、取りうる最大値で割ることによって求め
ることができる。

２号機の入力パターンＰ　Ｉ”　Ｐ　ａと３号機の入力
パター７Ｐ１〜Ｐ４も同様にして求められる。

こうして得られた入力パターンから、次にニューラル・
ネットの演算を行う。

本発明に適用するニューラル・ネットの構造の一例を第
４図に示す。ここでＵｌ′１′−田ＩＩ　、　　Ｕｔｅ
ｌ〜Ｕ′−ゝｌ　　Ｕ’：”−ｗ　Ｕ’４’は入力層の
各ユニットでそれぞれ入力パターンの各データＰ１〜Ｐ
４．ＰＩ〜Ｐ’：’　、　　ｐ’＋’　〜ｐ０１′ニ対
応Ｌ／でイル。マタ、Ｕ”ＩＵ−“〜Ｕ′り、Ｕ−ゝは
中間の第１層のユニット、ＵＴ。

ｕ％ｌ、ＵＴ、Ｕ１′は中間の第２層のユニット、Ｕツ
〜Ｕ１νは出力層のユニットで、ユニットＵ１′：の出
力Ｑツは１号機に、ユニ７　トＵ’：の出力ｑＬ：ｌは
２号機に、ユニットＵ′Ｓｌチ出力Ｑ冑は３号機にそれ
ぞれ対応している。この例では入力パターンの各データ
は、前述のようにＯ〜１の範囲に正規化されているので
入力層の各ユニットは処理を何も行わず、入力データを
そのまま出力するが、入力データとして階床数や呼び数
をそのまま使用し、入力層の各ユニットの入出力特性で
正規化することもできる。中間の各層と出力層の各ユニ
ットは、ここでは前述の第８図（ｂｌに示した入出力特
性を持つものとする。勿論、前述のようにこれにしきい
値（バイアス）を加えた特性としてもよい。各ユニット
間の結合の度合いを表わす重みの値は、後述のように予
め学習によって求められている。従って入力データの各
層が決まれば第４図に示したニューラル・ネットの出力
は演算によって求めることができる。

まず、入力層の各ユニットはこの例では前述のように入
力データはそのまま出力され、中間第１層の各ユニット
にそれぞれ入力されるので、この入力から中間第１層の
各ユニットの出力を順次演算して求める（第２図の手順
Ｍ１４）。例えばユニットＵＴの入力の総和をＮＥＴ′
；とし、出力をＱ、とすると、 ；Ｗ１．・ｐ、＋ｗ□・Ｐ２ ＋　ｗ”；ｓ　ｅ　ｐ“讐＋Ｗと′、・Ｐ′ソとして計
算することができる。ただし、Ｗ’：’、は入力層のユ
ニッ）　Ｕ（’：と中間第１層のユニット０１１１間の
重みを表わす。

こうして中間第１層の各ユニットについて演算を終了す
ると、その各出力が中間筒２Ｎの各ユニ７トへの入力と
なるので、続いて中間筒２Ｎの各ユニットについて出力
の演算を行う（手順Ｍ１５）　。

同様にして、出力層の各ユニットについて出力をそれぞ
れ演算する（手順Ｍ１６）。そして各出カニニットの出
力から最適な号機を選択するのであるが、ここで各重み
の値は、予めそれを設定する学習の過程において、学習
用の入力パターンに対して割当号機に対応する出カニニ
ットの望ましい出力（出力目標）を１に、他の出カニニ
ットの望ましい出力を０として、例えばある学習用の入
力パターンに対して１号機に割当てるのが最適と考えら
れる場合には、ユニットＵ′；”出力目標を１とし、ユ
ニットＵ３二′とＵＴの出力目標を０として学習を行い
、更に多数の学習用パターンについて誤差が十分小さ（
なるまで学習を繰り返した後の重みが設定されているの
で、手順Ｍ１６の演算の結果、割当ての最適な号機に対
応する出カニニットの出力が１に最も近くなる。従って
出力Ｑ、〜Ｑ、のうち、最も出力の大きい値の号機に割
当てを決定してもよいが、どの出カニニットの出力も所
定値（例えば０．５）以下、すなわちどの号機も割当て
に適切でないという結果になる場合も考えられるので、
ここではまず手順Ｍ１７で各出カニニットのうち所定値
以上のものがあるか否かを判断し、もしあれば手順Ｍ１
９でその値の最も大きい号機に割当てを決定し、もし所
定値を超えるものがなければ手順Ｍ１８でバンクアップ
割当てアルゴリズム（例えば従来の評価関数による割当
て）により再計算を行い、手順Ｍ１９でその評価値の最
も大きいかまたは最も小さい号機に割当てを決定するよ
うにしている。

