JPH0764488B2 - 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の改良に関するもの
である。

〔従来の技術〕

エレベータの群管理制御の代表的な方式として、乗場呼
びが発生するごとに評価関数を用いて最適なかごを選択
しその呼びを割当てる、呼び割当て方式があるが、この
呼び割当て方式において、呼びにどのかごを割当てるの
が最適であるかという問題は、統計的な要素を含む組合
せ最適化問題であり、一般にはアルゴリズム（数学的手
法）による解を得ることはできない。

このため、現状のエレベータ群管理システムでは、長年
の経験に基づいて有効であると判断されたいくつかの
「常識的規則」、例えば「新規に登録された乗場呼びま
での予測走行時間が最短のかごを優先的に選択する。」
或いは「新規乗場呼びを割当てたとしたら、既に割当済
みの他の呼びが長待ちとなるようなかごへの割当ては避
ける。」といったような経験則を利用して、すなわちこ
うした経験則を割当てプログラムに組込んだり、或いは
エキスパートシステムを用いた割当て方式では、知識デ
ータベースの中に組み込んだりすることによって割当て
を行っている。

このような問題を解決するため、ニューラル・ネットを
利用することにより、最適な割当てかごを決定する判断
システムを、実際の運転例により自動的に学習し生成す
ることのできる、従来とは全く異なる新しいエレベーラ
の群管理制御装置が提案されており（例えば特願昭63−
105633号「エレベータの群管理制御装置」）、これにつ
いて第２図〜第６図によりその概要を説明する。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，複雑に接続し合ったもので、各ユニットの動
作及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
（No427）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２図
に示す。ユニットU_iは他のユニットからの入力Q_jの総和
を一定の規則で変換し、Q_i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_ij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W_ij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U_i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Q_i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３図（ａ）に示したしきい値関数又は第３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４図では、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、ここではパター
ン連想型を用いて説明する。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４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
識処理装置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。

なお、このニューラル・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、マイクロコンピュータ
で実現することが可能である。

第５図は、このニューラル・ネットをエレベータの割当
て制御に利用した場合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
機と２号機の２台のみとするが、勿論何台の場合でも同
様に構成することができる。

第５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は２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を介して読込
んだ乗場呼び信号２やかご情報信号４の各データを基
に、ニューラル・ネットへの入力となる各入力パターン
要素を演算する入力パターン演算手段７と、ニューラル
・ネット８と、ニューラル・ネット８の出力からどの号
機が最適であるかを判定する割当て判定手段９とを備
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及
び3B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６図は、ニューラル・ネットへ入力される各入力パタ
ーン要素の一例を示す図で、a₁〜d₁はそれぞれ１号機の
状況を表わす入力パターン要素、a₂〜d₂はそれぞれ２号
機の状況を表わす入力パターン要素であり、a₁（a₂）
は、新規乗場呼びの発生した階と１（２）号機の現在階
との階床差、b₁（b₂）は１（２）号機が現在階と新規乗
場呼びの発生階との間に受け持っている呼びの数、c
₁（c₂）は新規乗場呼びの発生階以遠に１（２）号機に
割当てられている乗場呼びの数、d₁（d₂）は１（２）号
機の現在の乗車人数を表わしている。

なお、これらの各入力パターン要素は、すべて第５図に
示した入力パターン演算手段によって演算される。第６
図のニューラル・ネット８は、図示を省略しているが、
各入力パターン要素a₁〜d₁及びa₂〜d₂のそれぞれに対応
するユニットからなる入力層と、適当な数のユニットか
らなる中間層（１層に限らない）と、出力A₁及びA₂に対
応するユニットからなる出力層で構成される。ここでA₁
は１号機の割当適性を表わす出力信号、A₂は２号機の割
当適性を表わす出力信号で、このA₁とA₂が第５図の割当
て判定手段９に入力され、割当て信号10が出力される。

以上の構成において、実際に割当てを行うにはまずニュ
ーラル・ネットの特性を、各ユニット間の重みを設定す
ることによって決定する必要がある。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この学習は次のように
して行う。

まず最初は、各ユニット間の重みは適当な値に無作為に
設定しておく。一方、実際の運転例等から学習用サンプ
ルを多数作成する。この学習用サンプルは、例えば新規
乗場呼びとその時の１号機及び２号機の状態の組合せを
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、もし１号機が最適であればそのときの各入力
パターン要素に対して１号機に対応する出力A₁の出力目
標を１に、２号機に対応する出力A₂の出力目標を０とし
て作成したものである。そしてまず最初の学習用サンプ
ルにより、１号機と２号機の状態から新規乗場呼び発生
時の各入力パターン要素a₁〜d₁及びa₂〜d₂を演算しニュ
ーラル・ネットの入力層の各ユニットに入力する。この
入力データは入力層から出力層へ向けて順次処理され、
各ユニットは第３図に示した入出力特性であるので、そ
の結果出力A₁及びA₂は必ず０〜１の値となるが前述のよ
うに最初は重みが無作為に設定されているので、この出
力A₁及びA₂の値は出力目標とは違った値となる。そこで
この出力目標と実際の出力との差を誤差とし、この誤差
を用いて重みの修正を、出力層から入力層に向けて行っ
ていく。この重みの修正の計算は周知であるのでここで
は説明を省略する。

