JPH08310746A

JPH08310746A - 待ち時間予測用ニューラルネットの学習方法

Info

Publication number: JPH08310746A
Application number: JP7145539A
Authority: JP
Inventors: Masamitsu Nakagawa; 真実中川; Kenji Sasaki; 建次佐々木; Shiyandoru Marukon; シャンドルマルコン; Ichiro Nagashima; 一郎長島; Takeshi Midoritani; 武緑谷; Tomoaki Tanabe; 友晃田辺; Naoki Ota; 直樹太田
Original assignee: Fujitec Co Ltd
Current assignee: Fujitec Co Ltd
Priority date: 1995-05-18
Filing date: 1995-05-18
Publication date: 1996-11-26
Anticipated expiration: 2015-11-06
Also published as: JP3106908B2

Abstract

(57)【要約】【構成】乗場呼びが発生すると、その時点におけるエ
レベータの群のシステム状態データを入力パターンと
し、その乗場呼びに対する割当号機（先着号機）の待ち
時間だけを教師信号とした学習サンプルを作成する。こ
の学習サンプルを用いて学習を行う際、出力層において
は、教師信号の与えられたニューロンに接続されている
結合重みだけを誤差に基づいて修正し、他の出力層のニ
ューロンに接続されている結合重みについては、エレベ
ータの各号機に対する対称性を利用する。すなわち、誤
差に基づいて修正した結合重みの値と対称の位置にある
結合重みの値は同じとなるようにする。【効果】出力層の複数のニューロンに対して１つの教
師信号しか与えなくても、出力層の全てのニューロンに
対して教師信号を与えたのと同等の学習を行うことがで
き、効率のよい学習が行える。また、教師信号として割
当号機（先着号機）の待ち時間だけを与えるようにした
ので、精度の高い待ち時間予測を行うことができる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、エレベータの群管理制
御において、乗場呼びの待ち時間を予測する待ち時間予
測用ニューラルネットの学習方法に関する。

【０００２】

【従来の技術】従来、エレベータの群管理制御といえば
評価関数を用いた呼び割り当て方式や、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り当て制御が
主流であったが、最近では生物の神経回路をモデルにし
たニューラルネットを用いて呼びの割り当てを行うとい
う新しい方式が提案されており、乗場呼びの待ち時間の
予測にもニューラルネットを用いることが提案されてい
る。

【０００３】ニューラルネットとは、人間の脳をまねた
ネットワークで、神経細胞モデル（ニューロン）が複数
個、複雑に接続され、各ニューロンの動作及びニューロ
ン間の接続形態をうまく決めることによって、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るという
ものであり、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や
１９８９年２月に産業図書株式会社から刊行された図書
「ＰＤＰモデル」などに開示されており、特にニューロ
ンを階層構造に配置したものは「バックプロパゲーショ
ン」と呼ばれる自律的学習アルゴリズムを利用できるこ
とに特徴がある。

【０００４】このニューラルネットを用いると、割り当
てアルゴリズムや待ち時間予測の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り当てかごを決定する判断シス
テムや待ち時間を予測するシステムを自動的に生成でき
るという優れた効果があり、例えばエレベータの呼び割
り当てに用いた例としては、特開平１−２７５３８１号
「エレベータの群管理制御装置」や、特開平３−３１１
７３号「エレベータの群管理制御装置」、特願平５−２
４３８１７号「エレベータ呼び割当て用ニューラルネッ
トの学習方法」などがある。また、待ち時間の予測に用
いた例としては、特開平２−２８６５８１号「エレベー
タの群管理制御装置」や、特開平５−２４６６３３号
「エレベータ群管理制御装置の構築方法」などがある。

【０００５】ここで呼び割り当て用ニューラルネットの
一例を図５に示す。図５に示すように、呼び割り当て用
のニューラルネットＮＮは、入力パターン（エレベータ
の群のシステム状態データ）に対応する入力層ＮＲ1
と、出力パターン（割り当て適性）に対応する出力層Ｎ
Ｒ3 と、入力層と出力層の中間に置かれる中間層ＮＲ2
のニューロンとで構成される。