なお、上記の実施例では入力パターンの各データとして
静的要素のみを用いたが、動的（時間的）な要素、例え
ば各乗場呼びの予測待時間、乗場呼びが発生してからの
経過時間などを取り入れるようにしてもよい。また上記
実施例では入力パターンの各データは各号機側のデータ
であるが、例えば各階の乗場待客数や乗場呼びの発生頻
度等、群全体に共通のデータを入力パターンの１つとし
て加え、それを入力層のユニットから中間層の各ユニッ
トへ接続するようにしてもよい。

また、ニューラル・ネットのネットワーク構造は第４図
に示したものに限らない（接続、ユニット数とも）が、
第９図に示した一般的なネットワーク構造のように各層
間のユニットをすべて相互に接続するのではなく、第４
図のようにまず人力層と中間の第１層との間では、自号
機の入力データに対応するユニットだけを相互に接続し
、次に中間の第１層と第２層の間で初めて他号機に対応
するユニットととも相互に接続するようにし、また各号
機の接続が対称的になるようにすると、演算回数の節減
と精度の向上とを図ることができる。

すなわちエレベータの場合、人カバターンの各データと
して性質の全く異なるものを用いるため、例えば新規呼
びと１号機との階床差に関するデータＰ′１゛と、２号
機の萄重に関するデータＰＴのように、特に他号機の全
く性質の異なるデータを接続してもあまり意味がないと
考えられるだけでなく、演算回数が増えるだけで却って
ノイズとなる恐れがあるからである。また第４図のよう
な接続とすることによって、例えば１号機に関する入力
データのうち何が割当てに重要で何が重要でないかを考
えなくても、学習の過程で設定された重みによって各人
力データの重要度が加味された状態で１号機に関するデ
ータとしてユニットｕｌｌｌとｕ（Ｑｌとから出力され
てくることになるので、これを中間の第２層で他号機の
対応する信号と比較することにより、各号機間の相対評
価が、最小限の接続構成で、従って最短の時間でより正
確に行えることになる。また、各号機の状態と割当てと
の関係には対称性がある（例えばある状態において１号
機への割当てが最適であるとすると、同様の状態が２号
機や３号機にも存在するため、各ユニットの接続を各号
機に対して対称的となるようにすることで、各号機に対
する処理を同様に行うことができ、重みの設定を対称的
として学習の効率化を図ることもできる。

次にネットワークの学習について説明する。ニューラル
・ネットの特性は各ユニット間の接続の構成と重みによ
って決定されるが、ここでは接続の構成は固定化されて
いるので、重みの設定を行うことが必要となる。この重
みの設定は、−ｉ的な設定方法として知られているバッ
クプロパゲーションによる学習を利用する。以下、第４
図の構成のニューラル・ネットについて説明する。

まず最初に、各ユニット間の重みの値を適当な値に無作
為に設定しておく。そして学習用のサンプル（入力パタ
ーンと出力目標との組み合わせ）を多数作成し、これを
学習用のコンピューターに読み込ませておく。この学習
用のサンプルは、例えば１号機〜３号機のかご状態と新
規乗場呼びの組み合わせを一つ想定し、この状態では何
号機に割当てるのが最適かを専門家の判断により或いは
シミュレーション等を用いて判断し、１号機が最適であ
ればそのときの入力パターンに対して１号機の出力層の
ユニフＩ”Ｕｑの出力目標を１に、その他の出力層のユ
ニットの出力目標を０として作成したものである。そし
てこの多数の学習用サンプルを用いて学習を行うのであ
るが、その処理手順の一例を第５図のフローチャートに
示す。

