JPH0439277A - 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】 ［産業上の利用分野コ この発明は、エレベータのがごが各階床に到着するまで
に要する時間を精度良く予測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０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分以上の長待ち呼び
の減少）を計ることができる。

しかし、到着予想時間の正確さが失われると、評価値は
、割当かごを選択するための基準値としての意味を持た
なくなり、結局、乗場呼びの待時間の短縮を計ることは
できなくなる。従って、到着予想時間の正確さは、群管
理の性能に大きく影響を及ぼしている。

次に、従来の到着予想時間の演算方法について、具体的
に説明する。

到着予想時間は、かごが両路端階床を往復運転するもの
として、以下の（Ａ）に示すように演算される。

（Ａ）かご位１と対象階床との間の距離から走行に要す
る時間（走行時間）を求め、その途中階床での停止回数
から停止に要する時間（停止時間）を求め、更に、これ
らの時間を加算して到着予想時間とする（特公昭５４−
２０７４２号公報及び特公昭５４−３４９７８号公報参
照）。

又、かご位置階床や停止予定階床での停止Ｆ時間の予測
精度を向上させるため、以下の（Ｂ）〜（Ｅ）に示すよ
うな予測方法が提案されている。

（Ｂ）かごが位置する階床でのかご状態（減速中、戸開
動作中、戸開中、戸閉動作中、走行中など）に応じて到
着予想時間を補正する（特公昭５７−４００７４号公報
参照）。

（Ｃ）停止予定階床での乗車人数や降車人数を検出装置
や予測装置を用いて検出し、これらの人数に応じて到着
予想時間を補正する〈特公昭５７−４００７２号公報及
び特開昭５８−１６２４７２号公報参照）。

（Ｄ）停止予定階床がかご呼び応答か乗場呼び応答かに
よって乗降時間が異なること考慮して、到着予想時間を
補正する（特公昭５７−４００７２号公報参照）。

（Ｅ）実際の停止時間（戸開動作時間、乗降時間、戸閉
動作時間）を各階床毎に統計したデータや、シミュレー
ションにより求められて群管理装置に内蔵された戸開時
間に基づいて各階床毎の停止時間を予測する（特開平１
−２７５３８２号公報及び特開昭５９−１３８５７９号
公報参照）。

又、停止予定されていない階床に将来呼びが登録されて
かごが停止する可能性を考慮したとき、到着予測精度を
向上させるために、以下の（Ｆ）〜（Ｈ）に示すような
方法が提案されている。

（Ｆ）途中階床の乗場呼びに応答して停止することによ
り生じるかご呼び個数を、過去の乗車人数に関する統計
データに基づいて予測し、更に、過去に発生したかご呼
びの統計的確率分布に従って、上記予測かご呼び個数を
その前方の階床に配分し、派生かご呼びによる停止時間
を予測する（特公昭６３−３４１１１号公報参照）。

（Ｇ）かごが方向反転する回数と、過去の方向別乗降人
数の計測値から、階床側、方向別にかごが停止する確率
を計算し、この計算結果に基づいて到着予想時間を補正
する（特開昭５９２６８７２号公報参照）。

（）（）各階床方向別に求めた各階床降車率により各階
床でのかご呼びによる停止時間を予測する（特公昭６３
−６４３８３号公報参照）。

又、かごは、最高呼びゃ最低呼びにより途中階床で方向
反転して運行することが多いが、このときに到着予想時
間と実際の到着時間との間に誤差が生じるのを防ぐため
、以下の（Ｉ）及び（Ｊｏ）のように、終端階床に達す
る前に途中階床で方向反転して運行する場合の予測方法
も提案されている。

（Ｉ）かごの進行方向の前方にある最遠方呼びの階床ま
での走行時間、及びその階床から反対方向の呼びのある
階床までの走行時間を求め、到着予想時間を演算する（
特公昭５４−１６２９３号公報参照）。

