WO2020003761A1 - 人流予測方法及び人流予測システム - Google Patents

人流予測方法及び人流予測システム Download PDF

Info

Publication number
WO2020003761A1
WO2020003761A1 PCT/JP2019/018682 JP2019018682W WO2020003761A1 WO 2020003761 A1 WO2020003761 A1 WO 2020003761A1 JP 2019018682 W JP2019018682 W JP 2019018682W WO 2020003761 A1 WO2020003761 A1 WO 2020003761A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
elevator
time
getting
occurrences
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2019/018682
Other languages
English (en)
French (fr)
Inventor
佑 北野
彰規 淺原
直樹 下出
信夫 佐藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to US17/255,835 priority Critical patent/US12454439B2/en
Priority to CN201980029005.8A priority patent/CN112041255B/zh
Priority to EP19826252.9A priority patent/EP3816081B1/en
Publication of WO2020003761A1 publication Critical patent/WO2020003761A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0037—Performance analysers
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B1/00—Control systems of elevators in general
    • B66B1/24—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B1/00—Control systems of elevators in general
    • B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
    • B66B1/3415—Control system configuration and the data transmission or communication within the control system
    • B66B1/3446—Data transmission or communication within the control system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B3/00—Applications of devices for indicating or signalling operating conditions of elevators
    • B66B3/002—Indicators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
    • B66B5/0006—Monitoring devices or performance analysers
    • B66B5/0012—Devices monitoring the users of the elevator system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B1/00—Control systems of elevators in general
    • B66B1/34—Details, e.g. call counting devices, data transmission from car to control system, devices giving information to the control system
    • B66B1/3476—Load weighing or car passenger counting devices

Definitions

  • the present invention relates to prediction of traffic demand of, for example, elevators.
  • Patent Literature 1 discloses “An elevator traffic demand prediction device that can correctly predict traffic demand in a building.
  • the elevator traffic demand prediction device includes an acquisition unit, a calculation unit, a feature amount database, a prediction unit,
  • the acquiring unit acquires an elevator control result including a boarding load and a dismounting load for each moving direction and each floor.
  • the calculating unit indicates a category of traffic demand based on the elevator control result. Calculating a feature amount of the traffic demand including the category feature amount, and recording the calculated traffic demand feature amount in the feature amount database in association with the attribute information and the time information.
  • Selector which one is employed as the prediction result of the Hakachi is described as a plurality of the control system is selected in accordance with the prediction result from the control system. "Prepared in advance.
  • Patent Literature 2 discloses a new group management that can improve the transportation capacity of users by suppressing the occurrence of long waiting for users at the landing near the time when congestion is predicted in the future.
  • the present invention provides an elevator device and a method of allocating a passenger car by group management, and predicting a future congestion state by using arrival times of a plurality of users at a landing and current operation information of each passenger car, and grouping the users. And tentatively assigning the boarding machines corresponding to each group based on the grouped information, and determining the estimated arrival time at which the boarding car departing before the congestion predicted time at which congestion is predicted will arrive at the landing again.
  • Patent Document 1 Japanese Patent Application Laid-Open No. 2014-172718
  • Patent Document 2 International Publication No. 2017/006379
  • Patent Literature 1 and Patent Literature 2 since the number of passengers in the elevator car is used, the situation of the boarding floor and the getting off floor is known, but the situation of the elevator hall is not known.
  • the present invention is a human flow prediction method executed by a computer system having a processor and a storage device connected to the processor, wherein the human flow prediction method includes: The processor, based on the information of the sensors installed in the elevator, based on the number of people who got on the elevator in the past, calculate the number of people getting on and off the board including the calculated number of people getting on and off, The processor virtually generates a person appearing at each landing of the elevator to use the elevator, and simulates the operation of the elevator based on the number of generated persons, thereby at least a person riding the elevator A simulation data generating procedure for generating virtual getting on and off data including the number of A first conversion model generating procedure for generating a first conversion model for converting the virtual getting on and off data before a certain time into the number of occurrences after the time based on the number of people and the virtual getting on and off data; A second conversion model for generating a second conversion model for converting the virtual getting on / off data after a certain time
  • FIG. 1 is a functional block diagram illustrating a configuration of a person flow prediction device according to a first embodiment of the present invention.
  • FIG. 2 is a block diagram illustrating a hardware configuration of the human flow prediction device according to the first embodiment of the present invention.
  • FIG. 4 is a sequence diagram illustrating a process executed by the human flow prediction device according to the first embodiment of the present invention.
  • FIG. 4 is a sequence diagram illustrating a process executed by the human flow prediction device according to the first embodiment of the present invention. It is explanatory drawing of the car state data contained in the local getting on and off database of Example 1 of this invention.
  • FIG. 4 is an explanatory diagram of call state data included in a local getting-on / off database according to the first embodiment of the present invention.
  • FIG. 3 is an explanatory diagram of local getting on / off data included in a local getting on / off database according to the first embodiment of the present invention.
  • FIG. 4 is an explanatory diagram of virtual traffic demand data included in the simulation database according to the first embodiment of the present invention.
  • FIG. 4 is an explanatory diagram of car state data included in the simulation database according to the first embodiment of the present invention.
  • FIG. 3 is an explanatory diagram of call state data included in a simulation database according to the first embodiment of the present invention.
  • FIG. 4 is an explanatory diagram of a process in which a real-time conversion model generation unit according to the first embodiment of the present invention generates a past getting-on / off / occurrence conversion model.
  • FIG. 4 is an explanatory diagram of a process in which a real-time conversion model generation unit according to the first embodiment of the present invention generates a past getting-on / off / occurrence conversion model.
  • FIG. 5 is an explanatory diagram of parameters of a past getting on / off / occurrence conversion model included in the model database according to the first embodiment of the present invention.
  • FIG. 7 is an explanatory diagram of a process in which the real-time conversion model generation unit of the first embodiment of the present invention uses a past getting-on / off / occurrence conversion model to convert the actual number of passengers and the like into the number of occurrences.
  • FIG. 4 is an explanatory diagram of data on the number of persons generated by a real-time conversion model generation unit, which is included in the conversion generation database according to the first embodiment of the present invention.
  • FIG. 7 is an explanatory diagram of a process in which an offline conversion model generation unit according to the first embodiment of the present invention generates a future entry / exit / occurrence conversion model.
  • FIG. 4 is an explanatory diagram of parameters of a future entry / exit / occurrence conversion model included in the model database according to the first embodiment of the present invention.
  • FIG. 7 is an explanatory diagram of a process in which the offline conversion model generation unit according to the first embodiment of the present invention converts an actual number of passengers and the like into a number of generated persons using a future getting on / off / occurrence conversion model.
  • FIG. 4 is an explanatory diagram of data on the number of persons generated by an offline conversion model generation unit, which is included in the conversion generation database according to the first embodiment of the present invention.
  • FIG. 4 is an explanatory diagram of a process in which a prediction model learning unit according to the first embodiment of the present invention learns a prediction model.
  • FIG. 4 is an explanatory diagram of a process in which a prediction model learning unit according to the first embodiment of the present invention learns a prediction model.
  • FIG. 4 is an explanatory diagram of parameters of a prediction model included in the model database according to the first embodiment of the present invention.
  • FIG. 3 is an explanatory diagram of a real-time process executed by a boarding / alighting person calculation unit and a prediction unit according to the first embodiment of the present invention.
  • FIG. 6 is a functional block diagram illustrating a configuration of a person flow prediction device according to a second embodiment of the present invention.
  • FIG. 11 is a functional block diagram illustrating a configuration of a person flow prediction device according to a third embodiment of the present invention.
  • FIG. 9 is an explanatory diagram of an elevator hall in which an elevator hall camera according to Embodiment 3 of the present invention is installed. It is explanatory drawing of calculation of the number of occurrences performed by the number-of-incidents calculation part in a hall of Example 3 of this invention.
  • FIG. 1 is a functional block diagram showing the configuration of the human flow prediction device 100 according to the first embodiment of the present invention.
  • the person flow prediction device 100 of the present embodiment includes the number-of-occurrence prediction unit 101.
  • the number-of-occurrence prediction unit 101 includes an off-line conversion model generation unit 102, a real-time conversion model generation unit 106, a simulation data generation unit 110, a prediction model learning unit 113, a prediction unit 116, a passenger count calculation unit 120, a simulation database (DB) 121, It has a conversion occurrence database (DB) 122, a model database (DB) 123, and a local getting on / off database (DB) 120.
  • DB conversion occurrence database
  • DB model database
  • DB local getting on / off database
  • the off-line conversion model generation unit 102 includes a conversion feature amount calculation unit 103, a future entry / exit / generation conversion model learning unit 104, and a generation data conversion unit 105.
  • the real-time conversion model generation unit 106 includes a conversion feature amount calculation unit 107, a past getting on / off / generation conversion model learning unit 108, and an occurrence data conversion unit 109.
  • the simulation data generation unit 110 includes a virtual traffic demand generation unit 111 and an occurrence / operation data generation unit 112.
  • the prediction model learning unit 113 includes a prediction feature amount calculation unit 114 and a prediction model learning unit 115.
  • the prediction unit 116 includes a real-time occurrence conversion unit 117, a predicted feature amount calculation unit 118, and a prediction model application unit 119.
  • the elevator 130 is, for example, a group management elevator having a plurality of cars (not shown) installed in one building, and has a control unit (not shown) for controlling the operation of the cars.
  • the prediction unit 116 transmits a result of estimating the number of persons generated to the elevator 130, and the control unit of the elevator 130 controls the operation of the car based on the result. Further, the control unit transmits various kinds of information acquired by the elevator 130 to the human flow prediction device 100.
  • the number-of-passengers calculating unit 120 executes processing described later based on the information acquired from the elevator 130.
  • occurrence means that a person who intends to use the elevator reaches an elevator hall (that is, an elevator platform), and "number of persons” is the number of persons who have occurred. .
  • FIG. 2 is a block diagram illustrating a hardware configuration of the human flow prediction device 100 according to the first embodiment of the present invention.
  • the person flow prediction device 100 is, for example, a computer having an interconnected interface (I / F) 201, an input device 202, an output device 203, a processor 204, a main storage device 205, and an auxiliary storage device 206.
  • I / F interconnected interface
  • the interface 201 is connected to a network (not shown) and communicates with the elevator 130 via the network.
  • the input device 202 is a device used by a user of the human flow prediction device 100 to input information to the human flow prediction device 100, and may include, for example, at least one of a keyboard, a mouse, a touch sensor, and the like.
  • the output device 203 is a device that outputs information to the user of the human flow prediction device 100, and may include a display device that displays, for example, characters and images.
  • the processor 204 executes various processes according to the program stored in the main storage device 205.
  • the main storage device 205 is a semiconductor storage device such as a DRAM, for example, and stores a program executed by the processor 204, data necessary for processing of the processor, and the like.
  • the auxiliary storage device 206 is a relatively large-capacity storage device such as a hard disk drive or a flash memory, for example, and stores data referred to in processing executed by the processor 204.
  • the number-of-occurrence prediction unit 101 includes the offline conversion model generation unit 102, the real-time conversion model generation unit 106, the simulation data generation unit 110, the prediction model learning unit 113, the prediction unit 116, and the number of passengers getting on and off.
  • a program for implementing the unit 120 is stored. Therefore, in the following description, the processing executed by each unit described above is actually executed by the processor 204 according to a program corresponding to each unit stored in the main storage device 205.
  • the auxiliary storage device 206 of this embodiment stores a simulation database 121, a conversion occurrence database 122, a model database 123, and a local getting on / off database 124. Further, a program corresponding to each unit included in the number-of-occurrence prediction unit 101 may be stored in the auxiliary storage device 206 and may be copied to the main storage device 205 as needed. At least a part of the database may be copied to the main storage device 205 as needed.