まずサンプル番号を示すインデックスＮを０としく手順
５ｌｌ）　、次にＮ＝Ｎ＋１として（手順５１２）サン
プル番号１から順次手順３１３以下の処理を行う。手順
５１３では最初に１番目のサンプルの入力パターンと出
力目標とをセットし、手順Ｓ１４でこの人カバターンに
対するニューラル・ネットの出力を演算する。最初は重
みが無作為に設定されているため、このときの出力層の
各ユニットの出力の値は出力目標とは違った値となるの
で、この出力目標と実際の出力との差を誤差として計算
する（手順Ｓ　１５）。出力層の各ユニットにおける誤
差Ｅ（：＋は、各ユニットの出力目標をＴ（ｖとすると
Ｅ９＝Ｔ、−Ｑ、　　（αは号機番号）となる。

ニューラル・ネットの演算では、人力データを入力層か
ら出力層へ向けて順次処理するが、重みの修正はこの誤
差を用いて逆に出力層から人力層に向けて行っていく。

出力の誤差が求まるとこれを用いて、次に中間筒２Ｎと
出力層の各ユニット間の重みを修正する（手順５１６）
、中間第２層のユニットＵｔ′と出力層のユニットＵ（
２）間の重みをＷｌちとすると、その修正は次のように
して計算する。

Ｗ、、＝Ｗｋ、＋ΔＷｋ。

ΔＷ−シ＝λ・Ｅ？・Ｑフ′＋（１−λ）・Ａ’ＷＦ４
ただし Ｗ六′：Ｗ誤の修正後の値 ΔＷＦ４：ＷＡＮの今回の修正量 Ｍ　Ｗ　＠”ｑ　：　Ｗ　Ｆ＊の前回の修正量（最初は
０）λ：学習率（定数２例えば０．５） Ｑ”’　：ユニットＵ（：′の出力 である。

例えばユニットＵＴとユニットＵ１４′との間の重みＷ
４“シの修正後の値Ｗ？９は、 Ｗｌ、±Ｗ１．＋ΔＷ：Ｉシ ΔＷ’ｒ’：＝　Ａ　−Ｅ’９’−Ｑ’：’＋　（１−
Ａ）　　・Δ′ｗニアで計算される。

同様にして、中間筒２Ｎと出力層の各ユニット間の重み
の修正を終了すると、次に中間第２層の各ユニットの誤
差を計算しく手順５１７）、その誤差を用いて中間−第
１層と中間第２層の間の重みを修正する（手順３１８）
、この修正は次のようにして計算される。

中間第２層のユニットＵｅｌの誤差ＥＴは、出力層の誤
差Ｅ９等を用いて、 Ｅ’ｓ’　−Ｑ’：’・　（１−Ｑ’：’）　　・Ｅ、
・Ｗ、。

となる。

このときの中間筒１ＭのユニットＵ？と中間第２層のユ
ニットＵ′：との間に重みＷ１′！の修正後の値ＷＳで
は Ｗ、、＝Ｗ、菖＋ΔＷｊｋ ６ｗ　５：　ｗｍλ・Ｅ雫′・Ｑフ＋　（１−λ）・Δ
’ｗｊ’：となり、また中間第１層のユニットＵｊと中
間第２層のユニットＵ？との間の重みＷｊｋの修正後の
値Ｗ豐１よ Ｗ号２′−Ｗイ″１＋ΔＷ七′ Δｗ？コζλ・式′・Ｑ？’＋（１−λ）　・ＫＷｌり
！となる。ただしβはαと同様に号機番号を表わし、α
≠βである。その他の記号は前述と同様である。

例えばユニットＵマの誤差Ｅ′４′は、ＥＣ４）　＝　
Ｑψ・　（１−Ｑψ）・Ｅｌ、’）・Ｗ５°二′となり
、これよりユニットＵ（′とＵ′ｌとの間の重みＷＳ？
の修正後の値Ｗｌジ４′は Ｗ５．＝Ｗ、、＋ΔＷＳｔ ｈｗ：’：＝λ−Ｅ’；’　・Ｑ曾＋　（１−ｇ　　・
Δ′ｗ二’７また、ユニットＵマとＵツとの間の重みｗ
’：’４も修正後の値Ｗυｉよ Ｗ（譚’＝　ｗ’、”４’＋ΔＷ３３′ΔＷｔ′ν＝λ
・Ｅ′″ｌ）・Ｑマ＋（１−λ）　・Δ′Ｗ贅′４′と
して、それぞれ計算できる。

