JPH06329352A - エレベータの運行需要予測装置 - Google Patents

Abstract

(57)【要約】 【目的】 毎日の極め細かな変動に対応した交通流の予
測や、特定時刻や特定事象と相関の高いホール呼びやか
ご呼びの発生予測が行えるエレベータの運行需要予測装
置の提供。 【構成】 記憶されている過去の交通情報と現在の交通
情報とを用いて短時間後のエレベータ運行の需要予測を
行なう需要予測判定装置３を具備するエレベータの需要
予測装置において、需要予測判定装置３は、ホール呼び
情報やかご呼び情報等の交通情報を収集する交通情報収
集部９と、収集された交通情報を分類してそれぞれ記憶
する長期情報記憶部１２及び一時情報記憶部１１と、長
期情報記憶部１２の記憶内容に基づいて所要の学習を行
う学習部１３と、学習部１３の学習結果を一時情報記憶
部１１の記憶内容により変更する需要予測部１４を含
む。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、エレベータ運行需要の
予測を行うエレベータの運行需要予測装置に係わり、特
に、毎日の極め細かい交通量の変動に十分対処するため
に短時間後の交通流の予測を行い、その運行予測出力を
発生するエレベータの運行需要予測装置に関する。

【０００２】

【従来の技術】従来、エレベータの運行需要予測装置と
しては、既にいくつかの装置が開発されており、その中
には、下記に挙げるような装置が含まれている。

【０００３】まず、特開昭５９ー１５３７７０号に開示
の装置は、毎日の各種の交通パターンの発生時刻を検
出、記録しておき、その記録を基にして、現在または将
来における各種の交通パターンの発生時刻を予測するよ
うにしているものである。

【０００４】次に、特開昭５９ー４８３６９号に開示の
装置は、各階床における上下方向の乗降客人数の測定を
行い、この測定時に得られたパターンを交通流モードと
して学習し、過去数分間の間の上下方向の乗降客人数か
ら所要の交通流モードの判定を行い、ここで判定された
モードに従って異なる運転制御を行なうものであって、
既定モードに合致しないモードが生じたときには、新た
な交通流モードとして記憶させ、同時に、この新たな交
通流モードに適合する新しいプログラムを自動作成する
ことにより、いかなる交通流モードの変化に対しても自
ら適合可能な運行システムが作成できるようにしたもの
である。

【０００５】続いて、特開昭５７ー６２１７９号に開示
の装置は、既にサービスしたかご呼び及びホール呼びを
それぞれテーブルに記憶しておき、その記憶結果に基づ
いて呼びの発生確率を学習させることにより、以後の呼
びの発生を予測するものである。

【０００６】続く、特開昭６０ー１０６７７４号に開示
の装置は、各ホール呼びに応答した際に発生するかご呼
びの発生需要等のデータを常時格納しておき、この格納
データに基づいて、ホール呼びに派生して作成される派
生かご呼びを予測することにより、サービス性の向上を
計るようにしたものである。

【０００７】次いで、特開昭６０ー２３２３７８号に開
示の装置は、派生かご呼びの有意性を学習による期待値
と実際に発生した需要との間で検定を行い、真に有効な
データのみを使用することによって、性能を向上させる
ようにしたものである。

【０００８】続く、特開昭６１ー１３０１８８号に開示
の装置は、過去の所定時間帯における平均かご呼び発生
数と、それと同一時間帯における現在のかご呼び発生数
との比率を、過去の平均乗り場呼び発生数に乗算させる
ことにより、乗り場呼び発生頻度を予測するものであ
る。

【０００９】

【発明が解決しようとする課題】しかしながら、前記既
知の各エレベータの運行需要予測装置の中で、前記特開
昭５９ー１５３７７０号に開示の装置は、毎日の各種交
通パターン（交通流）の発生時刻をビル毎に調整して、
前記各種交通パターンの発生時刻の予測を正確に行うこ
とができるものの、ビル毎に異なる交通パターンがあっ
て、予めいくつかの交通パターンを設定しただけでは、
多様な用途にそれぞれ対応させることができないという
点に問題がある。

【００１０】また、前記特開昭５９ー４８３６９に開示
の装置は、前記問題点を改善するようにしたものであっ
て、未だ設定されていない交通流（交通パターン）が観
測されたときには、この交通流を新たな交通流モードと
して学習させ、かつ、この交通流モードに適した制御プ
ログラムを求めて、それ以降、この交通流については新
たな交通流モードとして認識し、このモードに適した制
御を行なうことを可能としたものである。そして、前記
装置は、ある一定時間内の交通流の特徴を捉えるように
している点では優れたものであるが、開始時刻の若干の
変動や交通量の変動が生じた際には、その変動に正しく
対処させることができないという新たな問題がある。即
ち、前記装置は、前記変動の範囲が極めて小さいかまた
は前記変動が殆んどないときには、新規交通流モードを
作成する機能によって多様な用途に対応させることがで
きるものの、毎日の種々の細かな変動の全てに対応させ
るためには、膨大な数の交通流を予め作成しておかなけ
ればならず、そのことは実用上不可能なことである。

【００１１】さらに、前記特開昭５７ー６２１７９号、
特開昭６０ー１０６７７４号、特開昭６０ー２３２３７
８号、特開昭６０ー２３２３７８号、特開昭６１ー１３
０１８８号にそれぞれ開示の装置は、いずれも、呼びの
発生に基づいて派生かご呼びの発生を予測するものでは
あるものの、ホール呼びの発生や特定階のホール呼びが
発生する以前に、かご呼び等を予測することは何等考慮
されていないものであり、未だに予測が不十分なもので
ある。

