JPH0432472A - エレベータ制御装置 - 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、ニューラルネットを応用してエレベータを
精度良く制御するエレベータ制御装置に関し、特に種々
の交通パターンに対しても制御目的に応じた演算を速や
かに行うことのできるエレベータ制御装置に関するもの
である。

［従来の技術］ 従来より、複数台のかごが併設されたエレベータ装置に
おいては、通常、群管理運転が行われており、このよう
な群管理運転の１つとして、例えば割当方式がある。割
当方式とは、乗場呼びが登録されると直ちに各かご毎に
評価値を演算し、評価値が最良のものをサービスすべき
割当かごとして選択し、上記乗場呼びに対しては割当か
ごのみを応答させるようにして、運転効率の向上及び待
時間の短縮を計るものである。

このとき、評価値の演算には、一般に、乗場呼びの予測
待時間が用いられている。例えば、特公昭５８−４８４
６４号公報に記載されたエレベータの群管理装置におい
ては、乗場呼びが登録されると、その乗場呼びを各かご
に仮に割当てたときの全ての乗場呼びの予測待時間の二
乗値の総和をそれぞれ評価値として求め、この評価値が
最小となるかごを割当かごとして選択する。

この場合、予測待時間は、乗場呼びの継続時間（乗場呼
びが登録されてから現在までに経過した時間）と、到着
予想時間（かごが現在の位置から上記乗場呼びの階床に
到着するまでに要する時間の予測値）とを加算して求め
られる。こうして得られた評価値を用いることにより、
乗場呼びの待時間の短縮（特に、待時間が１分以上の長
持ち呼びの減少）を計ることができる。

又、乗場呼びの予測待時間だけでなく、予報外れ確率や
満員確率を上記評価値に用いた割当方式（特公昭６２−
４７７８７号公報参照）や、かご内予想混雑度、かご内
乗車時間、かご呼び発生確率などを用いた割当方式など
も提案されている。

更に、最近では、評価指標をファジー量でとらえ、適切
な割当方法をＩ　Ｐ−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
を選択して割当てる方式も提案されている。

しかし、複雑な交通パターンや時々刻々と変動する交通
需要にも対応できるようにきめ細かな群管理制御を実行
しようとすると、上記評価値を求めるための評価式や割
当評価ルールはますます複雑になっていく。従って、評
価要素として使用される各種の予測値の精度を向上させ
ようとすると、予測値の演算式も複雑になる。又、最適
な群管理制御を自損して新しい演算式を開発することは
、人間の能力に限界がある以上、困難な作業となる。

更に、一方では、複雑な演算を行うための演算時間の増
大を招き、乗場呼び登録と同時に割当かごを決定し予報
するという主要な機能を果たすことが非常に困難となる
。

このような問題点を解決するなめ、例えば、特開平１−
２７５３８１号公報に記載されたように、人間の脳のニ
ューロンに対応させたニューラルネットを用いた演算に
基づいて、乗場呼びに対する割当かごを選択する群管理
制御装置も提案されている。

この群管理制御によれば、人間が割当アルゴリズムを考
える必要はいっさい無く、各種の交通状態に対応して、
結果的に最適な割当かごを決定する判断システムを自動
的に生成することができる。

しかし、この公報の場合、割当かごの評価値を演算する
ことを考慮しており、到着予想時間の演算精度やかご内
予想混雑度の演算精度を向上させることは考慮されてい
ない。

ここで、エレベータ制御において、ニューラルネットが
、交通状態（入力データ）と割当かごの評価値（出力デ
ータ）との間の因果関係をネットワークで表現している
ことに着目すれば、到着予想時間の演算、予報外れ確率
や満員確率の演算、かご内混雑度の予測、かご内乗車時
間の予測などにも適用できることが分かる。

以下、第６図〜第１０図を参照しながら、ニューラルネ
ットを到着予想時間の演算に適用した場合のエレベータ
制御装置について説明する。

第６図の機能ブロック図において、群管理装置（１０）
は、以下の手段（ＩＯＡ）〜（ＩＯＤ）、（ＩＯＦ）及
び（ＩＯＧ）から構成され、複数（例えば、１号機用及
び２号機用〉のかご制御装置（１１）及び（１２）を制
御する。

乗場呼び登録手段（ＩＯＡ＞は、各階床の乗場呼び（上
り方向及び下り方向の乗場呼び）の登録及び解消を行う
と共に、乗場呼びが登録されてからの経過時間（即ち、
継続時間）を演算する。

乗場呼びにサービスするのに最良のかごを選択して割当
てる割当手段（ＩＯＢ＞は、例えば、各かごが各階床の
乗場呼びに応答するまでの待時間を予測して演算し、そ
れらの二乗値の総和が最小となるかごを割当てる。

データ変換手段（ＩＯＣ’）は、かご位１、運行方向、
応答すべき呼び（かご呼び、又は、割当てられた乗場呼
び）などの交通状態データをニューラルネットの入力デ
ータとして使用できる形に変換する入力データ変換手段
と、ニューラルネットの出力データ（到着予想時間に相
当するデータ）を所定の制御目的の動作（例えば、予測
待時間の演算）に使用できる形に変換する出力データ変
換手段とを含んでいる。

時間帯に応じて各かごの到着予想時間を演算する到着予
想時間演算手段（ＩＯＣ）は、ニューラルネットで構成
された到着予想時間演算ユニット（後述する）を含んで
いる。

学習用データ作成手段（ＩＯＦ）は、各かごの到着予想
時間及びそのときの入力データ（交通状態データ）と、
その後の各かごの到着時間に関する実測データ（教師デ
ータ）とを記憶し、これらを学習用データとして出力す
る。

修正手段（ＩＯＧ）は、学習用データを用いて到着予想
時間演算手段（ＩＯＤ）におけるニューラルネットの機
能を学習及び修正する。

１号機用及び２号機用のかご制御装置（１１）及び（１
２）は、それぞれ同一構成であり、例えば、１号機用の
かご制御装置（１１）は、周知の手段（ＩＩＡ）〜（Ｉ
ＩＥ）から構成される。

乗場呼び打消手段（ＩＩＡ）は、各階床の乗場呼びに対
する乗場呼び打消信号を出力する。かご呼び登録手段（
ＩＩＢ）は、各階床のかご呼びを登録する６到着予報灯
制御手段（ＩＩＣ）は、各階床の到着予報灯（図示せず
）の点灯を制御する。運転制御手段（１１Ｄ）は、かご
の運行方向を決定したり、かご呼びゃ割当てられた乗場
呼びに応答させるために、かごの走行及び停止を制御す
る。戸制御手段（ＬＩＥ）は、かごの出入口の戸の開閉
を制御する。

第７図のブロック図において、群管理装置（１０）は、
周知のマイクロコンピュータからなり、ＭＰＵ（マイク
ロプロセシングユニット）又はＣＰＵ（１，０１）と、
Ｍ　Ｐ　Ｕ　（１０１）に属するＲ　ＯＭ　（１０２）
及びＲＡ　Ｍ　（１０３）と、Ｍ　Ｐ　Ｕ　（１０１）
に接続された入力回路（１０４）及び出力回路（１０５
）とから構成されている。

入力回路（１０４）には、各階床の乗場釦からの乗場釦
信号（１４）と、かご制御装置（１１）及び（１２）か
らの１号機及び２号機の状態信号とが入力される。又、
出力回路（１０５）からは、各乗場釦に内蔵された乗場
釦灯への乗場釦灯信号（１５）と、かご制御装置（１１
）及びり１２）への指令信号とが出力される。

