JPH075235B2 - エレベータの群管理制御装置 - Google Patents

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待ち発生確率，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目指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、脳のニューロン（神経細胞）に対応したユニット
が複数個，複雑に接合し合ったもので、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」1987年８月10日号
（No.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Ui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、Qi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Wij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、重み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入力を受けた場合、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、 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Qiに変換する。

この関数ｆは各ユニットごとに違ってよいが、一般には
第８図（ａ）に示したしきい値関数又は第８図（ｂ）に
示したsigmoid関数を使う。

このsigmoid関数は、微分可能な疑似線形関数で、 で表せる。値域は０〜１で、入力値が大きくなるにつれ
１に、小さくなるにつれ０に近づく。入力が０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
ンをある出力パ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。各ユニットは入力層から出力層に向けて接
続されるが、各層内のユニット同士は接続しない。ま
た、入力ユニットと出力ユ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、
入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を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3C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は各かごの状態（かご位置，方向，
停止，走行，戸開閉状態，かご呼び，荷重等）を表わす
かご情報信号、５は郡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
M11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、各かごの状態（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行方向，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号機に関する入力パターン
の各データ▲Ｐ⁽¹⁾ ₁▼〜▲Ｐ⁽¹⁾ ₄▼は、 ▲Ｐ⁽¹⁾ ₁▼：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０〜１の範囲に正規化する。

▲Ｐ⁽¹⁾ ₂▼:1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０〜１の範
囲に正規化する。

▲Ｐ⁽¹⁾ ₃▼:1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。

▲Ｐ⁽¹⁾ ₄▼:1号機のかご内の荷重を０〜１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⁽¹⁾ ₁▼
であれば、 ▲Ｐ⁽¹⁾ ₄▼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⁽²⁾ ₁▼〜▲Ｐ⁽²⁾ ₄▼と３号機
の入力パターン▲Ｐ⁽³⁾ ₁▼〜▲Ｐ⁽³⁾ ₄▼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▲Ｕ⁽¹⁾ ₁▼〜▲Ｕ⁽¹⁾ ₄▼，▲Ｕ⁽²⁾ ₁
▼〜▲Ｕ⁽²⁾ ₄▼，▲Ｕ⁽³⁾ ₁▼〜▲Ｕ⁽³⁾ 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▲Ｐ⁽¹⁾ ₁▼
〜▲Ｐ⁽¹⁾ ₄▼，▲Ｐ⁽²⁾ ₁▼〜▲Ｐ⁽²⁾ ₄▼，▲Ｐ⁽³⁾ ₁▼〜
▲Ｐ⁽³⁾ ₄▼に対応している。また、▲Ｕ⁽¹⁾ ₅▼，▲Ｕ
⁽¹⁾ ₆▼〜▲Ｕ⁽³⁾ ₅▼，▲Ｕ⁽³⁾ ₆▼は中間と第１層のユニ
ット、▲Ｕ⁽¹⁾ ₇▼，▲Ｕ⁽¹⁾ ₈▼〜▲Ｕ⁽³⁾ ₇▼，▲Ｕ⁽³⁾ ₈
▼は中間の第２層のユニット、▲Ｕ⁽¹⁾ ₉▼，▲Ｕ⁽³⁾ ₉▼
は出力層のユニットで、ユニット▲Ｕ⁽¹⁾ ₉▼の出力▲Ｑ
⁽¹⁾ ₉▼は１号機に、ユニット▲Ｕ⁽²⁾ ₉▼の出力▲Ｑ⁽²⁾ ₉
▼は２号機に、ユニット▲Ｕ⁽³⁾ ₉▼の出力▲Ｑ⁽³⁾ ₉▼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０〜１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（ｂ）に示
した入出力特性を持つものとする。勿論、前者のように
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
入力データの各値が決まれば第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▲Ｕ⁽¹⁾ ₅▼の入力の総和をNE▲
Ｔ⁽¹⁾ ₅▼とし、出力を▲Ｑ⁽¹⁾ ₅▼とすると、 として計算することができる。ただし、▲Ｗ⁽¹⁾ _i5▼は
入力層のユニット▲Ｕ⁽¹⁾ _i▼と中間第１層のユニット▲
Ｕ⁽¹⁾ ₅▼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、その各出力が中間第２層の各ユニットへの入力と
なるので、続いて中間第２層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）。そして各出力ユニットの出力
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力ユニッ
トの望ましい出力（出力目標）を１に、他の出力ユニッ
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⁽¹⁾ ₉▼出力目標を１とし、ユ
ニット▲Ｕ⁽²⁾ ₉▼と▲Ｕ⁽³⁾ ₉▼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
分小さく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
機に対応する出力ユニットの出力が１に最も近くなる。
従って出力▲Ｑ⁽¹⁾ ₉▼と▲Ｑ⁽³⁾ ₉▼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、どの出力
ユ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で各出力ユニッ
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M19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
ッ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別のデータ
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
図のようにまず入力層と中間の第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、入力パ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⁾ ₁▼と、２号機の荷重に関
するデータ▲Ｑ⁽²⁾ ₄▼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入力デー
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▲Ｕ⁽¹⁾ ₅▼と▲Ｕ⁽¹⁾ ₆▼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、一般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
ユニット▲Ｕ⁽¹⁾ ₉▼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（手順
S11）、次にＮ＝Ｎ＋１として（手順S12）サンプル番号
１から順次手順S13以下の処理を行う。手順S13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でこの入力パ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S1
5）。出力層の各ユニットにおける誤差▲Ｅ^（α） _９▼
は、各ユニットの出力目標を▲Ｔ^（α） _９▼とすると ▲Ｅ^（α） _９▼＝▲Ｔ^（α） _９▼−▲Ｑ^（α） _９▼（α
は号機番号） となる。