同様にして中間第１層と中間筒２Ｎの間の重みをすべて
修正すると、次に中間第１層の各ユニ７トの誤差を計算
しく手順５１９）、その値を用いて入力層と中間第１層
の間の重みを修正する（手順３２０）　、この修正の計
算はつぎのように行う。

中間第１層のユニットｕ４）の誤差Ｅ（１７は、Ｅ〒＝
Ｑイ（１−Ｑ’ツ）・（Ｅ１′・Ｗ究′・ΣＢ？・ｗ’
；’：”）！ となり、入力層のユニットＵで′と中間第１層のユニッ
トＵ−′との間の重みＷ胃の修正後の値Ｗ　ｉ”７’は
、Ｗ１イーＷ（４＋　Ａ　Ｗ　ｊ”Ｊ ΔＷ１１＝λ・Ｅ〒・Ｑ’？’＋（１−λ）・にＷｌｌ
となる。

例えばユニットＵマの誤差Ｅ　’ｓ’は、Ｅ’Ｑ’　＝
　Ｑ’５　（Ｉ　　Ｑ’ｓ’）　・（Ｅ’Ｖ’Ｗ　’ｓ
’ｔ　＋　晒’ｌＡ／Ｍ”　Ｅ’Ｖ’Ｎ”：”）となり
、これよりユニットＵ甲とＵマとの間の重みＷ）°２の
修正後の値ｗｒ“シｔよ、ＷＩＳ＝Ｗｌｓ＋ΔＷ１Ｓ Ａ　Ｗｌｌ４−Ｊ　、　ＥＴＱ）、　Ｑ（：Ｊ＋（１−
λ＞　　・にｗ：’、’として計算できる。

同様にして入力層と中間第１層の間の重みをすべて修正
すると、１番目の学習サンプルによる重みの修正が完了
したことになり、手順Ｓ２１から手順Ｓ１２へと戻り、
次に２番目の学習用サンプルについて修正後の重みを用
いて上記手順を繰り返す。

こうして予め用意したＮ個の学習用サンプルをすべて終
了すると、手順Ｓ２２で出力層の誤差が十分小さくなっ
たか否かを確認する。誤差が収束していなければ手順３
１１へと戻って再びＮ個の学習用サンプルによって学習
を繰り返し、誤差が収束すると学習を完了する。

そして学習の完了により設定された重みを用いると、前
述のように学習用サンプル以外の入力パターンに対して
も学習用サンプルと同じ判断基準で割当てが行われるこ
とになる。

次に、この学習による重みの設定を、エレベータに特有
の性質を利用して筒略化する方法について述べる。

エレベータにおいては、各号機が一般的には対称性を有
するため、例えばエレベータが３台の場合、１号機に割
当てるのが最適なある入力パターンを考えると、この入
力パターンの２号機用の入力データと３号機用の入力デ
ータを入れ替えても、同じく１号機への割当てが最適で
ある。また、この人カバターンの１号機用の入力データ
を２号機用の入力データと入れ替えると２号機に割当て
るのが最適な入力パターンとなり、３号機の入力データ
と入れ替えると３号機に割当てるのが最適な入力パター
ンとなる。すなわちエレベータが３台の場合は１つの入
力パターンに対して６通りの学習用サンプルが考えられ
るので、本来ならばこの６通りの学習用サンプルを１組
とした多数組の学習用サンプルを用いて学習を行う必要
があるが、そのようにして誤差が収束するまで学習を繰
り返すと、最終的に各重みの設定値のうち、各号機のそ
れぞれ同じ接続位置に対応する重みは同じ値になること
が予想される。例えば第４図の例では、ｗｓ’４とＷｔ
゛ル′とは異なる値となるが、Ｗｔ′ルとＷシフ。

ｗ　ｐＪの３つは同じ値となり、また、ＵｌｏｌとＵＳ
’シとは異なる値となるが、Ｕ１°シとｕ’＋”ｓ、　
　ＵｉＪｓの３つは同じ値となることが予想される。ま
た、舒シ′：２とＵ３ζ゛ν、或いはＵ（，４：）とＵ
　ＩＦ゛：ｌなどもそれぞれ同じ値となると予想される
。従ってこのように最終的に同じ値になると予想される
重みについては、最初から同じ値に設定しておき、さら
に学習の過程においても同じ値として取り扱うことによ
って学習の回数を減らすことができる。