【００１２】本発明は、前記問題点や不都合な点を解消
させるものであって、その目的は、毎日の極め細かな変
動に対応した交通流の予測、及び、特定時刻に発生する
特定事象の相関関係からホール呼びやかご呼びの発生予
測を行うことができるエレベータの運行需要予測装置を
提供することにある。

【００１３】

【課題を解決するための手段】前記目的の達成のため
に、本発明は、記憶されている過去の交通情報と現在の
交通情報とを用いて短時間後のエレベータ運行の需要予
測を行なう需要予測判定装置を具備してなるエレベータ
の需要予測装置において、前記需要予測判定装置は、ホ
ール呼び情報やかご呼び情報等の交通情報を収集する交
通情報収集部と、前記収集された交通情報を分類してそ
れぞれ記憶する長期情報記憶部及び一時情報記憶部と、
前記長期情報記憶部の記憶内容に基づいて所要の学習を
行う学習部と、前記学習部で得られた学習結果を前記一
時情報記憶部の記憶内容により変更する需要予測部とを
含んでいる第１の手段を備える。

【００１４】また、前記目的の達成のために、本発明
は、記憶されている過去の交通情報と現在の交通情報と
を用いて短時間後のエレベータ運行の需要予測を行なう
需要予測判定装置を具備してなるエレベータの需要予測
装置において、前記需要予測判定装置は、ホール呼び情
報やかご呼び情報等の交通情報を収集する交通情報収集
部と、前記収集された交通情報の中の一時情報を記憶す
る一時情報記憶部と、ニューラルネットワークとを含
み、前記ニューラルネットワークは、前記収集された交
通情報の中の長期情報を長期的に記憶し、前記記憶され
た長期情報に基づいて所要の学習を行い、その学習結果
を前記一時情報記憶部の記憶内容により変更するもので
ある第２の手段を備える。

【００１５】

【作用】前記第１の手段によれば、交通情報収集部は、
ホール呼び情報やかご呼び情報、それにかご内人数や乗
降人数等の交通情報の収集を行い、それと同時に、必要
に応じて、一般情報収集部は、その他の交通流に関係の
ある情報の収集を行い、これら収集した各情報は、分類
された後、一時情報記憶部及び長期情報記憶部に送ら
れ、そこに格納記憶される。学習部は、長期情報記憶部
に格納されている情報に基づいて各事象の相関関係や特
徴の学習を行う。需要予測部は、一時情報記憶部の現時
点の収納情報と、学習部の学習結果によって得られた各
事象の相関関係や特徴に基づいて、短時間後に発生する
事象の予測を行うものであるが、この予測に際して、一
時情報記憶部の収納情報が一定のパターンに適合してい
るかどうかの予測が行われるだけでなく、各事象の発生
時刻およびその発生間隔、各事象の大きさ等も考慮して
予測が行なわれる。

【００１６】従って、前記第１の手段によれば、毎日の
極め細かな変動を考慮した、各時点毎に最も適した正確
な交通流の予測を行うことができ、特定時刻に発生する
特定事象における相関関係からホール呼びやかご呼びの
予測を行うことができる。

【００１７】また、前記第２の手段によれば、交通情報
収集部は、ホール呼び情報やかご呼び情報、それにかご
内人数や乗降人数等の交通情報の収集を行い、それと同
時に、必要に応じて、一般情報収集部は、その他の交通
流に関係のある情報の収集を行い、これら収集した各情
報は、長期情報と一時情報とに分類された後、ニューラ
ルネットワーク及び一時情報記憶部に送られ、そこに格
納記憶される。前記ニューラルネットワークは、格納さ
れている長期情報に基づいて各事象の相関関係や特徴の
学習を行い、また、一時情報記憶部の現時点の収納情報
と、前記学習によって得られた各事象の相関関係や特徴
に基づいて、短時間後に発生する事象の予測を行うもの
で、その予測の形態は、前記第１の手段で述べた予測の
形態とほぼ同じである。

【００１８】このように、前記第２の手段によれば、前
記第１の手段で得られる作用と同様の作用が得られる他
に、需要予測判定装置の構成を簡素化できるという作用
もある。

【００１９】

【実施例】以下、本発明の実施例を図面を用いて詳細に
説明する。

【００２０】図１は、本発明に係わるエレベータの運行
需要予測装置の構成の概要を示すブロック構成図であ
る。

【００２１】図１において、１はホール呼び収集部、２
はかご呼び情報収集部、３は需要判定装置、４は外部情
報源、５は群管理制御装置、６はエレベータ制御装置、
７はエレベータ乗りかご、７₁ はかご内呼び釦、８はホ
ール呼び釦、８₁ は１階ホール呼び釦、８_n はｎ階ホー
ル呼び釦、９は交通情報収集部、１０は一般情報収集
部、１１は一時情報記憶部、１２は長期情報記憶部、１
３は学習部、１４は需要予測部である。

【００２２】そして、ホール呼び収集部１は各別に１階
のホール呼び釦８₁ 乃至ｎ階のホール呼び釦８_n に結合
され、かご呼び情報収集部２はエレベータ制御装置６に
結合される。エレベータ制御装置６はエレベータ乗りか
ご７内にあるかご内呼び釦７₁ に結合される。需要判定
装置３は、交通情報収集部９と、一般情報収集部１０
と、一時情報記憶部１１と、長期情報記憶部１２と、学
習部１３と、需要予測部１４とを備えており、これら各
部９乃至１３は、図示のように互いに結合される。外部
情報源４は一般情報収集部１０に結合され、群管理制御
装置５は需要予測部１４に結合される。また、ホール呼
び収集部１は交通情報収集部９に結合され、かご呼び情
報収集部２も交通情報収集部９に結合される。