ニューラル・ネットの演算では、入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入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、次に中間第２層と
出力層の各ユニット間の重みを修正する（手順S16）。
中間第２層のユニット▲Ｕ^（α） _ｋ▼と出力層のユニッ
ト▲Ｕ^（α） _９▼間の重みを▲Ｗ^（α） _k9▼とすると、
その修正は次のようにして計算する。

Δ▲Ｗ^（α） _k9▼＝λ・▲Ｅ^（α） _９▼・▲Ｑ^（α） _９
▼＋（１−λ）・Δ′▲Ｗ^（α） _k9▼ ただし Δ▲Ｗ^（α） _k9▼：▲Ｗ^（α） _k9▼の今回の修正量 Δ′▲Ｗ^（α） _k9▼：▲Ｗ^（α） _k9▼の前回の修正量
（最初は０） λ：学習率（定数，例えば0.5） ▲Ｑ^（α） _ｋ▼：ユニット▲Ｕ^（α） _ｋ▼の出力 である。

例えばユニット▲Ｕ⁽¹⁾ ₇▼：とユニット▲Ｕ⁽¹⁾ ₉▼との
間の重み▲Ｗ⁽¹⁾ ₇₉▼の修正後の値 は、 Δ▲Ｗ⁽¹⁾ ₇₉▼＝λ・▲Ｅ⁽¹⁾ ₉▼・▲Ｑ⁽¹⁾ ₇▼ ＋（１−λ）・Δ′▲Ｗ⁽¹⁾ ₇₉▼ で計算される。

同様にして、中間第２層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（手順S17）、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S18）。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▲Ｕ^（α） _ｋ▼は、出力層の誤差
▲Ｅ^（α） _９▼等を用いて、 となる。

このときの中間第１層のユニット▲Ｕ^（α） _ｊ▼と中間
第２層のユニット▲Ｕ^（α） _ｊ▼との間に重み▲Ｗ
^（α） _jk▼の修正後の値 は Δ▲Ｗ^（α） _jk▼＝λ・▲Ｅ^（α） _ｋ▼・▲Ｑ^（α） _ｊ
▼ ＋（１−λ）・Δ′▲Ｗ^（α） _jk▼ となり、また中間第１層のユニット▲Ｕ^（β） _ｊ▼と中
間第２層のユニット▲Ｕ^（α） _ｋ▼との間の重み▲Ｗ
^{（β，α）} _jk▼の修正後の値 は Δ▲Ｗ^{（β，α）} _jk▼＝λ・▲Ｅ^（α） _ｋ▼・▲Ｑ
^（β） _ｊ▼ ＋（１−λ）・Δ′▲Ｗ^{（β，α）} _jk▼ 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⁽¹⁾ ₇▼の誤差▲Ｅ⁽¹⁾ ₇▼は、 となり、これよりユニット▲Ｕ⁽¹⁾ ₅▼と▲Ｕ⁽¹⁾ ₇▼との
間の重み▲Ｗ⁽¹⁾ ₅₇▼の修正後の値 は Δ▲Ｗ⁽¹⁾ ₅₇▼＝λ・▲Ｅ⁽¹⁾ ₇▼・▲Ｑ⁽¹⁾ ₅▼ ＋（１−λ）・Δ′▲Ｗ⁽¹⁾ ₅₇▼ また、ユニット▲Ｕ⁽²⁾ ₅▼と▲Ｕ⁽¹⁾ ₇▼との間の重み▲
Ｗ^（2,1） ₅₇▼の修正後の値 は Δ▲Ｗ^（2,1） ₅₇▼＝λ・▲Ｅ⁽¹⁾ ₇▼・▲Ｑ⁽²⁾ ₅▼ ＋（１−λ）・Δ′▲Ｗ^(2,1) ₅₇▼ として、それぞれ計算できる。