例えばユニットＵＣｖとＵ甲の間の重みＷ汎については
、ある１つの学習用サンプルに対してまず前述の手順で
計算した修正量Δｗｓ’：、ΔＷ苦、ΔＷ朽を仮の値と
し、次にこの３つの値の平均値を求めてそれを実際の修
正量として計算すると修正後のＷ、７は各号機常に同じ
値に修正される。また同様に、Ｗ蓄電とＷ品′の修正の
場合も、それぞれの修正量Δｗ’：”ｔ’とΔＷ−′ν
の平均値を実際の修正量とすると、ｗ’；’：’とＷ胃
′は常に同じ値に修正されることになる。このようにエ
レベータの対称性を利用した学習を行うと、１つの学習
用サンプルでこの場合には６ｉ１ｒｌりの学習用ンプル
について学習したのと同じ効果が得られることになり、
用意すべき学習サンプル集すなわち学習回数を大幅に減
らすことができる。

次に、学習をオフラインではなくオンラインで、すなわ
ちエレベータシステムの稼動中に行う場合について説明
する。

各ビルの交通状況は建物の性質や用途によって異なるた
め、学習をオフラインで行う場合は、各ビルに固有の学
習用サンプルを用意してビル毎に学習を繰り返さねばな
らず、非常に煩雑な作業を強いられることになる。また
、オフラインで行った学習の結果により重みの設定を固
定化してしまった場合、テナントの変更などによりビル
の交通状況が途中から太き（変わるようなことがあると
、適切な割当てが行われなくなる恐れがある。

こうしたオフラインの学習による問題点を解決するため
には、最初に重みの設定を各建物に共通の標準的な学習
用サンプルを用いてオフラインで学習しておき、その後
（エレベータの据付後）、エレベータの稼動中にそのビ
ルに固有の学習用サンプルを作成し、自動的に学習を行
って重みを随時修正していく必要がある。このオンライ
ンによる学習の手順を第６図のフローチャートにより説
明する。

まず最初は、オフラインによる学習で設定された重みに
よってニューラル・ネットが演算され、新規乗場呼びの
割当てが行われる。割当てが行われると、その時の入力
パターンと割当号機番号の対を１つのサンプルとして仮
サンプルｕ　（ＲＡＭ等で構成）に登録する（手順Ｒ１
１，Ｒ１２）　、そして割当号機がその呼びに応答した
り、その呼びを満貫通過することによりその割当てが消
去されるまで、その呼びと割当て号機に関する情報を検
出し記憶する（手順Ｒ１３〜Ｒ１５）　、その呼びと割
当て号機に関する情報とは、例えばその呼びの発生から
の経過時間、その呼びの階に他の号機が先着或いは停止
したこと、その階を割当号機が満貫通過したことなどで
ある。

その呼びに割当号機が応答することなどによりその割当
てが消去されると、手順ＲＩ６でその割当てが適切であ
ったか否かを判断する。これは予め所定の条件、例えば
待時間が所定時間以上であったこと、或いは他の号機が
先着したこと、その階に積み残しが生じたことなどの条
件を定めておき、その条件の１つにでも該当した場合は
その割当ては不適切すなわち手順Ｒ１２で登録したその
サンプルは学習用として不適切であるとして消去しく手
順Ｒ１７）　、そうでなければそのサンプルをそのまま
として手順Ｒ１Ｂへと進む、そして一定時間経過するま
で手順Ｒ１１〜Ｒ１８を繰り返し、その間に上記と同様
の手順で多数のサンプルを登録する。−定時間経過する
と、予め登録しである所定の標準的なサンプル集に上記
の手順で作成したサンプル集を加えてこれを学習用サン
プルとし、再学習を行う（手順Ｒ１９）、この学習の手
順は第５図に示したオフラインによる学習の手順と全く
同じである。学習を終えると仮すンプル集をクリアーし
く手順Ｒ２０）　、修正後の重みによって割当てを行い
ながら再びサンプルを作成し、上記手順を繰り返して重
みを自動的に修正する。

このようにオンラインによる学習を取り入れると、オフ
ラインによる学習は各ビルに共通なので１回だけで済み
、しかもその後は各ビルに固有のサンプルにより、常に
そのビルに最適の重みに自動的に修正されていくことに
なり、テナント等の変更により交通状況に変化が生じて
も自動的に対応することができる。