【０００６】入力パターンは、エレベータの群のシステ
ム状態を表す種々のデータ（各号機の現在位置から新規
乗場呼び発生階までの距離、途中の停止予定数、かご内
の混雑状況等、呼びの割り当てに必要と思われるデー
タ）をニューラルネットに入力できる形に変換したもの
であり、入力層のニューロンの数はそのデータの総数に
対応する。

【０００７】この入力層の各ニューロンに入力データを
与えると、出力層に向かって順に信号が伝わり、その結
果出力層の各ニューロンからそれぞれ何らかの値が出力
される。出力層では、エレベータの台数分のニューロン
があり、さまざまな入力パターンに対して、割り当てに
最適である号機に対応するニューロンが「１」（または
最大値）を、その他のニューロンは「０」を出力するよ
うに予め学習されている。

【０００８】従って、学習の終了後は出力パターンの各
ニューロンの値の中で、「１」（または最大値）に最も
近い値を出力したニユーロンが割り当てに最適であるこ
とを示すことになり、このニューロンに対応する号機が
割り当て号機として選択される。なお、中間層（実施例
では一層だけであるが、複数であってもよい）のニュー
ロンの数は、エレベータの台数やビルの性質等に応じて
適宜定められる。

【０００９】また、図示を省略しているが、各ニューロ
ン間にはニューロンの結び付きの強さを表す結合重み
（シナプスウェイト）が設定されている。この結合重み
は、最初は適当な値に設定されているが、その後「バッ
クプロパゲーション」と呼ばれる学習アルゴリズムを用
いて、より精度の高い呼び割り当てができるように修正
していくことができる。

【００１０】このバックプロパゲーションについてはよ
く知られているので詳細な説明は省略するが、予め作成
された学習用サンプル（入力パターンと、その入力パタ
ーンに対する望ましい出力パターンすなわち教師信号と
を対にしたもの）を用い、同一の入力パターンに対する
出力パターンと教師信号とを比較し、その誤差を最小化
するように結合重みを修正していくアルゴリズムで、ま
ず最初はすべての重みを初期化（例えばランダムな値に
設定）しておき、入力層の各ニューロンに学習用サンプ
ルの入力パターンを与える。そしてこのときの出力パタ
ーンとその学習用サンプルの出力パターン（教師信号）
とを比較し、その差（誤差）を用いて、その差が小さく
なるように各結合重みの値を出力層側から順に修正して
いくのである。

【００１１】そして、多数の学習用サンプルを用いて誤
差が収束するまでこれを繰り返すと、ニューラルネット
に教師信号と同レベルの呼び割当機能が自動的に埋め込
まれたことになり、学習用の入力パターンだけでなく未
知の入力パターンに対しても、教師信号と同レベルの呼
び割り当てを行なうことができるようになる。

【００１２】なお、待ち時間予測用のニューラルネット
も上記と同様にして、乗場呼び発生時のエレベータシス
テムの状態を表す種々のデータを入力パターンとし、そ
れに対する実際の待ち時間を教師信号として上記と同様
に学習を行うと、未知の入力パターンに対しても教師信
号と同レベルの待ち時間を予測できるようになる。

【００１３】

【発明が解決しようとする課題】ところで、乗場呼びの
待ち時間を予測するニューラルネットを作成する場合、
最もシンプルな方法としては、乗場呼びを割り当てられ
た号機（または先着号機）に関する情報だけをニューラ
ルネットに入力し、その割当号機（先着号機）に対する
乗場呼びの待ち時間を出力する、図６に示すような構成
とすることが考えられる。

【００１４】しかし、割当号機（先着号機）以外の他の
号機の状態が全く影響しないわけではない。例えば、割
当号機（仮に１号機とする）の前方に他のエレベータが
あれば、それ以後発生する呼びは１号機には割り当てら
れにくくなり、乗場呼びに対する待ち時間は前方に他の
エレベータがない場合に比べて短くなる可能性が高いと
考えられる。そこで、待ち時間予測の精度を上げるため
には割当号機（先着号機）以外の他の号機の情報もニュ
ーラルネットに入力することが必要であり、図７に示す
ような構成とすることが考えられる。