こうして各ユニット間の重みの修正を終了すると、次に
２番目の学習用サンプルにより、各入力パターン要素を
演算して入力し、そのときの出力目標と実際の出力との
誤差から再度各ユニット間の重みを修正する。こうして
多数の学習用サンプルを用いて上記と同様の手順を繰返
すと、上記誤差が十分小さくなり、やがて収束する。学
習を完了すると各重みはそれぞれ固有の値に収束してい
るので、それを固定化すると実際の運転に用いるニュー
ラル・ネットの各ユニット間の重みがそれぞれ設定され
たことになる。

以後はこれを実際の割当てに用いる。すなわち新規乗場
呼びが発生すると、その時点における１号機と２号機の
状況から各入力パターン要素a₁〜d₁及びa₂〜d₂が入力パ
ターン演算手段７で演算され、ニューラル・ネット８へ
入力される。ニューラル・ネット８では、各入力パター
ン要素が入力層から出力層へ向けて順次処理され、その
出力A₁及びA₂が割当て判定手段９に入力される。そして
割当て手段９はこの出力A₁とA₂を比較し、その値が１に
近い方の号機に割当信号10を出力するのであるが、この
ときニューラル・ネット８の各重みは学習用サンプルを
用いて学習し、収束した値にそれぞれ設定されているの
で、学習用サンプルの場合と同じ判断基準で割当てが行
われることになる。

このように、ニューラル・ネットを用いると、学習用の
サンプルを多数作成し学習を繰返すだけで、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。

〔発明が解決しようとする課題〕

ところで、上記学習の効率や学習完了後の割当ての精度
は、ニューラル・ネットへの各入力パターン要素とし
て、すなわち新規呼びが発生したときの群全体の状況を
表わすパラメータとして何を選択するかによって大きく
左右される。

理屈から言えば、このパラメータとしては、各エレベー
タの運転状況や呼びの状況、或いは各乗場の待客の状況
等、割当ての判断に関連しているものであれば何でもよ
いと考えられるが、実際には割当ての判断に密接に関連
しているパラメータを用いるほど、割当ての精度が高く
なることが期待される。

そこで割当ての判断に密接に関連しているパラメータと
して、例えば従来の評価関数による割当て方式でもよく
用いられる、各乗場呼びの予測待時間や各乗場の予想待
客数などのパラメータを用いることが考えられるが、こ
のような予測値であるパラメータを用いると次のような
不都合がある。

すなわち、このようなパラメータは、かご位置や呼びが
発生してからの経過時間のように直接測定可能な確定し
た数値を表わす直接的なパラメータではなく、あくまで
も直接的なパラメータに基づいて演算される予測値を表
わす間接的なパラメータであって、実際の値から大きく
外れている場合もあり、従ってこれら間接的なパラメー
タをニューラル・ネットへの入力パターン要素とて用い
ると、学習の収束が遅くなり、学習の効果が悪化すると
いう問題点があった。

〔課題を解決するための手段〕

本発明は上記問題点を解決するため、すなわち間接的な
パラメータをニューラル・ネットへの入力パターン要素
として用いることにより、精度の高い割当てを可能に
し、かつこれにより学習効率も悪化することないように
するためになされたもので、その特徴とするところは、
割当て用のニューラル・ネットとは別に第２のニューラ
ル・ネットを設け、該第２のニューラル・ネットには直
接測定可能な値を表す直接的なパラメータを入力パター
ン要素として入力し、予測値を表す間接的なパラメータ
をその出力として得ると共に、該間接的なパラメータと
前記直接的なパラメータを入力パターン要素として前記
割当て用ニューラル・ネットに入力する構成とした点に
ある。

〔実施例〕

以下、本発明の一実施例を第１図により説明する。

第１図は、ニューラル・ネットと入力パターン要素との
関係を示す第６図相当図で、第６図と同一のものは同一
符号にて示している。

第１図において、a₁〜d₁及びa₂〜d₂の各入力パターン要
素は、前述のように新規呼びの階と各号機の現在階との
階床差などの直接的なパラメータであり、それらは割当
て用のニューラル・ネット8aに入力されると共に、第２
のニューラル・ネット8bにも入力される。第２のニュー
ラル・ネット8bでは、これらの直接的なパラメータを入
力し、その出力として間接的なパラメータS₁,S₂及びt₁,
t₂を得る。このパラメータS₁（S₂）は、１（２）号機に
対する新規乗場呼びの予測待時間を表わし、t₁（t₂）は
１（２）号機が新規呼びをサービスしたときの予測乗車
人数を表わしており、それぞれニューラル・ネット8aへ
の入力パターン要素として入力され、また乗場への表示
等に用いられる。