〔発明の効果〕

本発明によれば、学習用のサンプルを多数作成するだけ
で、各種の交通状況に対応して最適な割当てかごを決定
する判断システムを自動的に作成することができ、きわ
めて高度な割当て制御を行うことが可能となる。

さらにニューラル・ネットの接続構成と、重みの値を工
夫することによって、演算に要する時間や学習回数を減
らすことができる。

また、オンラインによる学習を用いると、ビルの性質、
用途に拘わらず標準化が図れ、またビルの性質等が途中
で変化しても自動的に対応することができる。

【図面の簡単な説明】

第１図は本発明の全体の構成の一実施例を示す図、第２
図は本発明による割当ての処理手順を示すフローチャー
ト、第３図は本発明に係る入力パターンの一例を示す図
、第４図は本発明に係るニューラル・ネットの構造の一
例を示す図、第５図は本発明に係る重みの学習の処理手
順を示すフローチャート、第６図は本発明に係る重みの
学習をオンラインで行う場合の処理手順を示すフローチ
ャート、第７図は本発明を説明するためのユニットの構
造を示す図、第８図（ａｌ　（ｂ）はユニットの入出力
特性の一例を示す図、第９図は一般的なニューラル・ネ
ットの構造を示す図である。 １・・・乗場呼び釦 ２・・・乗場呼び信号 ３Ａ−３Ｃ・・・各号機の運行制御装置４・・・かご情
報信号 ５・・・マイクロコンピュータ ６・・・入出力インターフェイス ７・・・入力パターン演算手段 ８・・・ニューラル・ネット演算手段 ９・・・割当て判定手段 １０・・・割当て信号 特許出願人　フジチック株式会社 第７図 第８図 （α）（ｂ） 出カバターン 廿 合 入力八〇ターン

Claims (4)

【特許請求の範囲】
1. （１）複数の階床に対し複数台のエレベータを就役させ
   、これら複数台のエレベータに共通の乗場呼びに対して
   、最適なエレベータを選択して割当て応答させるように
   したエレベータの群管理制御装置において、乗場呼び及
   び各かごの状態等からニューラル・ネットへの入力パタ
   ーンを演算する手段と、該入力パターンによりニューラ
   ル・ネットの演算を行う手段と、ニューラル・ネットの
   演算結果により割当ての判定を行う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. （２）複数の階床に対し複数台のエレベータを就役させ
   、これら複数台のエレベータに共通の乗場呼びに対して
   、最適なエレベータを選択して割当て応答させるように
   したエレベータの群管理制御装置において、乗場呼び及
   び各かごの状態等からニューラル・ネットへの入力パタ
   ーンを演算する手段と、該入力パターンによりニューラ
   ル・ネットの演算を行う手段と、ニューラル・ネットの
   演算結果により割当ての判定を行う手段と、エレベータ
   の稼働中に学習用のサンプルを作成する手段と、該学習
   用サンプルを用いて学習を行い、前記ニューラル・ネッ
   トの重みを修正する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。
3. （３）ニューラル・ネットは少なくとも入力層と中間第
   １層、中間第２層、出力層からなり、入力層の各ユニッ
   トと中間第１層の各ユニットは、各号機毎に自号機に関
   するユニット同志のみを相互に接続し、中間第１層の各
   ユニットと中間第２層の各ユニットは、自号機に関する
   ユニットと他号機に関するユニットをも相互に接続する
   構成としたことを特徴とする請求項１又は請求項２記載
   のエレベータの群管理制御装置。
4. （４）乗場呼び及び各かごの状態等からニューラル・ネ
   ットへの入力パターンを演算する手段と、該入力パター
   ンによりニューラル・ネットの演算を行う手段と、ニュ
   ーラル・ネットの演算結果により割当ての判定を行う手
   段とを備えたエレベータの、前記ニューラル・ネットの
   学習を行う過程において、各号機のそれぞれ同じ接続位
   置に対応する各重みを同じ値に設定し、その修正は１つ
   の学習用サンプルに対する前記各重みの修正量の平均値
   を実際の修正量として行うことを特徴とするエレベータ
   のニューラル・ネットの学習方法。