第８図は第６図内のデータ変換手段（ＩＯＣ）及び到着
予想時間演算手段（ＩＯＤ）の関係をネットワークによ
り具体的に示す機能ブロック図である。

図において、入力データ変換手段即ち入力データ変換サ
ブユニット（１０Ｃ＾）、及び、出力データ変換手段即
ち出力データ変換サブユニット（ＩＯＣＢ）は、データ
変換手段（ｔＯＣ）を構成している。又、入力データ変
換サブユニット（ＩＯＣＡ　）と出力データ変換サブユ
ニット（ＩＯＣＢ　）との間に挿入された到着予想時間
演算ユニット（ＩＯＤＡ）は、ニューラルネットからな
り、到着予想時間演算手段（１０Ｄ）で用いられる予測
演算サブル一チ６ンを構成Ｌ°ている。

入力データ変換サブユニット（１０Ｃ＾）は、かご位置
、運行方向、応答すべき呼び（即ち、がご呼びゃ割当て
られた乗場呼び）、交通の流れの統計的特徴（５分間乗
車人数、５分間降車人数）などの交通状態データをニュ
ーラルネット（１００＾）の入力データとして使用でき
る形に変換する。

出力データ変換サブユニット（ＩＯＣＢ）は、ニューラ
ルネット（１００＾）の出力データ（到着予想時間に相
当するデータ）を乗場呼び割当動作の評価値演算に使用
できる形に変換する。

ニューラルネットからなる到着予想時間演算ユニット（
ＩＯＤＡ）は、入力データ変換サブユニット（１０Ｃ＾
）からの入力データを取り込む入力層（ＩＯＤＡ１）と
、到着予想時間に相当するデータを出力データとする出
力層（１００＾３）と、入力層（ＩＯＤＡ１）と出力層
（ＩＯＤＡ３）との間にあって、重み係数が設定された
中間層（１０Ｄ＾２）とから構成されている。

これらの各層（１０Ｄ＾１）〜（１０Ｄ＾３）は、互い
にネットワークで接続されており、それぞれ複数のノー
ド（ｎｏｄｅ）から構成されている。

ここで、入力層（１００＾１）、中間層（１０Ｄ＾２）
及び出力層（１０Ｄ＾３）のノード数を、それぞれ、Ｎ
１、Ｎ２、Ｎ３とすれば、出力層（１０Ｄ＾３）のノー
ド数Ｎ３は、Ｎ５＝２　（ＦＬ−１） 但し、ＦＬ：ビルの階床数 で表わされ、入力層（ＩＯＤＡ１）及び中間層（１０Ｄ
＾２）のノード数Ｎ１及びＮ２は、それぞれビルの階床
数ＦＬ、使用する入力データの種類、並びに、かご台数
などにより決定される。

又、変数ｉ、ｊ、ｋを、 ｉ＝１．２．・・・、Ｎ１ ｊ＝１．２．・・、Ｎ２ に＝１．２・・・Ｎ３ とすれば、入力層（１０Ｄ＾１）の第ｉノードの入力値
及び出力値はｘａｌ（ｉ）及びｙａｌ（ｉ）、中間層（
１００＾２）の第ｊノードの入力値及び出力値は）（ａ
２　（ｊ）及びｙａ２　（ｊ）、出力層（１０Ｄ＾３）
の第にノードの入力値及び出力値はｘａ３（ｋ）及びｙ
ａ３（ｋ）で表わされる。

又、入力層（１０Ｄ＾１）の第ｉノードと中間層（１０
Ｄ＾２）の第ｊノードとの間の重み係数をｗａｔ（ｉ、
ｊ）、中間層（１００＾２）の第ｊノードと出力層（１
０Ｄ＾３）の第にノードとの間の重み係数をｗａ２（、
ｉ、ｋ）とすれば、各ノードの入力値と出力値との関係
は、 ｙａｌ（ｉ）−１／［１＋ｅｘｐｆ−ｘａｌ（ｉ））］
　　　＋＋＋■ｘ　ａ２（ｊ）　＝Σ（ｗａｌ（ｉ、ｊ
）　Ｘ　Ｙ　ａｌ（ｉ＞）　　・・・■（ｉ＝１〜Ｎ１
による総和式） ％式％ （、ｊ　＝　１〜Ｎ２による総和式〉 ｙａ３（ｋ）＝１／［１＋ｅｘｐ（−ｘａ３（ｋ））］
　　　−■で表わされる。但し、 ０≦ｗａｌ（ｉｊ）≦１ ０≦ｗａ２（ｊ、ｋ）≦１ である。

尚、ニューラルネット（ＩＯＤＡ）は、学習用データ作
成手段（ＩＯＦ）で用いられる学習用データ作成ユニッ
ト（図示せず）及び修正手段（ＩＯＧ）で用いられる修
正ユニット（図示せず）に接続され、重み係数ｗａｌ（
ｉ、ｊ）及びｗａ２（ｊ、ｋ）が適宜修正されるように
なっている。

以下、第９図のフローチャート図を参照しながら、第６
図〜第１０図に示したエレベータ制御装置の到着予想時
間演算動作について説明する。

まず、入力データ変換プログラム（ステップ９１）によ
り、入力された交通状態データのうち、これから到着予
想時間を演算すべきかごに関するデータ（かご位置、運
行方向、かご呼び、割当乗場呼び）と、現時点での交通
の流れの統計的特徴を表わすデータ（５分間乗車人数、
５分間降車人数）とを取り出し、これらを到着予想時間
演算ユニット（１０Ｄ＾）の入力層（１０Ｄ＾１）の各
ノードに対する入力データｘ　ａＨｌ）〜ｘ　ａｌ（Ｎ
　１）として変換する。

ここで、ビルの階床数ＦＬを１２階とし、乗場番号ｆに
対して、ｆ＝１．２．・・・、１１がそれぞれ１，２．
・・・１１階の上り方向乗場を表わし、ｆ＝　Ｈ，１３
，・・・、２２がそれぞれ１２，１１．・・・、２階の
下り方向乗場を表わすものとすると、例えば、「かご位
置階床がｆ、運行方向が上り」というかご状態は、 ｘａｌ（ｆ　＞−１ ｘａｌ（ｉ）＝０ （ｉ　　＝１．２．　・・・　、２２、　１ｆｆ）とな
り、０〜１の値に正規化された値として表わされる。

又、１階〜１２１１１のかご呼びｘ　ａｌ　（２３）〜
ｘ　ａｌ　（３４）は、登録されていれば「１」、登録
されていなければ「０」で表わされ、１階〜１１階の上
り方向の割当乗場呼びｘａｌ（３５）〜ｘａｌ（４５）
は、割当されていれば「１」、割当されていなければ「
０」で表わされ、１２階〜２１ｖの下り方向の割当乗場
呼びｘａ０４６）〜ｘａｌ（５６）は、割当されていれ
ば「１」、割当されていなければ「０」で表わされる。