【００２３】前記構成によるエレベータの運行需要予測
装置は、概略次のように動作する。

【００２４】まず、ホール呼び収集部１は、ホール呼び
釦８、即ち、１階ホール呼び釦８₁乃至ｎ階ホール呼び
釦８_n で得られた釦情報を収集し、ここで収集したホー
ル呼び情報を交通情報収集部９に供給する。かご呼び情
報収集部２は、乗りかご７の位置及びかご呼び釦７₁ で
得られた釦情報等の情報（以下、この情報をかご呼び情
報という）を収集し、ここで収集したかご呼び情報を同
じく交通情報収集部９に供給する。一方、外部情報源４
は、エレベータに関連した一般情報を収集し、この収集
した一般情報を一般情報収集部１０に供給する。次に、
交通情報収集部９及び一般情報収集部１０に供給された
各種の情報は、一時的な記憶を行うのに適した一時記憶
情報であるか、または、長期の記憶に適した長期記憶情
報であるか等の情報内容に応じて分類された後、各別
に、一時情報記憶部１１及び長期情報記憶部１２に送ら
れ、それぞれ収納記憶される。続いて、学習部１３は、
長期情報記憶部１２に記憶収納されている長期記憶情報
に基づいた学習を行い、その学習結果を需要予想部５に
供給する。なお、この学習部１３における学習の内容
は、以下において詳述する。需要予測部５は、一時情報
記憶部１１に記憶収納された一時記憶情報に基づき、前
記学習結果の中から最も適した交通流の選択を行い、そ
こで選択された交通流を運行予測出力として群管理制御
装置５に供給する。管理制御装置５は、前記運行予測を
基にして、ホール呼び等に対するサービスエレベータの
決定等の制御を行なう。

【００２５】次に、図２は、本発明に係わるエレベータ
の運行需要予測装置の第１の実施例を示すブロック構成
図であって、図１に示された学習部１３を、相関計算部
と相関関係テーブルとで構成したものである。

【００２６】図２において、１５は相関計算部、１６は
相関関係テーブル、１７は時計部であり、その他、図１
に示された構成要素と同じ構成要素には同じ符号を付け
ている。

【００２７】そして、相関計算部１５は、入力が一時情
報記憶部１１と長期情報記憶部１２とに結合され、出力
が相関関係テーブル１６に結合される。相関関係テーブ
ル１６の出力は、需要予測部１４の入力に結合され、時
計部１７は、一時情報記憶部１１と長期情報記憶部１２
とに結合されている。

【００２８】ところで、本実施例は、各事象の相関及び
特徴を求めるものであって、以下、その動作について詳
しく説明する。

【００２９】始めに、交通情報収集部９は、ホール呼び
収集部１が収集したホール呼び情報及びかご呼び情報収
集部２が収集したかご呼び情報を受領し、それらの情報
をその内容に応じて分類した後、それぞれ一時情報記憶
部１１と長期情報記憶部１２に供給し、そこに収納記憶
させる。この場合、一時状記憶部１１は、供給された情
報と、その情報の発生時刻を示す時計部１７からの時間
情報とを相関計算部１５に供給する。長期情報記憶部１
２は、供給された情報とともに、時計部１７からその情
報の発生時刻を示す時間情報を合わせて収納記憶する。

【００３０】次に、相関計算部１５は、長期情報記憶部
１５の収納記憶内容から長期的な事象の相関関係の計算
を行うものであるが、ここでいう長期的な事象の相関関
係とは、例えば、火曜日の８時３０分頃にロビー階から
の乗り人数が多いときには、同日の１０時３０分頃に特
定階からの乗り人数が多くなるというような関係をいう
もので、このような関係を各事象間の相関係数または発
生確率として相関関係テーブル１６に書込み記憶させ
る。これと同時に、相関計算部１５は、一時情報記憶部
１１の収納記憶内容から一時的な事象間の相関関係を計
算し、同じく相関関係テーブル１６に書込み記憶させ
る。ここにおいて、一時的な事象間の相関関係とは、例
えば、１０分前、５分前、現在の交通量から５分後の交
通量を予測するというものである。

【００３１】続いて、需要予測部１４は、一時情報記憶
部１１から受領した現在の交通状況に適合したものを相
関関係テーブル１６に書込んだ記憶内容の中から見つけ
出し、ここで得られた相関関係テーブル１６の内容を基
に運行需要を予測するもので、この運行需要予測出力は
群管理制御装置５に供給される。

【００３２】このように、本実施例によれば、長期情報
記憶部１２に収納記憶された情報内容によって周期的、
大局的な相関関係に基づいた予測を行ない、かつ、一時
情報記憶部１１の情報によって一時的な事象の相関関係
に基づいた予測を行なうことができるもので、大局的、
周期的な予測を、現在の状況に応じて修正することによ
り、詳細かつ正確な予測を行なうことが可能になる。

【００３３】また、一般に、相関関係の計算を行うに
は、大規模な計算機による膨大な量の計算を必要とする
ものの、前記相関関係の計算を行うことにより、どのよ
うな事象と事象との間の関係が深いかが数値的に把握で
き、しかも、１つのビルで学習した相関関係を他のビル
の相関関係への適用が容易であって、誤った学習の指摘
も容易である。