同様にして中間第１層と中間第２層の間の重みをすべて
修正すると、次に中間第１層の各ユニットの誤差を計算
し（手順S19）、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S20）。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▲Ｕ^（α） _ｊ▼の誤差▲Ｅ^（α）
_ｊ▼は、 となり、入力層のユニット▲Ｕ^（α） _ｉ▼と中間第１層
のユニット▲Ｕ^（α） _ｊ▼との間の重み▲Ｗ^（α） _ij▼
の修正後の値 は、 Δ▲Ｗ^（α） _ij▼＝のλ・▲Ｅ^（α） _ｊ▼・▲Ｑ^（α）
_ｉ▼ ＋（１−λ）・Δ′▲Ｗ^（α） _ij▼ となる。

例えばユニット▲Ｕ⁽¹⁾ ₅▼の誤差▲Ｅ⁽¹⁾ ₅▼は、 となり、これよりユニット▲Ｕ⁽¹⁾ ₁▼と▲Ｕ⁽¹⁾ ₅▼との
間の重み▲Ｗ⁽¹⁾ ₁₅▼の修正後の値 は、 Δ▲Ｗ⁽¹⁾ ₁₅▼＝λ・▲Ｅ⁽¹⁾ ₅▼・▲Ｑ⁽¹⁾ ₁▼ ＋（１−λ）・Δ′▲Ｗ⁽¹⁾ ₁₅▼ 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S11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制定を、エレベータに特有
の性質を利用して簡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、この入力パターンの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、▲Ｗ⁽¹⁾ ₅₇▼と
▲Ｗ^（2,1） ₅₇▼とは異なる値となるが、▲Ｗ⁽¹⁾ ₅₇▼と
▲Ｗ⁽²⁾ ₅₇▼，▲Ｗ⁽³⁾ ₅₇▼の３つは同じ値となり、ま
た、▲Ｕ⁽¹⁾ ₁₅▼と▲Ｕ⁽¹⁾ ₂₅▼とは異なる値となるが、
▲Ｕ⁽¹⁾ ₁₅▼と▲Ｕ⁽²⁾ ₁₅▼，▲Ｕ⁽³⁾ ₁₅▼の３つは同じ
値となることが予想される。また、▲Ｕ^（1,2） ₅₇▼と
▲Ｕ^（2,1） ₅₇▼，或いは▲Ｕ^（2,3） ₆₈▼と▲Ｕ
^（3,2） ₆₈▼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▲Ｕ^（α） _５▼と▲Ｕ^（α） _７▼の間の
重み▲Ｗ^（α） ₅₇▼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Δ▲Ｗ
⁽¹⁾ ₅₇▼，Δ▲Ｗ⁽²⁾ ₅₇▼，Δ▲Ｗ⁽³⁾ ₅₇▼を仮の値と
し、次のこの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 は各号機常に同じ値に修正される。また同様に、▲Ｗ
^（1,2） ₅₇▼と▲Ｗ^（2,1） ₅₇▼の修正の場合も、それぞ
れの修正量Δ▲Ｗ^（1,2） ₅₇▼と▲Ｗ^（2,1） ₅₇▼の平均
値を実際の修正量とすると、▲Ｗ^（1,2） ₅₇▼と▲Ｗ
^（2,1） ₅₇▼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６通りの学習用ン
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大きく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
サンプル集（RAM等で構成）に登録する（手順R11,R1
2）。そして割当号機がその呼びに応答したり、その呼
びを満員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
割当号機が満員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などによりその割当てが
消去されると、手順R16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（手順R1
7）、そうでなければそのサンプルをそのままとして手
順R18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。一定時間経過すると、予め登録して
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
オフラインよる学習の手順と全く同じである。学習を終
えると仮サンプル集をクリアーし（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（ａ）（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

Claims (4)

【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、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. 【請求項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. 【請求項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. 【請求項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。