又、１階〜１１階の上り方向での５分間乗車人数ｘａＨ
５７）〜ｘａｌ（６７）は、過去の交通量の統計から求
めた５分間当りの乗車人数を、取り得る最大値ＮＮｍａ
ｘ（例えば、１００人）で除算することにより、０〜１
の値に正規化する。同様に、１２階〜２１！１の下り方
向での５分間乗車人数ｘ　ａｌ　（６８）〜ｘ　ａｌ　
（７８）、１階〜１１階の上り方向での５分間降車人数
ｘａｌ　（７９）〜ｘａＨ８９）、並びに、１２階〜２
階の下り方向での５分間降車人数ｘａｌ（９０）〜ｘａ
ｌ（１００）も最大値ＮＮｍａｘで除算して正規化する
。

尚、入力データを正規化する方法は、上記の方法に限ら
れることはなく、かご位置と運行方向とを別々に表わす
こともできる。例えば、がご位置階床がｆのときの、か
ご位置階床を表わす第１ノードの入力値ｘａｌ（１）を
、 ｘ　ａＨｌ）−ｆ　／　Ｐ　Ｌ とし、かごの運行方向を表わす第２ノードの入力値ｘａ
ｌ（２）を、上り方向は「＋１１、下り方向は「−１Ｊ
、無方向は「０」として表わしてもよい。

こうして、ステップ９１により入力層（１０Ｄ＾１）に
対する入力データが設定されると、以下のステップ９２
〜９６により、１号機に新規の乗場呼びＣを仮に割当て
たときの到着時間を予測するためのネットワーク演算を
行う。

まず、入力データｘａｌ（ｉ）を用いて、■式より、入
力層（１０Ｄ＾１）の出力値ｙａｌ（ｉ）を演算する（
ステップ９２）。

続いて、■式で得られた出力値ｙａｌ（ｉ）に重み係数
ｗａｌ（ｉ、ｊ）を乗算し、且つ、ｉ＝１〜Ｎ１につい
て総和して、■式より、中間層（１０Ｄ＾２）の入力値
ｘ　ａ２（ｊ）を演算する（ステップ９３）。

続いて、■式で得られた入力値ｘ　ａ　２（ｊ）を用い
て、■式より、中間層（１００＾２）の出力値ｙａ２（
ｊ）を演算する（ステップ９４）。

続いて、■式で得られた出力値ｙａ２（ｊ）に重み係数
ｗａ２（ｊ、ｋ）を乗算し、且つ、ｊ−１〜Ｎ２につい
て総和して、■式より、出力層（ＩＯＤ＾３）の入力値
ｘａ３（ｋ）を演算する（ステップ９５）。

そして、■式で得られた入力値ｘａ３（ｋ＞を用いて、
０式より、出力層（１００Δ３）の出力値ｙ　ａ３（ｋ
５を演算する（ステップ９６）。

以上のように、到着予想時間のネットワーク演算が終了
すると、第１図内の出力データ変換サブユニット（ＩＯ
ＣＢ＞により、出力値ｙ　ａ３（１）〜ｙ　ａ３（ｋ）
の形を変換して最終的な到着予想時間を決定する（ステ
ップ９７）。

このとき、出力層（１０Ｄ＾３）の各ノードは、方向別
の乗場に対応しており、第１〜第１１ノードの出力値ｙ
ａ３（１）〜ｙ　ａ３（１１）は、それぞれ、１，２．
・・・、１１階の上り方向乗場の到着予想時間の演算値
の決定に使用され、第１２〜第２２ノードの出力値ｙ　
ａ３（１２）〜ｙ　ａ３（２２）は、それぞれ、下り方
向乗場の到着予想時間の演算値の決定に使用される。

即ち、第にノードの出力値ｙ　ａ３（ｋ　）は、乗場に
の到着予想時間Ｔ（ｋ）に変換され、この到着予想時間
Ｔ　（ｋ）は、 Ｔ・（ｋ＞　＝　ｙ　ａ３（ｋ）　Ｘ　Ｎ　Ｔ　ｗａｘ
　　　−■のように表わされる。但し、ＮＴｍａｘは、
到着予想時間の取り得る最大値を表わす一定値であるに
こで、第にノードの出力値ｙ　ａ３（ｋ）はＯ〜１の範
囲に正規化されているので、０式のように、最大値ＮＴ
ｍａｘを乗算することにより、到着予想時間Ｔ　（ｋ）
は、乗場呼び割当の評価値演算に使用できるように変換
される。

このように、到着時間予測プログラム（ステップ９１〜
９７）において、交通状態と到着予想時間との因果関係
をネットワークで表現し、交通状態データをニューラル
ネットに取り込むことにより、高い精度で到着予想時間
を演算することができる。

又、この到着予想時間に基づいて、乗場呼びに対する割
当かごを選択すれば、乗場呼びの待時間の短縮を計るこ
とができる。

更に、ネットワークの演算精度は、ニューラルネット（
１０Ｄ＾）のノード間を結ぶ重み係数ｗａＨｉ、ｊ）及
びｗａ２（ｊ、ｋ）によって変化するので、重み係数ｍ
ａｌ（ｉ、Ｎ及びｗａ２（ｊ、ｋ）を学習によって適切
に変化且つ修正することにより、適切な到着予想時間を
決定することができる。

この場合の学習（ネットワークの修正）は、パックプロ
パゲーション法を用いて効率的に行われる。

パックプロパゲーション法とは、ネットワークの出力デ
ータと、実測データや制御目標値などから作成した望ま
しい出力データ（教師データ）との誤差を用いて、ネッ
トワークを結ぶ重み係数を修正していく方法である。

即ち、学習用データ作成手段（ＩＯＦ＞（第６図参照）
内の学習用データ作成ユニットは、エレベータの稼働中
に予め決められた時期（例えば、乗場呼び割当て時）に
なったとき、各乗場の到着予想時間を表わすｙａ３（１
）〜ｙ　ａ３（Ｎ　３）及びそのときの交通状態データ
ｘ　ａｔ（１）〜ｘ　ａｌ（Ｎ　１）を学習用データの
一部として記憶する。そして、その後かごが上記乗場に
停止又は通過するまでに経過した時間を計数し、この実
到着時間を学習用データの一部として記憶する。これは
原教師データであり、到着予想時間Ｔ　Ａ　（ｋ　Ｈｋ
　＝　１．２．・・・、Ｎ３）で表わされる。このよう
な学習用データの組を所定の条件が成立する毎に順番に
記憶していく。

次に、修正手段（ＩＯＧ）内の修正ユニットは、ネット
ワークの修正を行うべき時期になったことを検出すると
、学習用データに基づき、到着予想時間演算ユニット（
１０Ｄ＾）内のネットワークを第１０図のフローチャー
ト図に従って修正する。

才ず、ネットワークの修正を行うべき時期になったか否
かを判定しくステップ１１１）、修正時期であれば、以
下のステップ１１２〜１１８を実行する。

ここでは、現在記憶されている学習用データの組の数ｍ
が８個（例えば、５００個）以上になったときをネット
ワーク修正時期とする。尚、学習用データの判定基準数
Ｓは、エレベータの設置台数、ビルの階床数ＰＬ、及び
、乗場呼び数などのネットワークの規模に応じて任意に
設定され得る。

ステップ１１１において学習用データの組の数ｍが８個
以上と判定された場合は、学習用データのカウンタ番号
ｎを「１」に初期設定した後（ステップ１１２）　、ｎ
番目の学習用データの中から実到着時間Ｔ　Ａ　（ｋ　
＞を取り出し、これらの乗場に相当するノードの値、即
ち、教師データｄ　ａ（ｋ）＜ｋ＝１．２・・・、Ｎ３
）を、 ｄ　ａ　（ｋ）　＝　Ｔ　Ａ　（ｋ）／　Ｎ　Ｔ　ｍａ
ｘ　　　＝−■から求める（ステップ１１３）。