【００３４】続く、図３は、図２に示された実施例を、
交通量の予測に適用した場合を示す説明図である。

【００３５】図３において、（ａ）は、時刻ｔ１に到る
までの交通量状況から時刻ｔ２における交通量状況を予
測する場合を示すものであり、（ｂ）は、長期情報記憶
部１２に記憶されている各種の交通量データの一例を示
すものである。なお、各図の横軸は時刻ｔ、縦軸は交通
量であり、その他、図１に示された構成要素と同じ構成
要素には同じ符号を付けている。

【００３６】図３について説明すると、未だ到来しない
時刻ｔ２の交通量ｅを予測するためには、現在の時刻ｔ
１の交通量ｄ及び過去の交通量ａ、ｂ、ｃが使用される
もので、前記交通量の変遷ａ、ｂ、ｃ、ｄに対応する変
遷を有するこれまでの交通量変遷データを、既に長期情
報記憶部１２に記憶されている交通量変遷データの中か
ら選び出し、その選び出した交通量変遷データに基づい
て前記時刻ｔ２の交通量ｅの状況予測を行なうものであ
る。この予測に対して、時刻ｔ２の交通量の実測値がｆ
となり、前記予測値ｅと異なるものであったときには、
時刻ｔ２の交通量がｅとなる交通量変遷データを修正デ
ータとし、長期情報記憶部１２の記憶内容を修正するよ
うにする。また、一時情報記憶部１１の記憶データに基
づく相関関係は、毎日の偏差を修正するために、前記変
遷ａ、ｂ、ｃ、ｄという過去、現在の交通量を基にし
て、長期情報記憶部１２に記憶されている交通量変遷デ
ータの予測の修正を行なう。

【００３７】なお、図２に示された実施例及び以下に述
べる各実施例においては、外部情報源４及び一般情報収
集部１０の図示を省いており、前記外部情報源４及び一
般情報収集部１０は、必ずしも使用を必要とするもので
はないが、一般情報収集部１０内に、例えば、ビルの入
口の前にある信号機の周期、電車及び／またはバス等の
運行（到着）時刻、会議イベント、昼休の開始及び終了
時刻等、エレベータに関連する情報を収納記憶させてお
けば、より正確な運行需要の予測を行うことが可能とな
る。

【００３８】次いで、図４は、本発明に係わるエレベー
タの運行需要予測装置の第２の実施例を示すブロック構
成図であって、図１に示された学習部１３を、重回帰分
析部と回帰式テーブルとで構成したものである。

【００３９】図４において、１８は重回帰分析部、１９
は回帰式テーブルであり、その他、図２に示された構成
要素と同じ構成要素には同じ符号を付けている。

【００４０】そして、重回帰分析部１５は、入力が一時
情報記憶部１１と長期情報記憶部１２とに結合され、出
力が回帰式テーブル１９に結合される。回帰式テーブル
１９の出力は、需要予測部１４の入力に結合される。

【００４１】ここで、本実施例は、図３（ｂ）に示され
るような交通量変遷データから重回帰分析を行なってそ
の回帰式を求め、この求めた回帰式により交通量の予測
を行なうものであって、以下、その動作について説明す
る。

【００４２】交通情報収集部９は、ホール呼び情報及び
かご呼び情報を内容に応じて分類し、それぞれ一時情報
記憶部１１と長期情報記憶部１２に収納記憶させる。こ
の場合も、一時情報記憶部１１は、供給された情報と、
その情報の発生時刻を示す時間情報とを重回帰分析部１
８に供給し、長期情報記憶部１２は、供給された情報と
ともに、その情報の発生時刻を示す時間情報を合わせて
収納記憶する。

【００４３】重回帰分析部１８は、長期情報記憶部１５
の収納記憶内容から長期的な事象の重回帰分析を行い、
その分析結果から回帰式を求め、回帰式テーブル１９に
書き込み記憶させる。

【００４４】需要予測部１４は、一時情報記憶部１１か
ら受領した現在の交通状況に適合した回帰式を回帰式テ
ーブル１９に書込んだ記憶内容の中から見つけ出し、こ
こで得られた回帰式を基に運行需要を予測する。この場
合、回帰式に、現時点と過去数点のデータによって毎日
の偏差を修正する修正項を設ければ、より正確な予測を
行なうことができる。また、運行需要予測出力は、前例
と同様に群管理制御装置５に供給される。

【００４５】なお、本実施例は、重回帰分析による回帰
式による予測を行なっているが、回帰式の代わりにカル
マンフィルタによる予測を行なうようにしてもよい。

【００４６】このように、本実施例においても、重解析
分析部１８による予測結果と、一時情報記憶部１１から
の実測結果との比較による回帰式の修正、及び、一時的
データによる毎日の偏差の修正を行なうようにすれば、
各ビルに適合した正確な運行需要の予測を行うことが可
能になる。

【００４７】続いて、図５は、本発明に係わるエレベー
タの運行需要予測装置の第３の実施例を示すブロック構
成図であって、図１に示された交通情報収集部９、一時
情報記憶部１１を除いた各部をニューラルネットワーク
により構成したものである。

【００４８】図５において、２０はニューラルネットワ
ークであり、その他、図２に示された構成要素と同じ構
成要素には同じ符号を付けている。

【００４９】そして、ニューラルネットワーク２０は、
入力が交通情報収集部９、時計部１７、一時情報記憶部
１１に結合され、出力が群管理制御装置５に結合され
る。この場合、ニューラルネットワーク２０は、それ自
体が学習機能及び情報記憶機能を有しているので、前記
第１の実施例や第２の実施例に比べて、その構成が極め
て簡素化されるという特徴を有している。