【００１５】この場合、学習効率から考えても、割当号
機（先着号機）の情報を入力する位置を固定にした方が
よいことは容易に想像できる。しかし、図７のようなニ
ューラルネットでは構造に対称性が無く、汎用的でな
い。例えば、前述の特開平５−２４６６３３号に示され
ているように、待ち時間を学習させたニューラルネット
をもとに呼び割当用ニューラルネットを作成する場合、
図７のような構造の待ち時間予測ニューラルネットでは
次のような問題点がある。

【００１６】・同じ学習サンプルを使って学習させる場
合（その方が使用するメモリが少なくてすむ）、待ち時
間予測用ニューラルネットと呼び割当用ニューラルネッ
トでは、入力パターンの配置を変えなければならない。・待ち時間予測用ニューラルネットを呼び割当用ニュー
ラルネットに切り替える場合に、出力層と中間層の間の
構造を変更しなければならない。そこで、図８に示すよ
うに、全号機の予測待ち時間を出力するようにして、対
称性を持たせた構造にすることが考えられるが、その場
合、教師信号の作り方が問題となる。

【００１７】つまり、乗場呼びに応答して先着した号機
以外の待ち時間（到着に要する時間）を定義することが
難しいのである。実際に到着した時間、あるいは通過し
た時間を用いることも考えられるが、乗場呼びが割り当
てられている場合と、そうでない場合とで、それ以後の
エレベータの運行は変化してしまう。とりわけ、途中階
で反転したり、空かごになって止まってしまう場合に
は、期待する値とは大きく異なるものになる。つまり、
乗場呼びを割り当てられなかった号機については、その
乗場呼びに対する待ち時間（到着に要する時間）を正し
く知ることはできないのである。

【００１８】従って、待ち時間予測用のニューラルネッ
トを図８のような構成とし、学習サンプルを用いて学習
を行う際、一つの学習サンプルにおいて、すべての号機
の待ち時間を教師信号として与えるようにすると、あま
り意味のない情報を学習させてしまう危険性があり、学
習の効率が悪くなるだけでなく、予測の精度も低下する
という問題があった。

【００１９】

【課題を解決するための手段】上記問題点を解決するた
め、本発明では、群のシステム状態データ（各号機すべ
てに関するデータ）を入力パターンとし、一方教師信号
は割当号機（先着号機）の待ち時間だけとした学習サン
プルを作成し、この学習サンプルを用いて学習を行う。
このとき出力層においては、教師信号の与えられたニュ
ーロンに接続されている結合重みだけを教師信号と出力
との誤差に基づいて修正し、該修正後の値を、該結合重
みと対称の位置にある他の出力層のニューロンに接続さ
れている結合重みに反映させるようにしたことを特徴と
する。

【００２０】

【作用】本発明においては、学習時、出力層においては
教師信号の与えられたニューロンに接続されている結合
重みだけが誤差に基づいて修正され、他の出力層のニュ
ーロンに接続されている結合重みについては、上記修正
後の値がそのまま利用される。

【００２１】

【実施例】以下、本発明の一実施例について図面を参照
しながら説明する。図１は、本発明における待ち時間予
測用のニューラルネットの構造を示す図（一部図示省
略）で、ここでは図８と同様に、入力層（第１層），中
間層（第２層），出力層（第３層）の３層構造からな
り、エレベータの台数は３台である場合を例にとって示
している。図２は、それぞれのニューロンの構造を示す
図である。

【００２２】図１及び図２において、Ｕ_mi ^(K)はＫ号機
の第ｍ層のｉ番目のニューロンを、Ｑ_mi ^(K)はＫ号機の
第ｍ層のｉ番目のニューロンからの出力を、Ｐ_i ^(K)は
Ｋ号機のｉ番目の入力データ（Ｐ_i ⁽⁰⁾は群全体に関す
るｉ番目の入力データ）を、Ｗ_mij ^(K,L)はＫ号機の第
ｍ層のｉ番目のニューロンと、Ｌ号機の第ｍ−１層のｊ
番目のニューロンとの間の結合重みをそれぞれ表してい
る。

【００２３】図３は、本発明における学習サンプルの作
成手順を示すフローチャートで、まずステップＳ１にお
いて、新たな乗場呼びが発生したか否かを判定し、呼び
が発生するとステップＳ２で、その呼びの発生時刻を記
憶すると共に、ステップＳ３でその呼びの発生時点にお
ける群のシステム状態データを記憶する。