次に、ｎ番目の学習用データの中から取り出した出力層
（１００＾３）の出力値ｙ　ａ３（１）〜ｙ　ａ３（８
３）と教師データｄ　ａ（１）〜ｄ　ａ（Ｎ３）との誤
差Ｅａを、両者の差を二乗し、且つ、ｋ＝１〜Ｎ３の総
和により、Ｅａ＝Σ［（ｄ　ａ（ｋ）　　ｙ　ａ３（ｋ
））２］／２　−■（ｋ＝１〜Ｎ３） から求める。そして、０式で得られた誤差Ｅａを用いて
、中間層（１００＾２）と出力層（１００＾３）との間
の重み係数ｗ　ａ２（ｊ、ｋ）（ｊ：１．２．−．８２
、ｋ＝１．２．−、Ｎ３）を以下のように修正する（ス
テップ１１４）。

まず、０式の誤差Ｅａをｗａ２（ｊ、ｋ）で微分し、前
述の■式〜■式を用いて整理すると、重み係数ｗａ２（
ｊ、ｋ）の変化量Δｗａ２（ｊ、ｋ）は、Δｗａ２（ｊ
、ｋ）＝　−ａ　（θＥａ／θｗａｇ（ｊ、ｋ））＝−
α・ｄａ２（ｋ）・ｙａ２（ｊ）　　・・・■で表わさ
れる。但し、αは学習速度を表わすパラメータであり、
０〜１の範囲内で任意の値に選択され得る。又、０式に
おいて、 ｄａ２（ｋ）　−（ｙａ３（ｋ）−ｄａ（ｋ）　１ｙａ
３（ｋ）　（１−ｙａ３（ｋ）１である。こうして、重
み係数ｗａ２（ｊ、ｋ）の変化量Δｗａ２（ｊ、ｋ）が
計算されると、以下の［相］式により重み係数ｗａ２（
ｊ、ｋ）の修正が行われる。

ｗａ２（ｊ、ｋ）＝ｗａ２（ｊ、ｋ）＋Δｗａ２（ｊ、
ｋ）　　−（Ｆｉｂ又、同様に、入力層（１０Ｄ＾１）
と中間層（１０Ｄ＾２）との間の重み係数ｗａｌ（ｉ　
、ｊ）（ｉ＝１．２．・・−、Ｎｌ、ｊ＝１．２．・−
Ｎ２）を、以下の０式及び［株］式に従って修正する（
ステップ１１５）。

まず、重み係数ｗａｌ（ｉ、ｊ）の変化量Δｗａｌ（ｉ
、ｊ）を、 Δｗａｌ（ｉ、ｊ）＝−α・δａｌ（ｊ）・ｙａｌ（ｉ
）　　・・・■から求める。但し、０式において、δａ
ｔ（ｊ）は以下の、ｋ＝１〜Ｎ３による総和式、 δａＨｊ）＝Σ（ｄａ２（ｋ）　・ｗａ２（ｊ　、ｋ）
　・ｙａ２（ｊ）Ｘ　［１−ｙ　ａ２（Ｎ］ｌ で表わされる。０式で得られた変化量Δｗａｌ（ｉ、ｊ
）を用いて、以下の０式のように重み係数ｗａＨｉ、ｊ
）の修正が行われる。

ｗａＨｉ、ｊ）←ｗａｌ（ｉ、ｊ）＋Δｗａｌ（ｉ、ｊ
）　　・・・＠こうして、ｎ番目の学習用データによる
修正ステップ１１３〜１１５が行われると、学習用デー
タの番号ｎをインクリメントしくステップ１１６）、ス
テップ１１７で全ての学習用データについて修正が終了
したと判定される（ｎ２ｍとなる）まで、ステップ１１
３〜１１６の処理を繰り返す。

そして、全ての学習用データについて修正が行われると
、修正を完了した重み係数ｗａｌ（ｉｊ＞及びｗａ２（
ｊ、ｋ）を到着予想時間演算手段（ＩＯＤ）に登録する
（ステップ１１８）。

このとき、最新の学習用データを再び記憶できるように
、修正に使用した学習用データを全てクリアし、学習用
データの番号ｍを「１」に初期設定する。こうして、ニ
ューラルネット（１０Ｄ＾）のネットワーク修正（学習
）を終了する。

このよ、うに、乗場呼びが登録されたときの交通状態と
到着予想時間との因果関係をネットワークで表現し、実
データを学習することによりネットワークを修正するこ
とができる。この結果、ビル内の交通の流れが変化して
も自動的に対応することができ、柔軟で精密且つ正確な
到着予想時間の演算を行うことができる。

しかしながら、予測演算に単一のニューラルネッ）　（
１００＾）を用いているため、演算精度を上げようとし
て多くの入力データを取り込むと、演算時間がかかって
しまい、出力データ即ち到着予想時間の生成タイミング
が遅れ、結局、適正な割当かごを決定することができな
くなってしまう。

［発明が解決しようとする課題］ 従来のエレベータ制御装置は以上のように、ニューラル
ネット（１０Ｄ＾）を用いて、実際の交通状態に近似し
た柔軟な予測により出力データを演算し、この出力デー
タに基づいて適性かごを割当てている。しかし、エレベ
ータにおける交通の流れの特徴は、１日の間でも時々刻
々と変化しているので、かご位置、運行方向、及び、応
答すべき呼びを入力データとするだけでは、正確な到着
予想時間を演算することはできない。

そこで、交通の流れの特徴を表わすデータ、例えば、過
去に統計した交通量（乗降人数、乗場呼び数、かご呼び
数など〉を入力データとして使用することが考えられる
。これによれば、到着予想時間演算手段（ＩＯＣ）内の
１つのニューラルネットを用いて、１日を通じて発生し
得る様々な交通状態に応じた柔軟な演算が実現できる。

しかし、入力データが増えると、その分だけ到着予想時
間の演算に時間がかかるため、乗場呼び登録と同時に割
当かごを決定し予報するという機能を果たすことが非常
に困難となる。又、ネットワーク内の重み係数ｗａｌ（
ｉ、ｊ）及びｗａ２（ｊ、ｋ）を修正するために、多く
の学習用データ（教師データ）及び学習用期間が必要に
なるという問題点があった。

このような問題点は、ニューラルネットを、割当かごの
決定演算や、各種予測値の演算に適用した場合にも共通
の問題点となる。

この発明は上記のような問題点を解決するためになされ
たもので、様々な交通の流れに対しても所定の制御目的
に応じた演算を短時間で行うことのできるエレベータ制
御装置を得ることを目的とする。

又、この発明の別の発明は、更に、少ない学習用データ
及び短い学習期間で、ネットワークの修正を行うことの
できるエレベータ制御装置を得ることを目的とする。

［課題を解決するための手段］ この発明に係るエレベータ制御装置は、演算手段を、ビ
ル内の交通の流れの特徴に応じて分類された複数の交通
パターンに対応させて複数個設けると共に、現在のエレ
ベータの交通状態が交通パターンのいずれに相当するか
を判定する判定手段と、複数の演算手段のうち、判定手
段の判定結果に対応するものを１つだけ選択する切換手
段とを設け、切換手段により選択された演算手段の出力
データに基づいて、かごを制御するようにしたものであ
る。