（Ｊ）空かごて運行方向が設定されていないかごは、各
階床に直行するものとして、それぞれ到着予想時間を演
算する（特公昭５９−８６２１号公報参照）。

この場合、通常、上方反転階床（最高呼び反転する階床
）は最上方の呼びの階床に設定され、下方反転階床（最
低呼び反転する階床）は最下方呼びの階床に設定される
。しかし、例えば、上方反転階床が設定されても、途中
階床に上り方向の乗場呼びがある場合には、新たなかご
呼びの発生を予測しなければならず、上方反転階床を精
度良く設定することは困難であり、同様に、下方反転階
床を精度良く設定することも困難である。結局、反転階
床という別の条件を予測演算するために、誤差要因が増
えてしまうことになる。

又、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なニューラルネット
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が、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 ［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、到着予想時
間を正確に演算するために、種々の要素、即ち、現在の
かごの状態、停止階床での乗降人数の予測、現在の応答
呼びの種類、かご呼び発生の予測、新たな乗場呼びに対
する割当の予測、反転階床の予測、各階床の現在の交通
状態などを考慮し、その各々を計算式の１つの要素とし
て演算している。しかし、これらの要素の全てを加味し
た演算により予測を行い、時々刻々と複雑に変化する交
通状態に対応できるように正確に演算しようとすると、
到着予想時間の演算式は更に複雑になり、人間の能力に
限界がある以上、演算精度向上を目指して新しい演算式
を開発することも困難になる。又、一方では、詳細な予
測演算を行うと、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且つ到着予想時間を予報する
という機能を実現することができないという問題点があ
った。

この発明は上記のような問題点を解決するなめになされ
たもので、実際の交通状態や交通量に近似した柔軟な予
測を行うことにより、実際の到着時間に近い精密な到着
時間を予測できるエレベータ制御装置を得ることを目的
とする６ ［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、かご位置、運行
方向及び応答すべき呼びを含む交通状態データを、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、入力データを取り込む入力層
、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５及び、入力層と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、ニューラルネットを構成する
到着予想時間演算手段と、出力データを所定の制御動作
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、
エレベータの稼働中に予め決められた時期になると、所
定の乗場の到着予想時間及びそのときの入力データを記
憶すると共に、かごが所定の乗場に停止又は通過するま
でに経過した時間を計数して実到着時間として記憶し、
記憶された入力データ、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学習用データ作成手
段と、学習用データを用いて到着予想時間演算手段の重
み係数を修正する修正手段とを更に備えたものである。

［作用］ この発明においては、交通状態データをニューラルネッ
トに取り込んで、実際のかご到着時間に近くなるような
演算により到着予想時間を求め、この到着予想時間を用
いて所定目的に沿ったエレベータ動作の制御を行う。

又、この発明の別の発明においては、演算された予測結
果とそのときの交通状態データ及び実測データとに基づ
いて学習用データを作成し、学習用データに基づいて到
着予想時間演算手段にニューラルネット）における重み
係数を自動的に修正することにより、実際の交通状態や
交通需要に近似した柔軟な予測演算を行う。

［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、第２図は第１図内の群管理装置の概略構成を示すブ
ロック図である。

第１図において、群管理装置ｔ＜１０）は、機能的に以
下の手段（ＩＯＡ）〜（１，（ＩＤ）、（ＩＯＦ　＞及
び（ＩＯＣ＞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、かご位置、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（ＩＯＤ）は、後述するように、入力デ
ータを取り込む入力層と、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と、入力層と出力層との間
にあって重み係数が設定された中間層とからなるニュー
ラルネットを含んでいる。

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（ＩＩ）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、以下のように周知の手段（Ｉ
ＩＡ）〜（ＩＩＥ）から構成されている。

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。

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（ＩＩＤ
）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（１１，Ｅ）は、かごの出入
口の戸の開閉を制御する。

又、第２図において、群管理装置ｆ　（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ＣＰ　Ｕ　（１０１）と、
ＲＯＭ　（１０２）　ト、ＲＡ　Ｍ　（１０３）と、入
力回路（１０４）と、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６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（１２）への指令信号とが出力される。

第３図は第１図内のデータ変換手段＜ｌ０Ｃ）及び到着
予想時間演算手段（ＩＯＤ＞の関係を具体的に示す機能
ブロック図である。

第３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、第１
図内のデータ変換手段（ＩＯＣ）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（１０Ｄ＾）は、ニューラルネッ
トがらなり、第１図内の到着予想時間演算手段（ＩＯＤ
）で用いられる予測演算サブルーチンを構成している。