【００５０】前記構成による本実施例は、次のような動
作をする。

【００５１】まず、交通情報収集部９は、前記第１の実
施例や第２の実施例と同様に、ホール呼び情報及びかご
呼び情報を収集し、ここで収集したこれらの交通情報を
長期記憶情報と一時記憶情報とに分類する。次いで、前
記長期記憶情報はニューラルネットワーク２０に供給さ
れ、前記一時記憶情報は一時情報記憶部１１に供給され
る。時計部1７は、現時点の時刻情報をニューラルネッ
トワーク２０及び一時情報記憶部１１に供給する。この
とき、ニューラルネットワーク２０において短時間ｔ_n
後の交通量の予測を行うものとすれば、ニューラルネッ
トワーク２０は、現在の交通量と一時情報記憶部１１に
記憶されている過去のいくつかの交通量、それに、現在
の時刻情報に基づいて前記短時間ｔ_n 後の交通量の予測
値を出力させ、この交通量予測値を群管理制御装置５に
供給する。そして、時間が経過し、予測を行なった時刻
ｔ_n になったとき、ニューラルネットワーク２０は、一
時情報記憶部１１に記憶されている前記予測に使用した
いくつかの交通量を入力させるとともに、前記時刻ｔ_n
に得られた実測交通量を教師信号として学習を行い、そ
の学習結果を記憶させるように働くものである。

【００５２】このように、本実施例によれば、前記第１
の実施例や第２の実施例と同様の機能を達成することが
できるだけでなく、ニューラルネットワーク２０の使用
により、乗用予測判定装置３の構成を簡単にすることが
できるものである。

【００５３】ところで、ニューラルネットワーク２０に
おいては、学習状態が収束するまでの間、予測の適中率
が良好でないという性質があり、前記第３の実施例のよ
うに、１つのニューラルネットワーク２０だけを用い
て、学習と予測を交互に実行させるような場合には、十
分な正答率を得ることができない場合がある。

【００５４】続く、図６は、本発明に係わるエレベータ
の運行需要予測装置の第４の実施例を示すブロック構成
図であって、ニューラルネットワークを予測用と学習用
の２組用い、予測と学習を別個のニューラルネットワー
クに実行させ、予測の正答率を向上させるようにしたも
のである。

【００５５】図６において、２１は第１のニューラルネ
ットワーク、２２は第２のニューラルネットワーク、２
３は判定切換部であり、その他、図２に示された構成要
素と同じ構成要素には同じ符号を付けている。

【００５６】そして、第１のニューラルネットワーク２
１及び第２のニューラルネットワーク２２は、入力が交
通情報収集部９、時計部１７、一時情報記憶部１１にそ
れぞれ結合され、出力が判定切換部２３に結合される。
判定切換部２３は、一時情報記憶部１１と群管理制御装
置５に結合される。

【００５７】本実施例の動作について説明するが、始め
に、第１のニューラルネットワーク２１が予測用であ
り、第２のニューラルネットワーク２２が学習用である
ものとして説明する。長期記憶情報が予測用（第１の）
ニューラルネットワーク２１及び学習用（第２の）ニュ
ーラルネットワーク２２に供給され、一時記憶情報が一
時情報記憶部１１に供給される点は、前記第４の実施例
と全く同じである。このとき、予測用ニューラルネット
ワーク２１は、交通情報収集部９からの長期記憶情報、
時計部１７からの時刻情報、一時情報記憶部１１からの
一時記憶情報を基にして、短時間ｔ_n 後の交通量の予測
を行ない、その予測出力を群管理制御装置５に供給す
る。一方、学習用ニューラルネットワーク２２も、同様
に、前記長期記憶情報、前記時刻情報、前記一時記憶情
報を基にして、短時間ｔ_n 後の交通量の予測を行なう。
そして、時間が経過し、予測を行なった時刻ｔ_n に交通
量の実測値が得られたとき、判定切換部２３が予測用ニ
ューラルネットワーク２１の予測計算結果と学習用ニュ
ーラルネットワーク２２の予測計算結果とを比較し、学
習用ニューラルネットワーク２２の予測計算結果が予測
用ニューラルネットワーク２１の予測計算結果より前記
実測値に近かったときには、次回の予測においては、学
習用ニューラルネットワーク２２を判定用（第２の）ニ
ューラルネットワーク２２とし、かつ、判定用ニューラ
ルネットワーク２１を学習用（第１の）ニューラルネッ
トワーク２１として、学習及び予測が行われるように切
換える。一方、判定用（第１の）ニューラルネットワー
ク２１の予測計算結果が学習用（第２の）ニューラルネ
ットワーク２２の予測計算結果より前記実測値に近かっ
たときには、判定用（第１の）ニューラルネットワーク
２１は、一時情報記憶部１１に記憶されている前記予測
に使用したいくつかの交通量を入力させるとともに、前
記時刻ｔ_n に得られた実測交通量を教師信号として学習
を行い、その学習結果を記憶させるようにする。

【００５８】なお、第１及び第２のニューラルネットワ
ーク２１、２２における判定用及び学習用の機能の切換
えに際して、その切換えを単に１回の予測計算結果の前
記判定だけで行なったときには、その切換えが頻繁に行
われ、需要予測判定装置３の動作安定性を損なうことも
考えられるが、このような場合には、数回連続して学習
用ニューラルネットワーク２２が判定用ニューラルネッ
トワーク２１より前記実測値に近い予測計算結果を出力
したとき、始めて切換えを行うようにすればよい。