又、この発明の別の発明に係るエレベータ制御装置は、
学習用データ作成手段が、判定手段の判定結果に基づい
て交通パターン毎の学習用データを作成し、修正手段が
、交通パターン毎の学習用データを用いて、交通パター
ン毎に対応する演算手段の重み係数をそれぞれ修正し、
切換手段により選択された演算手段の出力データに基づ
いて、かごを制御するようにしたものである。

［作用コ この発明においては、交通の流れの特徴に応じて分類さ
れた交通パターンに対応して設けられた複数の演算手段
の中から、現在の交通状態に対応する演算手段を１つだ
け選択し、選択された演算手段の出力データに基づいて
、所定目的に沿ったエレベータの制御を行う。

又、この発明の別の発明においては、交通パターン毎の
学習用データを作成し、これらの学習用データに基づい
て、交通パターン毎に対応する演算手段の重み係数をそ
れぞれ修正する。

［実施例］ 以下、この発明の一実施例を図について説明する。第１
図はこの発明の一実施例の全体構成を示す機能ブロック
図であり、（１０）、（ＩＯＡ）〜（ＩＯＤ＞（ＩＯＧ
＞、り１１）、（ＩＩＡ）〜（１１Ｅ）及び（１２）は
第６図に示したものと同様のものである。又、第１図の
エレベータ制御装置の概略構成は第７図に示した通りで
ある。

第１図において、到着予想時間演算手段（ＩＯＤ＞は、
平常時間帯用の到着予想時間演算手段（１００１）と５
出動時間帯用の到着予想時間演算手段（１００２）と、
退勤時間帯用の到着予想時間演算手段（１００３）と、
昼食時間帯用の到着予想時間演算手段（１００４）と、
閑散時間帯用の到着予想時間演算手段（１０Ｄ５）とを
含んでおり、各演算手段（１０旧）〜（１０Ｄ５）のネ
ットワーク構成は第８図と同様である。

但し、各演算手段（１００１）〜（＋００５）内のニュ
ーラルネットにおいて、第８図で使用した交通量データ
（５分間乗車人数、５分間降車人数）は使用しない。従
って、この場合、ビルの階床数を１２Ｆとすると、入力
層（ＩＯＤ＾１）のノード数Ｎ＋’は５６個に設定され
る。なぜなら、各乗場毎の上り方向及び下り方向の乗車
人数及び降車人数が入力データから削除されるため、前
述のノード数Ｎ１（＝１００個）より４４個だけ少ない
値となるからである。又、中間層（１０Ｄ＾２）のノー
ド数Ｎ２’は、入力データ数の減少に伴い、Ｎ２より小
さい値に設定される。

群管理装置（１０）は、現在のエレベータの交通状態が
どの交通パターンであるがを判定する判定手段（ＩＯＥ
）と、判定手段（ＩＯＥ）の判定結果に応じて複数の到
着予想時間演算手段（１００１）〜（１００５）の中か
ら１つだけ選択する切換手段（ＩＯＨ）と、を更に備え
ている。尚、エレベータの交通状態を表わす複数の交通
パターンには、複数の時間帯の区別も含まれているもの
とする。

第２図は群管理装置（１０）内に記憶された群管理プロ
グラムを概略的に示すフローチャート図、第３図は第２
図内の到着時間予測プログラムを具体的に示すフローチ
ャート図、第４図は第１図内の学習用データ作成プログ
ラムを具体的に示すフローチャート図、第５図は第１図
内の修正プログラムを具体的に示すフローチャート図で
ある。

以下、第２図を参照しながら、第１図に示したこの発明
の一実施例の群管理動作について説明する。

まず、群管理装置（１０）は、周知の入力プログラム（
ステップ３１）に従って、乗場釦信号（１４）と、かご
制御装置（１１）及び（１２）からの状態信号を取り込
む。ここで入力される状態信号には、かご位置、走行方
向、停止又は走行状態、戸開閉状態、かご負荷、かご呼
び、乗場呼びの打消信号などが含まれている。

次に、周知の乗場呼び登録プログラム（ステップ３２）
に従って、乗場呼びの登録又は解除、並びに、乗場幻灯
の点灯又は消灯を判定すると共に、乗場呼びの継続時間
を演算する。

続いて、周知の判定プログラム（ステップ３３）に従っ
て、現在のエレベータの交通状態がどの時間帯であるか
を判定する。

例えば、群管理装置（１０）に内蔵された時計〈図示し
ない）の出力により、出動時間帯（８：３０〜９：１０
）、退勤時間帯（１７：００〜１７：３０）、昼食時間
帯（１１・５０〜１３：１０）、閑散時間帯（０：００
〜８：３０、及び、１９００〜２４：００）、平常時間
帯く上記各時間帯以外の時間帯）のいずれであるかを判
定する。

次に、新規の乗場呼びＣが登録されたか否かを判定しく
ステップ３４）、もし、新規に登録された乗場呼びＣを
検出すると、以下のステップ３５〜３９により、乗場呼
びＣを１号機及び２号機にそれぞれ割当てたときの待時
間評価値Ｗ、及びＷ２を演算する（特公昭５８−４８４
６４号公報参照）、そして、評価値Ｗ１又はＷ２が最小
となるかごを正規の割当かごとして選択し、割当かごに
対して、乗場呼びＣに対応した割当指令及び予報指令を
設定する。

即ち、まず、１号機用の仮割当て時の到着時間予測プロ
グラム（ステップ３５）により、新規の乗場呼びＣを１
号機に仮に割当てたときの１号機の各乗場に対する到着
予想時間Ｔａ１（ｋ）（ｋ＝　１．２．・−、Ｎ３）を
演算する。

同様に、２号機仮割当て時の到着時間予測プログラム（
ステップ３６）により、乗場呼びＣを２号機に仮に割当
てたときの２号機の各乗場に対する到着予想時間Ｔａ２
（ｋ）を演算する。

又、新規の乗場呼びＣを無視して１号機及び２号機のど
ちらにも割当てない場合の非仮割当て時の到着時間予測
プログラム（ステップ３７及び３８）を実行し、１号機
及び２号機の各乗場に対する到着予想時間Ｔｂ１（ｋ）
及びＴｂ２（ｋ＞を演算する。

以下、第３図及び第８図を参照しながら、１号機用の仮
割当て時の到着時間予測プログラム（３５）の演算動作
について具体的に説明する。

まず、乗場呼びＣを１号機に仮に割当てて、入力データ
変換サブユニット（ＩＯＣ＾）に入力するための割当呼
びデータを作成する（ステップ５１）。

次に、判定手段（ＩＯＥ）内の判定プログラム（ステツ
プ３３）の判定結果に基づいて、切換手段（ＩＯＨ）は
、各到着予想時間演算手段（ＩＯＤＩ）〜（１００５）
に対応した到着予想時間演算プログラム（ステップ５６
〜６０）の中から１つのプログラムのみを選択する（ス
テップ５２〜５５）。

ここでは、平常時間帯用到着予想時間演算プログラム〈
ステップ５６）のみを具体的に示しているが、各到着予
想時間演算プログラム（ステップ５７〜６０）もステッ
プ５６と同様の演算プログラムからなっている。