  • FIGS. 3A and 3B are sequence diagrams illustrating processing executed by the human flow prediction device 100 according to the first embodiment of this invention.
  • the process of the human flow prediction device 100 is a prediction for predicting the number of future occurrences from the number of occurrences up to now based on data acquired by simulation and data acquired during past actual operation of the elevator 130. It includes an offline process 300 for learning a model, and a real-time process 320 for predicting the number of future occurrences using a prediction model obtained by learning. First, the offline processing 300 will be described.
  • the number of passengers calculating unit 120 obtains data on the state of the elevator 130 acquired during the past actual operation from the elevator 130 (step 301).
  • the data acquired here may include, for example, the position of each car of the elevator 130, the moving direction, the weight of the load of each car, and the like for each time (or time period of a predetermined length).
  • the boarding / riding person calculation unit 120 may acquire a call state of each floor at each time (or a time zone of a predetermined length), that is, data indicating whether the call button of each floor has been pressed. . These data are also described as local data.
  • the boarding / alighting person calculation unit 120 generates local boarding / alighting data from the acquired data.
  • the boarding / riding person calculation unit 120 may estimate the number of people riding in each car at each time based on the weight of each car at each time.
  • the number of passengers calculating unit 120 may estimate the number of people getting into each car on each floor, the number of people getting off on each floor, etc., from changes in the position, moving direction, and weight of each car at each time,
  • the number of persons who got on from one floor and went down to another floor may be estimated based on the records of the operation of the destination floor button of each car and the call button of each floor.
  • the local getting on and off data includes at least one of such information. Since the above estimation can be performed by an arbitrary method, a detailed description thereof is omitted here.
  • the boarding / alighting person calculation unit 120 stores the acquired data such as the state of the car and the local boarding / alighting data estimated based on the data in the local boarding / alighting database 124 (step 302).
  • An example of the contents of the local getting on / off database 124 will be described later (see FIGS. 4A to 4C).
  • the virtual traffic demand generator 111 of the simulation data generator 110 generates a virtual traffic demand (Step 303).
  • the virtual traffic demand generation unit 111 uses a random number to generate a time at which a person occurs, a floor at which the person occurs, and a floor at which the person intends to use the elevator 130 (destination floor). And it may be assumed that such a person has occurred (ie, such a person may be virtually generated).
  • the virtual traffic demand generation unit 111 virtually generates a sufficient number of persons to generate simulation data by an operation simulation described later.
  • the virtual traffic demand generation unit 111 may randomly generate a person without any restrictions, or may generate a person randomly after adding restrictions based on local getting on / off data.
  • the virtual traffic demand generation unit 111 may generate a person such that the distribution of the probability of the occurrence of the person is similar to that calculated from the local getting-on / off data. More specifically, for example, the distribution of the number of passengers of the elevator 130 in each time zone having an appropriate time width may be modeled by a Poisson distribution from the local getting-on / off data. Then, the person may be generated such that the distribution of the occurrence probability of the person follows the modeled Poisson distribution. Thereby, simulation data can be efficiently generated.
  • the generation / operation data generation unit 112 of the simulation data generation unit 110 generates operation data of the elevator 130 from the virtual traffic demand (that is, generation of a person) generated in step 303 (step 304).
  • the generation / operation data generation unit 112 has an operation simulator that simulates the operation of the elevator 130, and generates the virtual traffic demand generated in step 303, that is, when the elevator hall of which floor Then, information such as on which floor a person trying to go to is generated is input to the operation simulator to execute the operation simulation.
  • the generation / operation data generation unit 112 generates virtual operation data as a result of the operation simulation.
  • the virtual operation data generated here is, for example, the number of persons riding the car at each time obtained by the simulation, or the number of persons getting on and off every predetermined time period starting from each time.
  • data such as the position of each car at each time, the moving direction, the call state on each floor, and the like obtained by the simulation may be included.
  • the simulation data generation unit 110 stores the virtual traffic demand generated by the virtual traffic demand generation unit 111 and the operation data generated by the generation / operation data generation unit 112 in the simulation database 121.
  • An example of the contents of the simulation database 121 will be described later (see FIGS. 5A to 5C).
  • the real-time conversion model generation unit 106 estimates the number of persons occurring after the time based on the operation data such as the number of people getting on and off before a certain time (in other words, the number of people getting on and off before the certain time is further reduced).
  • a model for later conversion to the number of occurrences is generated (steps 306 to 308).
  • the model generated here is referred to as a past getting on / off / occurrence conversion model. Since this model is used not only in the off-line processing 300 but also in the real-time processing 320, it is also described as a real-time conversion model.
  • the number of people getting on and off in a certain time zone is converted into the number of people getting on and off in a later time zone.
  • the relationship between the time zone of the operation data as the source of the conversion and the time zone of the number of occurrences converted based on it, if the former time zone includes the time zone before the latter time zone, At least a part of both may overlap.
  • the latter time zone is a time zone of a predetermined length ending at a certain time
  • the former time zone is an ending point of the starting point of the latter time zone or any time earlier than that. It may be a time zone, or a time zone in which any time included in the latter time zone is the end point and any time before the start point of the latter time zone is the start point.
  • the conversion characteristic amount calculation unit 107 of the real-time conversion model generation unit 106 calculates the characteristic amount of the operation data for each time zone generated by the simulation of the simulation data generation unit 110 (step 306).
  • the past getting-on / off / occurrence conversion model learning unit 108 of the real-time conversion model generation unit 106 calculates the feature amount of each time period calculated in step 306 and the number of generated persons in the time period after each time period (that is, the number of running trains).
  • a past getting-on / off / occurrence conversion model is generated by performing machine learning using the combination with the virtual traffic demand (input to the simulator) as learning data (step 307).
  • the generated past getting on / off / occurrence conversion model is stored in the model database 123 (step 312).
  • the generation data conversion unit 109 of the real-time conversion model generation unit 106 applies the past getting on / off / occurrence conversion model to the operation data acquired as the local data, thereby determining the number of persons in the time zone corresponding to the operation data.
  • Generate (Step 308). For example, by applying the past getting-on / off / occurrence conversion model to the operation data of a plurality of continuous time zones and generating the number of occurrences of the time zones corresponding to those time zones, the plurality of continuous time zones are integrated. It is possible to acquire a set of the operation data of a certain period in the set period and the number of persons generated in the same period. The number of occurrences thus obtained is stored in the conversion occurrence database 122 (step 313).
  • the off-line conversion model generation unit 102 estimates the number of people who occurred before the time based on the operation data such as the number of people getting on and off after a certain time (in other words, the number of people getting on and off after a certain time is made earlier than that). Is generated (steps 309 to 311).
  • the model generated here is referred to as a future getting on / off conversion model. Since this model is used in the offline processing 300, it is also described as an offline conversion model.
  • the number of people getting on and off in a certain time zone is converted into the number of occurrences in an earlier time zone.
  • the relationship between the time zone of the operation data that is the source of the conversion and the time zone of the number of occurrences converted based on it, if the former time zone includes a time zone after the latter time zone, At least a part of both may overlap.
  • the latter time zone is a time zone of a predetermined length starting at a certain time
  • the former time zone is set to the end point of the latter time zone or any time later than that. It may be a time zone, or a time zone in which any time included in the latter time zone is set as a start point and any time after the end point of the latter time zone is set as an end point.
  • the conversion feature calculation unit 103 of the offline conversion model generation unit 102 calculates the feature of the operation data for each time zone generated by the simulation of the simulation data generation unit 110 (step 309).
  • the future getting on / off / occurrence conversion model learning unit 104 of the offline conversion model generation unit 102 calculates the feature amount of each time zone calculated in step 309 and the number of generated persons in the time zone before each time zone (that is, By performing machine learning using the combination with the virtual traffic demand (input to the simulator) as learning data, a future getting on / off / occurrence conversion model is generated (step 310).
  • the generated future entry / exit / occurrence conversion model is stored in the model database 123 (step 312).
  • the generation data conversion unit 105 of the offline conversion model generation unit 102 applies the future getting on / off / occurrence conversion model to the operation data acquired as the local data to determine the number of persons in the time zone corresponding to the operation data. It is generated (step 311). For example, by applying a future getting on / off / occurrence conversion model to the operation data of a plurality of continuous time zones and generating the number of people in the time zones corresponding to the time zones, the plurality of continuous time zones are integrated. It is possible to acquire a set of the operation data of a certain period in the set period and the number of persons generated in the same period. The number of occurrences thus obtained is stored in the conversion occurrence database 122 (step 313).
  • Either the processing of the real-time conversion model generation unit 106 (steps 306 to 308) or the processing of the offline conversion model generation unit 102 (steps 309 to 311) may be performed first or may be performed in parallel. Good.
  • the prediction model learning unit 113 learns a prediction model for predicting the number of occurrences after the time from the number of occurrences before the certain time (steps 314 to 315). Specifically, first, the prediction feature amount calculation unit 114 of the prediction model learning unit 113 calculates a feature amount of the number of occurrences for each time zone from the number of occurrences converted by the occurrence data conversion unit 109 (step 314). .
  • the prediction model learning unit 115 of the prediction model learning unit 113 converts the feature amount of the number of occurrences for each time period calculated in step 314 and the generation data conversion unit 105 of the time period after each time period. Based on the number of occurrences, a prediction model for predicting the number of occurrences in a later time zone from the number of occurrences in a certain time zone is learned (step 315).
  • the prediction model obtained by learning is stored in the model database 123 (Step 316).
  • the offline processing 300 ends here.
  • the real-time processing 320 the prediction unit 116 predicts the number of people who have occurred after the local getting-on / off data before a certain time using the past getting-on / off conversion model and the prediction model.
  • the specific procedure is as follows.
  • the boarding / riding person calculation unit 120 acquires data on the state of the elevator 130 acquired during the past actual operation from the elevator 130 (step 321). For example, when an attempt is made to predict the number of occurrences in a certain time zone after the current time (here, described as the time zone to be predicted), the time zone to be predicted is calculated using the prediction model generated by the prediction model learning unit 113.
  • the time period of the past number of occurrences required to predict the number of occurrences of the past (here, described as the time period of the number of occurrences of the prediction source) is specified, and the number of occurrences of the prediction source is calculated using the past getting on / off / occurrence conversion model It is also possible to specify the time zone of the data on the state of the elevator 130 necessary to obtain the number of persons who occurred in the time zone of, and obtain the data on the state of the elevator 130 in the finally specified time zone.
  • the real-time occurrence conversion unit 117 of the prediction unit 116 calculates a conversion feature amount from the data acquired in step 321 and applies the past getting on / off / occurrence conversion model to the calculated conversion feature amount, thereby calculating the number of occurrences. Is acquired (step 322).
  • the predicted feature amount calculation unit 118 of the prediction unit 116 calculates the feature amount of the number of occurrences acquired in step 322 (step 323).
  • the prediction model application unit 119 of the prediction unit 116 applies the prediction model to the feature amount calculated in step 323, thereby predicting the number of people who occur in the prediction target time zone.
  • the prediction unit 116 transmits the number of occurrences predicted in this way to the elevator 130.
  • the elevator 130 can contribute to an improvement in user satisfaction by controlling the operation based on the predicted number of occurrences, for example, by reducing waiting time.
  • FIG. 4A is an explanatory diagram of the car state data 400 included in the local getting-on / off database 124 according to the first embodiment of this invention.
  • the car state data 400 is data that the passenger calculating section 120 acquires from the elevator 130 and stores in the local getting on / off database 124 (steps 301 and 302), and stores information on the state of the car in the past actual operation of the elevator 130. Including.