【００５９】また、ニューラルネットワークを構成する
場合に、デジタル計算機上のプログラムによって実現す
るようにすれば、各ニューロン結合部の重み係数テーブ
ルを２組用意するだけで、同じプログラムを使用して判
定用及び学習用ニューラルネットワークを構成すること
ができる。

【００６０】さらに、本実施例においては、２組のニュ
ーラルネットワーク２１、２２を用いた場合について説
明したが、学習用ニューラルネットワークとして複数の
ニューラルネットワークを設けるようにしてもよく、学
習用または予測用ニューラルネットワークを用いる代わ
りに重回帰分析や相関係数、カルマンフィルタ等の予測
手段を採用し、一番実測値に近いものが得られた手段を
予測用に用いるように変更してもよい。

【００６１】このように、本実施例によれば、少なくと
も第１及び第２のニューラルネットワーク２１、２２を
用い、それらを学習用と判定用とに分けて予測を行なう
ようにしているので、学習用ニューラルネットワークの
学習状態が収束するまで、判定用ニューラルネットワー
クを用いて安定した予測を行うことができるものであ
る。そして、学習用ニューラルネットワークの学習状態
が収束し、より正確な予測ができるようになった時点に
おいて、予測用ニューラルネットワークに切換えるよう
にすれば、各ビルの特徴や経年変化に対応したエレベー
タの需要予測を安定した状態で実行することが可能にな
る。

【００６２】これまで述べた各実施例においては、短時
間後の交通量の予測を行なう場合を例にして説明してき
たが、本発明は、前記交通量の予測を行なう場合に留ま
るものではなく、各階の交通量や行先等を含めた交通流
についても、前記交通量と同様に、予測することが可能
である。

【００６３】続く、図７は、呼び発生の予測を行なう場
合の説明図であって、（ａ）は住居用エレベータにおけ
る各時刻に対応した各階床の呼び状態の一例を示し、
（ｂ）はテナントビル等のエレベータにおける各時刻に
対応した各階床の呼び状態の一例を示すものである。

【００６４】図７（ａ）、（ｂ）において、横軸が時
刻、縦軸が呼びの発生確率を示し、各時刻に各階床にお
いてホール呼びの発生確率を示すものである。

【００６５】図７（ａ）に示されるように、高層住宅に
設置されている住居用エレベータでは、特に、朝の出勤
時間帯におけるホール呼びはほぼ一定の時間に集中して
発生する。この理由は、前記住居用のエレベータにあっ
ては、早朝の時間帯に各階床の利用者はほぼその階の住
人に限られ、また、前記時間帯の利用者は殆んど出社時
間、始業時間等が決まっている通勤通学客であることか
ら、同時刻に同一人が利用することが多く、しかも、か
ご呼びは出口である１階であることが多いためである。
従って、前記住居用エレベータでは、時間帯により各階
の呼びの発生がほぼ一定時刻に発生するようになるの
で、前記各階の呼びの発生を予測することが容易にな
り、しかも、前記予測を使用して呼び発生予定階へのか
ごの先行配置や割当ての効率化というような群管理制御
を行うことができるようになる。

【００６６】また、図７（ｂ）に示されるように、１つ
のビルを数社が使用しているテナントビル等に設置され
ているエレベータでは、ある特定の階のホール呼びが発
生すると、それから何分か後に、他の特定の階のホール
呼びが発生するか、または、ある特定の階のホール呼び
に派生するかご呼びが別の特定の階に集中するというよ
うな状態が発生する。この理由は、通常、１つの会社は
一定の階に集中入居しており、利用者は、異なる会社間
を移動するよりも、同一の会社間を移動する場合が遥か
に多く、しかも、ある特定の階から他の階に移動し、そ
の他の階で用事を済ませた後、元の特定の階に戻るとい
うような使い方をするためである。従って、前記テナン
トビル等のエレベータでは、ある特定の階と他の特定の
階との間の、ホール呼びやかご呼びには相関があるの
で、前記相関を利用すれば、呼び発生を予測することが
容易になり、前の場合と同様に、前記予測を使用して呼
び発生予定階へのかごの先行配置や割当ての効率化とい
うような群管理制御を行うことができるようになる。

【００６７】ここにおいて、図７（ｂ）に図示の例は、
３階と４階に同一の会社が入居している場合の例で、時
刻ｔ₁ 、ｔ₃ に３階で呼びａ、ｃが発生すると、その数
分後の時刻ｔ₂ 、ｔ₄ に４階で呼びｂ、ｄが発生する。
また、３階上向きのホール呼びによる派生かご呼びはほ
ぼ４階行であり、３階下向きのホール呼びによる派生か
ご呼びはロビー階の１階行となる。このような特定の階
間の相関は、テナントビル等に顕著に現われるが、１社
のみが１つのビルに入居している場合でも、会社の部門
間の繋がりの強さによって現われることがある。従っ
て、各ホール呼び及びかご呼びの相関関係を学習するこ
とにより、需要予測をする場合と全く同様の構成により
呼びの発生を予測することができる。

【００６８】ところで、住居用エレベータやテナントビ
ル等のエレベータにおいては、ビルの住人や入居会社が
入れ替わって、その使用形態が変化することがあるが、
このような場合には、新たに学習を開始する必要があ
る。