入力データ変換サブユニット（１０Ｃ＾）は、がご位置
、運行方向、応答すべき呼び（即ち、がご呼びや割当て
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（１０Ｄ＾）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（１０Ｄ＾）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（ＩＯＣＡ
）からの入力データを取り込む入力層（１００＾１）と
、到着予想時間に相当するデータを出方データとする出
力層（１０Ｄ＾３）と、入力層（１００＾１）と出力層
（１０Ｄ＾３）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（ＩＯＣＡ１）〜（ＩＯＣＡ３）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（１０Ｄ＾１）、中間層（ＩＯＣＡ２）
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（１０Ｄ＾１）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ＰＬ、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．・・・、ＮＺ ｋ＝１．２．・・・、Ｎ３ とすれば、入力層（１００＾１）の第ｉノードの入力値
及び出力値はｘａｌ（ｉ）及びｙａｌ（ｉＬ中間層（１
０Ｄ＾２）の第ｊノードの入力値及び出力値はｘａ２（
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ｙａ３（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ｗａｌ（ｉ、
ｊ）、中間層（１０ＤＡ２）ノ第ｊ／　−Ｆ　ト出力層
（１０ＤＡ３）ノ第に／−ドとの間の重み係数をｗａ２
（ｊ、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（ｉＮ］　
　　・＋■ｘ　ａ２（ｊ）−Σｆｗａｌ（ｉ、ｊ）Ｘ　
ｙａｌ（ｉ））　　　・・・■（ｉ＝１〜Ｎ１による総
和式） ％式％ （ｊ＝１〜Ｎ２による総和式） ｙａ３（ｋ＞＝１／ｒｌ＋ｅｘｐ（−ｘａ３（ｋ））１
　　　＋＋＋■で表わされる。但し、 ０≦ｗａｌ（ｉ、ｊ）≦１ ０≦ｗ　ａ２（ｊ　、ｋ）≦１ である。

第４図は群管理装置（１０）内のＲＯＭ　（１０２）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５図は第４図内の１号機用板割当て時の到着
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６図は第４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７図は第４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４図を参照しながら、第１図〜第３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、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３３）、もし、登録されていれば、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３４
）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）
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３５）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３６及び３７）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。

次に、割当プログラム（ステップ３８）により、ステッ
プ３４〜３７で演算された到着予想時間ＴａＨｋ）、Ｔ
ａ２（ｋ）、Ｔｂ１（ｋ）及びＴｂ２（ｋ＞に基づいて
、待時間評価値Ｗ１及びＷ２を演算し、この評価値が最
小となるかごを正規の割当かごとして選択する。ごうし
て割当てられたかごには、乗場呼びＣに対応した割当指
令及び予報指令が設定される。尚、待時間評価値Ｗ、及
びＷ２の演算方法については、例えば、特公昭５８−４
８４８４号公報に記載されている。

次に、出力プログラム（ステップ３９）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。

尚、学習用データ作成プログラム〈ステップ４０）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４１）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＞
のネットワークの重み係数を修正する。

このように、群管理装置（１０）は、ステップ３１〜４
１を繰り返し実行して、複数のエレベータかごの群管理
制御を行う。

次に、各ステップ３４〜３７の到着時間予測プログラム
の動作を、第５図を参照しながら、ステップ３４を例に
とって具体的に説明する。

まず、新規の乗場呼び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（１０Ｃ＾）に入力するための
、割当乗場呼びデータを作成する（ステップ５０）。

尚、ステップ３５においては２号機に仮に割当てて割当
乗場呼びデータを作成し、ステップ３６及び３７におい
ては仮割当しない場合の割当乗場呼びデータをそのまま
割当乗場呼びデータとして入力に使用する。