例えば、判定手段（１，０Ｅ）内の判定プログラム（ス
テップ３３）により、平常時間帯と判定された場合は、
出動時間帯判定ステップ５２、退勤時間帯判定ステップ
５３、昼食時間帯判定ステップ５４、閑散時間帯判定ス
テップ５５を介して、平常時間帯用の到着予想時間演算
プログラム（ステップ５６）に進み、第９図と同様の演
算プログラムが実行される。

ステップ５６内の各ステップ５６１〜５６７は、第９図
内のステップ９１〜９７にそれぞれ対応している。又、
第８図と同様のネットワークに重み係数ｗａｌ（ｉ、ｊ
）（ｉ＝１．２．・＝、Ｎｌ′、ｊ＝　１．２．−、　
Ｎ　２′）及びｗａ２（ｊ、ｋ）として、平常時間帯用
の値が設定されている。

入力データ変換プログラム（ステップ５６１）では、１
号機のかご位置、運行方向、かご呼び、仮割当後の割当
呼び、などのデータを取り出して、ネ・ントワーク演算
用の入力データｘａｌ（１）〜ｘａｌ（ｉ）に変換する
。但し、ｉ＝１．２．・・・、Ｎ　１’（Ｎ　１’＜　
Ｎ　１）である。以下、前述のステップ９２〜９７と同
様に、ステップ５６２〜５６７によるネットワーク演算
を実行し、最終的に到着予想時間Ｔａ１（ｋ）（ｋ＝１
．２．−、Ｎ３）を設定する。

一方、各判定ステップ５２〜５５に対応した時間帯が判
定された場合には、それぞれの到着予想時間演算プログ
ラム（ステップ５７〜６０）が同様に実行される。尚、
各ネットワークで用いられる重み係数ｗａｌ（ｉ、ｊ）
及びｗａ２（ｊ、ｋ）（ｉ＝　１．２．−　、Ｎ　１’
、ｊ＝　１．２゜・・・、Ｎ　Ｚ’、ｋ＝　１．２．・
・・、Ｎ３）は、それぞれの時間帯に対応した値が設定
されている。

このように、各到着時間予測プログラム３５〜３８にお
いて、入力データから交通量データを除去したので、入
力データ数を１００個から５６個に減らすと共に、中間
層（１０Ｄ＾２）のノード数を減らすことができる。又
、時間帯に対応して設けられた複数のニューラルネット
からなる到着予想時間演算プログラム（ステップ５６〜
６０）の中から、現在の交通状態に対応した演算プログ
ラムを１つだけ選択し、１号機及び２号機の到着予想時
間Ｔａ１（ｋ）、Ｔａ２（ｋ）、ＴｂＨｋ）及びＴｂ２
（ｋ）を演算するようにしたので、到着予想時間を短時
間に、且つ精度良く演算することができる。

こうして求められた到着予想時間は、割当プログラム（
ステップ３９）により、待時間評価値Ｗ１及びＷ２の演
算に使用される。

次に、出力プログラム（ステップ４０）により、上記の
ように設定された乗場幻灯信号（１５）を乗場に送出す
ると共に、割当信号及び予報信号などをかご制御装置（
１１）及び（１２）に送出する。

一方、学習用データ作成プログラム（ステップ４１）に
おいては、入力データとして変換後の交通状態データと
、各乗場の到着予想時間及びその後の各かごの到着時間
の実測データとを記憶し、これらを学習用データとして
出力する。又、修正プログラム（ステップ４２）におい
ては、学習用データを使用して、到着予想時間演算手段
（ＩＯＤ＞内のネットワークの重み係数を修正する。

次に、第４図及び第５図を参照しながら、学習用データ
作成手段（ＩＯＦ）及び修正手段（ＩＯＧ）により学習
用データ作成プログラム（ステップ４１）及び修正プロ
グラム（ステップ４２）を実行した場合の、この発明の
別の発明の一実施例について説明する。

学習用データ作成プログラム（ステップ４１）を詳細に
示す第４図において、まず、新たな学習用データの作成
許可が生成（セット）され、且つ、新規の乗場呼びＣの
割当が行われた直後か否かを判定する（ステップ６１）
。

もし、学習用データの作成許可がセットされており、且
つ、乗場呼びＣの割当が行われていれば、割当て時の割
当かごの交通状態データｘａｌ（１）〜ｘａｌ（Ｎ１′
）と、このときの各乗場の到着予想時間に相当する出力
データ３’　ａ３（１）〜ｙ　ａ３（Ｎ　３＞とをｍ番
目の学習用データの一部（教師データ）として記憶する
（ステップ６２）。

続いて、新たな学習用データの作成許可をリセットする
と共に、実到着時間の実測指令をセ・ントして実到着時
間のカウントを開始する（ステップ６３）。

これにより、次の演算周期のステップ６１においては、
新たな学習用データの作成許可がセットされていないと
判定されるので、ステップ６４に進み、到着時間の実測
指令がセットされているか否かが判定される。このとき
、ステップ６３において実測指令がセットされているの
で、更に、ステップ６５に進み、割当かごが乗場呼びＣ
に応答して停止したか否かが判定される。

何回目か後の演算周期で、乗場呼びＣの乗場への停止決
定が検出されると、ステップ６６に進み、このときの実
到着時間をｍ番目の学習用データの一部として記憶する
。これは原教師データであり、乗場呼びＣの乗場の到着
時間ＴＡ（Ｃ）と表わされる。

続いて、ステップ６７において、実到着時間の実測指令
をして実到着時間のカウントを終了すると共に、学習用
データの番号ｍをインクリメントして、再び新しい学習
用データの作成許可をセットする。

こうして、乗場呼びの割当が行われた時期に合わせて、
乗場呼び割当が行われたかごと、そのときの新規の乗場
呼びＣに関する学習用データとが繰り返し作成され、記
憶されていく。

次に、修正手段（ＬＯＧ）は、第２図内の修正プログラ
ム（ステップ４２）により、学習用データを使用して、
ニューラルネット（１０Ｄ＾）のネットワークを修正す
る。以下、“この修正動作を、第５図を参照しながら、
詳細に説明する。

まず、ネットワークの修正を行うべき時期になったか否
かを判定しくステップ７１）、修正時期であれば、以下
のステップ７２〜８４を実行する。

ここでは、現在記憶されている学習用データの組の数ｍ
が８個（例えば、４００個）以上になったときをネット
ワーク修正時期とする。尚、学習用データの判定基準数
Ｓは、エレベータの設置台数、ビルの階床数ＦＬ、及び
、乗場呼び数などのネットワークの規模に応じて任意に
設定され得る。

ステップ７１において学習用データの組の数ｍが８個以
上と判定された場合は、学習用データのカウンタ番号ｎ
を「１」に初期設定した後（ステップ７２）　、ｎ番目
の学習用データがどの時間帯に対応するものであるかを
判定しくステップ７３〜７６）、複数の修正プログラム
（ステップ７７〜８１）の中から使用すべき修正プログ
ラムを１つだけ選択する。

ここでは、平常時間帯用重み係数の修正プログラム（ス
テップ７７）のみを具体的に示しているが、各修正プロ
グラム（ステップ７８〜８１）もステップ７７と同様の
プログラムからなっている。

例えば、ｎ番目の学習用データが平常時間帯用のデータ
であると判定された場合は、各判定ステップ７３〜７６
を介して、修正ステップ７７に進み、平常時間帯用重み
係数の修正プログラムが選択されて実行される。尚、ス
テップ７７内の各ステップ７７１〜７７３は、第１０図
内のステップ１１３〜１１５にそれぞれ対応している。