以上のような構成において、ニューラル・ネット8aの動
作にはニューラル・ネット8bの出力が必要なので、まず
ニューラル・ネット8bについて学習を行う。この学習を
行うには前述の場合と同様、実際の運転例から多数の学
習用サンプルを作成する。この場合、出力のS₁,S₂及びt
₁,t₂は予測値であるが、実際の運転例ではその呼びがサ
ービスされた時点で待時間や乗車人数は確定した値とし
て得ることができるので、学習用サンプルとしては、新
規呼びが発生した時点での各パターン要素a₁〜d₁及びa₂
〜d₂と、それに対する実際の待時間及び乗車人数を出力
目標として組合わせたものを用いる。

そして、ニューラル・ネット8bについて学習が完了する
と、次にニューラル・ネット8aに対する学習を行う。こ
の学習は第６図で説明したのと同様であるが、入力パタ
ーン要素として直接的なパラメータであるa₁〜d₁及びa₂
〜d₂だけでなく、割当て判断に密接に関連した間接的な
パラメータS₁,S₂及びt₁,t₂も入力しており、しかもこの
間接的なパラメータはニューラル・ネット8bを介するこ
とにより信頼性の高い値となっているため、学習は効率
よく行われる。

こうしてニューラル・ネット8a及び8bの学習が完了する
と、実際の呼びの割当てが可能となる。すなわち、新規
乗場呼びが発生すると、そのときの入力パターン要素a₁
〜d₁及びa₂〜d₂がニューラル・ネット8bに入力され、
S₁,S₂及びt₁,t₂が出力される。そして、このS₁,S₂及びt
₁,t₂が入力パターン要素としてa₁〜d₁及びa₂〜d₂と共に
ニューラル・ネット8aに入力され、その出力であるA₁及
びA₂により、乗場呼びを何れのかごに割当てればよいか
が判断され、そのかごに割当てられる。

なお、上記の実施例において、ニューラル・ネットの学
習動作は予めエレベータシステムの稼働前に行っている
のみであるが、エレベータシステムの稼働後も学習動作
を続けることにより、各ビルに固有の交通状況に柔軟に
対応していくことができる。

また、上記の実施例ではニューラル・ネットを用いて割
当ての判断を行っているが、間接的なパラメータを得る
ためにのみニューラル・ネットを利用し、割当ての判断
には従来の評価関数やエキスパートシステムを用いるよ
うにしても、割当て精度の向上を期待することができ
る。

〔発明の効果〕

本発明によれば、割当ての判断に密接に関連した予測値
を表わす間接的なパラメータは、割当て用のニューラル
・ネットとは別に設けた第２のニューラル・ネットによ
り得るようにしたので、実測値を用いて効率よく学習を
行うことができ、信頼性の高いパラメータとすることが
できる。

しかも、この信頼性の高い間接的なパラメータを割当て
用ニューラル・ネットの入力パターン要素とすることに
より、割当て用ニューラル・ネットの学習効率も高める
ことができ、また、精度の高い割当てを行うことができ
る。

また、第２のニューラル・ネットで得た信頼性の高い間
接的なパラメータを割当て判断以外の、例えば乗場への
待時間表示などに用いることもできる。

【図面の簡単な説明】

第１図は本発明によるニューラル・ネットと入力パター
ン要素との関係を示す図、第２図はニューロンをモデル
化したユニットの構造を示す図、第３図（ａ）（ｂ）は
ユニットの入出力特性の一例を示す図、第４図は一般的
なニューラル・ネットの構造を示す図、第５図はニュー
ラル・ネットを割当て制御に利用した場合の全体の構成
の一実施例を示す図、第６図は従来のニューラル・ネッ
トと入力パターン要素との関係を示す図である。 8a……割当て用ニューラル・ネット 8b……第２のニューラル・ネット a₁〜d₁……１号機に対応する直接的なパラメータを表わ
す入力パターン要素 a₂〜d₂……２号機に対応する直接的なパラメータを表わ
す入力パターン要素 S₁,t₁……１号機に対応する間接的なパラメータを表わ
す入力パターン要素 S₂,t₂……２号機に対応する間接的なパラメータを表わ
す入力パターン要素

Claims (1)

【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、新規に発生した乗場呼びに対して、その時点の
   状況を表わす種々のパラメータを入力パターン要素とし
   て割当て用のニユーラル・ネットに入力し、その出力に
   より最適なかごを選択して割当てるようにしたエレベー
   タの群管理制御装置において、 前記割当て用のニューラル・ネットとは別に第２のニュ
   ーラル・ネットを設け、該第２のニューラル・ネットに
   は直接測定可能な値を表す直接的なパラメータを入力要
   素として入力し、予測値を表す間接的なパラメータをそ
   の出力として得ると共に、該間接的なパラメータと前記
   直接的なパラメータを入力パターン要素として前記割当
   て用ニューラル・ネットに入力する構成としたことを特
   徴とするエレベータの群管理制御装置。