  • the car state data 400 includes a plurality of records, and each record includes a date and time 401, a car 402, a floor 403, a weight 404, and one or more car parameters (for example, car parameter 1_405).
  • the date and time 401 indicates the date and time when the data of each record was obtained.
  • the car 402 identifies the car of the elevator 130 from which the data of each record has been acquired.
  • the floor 403 indicates the location of the car identified by the car 402 at the time specified by the date and time 401.
  • the weight 404 indicates the weight of the load of the car identified by the car 402 at the time specified by the date and time 401. This is a value obtained from a weight sensor installed in the elevator 130 that measures the weight of the load of each car, and may be the weight itself or a person riding the car estimated from the weight. (This is also described as the number of passengers).
  • the car parameter is a parameter indicating the state of each car other than the above.
  • the car parameters may include the traveling direction of each car (for example, upward or downward), the state of a destination floor button installed in the car (for example, which floor button is pressed), and the like.
  • FIG. 4B is an explanatory diagram of the call state data 410 included in the local getting-on / off database 124 according to the first embodiment of this invention.
  • the call state data 410 is data acquired by the passenger getting on / off calculating unit 120 from the elevator 130 and stored in the local getting on / off database 124 (steps 301 and 302), and is used by the user in the past actual operation of the elevator 130 for the car. Contains information about the call.
  • the call status data 410 includes a plurality of records, each record including a date and time 411, a floor 412, an UP call 413, a DN call 414, and one or more call parameters (eg, call parameter 1_415).
  • the date and time 411 indicates the date and time when the data of each record was obtained.
  • the floor 412 indicates the floor corresponding to each record.
  • the UP call 413 indicates whether or not an upward car has been called on the floor specified by the floor 412 at the time specified by the date and time 411. For example, the value “1” of the UP call 413 indicates that the car going upward has been called (that is, the call button in the upward direction of the elevator hall on the floor has been pressed).
  • the DN call 414 indicates whether a car going downward has been called on the floor specified by the floor 412 at the time specified by the date and time 411.
  • Call parameters are parameters related to calls other than the above.
  • the call parameters may be information identifying an algorithm for assigning a car to a call.
  • FIG. 4C is an explanatory diagram of the local getting on / off data 420 included in the local getting on / off database 124 according to the first embodiment of this invention.
  • the local getting on / off data 420 is data that the passenger getting on / off calculating section 120 estimates based on the car state data 400 and the call state data 410 and is stored in the local getting on / off database 124 (steps 301 and 302), and relates to the use status of the elevator 130. Contains information. More specifically, the local getting-on / off data 420 includes a plurality of records, and each record includes the number of persons who have used the elevator from the floor indicated by the departure floor 422 to the floor indicated by the destination floor 423 at the date and time indicated by the date and time 421. Includes the estimated number of people 424.
  • the first record of the local getting-on / off data 420 shown in FIG. 4C is an elevator from the first floor to the fifth floor at a predetermined time (for example, one minute) starting at 7: 00: 00: 00 on January 1, 2018. Indicates that the number of people who moved using 130 was estimated to be five.
  • FIG. 5A is an explanatory diagram of virtual traffic demand data 500 included in the simulation database 121 according to the first embodiment of the present invention.
  • the virtual traffic demand data 500 is data generated by the virtual traffic demand generation unit 111 of the simulation data generation unit 110 and stored in the simulation database 121 (Steps 303 and 305). Specifically, the virtual traffic demand data 500 includes a plurality of records, and each record includes a date and time 501, a departure floor 502, and a destination floor 503. One record corresponds to one person assumed to have occurred in an elevator hall on any floor at any time.
  • Date 501 indicates the date and time when the person occurred
  • departure floor 502 indicates the floor where the person occurred
  • destination floor 503 indicates the floor to which the person is going.
  • the value of the date and time 501 is a date and time in an operation simulation described later, and does not necessarily mean an actual date and time.
  • the first record in FIG. 5A attempts to go to the first floor elevator hall and to the fifth floor at a predetermined time (for example, one minute) starting at 7: 00: 00: 00 on January 1, 2018. Indicates that a person was assumed to have occurred.
  • a predetermined time for example, one minute
  • FIG. 5B is an explanatory diagram of the car state data 510 included in the simulation database 121 according to the first embodiment of the present invention.
  • the car state data 510 is data that is generated based on the result of a simulation performed by the operation simulator included in the generation / operation data generation unit 112 based on the virtual traffic demand data 500 and stored in the simulation database 121 (step). 304, 305).
  • each record of the car state data 510 includes a date and time 511, a car 512, a floor 513, a weight 514, and one or more car parameters (for example, car parameter 1_515). These items are the same as the date / time 401, the car 402, the floor 403, the weight 404, and the car parameter 1_405 of the car state data 400 shown in FIG. However, while the values obtained by the actual operation are stored in the respective items of the car state data 400, the values obtained by the operation simulation are stored in the car state data 510.
  • the date and time 511 corresponds to the date and time 501 of the virtual traffic demand data 500, and does not necessarily mean an actual date and time.
  • the date and time 501 stores the date and time of the local getting on and off data (for example, the value of the date and time 401 in FIG. 4A) on which the calculation is based. Is done.
  • FIG. 5C is an explanatory diagram of the call state data 520 included in the simulation database 121 according to the first embodiment of the present invention.
  • the call state data 520 is data that is generated based on the result of a simulation performed by the operation simulator included in the generation / operation data generation unit 112 based on the virtual traffic demand data 500 and stored in the simulation database 121 (step). 304, 305).
  • each record of the call status data 520 includes a date and time 521, a floor 522, an UP call 523, a DN call 524, and one or more call parameters (for example, call parameter 1_525). These items are the same as the date and time 411, floor 412, UP call 413, DN call 414, call parameter 1_415, etc. of the call status data 410 shown in FIG. However, the value obtained by the actual operation is stored in each item of the call state data 410, whereas the value obtained by the operation simulation is stored in the call state data 520.
  • the date and time 521 corresponds to the date and time 501 of the virtual traffic demand data 500, and does not necessarily mean an actual date and time.
  • FIG. 6 is an explanatory diagram of processing (steps 306 to 307) in which the real-time conversion model generation unit 106 according to the first embodiment of the present invention generates a past getting-on / off / generation conversion model.
  • the number of occurrences 603 indicates the number of occurrences per hour in a certain period (for example, one day) generated by the virtual traffic demand generation unit 111. Although the actual number of occurrences includes the number of occurrences on each floor, it is expressed as a vector value, but here, it is expressed as a scalar value for explanation.
  • the number of passengers 601 indicates the number of passengers for each time included in the operation data of the same period (for example, the same day) generated by the operation / simulation data generation unit based on the number of occurrences 603 by the operation simulation. Show. Like the number of occurrences, the number of riders is actually expressed as a vector value, but is expressed as a scalar value here.
  • the number of passengers obtained by the simulation ie, the number of passengers estimated from the weight 514
  • the past getting on / off / occurrence conversion model learning unit 108 extracts a combination of the feature amount of the number of passengers 601 in a certain time zone 604 and the number of occurrences 603 in a time zone 604 after that.
  • the feature amount of the number of passengers 601 and the like 601 is calculated by the conversion feature amount calculating unit 107 (step 306).
  • the past getting on / off / occurrence conversion model learning unit 108 extracts a number of combinations of the feature quantity of the number of passengers 601 and the number of occurrences 603 in the time zone having the same correspondence as described above and machine learning by extracting them.
  • a function for converting the past number of passengers 601 and the like to the number of generated persons 603 after that (a past getting on / off conversion model, that is, a real-time conversion model) is calculated (step 307).
  • the parameters of the conversion model thus calculated are stored in the model database 123 (step 312).
  • FIG. 6 shows, for example, the number of riders and the like and the number of riders in a certain day. Actually, the rider rides for a longer period, that is, a period sufficient for learning an accurate past getting on / off / occurrence conversion model. The number of people and the number of occurrences are used.
  • FIG. 7 is an explanatory diagram of the parameters 700 of the past getting-on / off / occurrence conversion model included in the model database 123 according to the first embodiment of the present invention.
  • the parameter 700 of the past getting-on / off / occurrence conversion model includes a plurality of records, and each record has a date 701 and a plurality of model parameters (for example, a model parameter 1_702 and a model parameter 2_703).
  • the date 701 indicates the date of the simulation data from which the past getting on / off / occurrence conversion model is generated.
  • the model parameter 1_702 and the model parameter 2_703 are parameters of the past getting on / off / occurrence conversion model calculated by the machine learning performed by the past getting on / off / occurrence conversion model learning unit 108.
  • the date and time of the local getting-on / off data is generated.
  • the date indicated by 421 may be stored as the date 701.
  • the parameters of the past getting on / off / occurrence conversion model generated from the result of the operation simulation based on the virtual traffic demand are stored in the model parameter 1_702 or the like of the record including the date.
  • the date 701 corresponding to the past getting-on / off / occurring conversion model is blank. May be.
  • FIG. 8 is an explanatory diagram of the process (step 308) in which the real-time conversion model generation unit 106 of the first embodiment of the present invention uses the past getting-on / off / occurrence conversion model to convert the actual number of passengers and the like into the number of generated people.
  • the number of passengers 801 indicates a value for each time of a certain period (for example, a certain day) of the number of passengers in the operation data acquired by the number of passengers calculating unit 120 and stored in the local getting on / off database.
  • the generation data conversion unit 109 of the real-time conversion model generation unit 106 calculates the characteristic amount of the number of passengers 801 in the time zone 802 and applies the past getting on / off / generation conversion model to the time zone in the future from the time zone 802.
  • the number of occurrences of 804 is acquired. By executing this for each time slot, the number of persons 803 occurring during the same period (for example, the same day) can be obtained.
  • FIG. 8 shows, for example, the number of passengers 801 etc. for one day and the number of occurrences 803, but in practice, the past passenger getting on / off / occurrence conversion model is applied to the number of passengers etc. for a longer period of time.
  • the number of passengers 801 and the number 803 of passengers of an arbitrary length of time, such as a desired day or a desired time zone, may be acquired from the number of drivers.
  • FIG. 9 is an explanatory diagram of data on the number of persons generated by the real-time conversion model generation unit 106 included in the conversion generation database 122 according to the first embodiment of the present invention.
  • FIG. 9 shows that the real-time conversion model generation unit 106 generates the past getting-on / off / generation conversion model by applying the generated past getting-on / off / generation conversion model to actual operation data in step 308, and stores it in the conversion generation database 122 in step 312.
  • An example of data to be performed is shown. That is, this corresponds to a part of the number of occurrences 803 shown in FIG.
  • Each record of the data 900 shown in FIG. 9 includes the date and time 901, the departure floor 902, the destination floor 903, and the number of people 904. These items are the same as the date / time 421, departure floor 422, destination floor 423, and number of people 424 of the local getting-on / off data 420 in FIG. However, since each record in FIG. 9 stores a value indicating the number of persons converted based on the generated past getting on / off / occurrence conversion model, those values are stored in the local getting on / off data 420 in FIG. 4C. Different from the ones. Further, the destination floor 903 may be estimated in the same manner as the destination floor 423, but such estimation may be omitted and the data 900 not including the destination floor 903 may be generated.
  • FIG. 10 is an explanatory diagram of the processing (steps 309 to 310) in which the offline conversion model generation unit 102 according to the first embodiment of the present invention generates a future entry / exit / generation conversion model.
  • the number of passengers 601 and the number of generated persons 603 are the same as those shown in FIG.
  • the future boarding / occurrence / occurrence conversion model learning unit 104 extracts a combination of the feature amount of the number of passengers 601 in a certain time zone 1001 and the number of occurrences 603 in a time zone 1002 before that.