まず、ｎ番目の学習用データの中から実到着時間Ｔ　Ａ
　（Ｃ）を取り出して教師用データｄａ（ｃ）を求めた
後くステップ７７１）、中間層（１０Ｄ八２）と出力層
（ＩＯＤ＾３）との間の重み係数ｗａ２（ｊ、Ｃ）（ｊ
　＝　１．２．・・、Ｎ　２′）を修正しくステップ７
７２）、続いて、入力層（１０Ｄ＾１）と中間層（１０
ＤＡ２）との間の重み係数ｗａｌ（ｉｊ）（ｉ　＝１２
、・・・、Ｎ１′）を修正する（ステップ７７３）。

一方、ｎ番目の学習用データが出動時間帯用のデータで
あれば、学習用データが出動時間帯用か否かの判定ステ
ップ７３により出動時間帯用重み係数の修正プログラム
（ステップ７８）が選択され、出動時間帯用到着予想時
間演算プログラム（ステップ５７）内の重み係数が修正
される。同様に、ｎ番目の学習用データが退勤時間帯用
のデータであれば、判定ステップ７４により退勤時間帯
用重み係数の修正プログラム（ステップ７９）が選択さ
れ、昼食時間帯であれば、判定ステップ７５により昼食
時間帯用重み係数の修正プログラム（ステップ８０）が
選択され、閑散時間帯であれば、判定ステップ７６によ
り閑散時間帯用重み係数の修正プログラム（ステップ８
１）が選択され、それぞれの重み係数が修正される。具
体的な修正手順については、前述と同様なので、ここて
は詳述しない。

以上のように、ｎ番目の学習用データによる修正（ステ
ップ７３〜８１）が終了すると、学習用データの番号ｎ
をインクリメントしくステップ８２）、ステ・ブ８３で
全ての学習用データについて修正が終了したと判定され
る（０２ｍとなる）まで、ステップ７３〜８２の処理を
繰り返す。

そして、全ての学習用データについて修正が行われると
、修正を完了した重み係数ｗａｌ（ｉ、ｊ）及びｗ　ａ
　２（ｊ、ｋ）を到着予想時間演算手段（ＩＯＣ）に登
録する（ステップ８４）。

このとき、最新の学習用データを再び記憶できるように
、修正に使用した学習用データを全てクリアし、学習用
データの番号ｍを「１」に初期設定する。こうして、時
間帯毎の各ニューラルネット（１０Ｄ＾）の修正（学習
）を終了する。

このように、時間帯毎に学習用データを作成し、且つ時
閉帯毎に到着予想時間演算手段のネットワークを修正す
るようにしたので、１つのニューラルネットからなる到
着予想時間演算手段（ＩＯＤ）のネットワークを修正す
る場合よりも、少ない学習用データで、且つ短い学習期
間で修正することができる。この結果、種々の交通の流
れに対しても到着予想時間を短時間で精度良く演算する
ことができる。

尚、上記実施例では、入力データ変換手段が、かご位置
、運行方向、及び、応答すべき呼び、を入力データとし
て変換するようにしたが、入力データとして使用される
交通状態データがこれらに限られることはない。例えば
、かごの状態（減速中、戸開動作中、戸開中、戸閉動作
中、戸閉待機中、走行中、など）、乗場呼びの継続時間
、がご呼びの継続時間、かご負荷、群管理されているか
ごの台数、などを入力データとして使用することができ
る。又、現時点の交通状態データだけでなく、近い将来
の交通状態データ（がごの動きの履歴や呼び応答状態の
履歴など）を入力データとして使用することにより、−
層正確な到着予想時間の演算が可能となる。

又、判定手段（ＩＯＥ）は、時計の出力が所定の時間帯
になったか否かに基づいて、現在のエレベータの交通状
態がどの時間帯にあるがを判定するようにしたが、判定
の仕方がこれに限られることはない。例えば、混雑階床
がら出発するがごの乗客数（かご負荷）、又は、混雑階
床での乗込み人数が所定値以上になったときを条件に加
味して判定することもできる。この場合、時間帯の種類
はビルの交通状況に応じて適宜設定される。又、時間帯
とは無関係に、代表的な複数種類の交通の流れのパター
ン（例えば、上り方向に交通が偏っているパターン、下
り方向に偏っているパターンなど）を用意しておき、近
い過去（例えば、５分間）の交通データの実測値に基づ
いて、現在の交通がどのような交通パターンに近いかを
判断し、最も近い交通パターンを選択するようにしても
よい。

又、学習用データ作成手段（ＩＯＦ）は、乗場呼びの割
当が行われたときに、割当かごの乗場呼びの乗場への到
着予想時間、そのときの入力データ、及び、時間帯を記
憶し、その後、割当かごが乗場呼びの乗場に停止するま
でに経過した時間を計数してこれを実到着時間として記
憶し、記憶された時間帯、入力データ、到着予想時間、
及び、実到着時間を一組の学習用データとして出力する
ようにしたが、学習用データを作成する時期はこれに限
られるものではない。例えば、前回の入力データの記憶
時から経過した時間が所定時間（例えば、１分）を越え
たときを学習用データ作成時期としてもよく、周期的（
例えば、１分毎）に学習用データ作成時期としてむよい
。又、各種条件下における学習用データが多く集まるほ
ど学習条件が向上するので、例えば、かごが所定階床に
停止しているとき、又は、所定の状態（減速中、停止中
、など）になったとき、などの考えられる代表的な状態
を予め決めておき、その状態を検出したときに学習用デ
ータを作成するようにしてもよい、又、学習用データの
記憶の仕方も、これに限られることはなく、時間帯別の
記憶領域にそれぞれの学習用データを区別して順に記憶
してもよい。この場合、学習用データとして記憶しなけ
ればならないデータ量を少なくすることができる。

又、到着予想時間演算手段（ＩＯＤ）の重み係数を修正
する修正手段＜ｌ０Ｇ）は、記憶された学習用データの
総数ｍが所定値Ｓに達する毎に重み係数を修正するよう
にしたが、修正時期がこれに限られるものではない。例
えば、予め決められた時刻（例えば、１時間毎）にそれ
までの記憶された学習用データにより重み係数を修正し
てもよく、交通が閑散になって到着予想時間の演算頻度
が少なくなったときに重み係数を修正してもよい。又、
学習用データの総数ｍで判定せず、時間帯別の学習用デ
ータ数ｍＡ、ｍＢ、・・・、ｍＥを開側に計数ｊ７、各
所定値ＳＡ、ＳＢ、・・・、ＳＥに達する毎に、対応す
る時間帯の重み係数を修正するようにしてもよい。

又、学習用データ作成手段（ＩＯＦ）で作成する一組の
学習用データの中には、入力データの他に１つの乗場（
新規乗場呼びＣ）に関する到着予想時間と実到着時間し
か記憶しないようにし、修正手段（ＩＯＧ）による重み
係数の修正時にも、その学習用データ（教師データ）に
関係する重み係数のみを修正するようにしたが、学習の
仕方がこれに限られるものではない。例えば、全乗場に
関する到着予想時間と、かごの運行中に測定することの
できた実到着時間とを記憶するようにして、実到着時間
が存在する乗場の教師データに関係する重み係数のみを
修正するようにしてもよい、この場合、学習用データと
して記憶しなければならないデータ量を少なくすること
ができる。尚、実到着時間を測定できなかった乗場とは
、例えば、かごが途中階床で方向反転した場合には、反
転階床より遠方の乗場に相当し、かごが途中階床で空か
ご（割当呼びを持たないかご）になった場合には、空か
ごになった階床より遠方の乗場や、入力データの記憶時
点でのかご位置階床の背後の乗場（例えば、上方運行中
は現在位置より下方の乗場）に相当する。