【００６９】そこで、図８は、本発明に係わるエレベー
タの運行需要予測装置の第５の実施例を示すブロック構
成図であって、階床別に学習結果を初期化できるように
し、前記使用形態の変化に対応可能にしたものである。

【００７０】図８において、２４は階床別初期化装置
で、その他、図２に示された構成要素と同じ構成要素に
は同じ符号を付けている。

【００７１】そして、階床別初期化装置２４は、長期情
報記憶部１２と相関関係テーブル１６に結合されてい
る。

【００７２】本実施例の動作は、基本的には、図２に示
された第１の実施例の動作と殆んど同じであるので、本
実施例の詳しい動作説明は省略するが、特に、本実施例
においては、階床別に需要予測を行ない、住居人または
入居会社の移動があった階の学習結果だけを初期化でき
るようにしているものである。この場合、需要予測判定
装置３の外部に階床別初期化装置２４を設け、その階床
別初期化装置２４の出力により、長期情報記憶部１２及
び相関関係テーブル１６の該当する階床の記憶内容のみ
を初期化するようにしているものである。

【００７３】このように、本実施例によれば、住居人ま
たは入居会社の移動のあった階床に限って、学習し直す
ようにしているので、それ以外の階の予測を行いなが
ら、新たな学習を行うことができる。

【００７４】なお、本実施例においては、学習部１３に
相関計算部１５及び相関関係テーブル１６を用いた例で
あるが、学習部１３として、重回帰分析部１８及び回帰
式テーブル１９を用いた場合でも同様に適用できること
は勿論である。

【００７５】また、需要予測判定装置３にニーラルネッ
トワークを用いた場合においては、一般に、ニューラル
ネットワークは、相互にニューロンが関係し合って出力
が得られるものであるため、通常の手段では、一部の記
憶内容だけを初期化することができない。

【００７６】図９は、本発明に係わるエレベータの運行
需要予測装置の第６の実施例を示すブロック構成図であ
って、ニューラルネットワークを用いた場合において
も、階床別に学習結果を初期化できるようにしたもので
ある。

【００７７】図９において、２５はニューラルネットワ
ーク、２６は入力層ニューロン、２７、２８は複数の中
間層ニューロン、２９、３０は複数の出力層ニューロン
であり、その他、図５及び図８に示された構成要素と同
じ構成要素には同じ符号を付けている。

【００７８】そして、ニューラルネットワーク２５は、
１つの入力層ニューロン２６と、複数の中間層ニューロ
ン２７、２８と、複数の出力層ニューロン２９、３０を
備えており、前記中間層ニューロン２７、２８及び前記
出力層ニューロン２９、３０をそれぞれ階床の数だけ用
意している。

【００７９】本実施例の動作も、基本的には、図５に示
された第３の実施例の動作と殆んど同じであるので、本
実施例の詳しい動作説明は省略するが、特に、本実施例
においては、階床別に設けた中間層ニューロン２７、２
８で学習を行ない、住居人または入居会社の移動のあっ
た階床については、その階の中間層ニューロン２７、２
８だけを初期化するようにして、他の階の予測出力に対
する影響を少なくしたものである。この場合、ニューラ
ルネットワーク２５は、各階床に対応した中間層ニュー
ロン２７、２８及び出力層ニューロン２９、３０に、学
習によって得られたそれぞれの階床に関する情報が蓄積
されており、ある特定の階床において前記移動があり、
それによってエレベータの使用状態が変化した場合は、
階床別初期化装置８の制御によって、前記特定の階床の
中間層ニューロン及び出力層ニューロンのみを初期化
し、他の階の予測性能に影響を与えることなしに新たな
学習を開始することができるものである。

【００８０】このように、本実施例によれば、ある特定
の階に対する学習を行いながら、他の階の需要予測を行
うことができ、しかも、その機能をニューラルネットワ
ーク２５を用いて達成させるようにしているので、需要
予測判定装置３の構成を簡単にすることができる。

【００８１】

【発明の効果】以上説明したように、本発明によれば、
エレベータの運行に関連する交通情報の中の長期情報に
基づいて各事象の相関関係や特徴の学習を行い、その学
習結果を前記交通情報の中の一時情報で変更、修正する
ようにしているので、毎日の極め細かなエレベータ使用
状態の変動を考慮した、各時点毎に最も適した正確な交
通流の予測を行うことができ、特定時刻に発生する特定
事象における相関関係からホール呼びやかご呼びの予測
を行うことができるという効果がある。

【００８２】即ち、本発明によれば、交通量やその他エ
レベータに関連する各種の情報を比較的簡単な構成によ
り、精密かつ的確予測できるので、短時間後に発生する
交通流や交通量に見合った制御を予め準備することが可
能になって、速やかに短時間後の交通流に対応させるこ
とができるものである。このため、前記交通流や交通量
に見合った制御の不適合によるサービス機能の低下や、
前記交通流や交通量の変動に伴う待ち時間等の増大によ
るサービス機能を低下を未然に防ぐことができるという
効果がある。また、呼びの発生を正確に予測することに
より、閑散時等における待ち時間を著しく短くすること
ができるという効果もある。

【００８３】また、前記各事象の相関関係や特徴の学
習、及び、その学習結果の前記変更、修正をニューラル
ネットワークを用いて行うようにすれば、前記効果に加
えて、構成をさらに簡素化できるという効果がある。