  • the feature amount of the number of passengers 601 and the like 601 is calculated by the conversion feature amount calculation unit 103 (step 309).
  • the future boarding / occurrence / transformation model learning unit 108 extracts a large number of combinations of the feature amount of the number of passengers 601 and the like and the number of occurrences 603 in the time zone having the same correspondence as described above, and machine-learns them.
  • a function for converting the past number of passengers 601 and the like to the number of previous generations 603 is calculated (step 310).
  • the parameters of the conversion model thus calculated are stored in the model database 123 (step 312).
  • FIG. 11 is an explanatory diagram of the parameters 1100 of the future getting-on / off conversion model included in the model database 123 according to the first embodiment of the present invention.
  • the parameter 1100 of the future entry / exit / occurrence conversion model includes a plurality of records, and each record has a date 1101 and a plurality of model parameters (for example, model parameter 1_1102 and model parameter 2_1103).
  • the date 1101 indicates the date of the simulation data from which the future getting on / off / occurrence conversion model is generated.
  • the model parameter 1_1102, the model parameter 2_1103, and the like are parameters of the future getting on / off / occurrence conversion model calculated by machine learning performed by the future getting on / off / occurrence conversion model learning section 104.
  • the description regarding the relationship between the date 701 and the local getting on / off data in FIG. 7 is also applied to the relationship between the date 1101 and the local getting on / off data in FIG.
  • the date 1101 corresponding to the past getting on / off / occurring conversion model is blank. May be.
  • FIG. 12 is an explanatory diagram of the process (step 311) in which the offline conversion model generation unit 102 of the first embodiment of the present invention converts the actual number of passengers and the like into the number of generated passengers using the future getting on / off / occurrence conversion model.
  • the number of passengers 801 is the same as that shown in FIG.
  • the generation data conversion unit 105 of the offline conversion model generation unit 102 calculates a feature amount of the number of passengers 801 such as the number of passengers in the time zone 1202 and applies a future entry / exit / generation conversion model to the time zone before the time zone 1202.
  • the number of occurrences of 1203 is acquired. By executing this for each time zone, the number of occurrences 1201 in the same period (for example, the same day) as the above-mentioned number of passengers 801 can be obtained.
  • the number of persons in the corresponding period is acquired, and a desired one day or a day is obtained therefrom.
  • the number of passengers 801 and the number of occurrences 1201 during a period of an arbitrary length such as a desired time zone may be acquired.
  • FIG. 13 is an explanatory diagram of the data on the number of persons generated by the offline conversion model generation unit 102 included in the conversion generation database 122 according to the first embodiment of the present invention.
  • FIG. 13 shows that the off-line conversion model generation unit 102 applies the generated future entry / exit / generation conversion model to actual operation data in step 311 to generate the model, and stores it in the conversion generation database 122 in step 312.
  • An example of data to be performed is shown. That is, this corresponds to a part of the number of occurrences 1201 shown in FIG.
  • Each record of the data 1300 shown in FIG. 13 includes a date and time 1301, a departure floor 1302, a destination floor 1303, and the number of people 1304. These items are the same as the date / time 421, departure floor 422, destination floor 423, and number of people 424 of the local getting-on / off data 420 in FIG. However, since each record in FIG. 13 stores a value indicating the number of persons converted based on the generated future entry / exit / occurrence conversion model, these values are stored in the local entry / exit data 420 in FIG. 4C. 9 and that stored in the data 900 of FIG.
  • the destination floor 1303 may be estimated in the same manner as the destination floor 423, but such estimation may be omitted and the data 1300 not including the destination floor 1303 may be generated.
  • FIGS. 14A and 14B are explanatory diagrams of a process in which the prediction model learning unit 113 according to the first embodiment of the present invention learns a prediction model.
  • the prediction feature amount calculation unit 114 of the prediction model learning unit 113 calculates the feature amount of the number of occurrences 1201 in the time period 1401 (step 314).
  • the prediction model learning unit 115 learns a prediction model for predicting the number of occurrences 1201 in the time period 1402 after the time period 1401 from the calculated feature amount (step 315).
  • the predicted feature amount calculation unit 114 calculates a feature amount of the number of occurrences 803 in the time period 1401 (step 314).
  • the prediction model learning unit 115 learns a prediction model for predicting the number of occurrences 1201 in the time period 1402 after the time period 1401 from the calculated feature amount (step 315).
  • time zones 1401 and 1402 are merely examples, and the prediction model learning unit 113 learns the prediction model based on the number of occurrences of many combinations of time zones having the same relationship. be able to.
  • the prediction model learning unit 113 may employ any of the methods exemplified above.
  • a robust prediction model suitable for actual real-time processing can be generated by creating a prediction model for predicting the number of occurrences 1201 from the number of occurrences 803 obtained using the past getting on / off / occurrence conversion model.
  • FIG. 15 is an explanatory diagram of the prediction model parameters 1500 included in the model database 123 according to the first embodiment of the present invention.
  • the parameter 1500 of the prediction model includes a plurality of records, and each record has a date 1501 and a plurality of model parameters (for example, a model parameter 1_1502 and a model parameter 2_1503).
  • the date 1501 is the date on which the number of passengers (for example, the number of passengers 801 in FIG. 8) based on the number of people used for generating the prediction model (for example, the number of people 803 and 1201 in FIG. 14B) is obtained.
  • the model parameter 1_1502 and the model parameter 2_1503 are parameters of the prediction model calculated by the machine learning performed by the prediction model learning unit 115.
  • FIG. 16 is an explanatory diagram of the real-time processing (steps 321 to 324) executed by the passenger count calculating unit 120 and the prediction unit 116 according to the first embodiment of the present invention.
  • the number of passengers calculating unit 120 acquires the number of passengers 1601 up to the current time (step 321).
  • the real-time generation / conversion unit 117 of the prediction unit 116 calculates the characteristic amount of the number of passengers 1601 in the time zone 1602 before the current time, and applies the past getting-on / off / occurrence conversion model to the time before the current time.
  • the number of occurrences of the band 1604 is acquired. The same process is performed for each time zone before the current time to obtain the number of persons 1603 before the current time (step 322).
  • the predicted characteristic amount calculation unit 118 of the prediction unit 116 calculates the characteristic amount of the number of occurrences 1603 in the time slot 1605 before the current time (step 323).
  • the prediction model application unit 119 of the prediction unit 116 predicts the number of occurrences 1606 of the time zone 1607 after the current time by applying the prediction model to the feature amount calculated in step 323 (step 324). . This prediction result is transmitted to the elevator 130.
  • the number of passengers calculating unit 120 acquires, as local data, not only the number of passengers of the elevator 130 at each time but also information regarding the car state and the call state (FIGS. 4A and 4B).
  • the simulation data generation unit 110 uses the generated virtual traffic demand to obtain only the getting-on / off data of the elevator 130 at each time (for example, the number of people riding on each car, the number of people getting on and off during a time period of a predetermined length, and the like). Instead, information about the car state (for example, the location of each car, the movement direction, and the operation status of the destination floor button at each time) and the call state (for example, the operation state of the call button for each floor at each time) are generated. (FIG. 5B, FIG. 5C).
  • the real-time conversion model generation unit 106 and the offline conversion model generation unit 102 calculate the conversion features including not only the number of passengers but also the above-mentioned car state and call state, and generate a conversion model based thereon.
  • the real-time conversion model generation unit 106 and the offline conversion model generation unit 102 may include the parameters calculated based on the car state and the call state in the conversion feature amount.
  • the real-time conversion model generation unit 106 and the offline conversion model generation unit 102 may calculate the arrival frequency of the car on each floor in each time zone of a predetermined length, and include this in the conversion feature amount. This is expected to improve the accuracy of the conversion model.
  • the real-time conversion model generation unit 106 and the offline conversion model generation unit 102 do not necessarily need to use all of the above information.
  • the real-time conversion model generation unit 106 and the off-line conversion model generation unit 102 may calculate the conversion feature based only on the getting-on / off data of each car at each time, or may add minimum information as needed. May be used to calculate the conversion feature.
  • the prediction model learning unit 113 learns a prediction model corresponding to a time zone having a predetermined attribute
  • the prediction unit 116 predicts a prediction model corresponding to the attribute of the time zone in which the number of occurrences is to be predicted.
  • a model may be used to predict the number of occurrences.
  • the time zone having the predetermined attribute may be, for example, in the day, a morning work time zone, a lunch break time zone, an evening departure time zone or a night time zone, It may be a predetermined day of the week or a day corresponding to a predetermined event (for example, a business day or a holiday of a company occupying the building where the elevator 130 is installed).
  • the prediction model learning unit 113 extracts, from the conversion occurrence database 122, the numbers 803 and 1201 of occurrences of Monday.
  • the number of people 803 on Monday is data converted by applying the past getting on / off / occurrence conversion model to the number of people 801 in the local data acquired on Monday, and the number of people 1201 on Monday is This is data converted by applying a future getting on / off / occurrence conversion model to the number of passengers 801 of local data acquired on Monday.
  • the prediction model learning unit 113 learns, as a Monday prediction model, a prediction model that predicts the number of occurrences 1201 in the Monday time slot 1402 from the number of occurrences 803 in the Monday time slot 1401. This date is held as the date 1501 of the model database.
  • the date 1501 may be a value indicating a specific day as shown in FIG. 15, a value indicating a day of the week (for example, Monday), or a date corresponding to a specific time zone in one day.
  • a value indicating the time zone may be used.
  • a value indicating the combination may be used.
  • the prediction unit 116 acquires the number 1603 of occurrences by, for example, applying the past getting-on / off / occurrence conversion model to the number 1601 of passengers before the current time of the day. By applying the prediction model on Monday to the number of occurrences 1603, the number of occurrences 1606 after the current time is predicted.
  • the trends such as the number of persons and the number of passengers may differ depending on, for example, the day of the week, the time of day, or the operating status of the occupants of the building.
  • the number of occurrences is predicted based on information that can be obtained from the elevator itself, such as the number of people getting on and off the elevator car, the location, the moving direction, the operation of the destination button and the call button, and the like. be able to.
  • an elevator operation that improves user satisfaction, such as a reduction in waiting time, without requiring high-cost additional equipment such as a camera installed in an elevator hall.
  • FIG. 17 is a functional block diagram showing the configuration of the human flow prediction device 1700 according to the second embodiment of the present invention.
  • the person flow prediction device 1700 includes a destination floor prediction unit 1701 in addition to the occurrence number prediction unit 101 described in the first embodiment.
  • the destination floor prediction unit 1701 includes a prediction feature amount calculation unit 1702, a destination floor prediction model generation unit 1703, a destination floor probability generation unit 1704, and a destination floor allocation unit 1705.
  • the processing executed by each unit described above is actually executed by the processor 204 according to a program corresponding to each unit stored in the main storage device 205 (see FIG. 2).
  • the predicted feature amount calculation unit 1702 calculates the feature amounts of the departure floor 422, the destination floor 423, and the number of people 424 for each time zone of a predetermined length included in the past local getting-on / off data stored in the local getting-on / off database 124. I do.
  • the destination floor prediction model generation unit 1703 predicts the departure floor 422, the destination floor 423, and the number of people 424 in the time zone after the time zone of the local getting-on / off data, which is the basis of the calculation of the feature data, from the calculated feature data. Generate a destination floor prediction model.
  • the destination floor probability generation unit 1704 generates a destination floor probability indicating which percentage of the persons generated on each floor go to which floor based on the generated destination floor prediction model. Then, the destination floor allocating unit 1705 multiplies the result of prediction of the number of occurrences by the prediction unit 116 by the probability of the destination floor, thereby obtaining the prediction result of the number of occurrences for each destination floor, that is, the number of persons predicted to occur on each floor. The result of estimating the number of floors to go to is output to the elevator 130 as a person flow prediction result.