次に、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（ステップ５１）。

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＝　１２．１
３．・　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 ｘａＨｉ）＝０ （ｉ　　＝１．２．・　、２２、１　≠ｆ　）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〜１２階のかご呼びｘａｌ（２３）〜ｘａｌ（
３４）は、登録されていればｒｌ、、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）〜ｘ　ａｌ　（４５）は、割当
されていれば「１」、割当されていなければｒＱ、で表
わされ、１２階〜２階の下り方向の割当乗場呼びｘａｌ
（４６）〜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〜１１１１１の上り方向での５分間乗車人数ｘ
　ａｌ　（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ＮＮｍａｘ（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〜２階の
下り方向での５分間乗車人数ｘａｌ（６８）〜ｘａｌ（
７８）、１階〜１１階の上り方向での５分間降車人数ｘ
ａｌ（７９）〜ｘａｌ（８９）、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！と運行方向とを別々に表わす
こともできる。例えば、かご位置階床がｆのときの、か
ご位１階床を表わす第１ノードの入力値ｘａｌ（１）を
、 Ｘ　ＪＩＨＩ）＝　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「＋ＩＪ、下り方向は「−１」
、無方向は「０」として表わしてもよい。

こうして、ステップ５１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５２
〜５６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ｘａＨｉ）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５２）。

続いて、■式で得られた出力値ｙａｌ（ｉ）に重み係数
ｗａＨｉ、ｊ）を乗算し、且つ、ｉ＝１〜Ｎ１にっいて
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５３）。

続いて、■式で得られた入力値ｘａ２（ｉ）を用いて、
０式より、中間層（１０Ｄ＾２）の出力値ｙａ２（ｊ）
を演算する〈ステップ５４）。

続いて、０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（１０Ｄ八３）の入力値
ｘａ３（ｋ）を演算する（ステップ５５）。

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（１０Ｄ＾３）の出力値ｙ　ａ３（ｋ
）を演算する（ステップ５６）。

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３’　ａ３０）〜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５７）。

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）〜ｙａ３（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　ａ
３（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）＝　　ｙａ３（ｋ）ＸＮＴｍａｘ　　　　　−
−−■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。ここ
で、第にノードの出力値ｙａ３（ｋ）は０〜１の範囲に
正規化されているので、０式のように、最大値ＮＴｓ＋
ａｘ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３４〜
３７）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
ネットに取り込んで到着予想時間を演算するようにした
ので、従来の方式では実現できなかった精度で、実際の
到着時間に近い到着予想時間を求めることができる。更
に、この到着予想時間に基づいて、乗場呼びに対する割
当かごを選択するようにしたので、乗場呼びの待時間の
短縮を計ることができる。

しかし、このネットワークは、ニューラルネット（ＩＯ
Ｄ＾）内の各ノード間を結ぶ重み係数−ａＨｉ、ｊ）及
びｗａ２（ｊ、ｋ）によって変化するので、重み係数ｗ
ａＨｉ、ｊ）及びｗａ２（ｊ、ｋ）を学習によって適切
に変化させ、修正することにより、更に適切な到着予想
時間を決定することができる。

次に、第６図及び第７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４０）及び修正プ
ログラム（ステップ４１）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。

尚、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。

学習用データ作成プログラム（ステップ４０）を詳細に
示す第６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）されており、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（Ｎ　１
　）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ｙ　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ットして実到着時間
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に進む。

又、ステップ６４において、１１１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が、ステップ６３
において実測指令がセットされているので、ステップ６
５に進み、割当かごが乗場呼びＣに応答したか否かが判
定される。

もし、乗場呼びＣの乗場に停止していなければ、ステッ
プ６６に進み、割当かごのかご位置ｆが変化したか否か
が判定される。

何回目か後の演算周期で、かご位Ｗｆの変化が検出され
ると、ステップ６６からステップ６７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
実到着時間ＴＡ（ｆ）で表わされる。

又、更に何回目か後の演算周期のステップ６５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６
８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（実到着時間Ｔ　Ａ　（Ｃ））として記憶する
。

そして、実到着時間の実測指令をリセットして実到着時
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（ステップ６９）。

こうして、乗場呼びの割当が行われた時期に合わせて、
割当されたかごに関する入力データ及び出力データ、並
びに、その後割当かごが乗場呼びＣに応答するまでの間
に停止又は通過した途中階床の各乗場に対するそれぞれ
の実到着時間が、学習用データとして縁り返し作成され
、記憶されていく。