【図面の簡単な説明】

【図１】本発明に係わるエレベータの運行需要予測装置
の構成の概要を示すブロック構成図である。

【図２】本発明に係わるエレベータの運行需要予測装置
の第１の実施例を示すブロック構成図である。

【図３】図２に示された実施例を、交通量の予測に適用
した場合を示す説明図である。

【図４】本発明に係わるエレベータの運行需要予測装置
の第２の実施例を示すブロック構成図である。

【図５】本発明に係わるエレベータの運行需要予測装置
の第３の実施例を示すブロック構成図である。

【図６】本発明に係わるエレベータの運行需要予測装置
の第４の実施例を示すブロック構成図である。

【図７】呼び発生の予測を行なう場合の説明図である。

【図８】本発明に係わるエレベータの運行需要予測装置
の第５の実施例を示すブロック構成図である。

【図９】本発明に係わるエレベータの運行需要予測装置
の第６の実施例を示すブロック構成図である。

【符号の説明】

１ ホール呼び収集部 ２ かご呼び情報収集部 ３ 需要判定装置 ４ 外部情報源 ５ 群管理制御装置 ６ エレベータ制御装置 ７ エレベータ乗りかご ７₁ かご内呼び釦 ８ ホール呼び釦 ８₁ １階ホール呼び釦 ８_n ｎ階ホール呼び釦 ９ 交通情報収集部 １０ 一般情報収集部 １１ 一時情報記憶部 １２ 長期情報記憶部 １３ 学習部 １４ 需要予測部 １５ 相関計算部 １６ 相関関係テーブル １７ 時計部 １８ 重回帰分析部 １９ 回帰式テーブル ２０、２５ ニューラルネットワーク ２１ 第１のニューラルネットワーク ２２ 第２のニューラルネットワーク ２３ 判定切換部 ２４ 階床別初期化装置 ２６ 入力層ニューロン ２７、２８ 複数の中間層ニューロン ２９、３０ 複数の出力層ニューロン

───────────────────────────────────────────────────── フロントページの続き (72)発明者 米田 健治 茨城県勝田市市毛1070番地 株式会社日立 製作所水戸工場内

Claims (9)

【特許請求の範囲】
1. 【請求項１】 記憶されている過去の交通情報と現在の
   交通情報とを用いて短時間後のエレベータ運行の需要予
   測を行なう需要予測判定装置を具備してなるエレベータ
   の需要予測装置において、前記需要予測判定装置は、ホ
   ール呼び情報やかご呼び情報等の交通情報を収集する交
   通情報収集部と、前記収集された交通情報を分類してそ
   れぞれ記憶する長期情報記憶部及び一時情報記憶部と、
   前記長期情報記憶部の記憶内容に基づいて所要の学習を
   行う学習部と、前記学習部で得られた学習結果を前記一
   時情報記憶部の記憶内容により変更する需要予測部とを
   含んでいることを特徴とするエレベータの運行需要予測
   装置。
2. 【請求項２】 前記学習部における所要の学習は、各交
   通情報間の相関関係を学習するものであることを特徴と
   する請求項１記載のエレベータの運行需要予測装置。
3. 【請求項３】 前記学習部における所要の学習は、各交
   通情報の重回帰分析を行うものであることを特徴とする
   請求項１記載のエレベータの運行需要予測装置。
4. 【請求項４】 前記長期情報記憶部及び前記学習部は、
   エレベータのサービス階数の中の特定階の利用状況の変
   化に対応して、その特定階の学習内容を初期化するため
   の階床別初期化装置に結合されていることを特徴とする
   請求項１乃至３のいずれかに記載のエレベータの運行需
   要予測装置。
5. 【請求項５】 記憶されている過去の交通情報と現在の
   交通情報とを用いて短時間後のエレベータ運行の需要予
   測を行なう需要予測判定装置を具備してなるエレベータ
   の需要予測装置において、前記需要予測判定装置は、ホ
   ール呼び情報やかご呼び情報等の交通情報を収集する交
   通情報収集部と、前記収集された交通情報の中の一時情
   報を記憶する一時情報記憶部と、ニューラルネットワー
   クとを含み、前記ニューラルネットワークは、前記収集
   された交通情報の中の長期情報を長期的に記憶し、前記
   記憶された長期情報に基づいて所要の学習を行い、その
   学習結果を前記一時情報記憶部の記憶内容により変更す
   るものであることを特徴とするエレベータの運行需要予
   測装置。
6. 【請求項６】 前記ニューラルネットワークは、少なく
   とも予測用ニューラルネットワークと学習用ニューラル
   ネットワークの並列接続からなっており、前記予測用ニ
   ューラルネットワークと学習用ニューラルネットワーク
   の出力側は、判定切換部により結合されていることを特
   徴とする請求項５記載のエレベータの運行需要予測装
   置。
7. 【請求項７】 前記ニューラルネットワークは、エレベ
   ータのサービス階数の中の特定階の利用状況の変化に対
   応して、その特定階の学習内容を初期化するための階床
   別初期化装置に結合されていることを特徴とする請求項
   ５乃至６のいずれかに記載のエレベータの運行需要予測
   装置。
8. 【請求項８】 前記需要予測判定装置は、交通流に関係
   する他の情報を収集する一般情報収集部をさらに含み、
   前記収集された他の情報を長期情報と一時情報に分類
   し、前記分類した情報をその情報内容に対応した記憶部
   に記憶させることを特徴とする請求項１もしくは請求項
   ５のいずれかに記載のエレベータの運行需要予測装置。
9. 【請求項９】 前記需要予測判定装置は、短時間後のホ
   ール呼び及びかご呼びを予測する需要予測出力を発生す
   ることを特徴とする請求項１乃至８のいずれかに記載の
   エレベータの運行需要予測装置。