又、上記実施例では、近い将来のかごの動きを予測する
ために、到着予想時間の演算にニューラルネットを使用
したが、乗場呼びの割当や、その他の群管理制御に使用
される予測項目の演算に対しても、同様に適用すること
ができる０例えば、予報外れ確率、満員確率、各階床で
のかご負荷の予測、かご呼びの発生の予測、などへの適
用が考えられる。

更に、重み係数の修正ステップを複数回（例えば、５０
０データに対して５００回）繰り返し、所望の近似出力
が得られるように重み係数を収束させてもよい。

［発明の効果コ 以上のようにこの発明によれば、演算手段を、ビル内の
交通の流れの特徴に応じて分類された複数の交通パター
ンに対応させて複数個設けると共に、現在のエレベータ
の交通状態が交通パターンのいずれに相当するかを判定
する判定手段と、演算手段のうち判定手段の判定結果に
対応するものを１つだけ選択する切換手段とを設け、切
換手段により選択された演算手段の出力データに基づい
てかごを制御するようにしたので、種々の交通の流れに
対しても、所定の制御目的に近似した演算を短時間で精
度良く実行できるエレベータ制御装置が得られる効果が
ある。

又、この発明の別の発明によれば、エレベータの稼働中
に予め決められた時期になると、演算手段による出力デ
ータ及びそのときに使用した入力データを記憶すると共
に、制御結果により得られた教師データを記憶し、記憶
された入力データ、出力データ及び教師データを一組の
学習用データとして出力する学習用データ作成手段と、
学習用データを用いて演算手段の重み係数を修正する修
正手段とを更に設け、学習用データ作成手段が、判定手
段の判定結果に基づいて交通パターン毎の学習用データ
を作成し、修正手段が、実際の交通パターン毎の学習用
データを用いて、交通パターン毎に対応する演算手段の
重み係数をそれぞれ修正するようにしたので、少ない学
習用データ及び短い学習期間でネットワークの修正がで
き、ビル内の交通の流れの変化に対応した高精度のエレ
ベータ制御装置が得られる効果がある。

【図面の簡単な説明】

第１図はこの発明及びこの発明の別の発明の一実施例の
全体構成を示す機能ブロック図、第２図は第１図内の群
管理装置による群管理プログラムを概略的に示すフロー
チャート図、第３図は第２図内の到着時間予測プログラ
ムを具体的に示すフローチャート図、第４図は第２図内
の学習用データ作成プログラムを具体的に示すフローチ
ャート図、第５図は第２図内の修正プログラムを具体的
に示すフローチャート図、第６図は従来のエレベータ制
御装置に基づいて考えられるエレベータ制御装置の一例
を示す機能ブロック図、第７図は第６図内の群管理装置
を概略的に示すブロック図、第８図は第６図内のデータ
変換手段及び到着予想時間演算手段を具体的に示すブロ
ック図、第９図は第６図内の群管理装置による演算プロ
グラムを示すフローチャート図、第１０図は第６図内の
群管理装置による修正プログラムを具体的に示すフロー
チャート図である。 （ＩＯＣ）・・・データ変換手段 （ＩＯＣ＾）・・・入力データ変換サブユニット（ＩＯ
ＣＢ＞・・・出力データ変換サブユニット（１０Ｄ＾）
・・・ニューラルネット （１０Ｄ＾１）・・・入力層　　　　（１０Ｄ＾２）・
・・中間層（１０Ｄ＾３）・・・出力層 （ＩＯＤ）・・・到着予想時間演算手段（１００１）〜
（１００５）・・・複数の到着予想時間演算手段（ＩＯ
Ｅ）・・・判定手段 （ＩＯＦ）・・・学習用データ作成手段（ＬＯＧ）・・
・修正手段　　　（ＩＯＨ）・・・切換手段ｗａｌ（ｉ
、ｊ）、ｗａ２（ｊ、ｋ）−重み係数尚、図中、同一符
号は同−又は相当部分を示す。

Claims (2)

【特許請求の範囲】
1. （１）複数の階床に就役するように設置されたエレベー
   タのかごを制御する装置であって、 前記エレベータの交通状態データをニューラルネットの
   入力データとして使用できる形に変換する入力データ変
   換手段と、 前記入力データを取り込む入力層、所定の制御目的に応
   じた演算結果を出力データとする出力層、及び、前記入
   力層と前記出力層との間にあって重み係数が設定された
   中間層を含み、前記ニューラルネットを構成する演算手
   段と、前記出力データを前記制御目的の動作に使用でき
   る形に変換する出力データ変換手段と、を備えたエレベ
   ータ制御装置において、 前記演算手段を、ビル内の交通の流れの特徴に応じて分
   類された複数の交通パターンに対応させて複数個設ける
   と共に、 現在のエレベータの交通状態が前記交通パターンのいず
   れに相当するかを判定する判定手段と、 前記演算手段のうち、前記判定手段の判定結果に対応す
   るものを１つだけ選択する切換手段と、 を設け、 前記切換手段により選択された演算手段の出力データに
   基づいて前記かごを制御することを特徴とするエレベー
   タ制御装置。
2. （２）複数の階床に就役するように設置されたエレベー
   タのかごを制御する装置であつて、 前記エレベータの交通状態データをニューラルネットの
   入力データとして使用できる形に変換する入力データ変
   換手段と、 前記入力データを取り込む入力層、所定の制御目的に応
   じた演算結果を出力データとする出力層、及び、前記入
   力層と前記出力層との間にあつて重み係数が設定された
   中間層を含み、前記ニューラルネットを構成する演算手
   段と、前記出力データを前記制御目的の動作に使用でき
   る形に変換する出力データ変換手段と、前記エレベータ
   の稼働中に予め決められた時期になると、前記演算手段
   による出力データ及びそのときに使用した入力データを
   記憶すると共に、制御結果により得られた教師データを
   記憶し、記憶された前記入力データ、前記出力データ及
   び前記教師データを一組の学習用データとして出力する
   学習用データ作成手段と、 前記学習用データを用いて前記演算手段の重み係数を修
   正する修正手段と、 を備えたエレベータ制御装置において、 前記演算手段を、ビル内の交通の流れの特徴に応じて分
   類された複数の交通パターンに対応させて複数個設ける
   と共に、 現在のエレベータの交通状態が前記交通パターンのいず
   れに相当するかを判定する判定手段と、 前記演算手段のうち、前記判定手段の判定結果に対応す
   るものを１つだけ選択する切換手段と、 を設け、 前記学習用データ作成手段は、前記判定手段の判定結果
   に基づいて前記交通パターン毎の学習用データを作成し
   、 前記修正手段は、前記交通パターン毎の学習用データを
   用いて、前記交通パターン毎に対応する演算手段の重み
   係数をそれぞれ修正し、前記切換手段により選択された
   演算手段の出力データに基づいて前記かごを制御するこ
   とを特徴とするエレベータ制御装置。