  • the second embodiment of the present invention it is possible to plan an elevator operation that is more suitable for actual demand by predicting not only the number of people occurring on each floor but also the number of people occurring on each destination floor. This makes it possible to improve user satisfaction.
  • FIG. 18 is a functional block diagram showing the configuration of the human flow prediction device 1800 according to the third embodiment of the present invention.
  • the person flow prediction device 1800 includes an occurrence number prediction unit 1801.
  • the number-of-occurrence prediction unit 1801 is the same as the number-of-occurrence prediction unit 101 of the first embodiment, except that an image processing unit 1802 is added.
  • the image processing unit 1802 includes a waiting-for-hall-number calculating unit 1803 and a number-of-occurring-in-holes calculating unit 1804.
  • the processing executed by each unit described above is actually executed by the processor 204 according to a program corresponding to each unit stored in the main storage device 205 (see FIG. 2).
  • Elevator hall cameras 1810 are installed at the landings (ie, elevator halls) of the elevators 130 on each floor.
  • the elevator hall camera 1810 transmits the captured image data to the human flow prediction device 1800.
  • the human flow prediction device 1800 stores the image data received via the interface 201 in the main storage device 205 or the auxiliary storage device 206 (see FIG. 2).
  • the image processing unit 1802 executes processing described later with reference to the stored image data.
  • FIG. 19 is an explanatory diagram of an elevator hall in which an elevator hall camera 1810 according to the third embodiment of the present invention is installed.
  • FIG. 19 shows, as an example, an elevator hall 1900 on any floor of a building where the elevator 130 is installed.
  • the three doors 1901 are doors for getting on and off three elevators belonging to the elevator 130.
  • the elevator hall camera 1810 is installed to photograph the inside of the elevator hall 1900.
  • the elevator hall 1900 includes an area 1902 that can be photographed by the elevator hall camera 1810 and an area 1903 that cannot be photographed by the elevator hall camera 1810 because the view is blocked by a wall or the like.
  • the seven persons 1904 in the elevator hall 1900 five persons in the area 1902 are photographed by the elevator hall camera 1810, but two persons in the area 1903 are not photographed.
  • the area 1903 where photographing cannot be performed is an area where the view of the elevator hall camera 1810 is blocked by a wall, a pillar, a fixture of a building, or the like, an area where the view is blocked by another person 1904, and the brightness of the light is insufficient. And a region outside the field of view of the elevator hall camera 1810, and the like.
  • the hall waiting number calculation unit 1803 of the image processing unit 1802 analyzes the image data of each time taken by the elevator hall camera 1810 and captures the number of persons included in the taken image in the elevator hall 1900 It is calculated as the number of waiting persons in the possible area 1902. Since this can be performed by a known image recognition technique, detailed description will be omitted.
  • the number-of-occurrences-in-hall calculation section 1804 of the image processing section 1802 calculates the number of occurrences for each time from the number of waiters for each time calculated by the number-of-waiting-in-hall calculation section 1803.
  • FIG. 20 is a diagram illustrating the calculation of the number of occurrences performed by the number-of-incidents calculation unit 1804 according to the third embodiment of the present invention.
  • the horizontal axis of the graph in FIG. 20 is time, and the vertical axis is the number of waiting persons calculated by the waiting person in hall calculating unit 1803.
  • the number-of-occupants-in-hall calculation section 1804 detects a change in the number of waiting persons calculated by the number-of-waiting-in-hall calculation section 1803 according to time, and calculates an increase in the number of waiting persons as the number of occurrence persons.
  • the number of people waiting before time t1 is 0, the number of people waiting from time t1 to t2 is 2, the number of people waiting from time t2 to t3 is 5, the number of people waiting from time t3 to t4 is 6, If the number of waiting persons after t4 is one, the number-of-occurrences-in-hall calculation unit 1804 calculates the number of persons occurring at times t1, t2, and t3 as 2, 3, and 1, respectively. Then, at time t4, it is calculated that the car of any one of the elevators has arrived at the floor and five persons have boarded.
  • the image processing unit 1802 transmits the number of occurrences at each time calculated in this way to the simulation data generation unit 110.
  • the virtual traffic demand generation unit 111 of the simulation data generation unit 110 generates a virtual traffic demand based on the received number of occurrences.
  • the virtual traffic demand generation unit 111 may be generated by adding, for example, a random number to the number of occurrences received from the processing unit 1802.
  • the upper limit of the number of persons to be added may be determined based on the structure of the elevator hall 1900.
  • the upper limit of the number of people to be added may be set so as to increase as the number of waiting people increases, taking into account the visibility of another person.
  • the present invention is not limited to the above-described embodiment, and includes various modifications.
  • the above-described embodiments have been described in detail for better understanding of the present invention, and are not necessarily limited to those having all the configurations described.
  • a part of the configuration of one embodiment can be replaced with the configuration of another embodiment, and the configuration of one embodiment can be added to the configuration of another embodiment.
  • each of the above configurations, functions, and the like may be implemented by software by a processor interpreting and executing a program that implements each function.