次に、修正手段（１，０Ｇ＞は、第４図内の修正プログ
ラム（ステップ４１）において、学習用データを使用し
、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７図を参照しながら、更に詳
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７２〜７８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
学習用データの中から実到着時間ＴＡ（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　Ｔｍａｘ　　
　−■から求める（ステップ７３）。

次に、ｎ番目の学習用データの中から取り出した出力層
（１０Ｄ＾３）の出力値ｙ　ａ３（１）−ｙ　ａ３（Ｎ
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＝ΣＮｄａ（ｋ）　　ｙａ３（ｋ））’
］／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（１０Ｄ＾２）と出力層（１０Ｄ＾３）との間
の重み係数ｗ　ａ　２（ｊ、ｋ）（ｊ・１，２．−・・
、Ｎ２、ｋ＝１．２．−、Ｎ３）を以下のように修正す
る（ステップ７４）。

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／θｗａ２（ｊ、ｋ））＝−α
・ｄａ２（ｋ）・ｙ　ａ２（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）　＝　ｆｙａ３（ｋ）−ｄａ（ｋ）ｌｙａ
３（ｋ）　ｆｌ−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）十Δｗａ２（ｊ、
ｋ）　　−’ＨＥ又、同様に、入力層（１０Ｄ＾１）と
中間層（ＩＯＤ＾２）との間の重み係数ｗａｌ（ｉ　ｊ
）（ｉ４．２．−　、Ｎｌ、ｊｌ、２．−Ｎ２）を、以
下の０式及び０式に従って修正する（ステップ７５）、
。

まず、重み係数ｗａｌ（ｉｊ＞の変化ＩΔｗａｌ（ｉ、
ｊ）を、 △ｗａｌ（ｉ、ｊ）−一α・δａｌ（ｊ）・ｙａｌ（ｉ
＞　　・・・■から求める。但し、０式において、δａ
ｌ（ｊ）は以下の、ｋ＝１〜Ｎ３による総和式、 δａｌ（ｊ）＝Σ（ｄａ２（ｋ）・ｗａ２（ｊ、ｋ）　
・ｙａ２（ｊ）Ｘ　［１−ｙ　ａ２（ｊ）］ｆ ｌ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ｗａｌ（ｉ、
ｊ）の修正が行われる。

ｗａｌ（ｉ、ｊ）←ｗａｌ（ｉ、ｊ）＋ΔｗａＨｉ、ｊ
）　　・・・＠尚、以上のステップ７４及び７５では、
教師データが存在する乗場に関係した重み係数のみが修
正される。即ち、学習用データ作成プログラム（第６図
）で説明したように、割当時のかご位置と乗場呼びＣの
乗場との間の途中階床の乗場に対してのみしか、実到着
時間を教師データとして記憶しないので、それ以外の乗
場に関する重み係数を修正しないようにしている。

こうして、ｎ番目の学習用データによる修正ステップ７
３〜７５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７６）、ステップ７７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（０２
ｍとなる）まで、ステップ７３〜７６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ｗａ２
（ｊ、ｋ）を到着予想時間演算手段（ＩＯＤ＞に登録す
る（ステップ７８）。

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、実測値に基づいて学習用データを作成し、
これら学習用データにより到着予想時間演算手段（ＩＯ
Ｄ＞の重み係数ｗａＨｉ、ｊ）及びｗａ２（ｊ、ｋ）を
それぞれ修正するようにしたので、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る。

又、交通の流れの特徴を表わす入力データとして、過去
に統計した乗場側の５分間乗車人数と降車人数を使用し
たので、時々刻々と変化する交通の流れに対して、かご
位置、運行方向、及び、応答すべき呼びだけを入力デー
タとした場合に比べて、−層柔軟で正確な予測演算を実
現することができる。