【００２４】そしてステップＳ４で、かごがその呼びに
応答して停止したことを確認すると、ステップＳ５で現
在時刻と呼びの発生時刻との差をとり、その乗場呼びの
実際の待ち時間を算出する。そしてステップＳ６で、そ
の呼びの発生時点における群のシステム状態データと実
際の待ち時間とを対にした学習サンプルとして登録す
る。こうして乗場呼びが発生するごとに上記の手順を繰
り返すと、割当号機（または先着号機）の待ち時間だけ
を教師信号とした学習サンプルが多数登録される。

【００２５】なお、上記の学習サンプル作成手順の実行
は、現場で実際にエレベータを稼働しながら行ってもよ
いし、シミュレーションによってもよい。その際、呼び
の割り当てはニューラルネットを用いる方法、或いは従
来の評価関数による方法、ファジールールを用いる方法
等の何れであってもよい。

【００２６】図４は、本発明におけるニューラルネット
の学習手順を示すフローチャートであり、上記の学習サ
ンプルにより学習を行う。まずステップＳ１１で、サン
プル番号を表す変数Ｎを０に初期化し、ステップＳ１２
でＮの値をＮ＋１にインクリメントする。ステップＳ１
３では、Ｎ番目の学習サンプルの入力パターンと出力目
標を設定し、ステップＳ１４でそのＮ番目のサンプルに
ついてニューラルネットの入力層から順に各層の演算を
行う。

【００２７】そしてステップＳ１５で出力層の出力と出
力目標との誤差を計算し、ステップＳ１６でその誤差に
基づいて中間層と出力層の間の結合重みを修正する。い
ま、例えばステップＳ１４において、Ｎ番目の学習サン
プルは２号機が割当号機（先着号機）であったとする
と、教師信号は２号機の出力層のニューロンにだけ与え
られるので、ステップＳ１５では、２号機の出力層（第
３層）のニューロンからの出力であるＱ₃₁ ⁽²⁾と教師信
号との誤差だけを計算し、ステップＳ１６でこの誤差に
基づいて２号機の出力層のニューロンであるＵ₃₁ ⁽²⁾に
接続されている結合重みを順次修正する。

【００２８】このとき、１号機の出力層のニューロンＵ
₃₁ ⁽¹⁾に接続されている結合重みと、３号機の出力層の
ニューロンＵ₃₁ ⁽³⁾に接続されている結合重みの修正
は、一般にエレベータは各号機に対して対称性を有する
ことから、２号機に対する修正結果をそのまま用いるこ
とができる。例えばそれぞれ対称位置にあるＷ₃₁₁ ^(1,1)
とＷ₃₁₁ ^(3,3)はＷ₃₁₁ ^(2,2)と同じ値とすることがで
き、またＷ₃₁₁ ^(1,2)とＷ₃₁₁ ^(1,3)，Ｗ₃₁₁ ^(2,1)，Ｗ
₃₁₁ ^(2,3)、Ｗ₃₁₁ ^(3,1)、Ｗ₃₁₁ ^(3,2)はそれぞれ同じ
値とすることができる。

【００２９】なお、対称位置にある各結合重みを常に同
じ値とするには、誤差に基づいて修正する毎にその結果
をそれぞれコピーするようにしてもよいが、予めプログ
ラム上で、同じ値となる結合重みはメモリ上の同一アド
レスを指し示す構造としておくと、一つの結合重みに対
する修正は直ちに他の等価な結合重みにも反映されるこ
とになり、より簡単に効率よく行うことができる。

【００３０】続いて、ステップＳ１７ではステップＳ１
６の重みの修正結果に基づき、今度は中間層の各ニュー
ロンについて誤差の計算を行い、その誤差に基づいてス
テップＳ１８で入力層と中間層の間の各結合重みを順次
修正する。こうして上記手順を繰り返し、ステップＳ１
９で全サンプルについて終了したことを確認すると、ス
テップＳ２０を経て誤差が収束するまで再びステップＳ
１１〜Ｓ２０の手順を繰り返し、誤差が十分に収束する
と学習は完了となり、以後はこのニューラルネットを待
ち時間予測用として使用することができるようになる。