  • Information such as a program, a table, and a file for realizing each function is stored in a non-volatile semiconductor memory, a hard disk drive, a storage device such as an SSD (Solid State Drive), or a computer-readable non-volatile device such as an IC card, an SD card, or a DVD. It can be stored on a temporary data storage medium.
  • control lines and information lines are shown as necessary for the description, and do not necessarily indicate all the control lines and information lines on the product. In fact, it may be considered that almost all components are connected to each other.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mechanical Engineering (AREA)
  • Elevator Control (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

Abstract

過去にエレベータに乗った人物の数を含む現地乗降データを生成し、エレベータの乗り場に現れる人物を仮想的に発生させて、発生人数に基づいてエレベータの運行をシミュレートすることによって、エレベータに乗った人物の数を含む仮想乗降データを生成し、発生人数と仮想乗降データとに基づいて、ある時刻より前の仮想乗降データを当該時刻より後の発生人数に変換する第１の変換モデルと、ある時刻より後の仮想乗降データを当該時刻より前の発生人数に変換する第２の変換モデルと、を生成し、第２の変換モデルによって変換された発生人数に基づいて、ある時刻より前の発生人数から当該時刻より後の発生人数を予測する予測モデルを学習し、第１の変換モデル及び予測モデルを用いて、ある時刻より前の現地乗降データから当該時刻より後の発生人数を予測する。

Description

人流予測方法及び人流予測システム 参照による取り込み
　本出願は、平成３０年（２０１８年）６月２６日に出願された日本出願である特願２０１８－１２１０５７の優先権を主張し、その内容を参照することにより、本出願に取り込む。
　本発明は、例えばエレベータ等の交通需要の予測に関する。
　オフィス等のビルでは、エレベータの輸送能力を向上させるため複数のエレベータを併設し、乗り場での呼び登録に際して、最適なかごを選択して制御するエレベータ群管理システムが導入されている。こういったエレベータ運行制御において、利用者に対する待ち時間等の低減を行うために、エレベータ群管理システムでは、運行データ等を用いて、エレベータ利用状況を予測することで運行制御を行っている。エレベータ利用状況を予測する技術として、例えば特開２０１４－１７２７１８号公報（特許文献１）及び国際公開第２０１７／００６３７９号（特許文献２）に記載の技術がある。
　特許文献１には、「建物内の交通需要を正しく予測できるエレベータ交通需要予測装置を提供する。一実施形態に係るエレベータ交通需要予測装置は、取得部、算出部、特徴量データベース、予測部、及び選択部を備える。取得部は、移動方向別及び階床別の乗車荷重及び降車荷重を含むエレベータ制御結果を取得する。算出部は、前記エレベータ制御結果に基づいて、交通需要のカテゴリーを示すカテゴリー特徴量を含む交通需要の特徴量を算出する。特徴量データベースは、前記算出された交通需要の特徴量を属性情報及び時刻情報に関連付けて特徴量データベースに記録する。予測部は、前記特徴量データベースに含まれる異なるデータを参照して交通需要のカテゴリーを予測して予測値を生成する複数のエキスパートを含み、前記予測値のうちの１つを予測結果として採用する。選択部は、予め用意される複数の制御方式から前記予測結果に応じた制御方式を選択する。」と記載されている。
　特許文献２には、「将来の混雑が予測された時刻付近に乗り場にいる利用者に長待ちが発生するのを抑制することで、利用者の輸送能力を向上することができる新規な群管理エレベータ装置及び群管理による乗車号機の割り当て方法を提供することにある。複数の利用者の乗り場到着時間と現在の各乗車号機の運行情報を用いて将来の混雑状況を予測して利用者のグルーピングを行い、このグルーピングされた情報に基づいて各グループに対応する乗車号機の仮割当てを行うと共に、混雑が予測される混雑予測時刻より前に出発する乗車号機が再び乗り場へ到着する到着予想時刻を混雑が予測される混雑予測時刻付近に到着するように所定の条件で調整し、この調整された乗車号機を混雑が予想される混雑予測時刻付近に到着する乗車号機として決定する。これによれば、混雑状況が予測される混雑時刻付近で円滑に乗り場に乗りかごを配車することができる。」と記載されている。
　　特許文献１：特開２０１４－１７２７１８号公報
　　特許文献２：国際公開第２０１７／００６３７９号
　階床ごとに将来エレベータホールに到達する人数（すなわち将来の発生人数）及びその行き先階等を予測することが求められている。しかし、特許文献１及び特許文献２では、エレベータのかご乗車人数を用いているため、乗車階床と降車階床の状況は分かるが、エレベータホールの状況は分からない。
　エレベータに搭載されたセンサの情報（例えば階床ごとの乗降人数など）を取得して、それに基づいて将来エレベータホールに到達する発生人数を予測するための予測モデルを、機械学習等によって作成しようとすると、発生人数の真値が必要となる。各階床のエレベータホールにカメラ等を設置すれば、発生人数の真値を得ることができるが、その設置のコストは非常に高いため、実際に設置することは困難である。
　上記の課題の少なくとも一つを解決するために、本発明は、プロセッサと、前記プロセッサに接続される記憶装置と、を有する計算機システムが実行する人流予測方法であって、前記人流予測方法は、前記プロセッサが、エレベータに設置されたセンサの情報に基づいて、過去に前記エレベータに乗った人物の数を算出し、算出した前記人物の数を含む現地乗降データを生成する乗降人数算定手順と、前記プロセッサが、前記エレベータを利用するために前記エレベータの各乗り場に現れる人物を仮想的に発生させて、発生人数に基づいて前記エレベータの運行をシミュレートすることによって、少なくとも前記エレベータに乗った人物の数を含む仮想乗降データを生成するシミュレーションデータ生成手順と、前記プロセッサが、前記発生人数と前記仮想乗降データとに基づいて、ある時刻より前の前記仮想乗降データを当該時刻より後の前記発生人数に変換する第１の変換モデルを生成する第１の変換モデル生成手順と、前記プロセッサが、前記発生人数と前記仮想乗降データとに基づいて、ある時刻より後の前記仮想乗降データを当該時刻より前の前記発生人数に変換する第２の変換モデルを生成する第２の変換モデル生成手順と、前記プロセッサが、前記第２の変換モデルによって変換された前記発生人数に基づいて、ある時刻より前の前記発生人数から当該時刻より後の前記発生人数を予測する予測モデルを学習する予測モデル学習手順と、前記プロセッサが、前記第１の変換モデル及び前記予測モデルを用いて、ある時刻より前の前記現地乗降データから当該時刻より後の前記発生人数を予測する予測手順と、を含むことを特徴とする。
　本発明の一態様によれば、エレベータホールのカメラ等の高コストな設備を必要とせずに、利用者の満足度が向上するエレベータの運行を実現することができる。上記した以外の課題、構成及び効果は、以下の実施形態の説明によって明らかにされる。
本発明の実施例１の人流予測装置の構成を示す機能ブロック図である。 本発明の実施例１の人流予測装置のハードウェア構成を示すブロック図である。 本発明の実施例１の人流予測装置が実行する処理を示すシーケンス図である。 本発明の実施例１の人流予測装置が実行する処理を示すシーケンス図である。 本発明の実施例１の現地乗降データベースに含まれるかご状態データの説明図である。 本発明の実施例１の現地乗降データベースに含まれる呼び状態データの説明図である。 本発明の実施例１の現地乗降データベースに含まれる現地乗降データの説明図である。 本発明の実施例１のシミュレーションデータベースに含まれる仮想交通需要データの説明図である。 本発明の実施例１のシミュレーションデータベースに含まれるかご状態データの説明図である。 本発明の実施例１のシミュレーションデータベースに含まれる呼び状態データの説明図である。 本発明の実施例１のリアルタイム変換モデル生成部が過去乗降／発生変換モデルを生成する処理の説明図である。 本発明の実施例１のモデルデータベースに含まれる過去乗降／発生変換モデルのパラメータの説明図である。 本発明の実施例１のリアルタイム変換モデル生成部が過去乗降／発生変換モデルを使用して実際の乗り人数等を発生人数に変換する処理の説明図である。 本発明の実施例１の変換発生データベースに含まれる、リアルタイム変換モデル生成部によって生成された発生人数のデータの説明図である。 本発明の実施例１のオフライン変換モデル生成部が未来乗降／発生変換モデルを生成する処理の説明図である。 本発明の実施例１のモデルデータベースに含まれる未来乗降／発生変換モデルのパラメータの説明図である。 本発明の実施例１のオフライン変換モデル生成部が未来乗降／発生変換モデルを使用して実際の乗り人数等を発生人数に変換する処理の説明図である。 本発明の実施例１の変換発生データベースに含まれる、オフライン変換モデル生成部によって生成された発生人数のデータの説明図である。 本発明の実施例１の予測モデル学習部が予測モデルを学習する処理の説明図である。 本発明の実施例１の予測モデル学習部が予測モデルを学習する処理の説明図である。 本発明の実施例１のモデルデータベースに含まれる予測モデルのパラメータの説明図である。 本発明の実施例１の乗降人数算定部及び予測部が実行するリアルタイム処理の説明図である。 本発明の実施例２の人流予測装置の構成を示す機能ブロック図である。 本発明の実施例３の人流予測装置の構成を示す機能ブロック図である。 本発明の実施例３のエレベータホールカメラが設置されたエレベータホールの説明図である。 本発明の実施例３のホール内発生人数算出部が実行する発生人数の算出の説明図である。
　以下、本発明の実施形態について図面を用いて詳細に説明する。
　図１は、本発明の実施例１の人流予測装置１００の構成を示す機能ブロック図である。
　本実施例の人流予測装置１００は、発生人数予測部１０１を有する。
　発生人数予測部１０１は、オフライン変換モデル生成部１０２、リアルタイム変換モデル生成部１０６、シミュレーションデータ生成部１１０、予測モデル学習部１１３、予測部１１６、乗降人数算定部１２０、シミュレーションデータベース（ＤＢ）１２１、変換発生データベース（ＤＢ）１２２、モデルデータベース（ＤＢ）１２３及び現地乗降データベース（ＤＢ）１２０を有する。
　オフライン変換モデル生成部１０２は、変換特徴量算出部１０３、未来乗降／発生変換モデル学習部１０４及び発生データ変換部１０５を含む。リアルタイム変換モデル生成部１０６は、変換特徴量算出部１０７、過去乗降／発生変換モデル学習部１０８及び発生データ変換部１０９を含む。シミュレーションデータ生成部１１０は、仮想交通需要生成部１１１及び発生／運行データ生成部１１２を含む。予測モデル学習部１１３は、予測特徴量算出部１１４及び予測モデル学習部１１５を含む。予測部１１６は、リアルタイム発生変換部１１７、予測特徴量算出部１１８及び予測モデル適用部１１９を含む。
　上記の各部が実行する処理及び各データベースの内容については後述する。
　エレベータ１３０は、例えば一つのビルに設置された複数のかご（図示省略）を有する群管理エレベータであり、それらのかごの運行を制御する制御部（図示省略）を有する。予測部１１６は、発生人数を予測した結果をエレベータ１３０に送信し、エレベータ１３０の制御部はその結果に基づいてかごの運行を制御する。また、制御部は、エレベータ１３０が取得した各種の情報を人流予測装置１００に送信する。乗降人数算定部１２０は、エレベータ１３０から取得した情報に基づいて後述する処理を実行する。
　なお、本実施例において「発生」とは、エレベータを利用しようとする人物がエレベータホール（すなわちエレベータの乗り場）に到達することを意味し、「発生人数」とは、発生した人物の数である。
　図２は、本発明の実施例１の人流予測装置１００のハードウェア構成を示すブロック図である。
　人流予測装置１００は、例えば、相互に接続されたインターフェース（Ｉ／Ｆ）２０１、入力装置２０２、出力装置２０３、プロセッサ２０４、主記憶装置２０５及び補助記憶装置２０６を有する計算機である。
　インターフェース２０１は、ネットワーク（図示省略）に接続され、ネットワークを介してエレベータ１３０との通信を行う。入力装置２０２は、人流予測装置１００のユーザが人流予測装置１００に情報を入力するために使用する装置であり、例えばキーボード、マウス及びタッチセンサ等の少なくともいずれかを含んでもよい。出力装置２０３は、人流予測装置１００のユーザに情報を出力する装置であり、例えば文字及び画像等を表示する表示装置を含んでもよい。
　プロセッサ２０４は、主記憶装置２０５に格納されたプログラムに従って種々の処理を実行する。主記憶装置２０５は、例えばＤＲＡＭのような半導体記憶装置であり、プロセッサ２０４によって実行されるプログラム及びプロセッサの処理に必要なデータ等を格納する。補助記憶装置２０６は、例えばハードディスクドライブ又はフラッシュメモリなどの比較的大容量の記憶装置であり、プロセッサ２０４によって実行される処理において参照されるデータ等を格納する。