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０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
、かご呼びの継続時間、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（か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、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、割当かごの各乗場への到着予想時
間及びそのときの入力データ、並びに、その後、割当か
ごが乗場呼びに応答するまでに停止又は通過した乗場に
対する実到着時間を一組の学習用データとして記憶する
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０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）を越ノ
な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もよい
、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、所定階床に停止し
ているとき、あるいは、かごが所定の状態（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、学習用データ作成手段（ＩＯＦ）は、割当した乗場
呼びに割当かごが応答する諌でに停止又は通過した乗場
を対象とした実到着時間のみしか教師データとして記憶
しないようにし、修正手段（ＩＯＧ）による重み係数の
修正時に、記憶した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、教師データの抽出の仕方は、
これに限られるものではない１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ができた
実到着時間とを記憶するようにして、教師データが存在
する乗場に関係する重み係数のみを修正するようにして
もよい、ここで、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
かごく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、到着予想時間演算手段（ＩＯＤ）は、記憶された学
習用データの数が所定数に達する毎に重み係数を修正す
るようにしたが、重み係数の修正時期はこれに限られる
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、それまでに記憶された学習用データを用
いて重み係数を修正するようにしてもよく、交通が閑散
になって到着予想時間演算手段（ＩＯＣ）による到着予
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
するようにしてもよい。

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）＃ｉ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］ 以上のようにこの発明によれば、かごの位置、運行方向
及び応答すべき呼びを含む交通状態データを、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、入力データを取り込む入力層、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
、及び、入力層と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、ニューラルネットを構成する到着
予想時間演算手段と、出力データを所定の制御目的に使
用できる形に変換する出力データ変換手段とを備え、交
通状態データをニューラルネットに取り込んで、かごが
乗場に到着するまでに要する時間を到着予想時間として
演算するようにしたので、実際の到着時間に近くなるよ
うな演算により到着予想時間を求めることができると共
に、この正確な到着予想時間に基づいて群管理の性能を
向上させることの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、所定のかごの到着予想
時間及びそのときの入力データ、並びに、所定のかごの
実到着時間を記憶し、これらを−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
いて到着予想時間演算手段の重み係数を修正する修正手
段とを更に備え、演算された予測結果とそのときの交通
状態データ及び実測データとに基づいて、ニューラルネ
ットにおける重み係数を自動的に修正するようにしたの
で、実際のビル内の交通の流れの変化にも自動的に対応
でき、更に到着時間の予測精度の高いエレベータ制御装
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
管理装置の概略構成を示すブロック図、第３図は第１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４図は第２図内のＲＯＭ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５図は第４図内の１号機用の仮割当て時の到着時間
予測演算プログラムを具体的に示すフローチャート図、
第６図は第４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７図は第４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。 （１０Ｃ・・データ変換手段 （１０Ｃ＾）・・入力データ変換サブユニット（ＩＯＣ
Ｂ・・・出力データ変換サブユニット（１０Ｄ＾）・・
・ニューラルネット （１０Ｄ＾）・・・入力層　　　　（１０Ｄ＾２）・・
・中間層（１０Ｄ＾３）・・・出力層 （ＩＯＤ　）・・・到着予想時間演算手段（ＩＯＦ＞・
・・学習用データ作成手段（ＩＯＣ）・・・修正手段 ｗａｌ（ｉ、ｊ）、ｗａ２（ｊ、ｋ）−重み係数部、図
中、同一符号は同−又は相当部分を示す。 第２図

Claims (2)

【特許請求の範囲】
1. （１）エレベータのかごが乗場に到着するまでに要する
   時間を到着予想時間として予測演算し、前記到着予想時
   間を用いて前記かごの動作を制御するエレベータ制御装
   置において、 前記かごの位置、運行方向及び応答すべき呼びを含む交
   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、前記到着予想時間に
   相当するデータを出力データとする出力層、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到着
   予想時間演算手段と、 前記出力データを所定の制御動作に使用できる形に変換
   する出力データ変換手段と、 を備えたことを特徴とするエレベータ制御装置。
2. （２）エレベータの稼働中に予め決められた時期になる
   と、所定の乗場の到着予想時間及びそのときの入力デー
   タを記憶すると共に、かごが前記所定の乗場に停止又は
   通過するまでに経過した時間を計数して実到着時間とし
   て記憶し、記憶された前記入力データ、前記到着予想時
   間及び前記実到着時間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到着予想時間演算手段の重み
   係数を修正する修正手段と、 を更に備えたことを特徴とする特許請求の範囲第１項記
   載のエレベータ制御装置。