【００３１】

【発明の効果】本発明によれば、複数の出力層のニュー
ロンに対して１つの教師信号しか与えないが、実際には
全ての出力層ニューロンに対して教師信号を与えたのと
同等の学習を行うことができ、効率よく学習を行うこと
ができる。また、教師信号として割当号機（先着号機）
の待ち時間だけを与えるようにしたので、精度の高い待
ち時間予測を行うことができる。

【図面の簡単な説明】

【図１】本発明における待ち時間予測用ニューラルネッ
トの構成を示す図である。

【図２】ニューロンの構造を示す図である。

【図３】本発明における学習サンプル作成の手順の一例
を示すフローチャートである。

【図４】本発明におけるニューラルネットの学習手順を
示すフローチャートである。

【図５】呼び割当て用ニューラルネットの一例を示す図
である。

【図６】待ち時間予測用ニューラルネットの構成を示す
図である。

【図７】待ち時間予測用ニューラルネットの構成を示す
図である。

【図８】待ち時間予測用ニューラルネットの構成を示す
図である。

【符号の説明】

Ｕ₁₁ ⁽⁰⁾〜Ｕ₁₁ ⁽³⁾，Ｕ₁₂ ⁽⁰⁾〜Ｕ₁₂ ⁽³⁾入力層の各ニ
ューロンＵ₂₁ ⁽¹⁾〜Ｕ₂₁ ⁽³⁾，Ｕ₂₂ ⁽¹⁾〜Ｕ₂₂ ⁽³⁾中間層の各ニ
ューロンＵ₃₁ ⁽¹⁾〜Ｕ₃₁ ⁽³⁾出力層の各ニューロンＰ₁ ⁽⁰⁾〜Ｐ₁ ⁽³⁾，Ｐ₂ ⁽⁰⁾〜Ｐ₂ ⁽³⁾入力パターンの各
データＱ₃₁ ⁽¹⁾〜Ｑ₃₁ ⁽³⁾１〜３号機の出力（予測待ち時間）Ｗ_mij ^(K,L)結合重み

───────────────────────────────────────────────────── フロントページの続き (72)発明者長島一郎大阪府茨木市庄１丁目28番10号フジテック株式会社内 (72)発明者緑谷武大阪府茨木市庄１丁目28番10号フジテック株式会社内 (72)発明者田辺友晃大阪府茨木市庄１丁目28番10号フジテック株式会社内 (72)発明者太田直樹大阪府茨木市庄１丁目28番10号フジテック株式会社内

Claims

【特許請求の範囲】

【請求項１】乗場呼びが発生すると、その時点におけ
るエレベータの群のシステム状態データをニューラルネ
ットの入力パターンとして使用できる形に変換して入力
し、その出力パターンとして前記乗場呼びに対する各号
機の予測待ち時間を出力する待ち時間予測用ニューラル
ネットの学習方法において、乗場呼び発生時点における
群のシステム状態データを入力パターンとし、その乗場
呼びに対する割当号機（または先着号機）の待ち時間だ
けを教師信号とした学習サンプルを作成し、該学習サン
プルを用いて学習を行うようにしたことを特徴とする待
ち時間予測用ニューラルネットの学習方法。
【請求項２】乗場呼びが発生すると、その時点におけ
るエレベータの群のシステム状態データをニューラルネ
ットの入力パターンとして使用できる形に変換して入力
し、その出力パターンとして前記乗場呼びに対する各号
機の予測待ち時間を出力する待ち時間予測用ニューラル
ネットの学習方法において、乗場呼び発生時点における
群のシステム状態データを入力パターンとし、その乗場
呼びに対する割当号機（または先着号機）の待ち時間だ
けを教師信号とした学習サンプルを作成し、該学習サン
プルを用いて学習を行う際、出力層においては、教師信
号の与えられたニューロンに接続されている結合重みだ
けを教師信号と出力との誤差に基づいて修正し、該修正
後の値を、該結合重みと対称の位置にある他の出力層の
ニューロンに接続されている結合重みに反映させるよう
にしたことを特徴とする待ち時間予測用ニューラルネッ
トの学習方法。
【請求項３】前記反映させるとは、予めプログラム上
で、対称位置にある結合重みの値はメモリ上の同一アド
レスを指し示す構造としておくことである請求項２記載
の待ち時間予測用ニューラルネットの学習方法。