　本実施例の主記憶装置２０５には、発生人数予測部１０１にオフライン変換モデル生成部１０２、リアルタイム変換モデル生成部１０６、シミュレーションデータ生成部１１０、予測モデル学習部１１３、予測部１１６及び乗降人数算定部１２０を実現するためのプログラムが格納される。したがって、以下の説明において上記の各部が実行する処理は、実際には、プロセッサ２０４が、主記憶装置２０５に格納された各部に対応するプログラムに従って実行する。
　本実施形態の補助記憶装置２０６は、シミュレーションデータベース１２１、変換発生データベース１２２、モデルデータベース１２３及び現地乗降データベース１２４を格納する。さらに、発生人数予測部１０１に含まれる各部に対応するプログラムが補助記憶装置２０６に格納され、必要に応じて主記憶装置２０５にコピーされてもよい。また、上記のデータベースの少なくとも一部が必要に応じて主記憶装置２０５にコピーされてもよい。
　図３Ａ及び図３Ｂは、本発明の実施例１の人流予測装置１００が実行する処理を示すシーケンス図である。
　人流予測装置１００の処理は、シミュレーションによって取得されたデータ、及び、エレベータ１３０の過去の実際の運行時に取得されたデータに基づいて、現在までの発生人数から未来の発生人数を予測するための予測モデルを学習するオフライン処理３００と、学習によって得られた予測モデルを用いて未来の発生人数を予測するリアルタイム処理３２０と、を含む。まず、オフライン処理３００について説明する。
　最初に、乗降人数算定部１２０が、エレベータ１３０から、過去の実際の運行時に取得された当該エレベータ１３０の状態に関するデータを取得する（ステップ３０１）。ここで取得されるデータは、例えば、時刻（又は所定の長さの時間帯）ごとのエレベータ１３０の各かごの位置、移動方向及び各かごの積載物の重量などを含んでもよい。さらに、乗降人数算定部１２０は、時刻（又は所定の長さの時間帯）ごとの各階床の呼び状態、すなわち各階床の呼びボタンが押されていたか否かを示すデータを取得してもよい。これらのデータを現地データとも記載する。
　さらに、乗降人数算定部１２０は、取得したデータから、現地乗降データを生成する。例えば、乗降人数算定部１２０は、各時刻の各かごの重量に基づいて、各時刻に各かごに乗っている人の数を推定してもよい。また、乗降人数算定部１２０は、各時刻の各かごの位置、移動方向及び重量の変化から、各かごに各階床で乗り込んだ人数、各階床で降りた人数等を推定してもよいし、さらに、各かごの行先階ボタン及び各階床の呼びボタンの操作の記録に基づいて、ある階から乗って別のある階に下りた人物の数を推定してもよい。現地乗降データは、このような情報の少なくともいずれかを含む。上記のような推定は、任意の方法で行うことができるため、ここではその詳細な説明を省略する。
　乗降人数算定部１２０は、取得したかごの状態等のデータ及びそれに基づいて推定された現地乗降データを現地乗降データベース１２４に格納する（ステップ３０２）。現地乗降データベース１２４の内容の一例については後述する（図４Ａ～図４Ｃ参照）。
　次に、シミュレーションデータ生成部１１０の仮想交通需要生成部１１１が、仮想交通需要を生成する（ステップ３０３）。例えば、仮想交通需要生成部１１１は、乱数を使用して、人物が発生する時刻、当該人物が発生する階床、及び当該人物がエレベータ１３０を使用して行こうとする階床（行先階）を決定し、そのような人物が発生したと仮定してもよい（すなわちそのような人物を仮想的に発生させてもよい）。仮想交通需要生成部１１１は、後述する運行シミュレーションによってシミュレーションデータを生成するために十分な数の人物を仮想的に発生させる。
　このとき、仮想交通需要生成部１１１は、一切の制約なしにランダムに人物を発生させてもよいが、現地乗降データに基づく制約を加えた上でランダムに人物を発生させてもよい。例えば、仮想交通需要生成部１１１は、人物が発生する確率の分布が、現地乗降データから計算されるものと同様になるように、人物を発生させてもよい。より具体的には、例えば、現地乗降データから、適切な時間幅を有する時間帯ごとのエレベータ１３０の乗り人数の分布をポアソン分布によってモデル化してもよい。そして、人物の発生確率の分布が、モデル化したポアソン分布に従うように人物を発生させてもよい。これによって、効率的にシミュレーションデータを生成することができる。
　次に、シミュレーションデータ生成部１１０の発生／運行データ生成部１１２が、ステップ３０３で生成された仮想交通需要（すなわち人物の発生）から、エレベータ１３０の運行データを生成する（ステップ３０４）。具体的には、発生／運行データ生成部１１２は、エレベータ１３０の運行をシミュレートする運行シミュレータを有しており、ステップ３０３で生成した仮想交通需要、すなわち、いつ、どの階床のエレベータホールに、どの階床に行こうとする人物が発生したか、といった情報を運行シミュレータに入力して運行シミュレーションを実行する。
　そして、発生／運行データ生成部１１２は、運行シミュレーションの結果として仮想的な運行データを生成する。ここで生成される仮想的な運行データは、例えば、シミュレーションによって求められた各時刻にかごに乗っている人物の数、又は、各時刻を始点とする所定の時間帯ごとに乗り降りした人物の数といった仮想的な乗降人数等のデータのほか、シミュレーションによって求められた時刻ごとの各かごの位置、移動方向、各階床における呼び状態等のデータを含んでもよい。
　シミュレーションデータ生成部１１０は、仮想交通需要生成部１１１が生成した仮想交通需要及び発生／運行データ生成部１１２が生成した運行データをシミュレーションデータベース１２１に格納する。シミュレーションデータベース１２１の内容の一例については後述する（図５Ａ～図５Ｃ参照）。
　次に、リアルタイム変換モデル生成部１０６が、ある時刻より前の乗降人数等の運行データに基づいて、当該時刻より後の発生人数を推定する（言い換えるとある時刻より前の乗降人数等をそれより後の発生人数に変換する）ためのモデルを生成する（ステップ３０６～３０８）。ここで生成されるモデルを、過去乗降／発生変換モデルと記載する。このモデルは、オフライン処理３００だけでなくリアルタイム処理３２０でも使用されるため、リアルタイム変換モデルとも記載される。
　なお、本実施例では、ある時間帯の乗降人数等が、それより後の時間帯の発生人数に変換される。ここで変換の元となる運行データの時間帯と、それに基づいて変換された発生人数の時間帯との関係は、前者の時間帯が後者の時間帯より前の時間帯を含んでいれば、両者の少なくとも一部が重複していてもよい。例えば、後者の時間帯がある時刻を終点とする所定の長さの時間帯である場合に、前者の時間帯は、後者の時間帯の始点又はそれより前のいずれかの時刻を終点とする時間帯であってもよいし、後者の時間帯に含まれるいずれかの時刻を終点とし、後者の時間帯の始点より前のいずれかの時刻を始点とする時間帯であってもよい。
　以下、リアルタイム変換モデル生成部１０６の処理を説明する。まず、リアルタイム変換モデル生成部１０６の変換特徴量算出部１０７が、シミュレーションデータ生成部１１０のシミュレーションによって生成された、時間帯ごとの運行データの特徴量を算出する（ステップ３０６）。次に、リアルタイム変換モデル生成部１０６の過去乗降／発生変換モデル学習部１０８が、ステップ３０６で算出された各時間帯の特徴量と、それぞれの時間帯より後の時間帯の発生人数（すなわち運行シミュレータに入力された仮想交通需要）との組合せを学習データとして機械学習を行うことによって、過去乗降／発生変換モデルを生成する（ステップ３０７）。生成された過去乗降／発生変換モデルは、モデルデータベース１２３に格納される（ステップ３１２）。
　次に、リアルタイム変換モデル生成部１０６の発生データ変換部１０９が、現地データとして取得された運行データに過去乗降／発生変換モデルを適用することによって、当該運行データに対応する時間帯の発生人数を生成する（ステップ３０８）。例えば複数の連続する時間帯の運行データに過去乗降／発生変換モデルを適用して、それらの時間帯に対応する時間帯の発生人数を生成することによって、それらの複数の連続する時間帯を統合した期間の中のある期間の運行データと、それと同じ期間の発生人数との組を取得することができる。これによって得られた発生人数は、変換発生データベース１２２に格納される（ステップ３１３）。
　リアルタイム変換モデル生成部１０６の処理及びその結果として生成されるデータの一例については後述する（図６～図９参照）。
　一方、オフライン変換モデル生成部１０２は、ある時刻より後の乗降人数等の運行データに基づいて、当該時刻より前の発生人数を推定する（言い換えるとある時刻より後の乗降人数等をそれより前の発生人数に変換する）ためのモデルを生成する（ステップ３０９～３１１）。ここで生成されるモデルを、未来乗降／発生変換モデルと記載する。このモデルは、オフライン処理３００で使用されるため、オフライン変換モデルとも記載される。
　なお、本実施例では、ある時間帯の乗降人数等が、それより前の時間帯の発生人数に変換される。ここで変換の元となる運行データの時間帯と、それに基づいて変換された発生人数の時間帯との関係は、前者の時間帯が後者の時間帯より後の時間帯を含んでいれば、両者の少なくとも一部が重複していてもよい。例えば、後者の時間帯がある時刻を始点とする所定の長さの時間帯である場合に、前者の時間帯は、後者の時間帯の終点又はそれより後のいずれかの時刻を始点とする時間帯であってもよいし、後者の時間帯に含まれるいずれかの時刻を始点とし、後者の時間帯の終点より後のいずれかの時刻を終点とする時間帯であってもよい。
　以下、オフライン変換モデル生成部１０２の処理を説明する。まず、オフライン変換モデル生成部１０２の変換特徴量算出部１０３が、シミュレーションデータ生成部１１０のシミュレーションによって生成された、時間帯ごとの運行データの特徴量を算出する（ステップ３０９）。次に、オフライン変換モデル生成部１０２の未来乗降／発生変換モデル学習部１０４が、ステップ３０９で算出された各時間帯の特徴量と、それぞれの時間帯より前の時間帯の発生人数（すなわち運行シミュレータに入力された仮想交通需要）との組合せを学習データとして機械学習を行うことによって、未来乗降／発生変換モデルを生成する（ステップ３１０）。生成された未来乗降／発生変換モデルは、モデルデータベース１２３に格納される（ステップ３１２）。
　次に、オフライン変換モデル生成部１０２の発生データ変換部１０５が、現地データとして取得された運行データに未来乗降／発生変換モデルを適用することによって、当該運行データに対応する時間帯の発生人数を生成する（ステップ３１１）。例えば複数の連続する時間帯の運行データに未来乗降／発生変換モデルを適用して、それらの時間帯に対応する時間帯の発生人数を生成することによって、それらの複数の連続する時間帯を統合した期間の中のある期間の運行データと、それと同じ期間の発生人数との組を取得することができる。これによって得られた発生人数は、変換発生データベース１２２に格納される（ステップ３１３）。
　オフライン変換モデル生成部１０２の処理及びその結果として生成されるデータの一例については後述する（図１０～図１３参照）。
　なお、リアルタイム変換モデル生成部１０６の処理（ステップ３０６～３０８）及びオフライン変換モデル生成部１０２の処理（ステップ３０９～３１１）は、どちらが先に実行されてもよいし、並行して実行されてもよい。
　次に、予測モデル学習部１１３が、ある時刻より前の発生人数から、当該時刻より後の発生人数を予測するための予測モデルを学習する（ステップ３１４～３１５）。具体的には、まず、予測モデル学習部１１３の予測特徴量算出部１１４が、発生データ変換部１０９によって変換された発生人数から、時間帯ごとの発生人数の特徴量を算出する（ステップ３１４）。
　次に、予測モデル学習部１１３の予測モデル学習部１１５が、ステップ３１４で算出された時間帯ごとの発生人数の特徴量と、それぞれの時間帯より後の時間帯の発生データ変換部１０５によって変換された発生人数とに基づいて、ある時間帯の発生人数から、それより後の時間帯の発生人数を予測するための予測モデルを学習するステップ３１５）。学習によって得られた予測モデルは、モデルデータベース１２３に格納される（ステップ３１６）。
　予測モデル学習部１１３が実行する学習の詳細及び格納される予測モデルの一例については後述する（図１４Ａ～図１５）。
　以上でオフライン処理３００が終了する。次に、リアルタイム処理３２０について説明する。リアルタイム処理３２０では、予測部１１６が、過去乗降／発生変換モデル及び予測モデルを用いて、ある時刻より前の現地乗降データからそれより後の発生人数を予測する。具体的な手順は以下のとおりである。
　最初に、乗降人数算定部１２０が、エレベータ１３０から、過去の実際の運行時に取得された当該エレベータ１３０の状態に関するデータを取得する（ステップ３２１）。例えば、現在時刻より後のある時間帯（ここでは予測対象の時間帯と記載する）の発生人数を予測しようとする場合、予測モデル学習部１１３が生成した予測モデルを用いて予測対象の時間帯の発生人数を予測するために必要な過去の発生人数の時間帯（ここでは予測元の発生人数の時間帯と記載する）を特定し、過去乗降／発生変換モデルを用いて予測元の発生人数の時間帯の発生人数を取得するために必要な当該エレベータ１３０の状態に関するデータの時間帯を特定し、最終的に特定された時間帯の当該エレベータ１３０の状態に関するデータを取得してもよい。
　次に、予測部１１６のリアルタイム発生変換部１１７が、ステップ３２１で取得されたデータから変換特徴量を算出して、算出した変換特徴量に過去乗降／発生変換モデルを適用することによって、発生人数を取得する（ステップ３２２）。
　次に、予測部１１６の予測特徴量算出部１１８が、ステップ３２２で取得された発生人数の特徴量を算出する（ステップ３２３）。次に、予測部１１６の予測モデル適用部１１９が、ステップ３２３で算出された特徴量に予測モデルを適用することによって、予測対象の時間帯の発生人数を予測する。
　予測部１１６は、このようにして予測された発生人数をエレベータ１３０に送信する。エレベータ１３０は、予測された発生人数に基づいて運行を制御することによって、例えば待ち時間の低減などを実現することによって、利用者の満足度の向上に寄与することができる。
　以下、図４Ａ～図１５を参照してオフライン処理３００の詳細を説明し、図１６を参照してリアルタイム処理３２０の詳細を説明する。
　まず、図４Ａ～図４Ｃを参照して、現地乗降データベース１２４の内容の一例を説明する。
　図４Ａは、本発明の実施例１の現地乗降データベース１２４に含まれるかご状態データ４００の説明図である。
　かご状態データ４００は、乗降人数算定部１２０がエレベータ１３０から取得して現地乗降データベース１２４に格納するデータであり（ステップ３０１及び３０２）、エレベータ１３０の過去の実際の運行におけるかごの状態に関する情報を含む。例えば、かご状態データ４００は、複数のレコードを含み、各レコードは、日時４０１、号機４０２、階床４０３、重量４０４及び一つ以上のかごパラメータ（例えばかごパラメータ１＿４０５）を含む。
　日時４０１は、各レコードのデータが取得された日時を示す。号機４０２は、各レコードのデータが取得されたエレベータ１３０のカゴを識別する。階床４０３は、日時４０１によって特定される時刻における、号機４０２によって識別されるかごの所在位置を示す。
　重量４０４は、日時４０１によって特定される時刻における、号機４０２によって識別されるかごの積載物の重量を示す。これは、エレベータ１３０に設置された、各かごの積載物の重量を計測する重量センサから得られる値であり、重量そのものであってもよいし、重量から推定される当該かごに乗っている人物の数（これを乗り人数とも記載する）であってもよい。
　かごパラメータは、上記以外の各かごの状態を示すパラメータである。例えば、かごパラメータは、各かごの進行方向（例えば上方向又は下方向）、かご内に設置されている行き先階ボタンの状態（例えばどの階のボタンが押されているか）等を含んでもよい。
　図４Ｂは、本発明の実施例１の現地乗降データベース１２４に含まれる呼び状態データ４１０の説明図である。
　呼び状態データ４１０は、乗降人数算定部１２０がエレベータ１３０から取得して現地乗降データベース１２４に格納するデータであり（ステップ３０１及び３０２）、エレベータ１３０の過去の実際の運行における、利用者によるかごの呼びに関する情報を含む。例えば、呼び状態データ４１０は、複数のレコードを含み、各レコードは、日時４１１、階床４１２、ＵＰ呼び４１３、ＤＮ呼び４１４及び一つ以上の呼びパラメータ（例えば呼びパラメータ１＿４１５）を含む。
　日時４１１は、各レコードのデータが取得された日時を示す。階床４１２は、各レコードに対応する階床を示す。ＵＰ呼び４１３は、日時４１１によって特定される時刻に、階床４１２によって特定される階床において、上に向かうかごが呼ばれていたか否かを示す。例えばＵＰ呼び４１３の値「１」は、上に向かうかごが呼ばれていた（すなわち当該階床のエレベータホールの上方向の呼びボタンが押されていた）ことを示している。ＤＮ呼び４１４は、日時４１１によって特定される時刻に、階床４１２によって特定される階床において、下に向かうかごが呼ばれていたか否かを示す。
　呼びパラメータは、上記以外の呼びに関するパラメータである。例えば、呼びパラメータは、呼びに対するかごの割り当てのアルゴリズムを識別する情報であってもよい。
　図４Ｃは、本発明の実施例１の現地乗降データベース１２４に含まれる現地乗降データ４２０の説明図である。
　現地乗降データ４２０は、乗降人数算定部１２０がかご状態データ４００及び呼び状態データ４１０に基づいて推定して現地乗降データベース１２４に格納するデータであり（ステップ３０１及び３０２）、エレベータ１３０の利用状況に関する情報を含む。具体的には、現地乗降データ４２０は、複数のレコードを含み、各レコードは、日時４２１が示す日時に出発階４２２が示す階床から行先階４２３が示す階床までエレベータを利用した人物の数の推定値である人数４２４を含む。
　例えば、図４Ｃに示す現地乗降データ４２０の先頭のレコードは、２０１８年１月１日の７時０分０秒を始点とする所定の時間（例えば１分間）に、１階から５階までエレベータ１３０を使って移動した人の数が５人であったと推定されたことを示す。
　次に、図５Ａ～図５Ｃを参照して、シミュレーションデータベース１２１の内容の一例を説明する。
　図５Ａは、本発明の実施例１のシミュレーションデータベース１２１に含まれる仮想交通需要データ５００の説明図である。
　仮想交通需要データ５００は、シミュレーションデータ生成部１１０の仮想交通需要生成部１１１が生成し、シミュレーションデータベース１２１に格納するデータである（ステップ３０３、３０５）。具体的には、仮想交通需要データ５００は、複数のレコードを含み、各レコードは、日時５０１、出発階５０２及び行き先階５０３を含む。一つのレコードが、いずれかの時刻に、いずれかの階床のエレベータホールに発生したと仮定された一人の人物に対応する。
　日時５０１は、人物が発生した日時を示し、出発階５０２はその人物が発生した階床を示し、行き先階５０３は、その人物が行こうとする階床を示す。なお、日時５０１の値は後述する運行シミュレーションにおける日時であり、必ずしも現実の日時を意味しない。
　例えば図５Ａの先頭のレコードは、２０１８年１月１日の７時０分０秒を始点とする所定の時間（例えば１分間）に、１階のエレベータホールに、５階に行こうとする人物が発生したと仮定されたことを示している。このような情報（すなわち仮想交通需要）が運行シミュレータに入力されると、その後、どのようにエレベータ１３０のかごが呼ばれ、時間の経過に伴ってエレベータ１３０がどのように運行され、各時刻に各かごがどのような状態になるかがシミュレートされる。
　図５Ｂは、本発明の実施例１のシミュレーションデータベース１２１に含まれるかご状態データ５１０の説明図である。
　かご状態データ５１０は、発生／運行データ生成部１１２に含まれる運行シミュレータが仮想交通需要データ５００に基づいて実行したシミュレーションの結果に基づいて生成され、シミュレーションデータベース１２１に格納されるデータである（ステップ３０４、３０５）。
　具体的には、かご状態データ５１０の各レコードは、日時５１１、号機５１２、階床５１３、重量５１４及び一つ以上のかごパラメータ（例えばかごパラメータ１＿５１５）を含む。これらの項目は、図４Ａに示したかご状態データ４００の日時４０１、号機４０２、階床４０３、重量４０４及びかごパラメータ１＿４０５と同様であるため、説明を省略する。ただし、かご状態データ４００の各項目には実際の運行によって得られた値が格納されるのに対して、かご状態データ５１０には、運行シミュレーションによって得られた値が格納される。また、日時５１１は、仮想交通需要データ５００の日時５０１に対応するものであり、必ずしも現実の日時を意味しない。ただし、仮想交通需要データが現地乗降データの分布に基づいて算出された場合には、日時５０１には、算出の基となった現地乗降データの日時（例えば図４Ａの日時４０１の値）が格納される。
　図５Ｃは、本発明の実施例１のシミュレーションデータベース１２１に含まれる呼び状態データ５２０の説明図である。
　呼び状態データ５２０は、発生／運行データ生成部１１２に含まれる運行シミュレータが仮想交通需要データ５００に基づいて実行したシミュレーションの結果に基づいて生成され、シミュレーションデータベース１２１に格納されるデータである（ステップ３０４、３０５）。
　具体的には、呼び状態データ５２０の各レコードは、日時５２１、階床５２２、ＵＰ呼び５２３、ＤＮ呼び５２４及び一つ以上の呼びパラメータ（例えば呼びパラメータ１＿５２５）を含む。これらの項目は、図４Ｂに示した呼び状態データ４１０の日時４１１、階床４１２、ＵＰ呼び４１３、ＤＮ呼び４１４及び呼びパラメータ１＿４１５等と同様であるため、説明を省略する。ただし、呼び状態データ４１０の各項目には実際の運行によって得られた値が格納されるのに対して、呼び状態データ５２０には、運行シミュレーションによって得られた値が格納される。また、日時５２１は、仮想交通需要データ５００の日時５０１に対応するものであり、必ずしも現実の日時を意味しない。
　次に、リアルタイム変換モデル生成部１０６の処理（ステップ３０６～３０８）の詳細を説明する。
　図６は、本発明の実施例１のリアルタイム変換モデル生成部１０６が過去乗降／発生変換モデルを生成する処理（ステップ３０６～３０７）の説明図である。
　発生人数６０３は、仮想交通需要生成部１１１によって生成された、ある期間（例えばある１日）における、時間ごとの発生人数を示す。実際の発生人数は、各階床の発生人数を含むため、ベクトル値として表現されるが、ここでは説明のためにスカラー値のように表現している。
　一方、乗り人数等６０１は、発生人数６０３に基づいて発生／運行データ生成部が運行シミュレーションによって生成した、上記と同じ期間（例えば同じ１日）の運行データに含まれる時間ごとの乗り人数等を示す。発生人数と同様に、乗り人数等も実際にはベクトル値として表現されるが、ここではスカラー値のように表現している。また、乗り人数等６０１は、シミュレーションによって得られた乗り人数（すなわち重量５１４から推定される乗り人数）の他に、各かごの所在位置、移動方向、かごパラメータ、各階床における呼び情報等の少なくともいずれかを含んでもよい。
　過去乗降／発生変換モデル学習部１０８は、ある時間帯６０４の乗り人数等６０１の特徴量と、それより後の時間帯６０４の発生人数６０３との組合せを抽出する。乗り人数等６０１の特徴量は、変換特徴量算出部１０７によって算出される（ステップ３０６）。
　過去乗降／発生変換モデル学習部１０８は、上記と同様の対応関係を有する時間帯の乗り人数等６０１の特徴量と発生人数６０３との組合せを多数抽出して、それらを機械学習することによって、過去の乗り人数等６０１をそれより後の発生人数６０３に変換する関数（過去乗降／発生変換モデル、すなわちリアルタイム変換モデル）を算出する（ステップ３０７）。このようにして算出された変換モデルのパラメータがモデルデータベース１２３に格納される（ステップ３１２）。
　図６には例えばある１日の乗り人数等と発生人数とを示しているが、実際には、より長い期間、すなわち精度のよい過去乗降／発生変換モデルを学習するのに十分な期間の乗り人数及び発生人数が使用される。
　図７は、本発明の実施例１のモデルデータベース１２３に含まれる過去乗降／発生変換モデルのパラメータ７００の説明図である。
　過去乗降／発生変換モデルのパラメータ７００は、複数のレコードを含み、各レコードは、日付７０１及び複数のモデルパラメータ（例えばモデルパラメータ１＿７０２及びモデルパラメータ２＿７０３）を有する。
　日付７０１は、過去乗降／発生変換モデルの生成の元となったシミュレーションデータの日付を示す。モデルパラメータ１＿７０２及びモデルパラメータ２＿７０３等は、過去乗降／発生変換モデル学習部１０８が行った機械学習によって算出された過去乗降／発生変換モデルのパラメータである。
　なお、既に説明したように、いずれかの日の現地乗降データから算出された発生確率の分布に従って仮想交通需要が生成され、それに基づく運行シミュレーションが行われた場合には、その現地乗降データの日時４２１が示す日付が日付７０１として格納されてもよい。その場合、当該仮想交通需要に基づく運行シミュレーションの結果から生成された過去乗降／発生変換モデルのパラメータが、当該日付を含むレコードのモデルパラメータ１＿７０２等に格納される。
　一方、現地乗降データに基づく制約なしに仮想交通需要が生成され、それに基づくシミュレーション結果から過去乗降／発生変換モデルが生成された場合には、当該過去乗降／発生変換モデルに対応する日付７０１は空白でもよい。
　図８は、本発明の実施例１のリアルタイム変換モデル生成部１０６が過去乗降／発生変換モデルを使用して実際の乗り人数等を発生人数に変換する処理（ステップ３０８）の説明図である。
　乗り人数等８０１は、乗降人数算定部１２０によって取得され、現地乗降データベースに格納された運行データの乗り人数等のうちある期間（例えばある１日）の時間ごとの値を示したものである。
　リアルタイム変換モデル生成部１０６の発生データ変換部１０９は、時間帯８０２の乗り人数等８０１の特徴量を算出し、それに過去乗降／発生変換モデルを適用することによって、時間帯８０２より未来の時間帯８０４の発生人数を取得する。これを各時間帯について実行することによって、上記と同じ期間（例えば同じ１日）の発生人数８０３を取得することができる。
　なお、図８には例えば１日分の乗り人数等８０１等及び発生人数８０３を示しているが、実際にはより長い期間の乗り人数等に過去乗降／発生変換モデルを適用することによってそれに対応する期間の発生人数を取得し、それらから所望の１日又は所望の時間帯等、任意の長さの期間の乗り人数等８０１及び発生人数８０３を取得してもよい。
　図９は、本発明の実施例１の変換発生データベース１２２に含まれる、リアルタイム変換モデル生成部１０６によって生成された発生人数のデータの説明図である。
　具体的には、図９は、リアルタイム変換モデル生成部１０６が、生成された過去乗降／発生変換モデルをステップ３０８で実際の運行データに適用して生成し、ステップ３１２で変換発生データベース１２２に格納されるデータの一例を示す。すなわち、これは、図８に示した発生人数８０３の一部に相当する。
　図９に示すデータ９００の各レコードは、日時９０１、出発階９０２、行先階９０３及び人数９０４を含む。これらの項目は、図４Ｃの現地乗降データ４２０の日時４２１、出発階４２２、行先階４２３及び人数４２４と同様であるため、説明を省略する。ただし、図９の各レコードには、生成された過去乗降／発生変換モデルに基づいて変換された発生人数を示す値が格納されるため、それらの値は図４Ｃの現地乗降データ４２０に格納されるものとは異なる。また、行先階９０３は、行先階４２３と同様の方法で推定されてもよいが、そのような推定を省略して、行先階９０３を含まないデータ９００を生成してもよい。
　次に、オフライン変換モデル生成部１０２の処理（ステップ３０９～３１１）の詳細を説明する。
　図１０は、本発明の実施例１のオフライン変換モデル生成部１０２が未来乗降／発生変換モデルを生成する処理（ステップ３０９～３１０）の説明図である。
　乗り人数等６０１及び発生人数６０３は、図６に示したものと同様である。
　未来乗降／発生変換モデル学習部１０４は、ある時間帯１００１の乗り人数等６０１の特徴量と、それより前の時間帯１００２の発生人数６０３との組合せを抽出する。乗り人数等６０１の特徴量は、変換特徴量算出部１０３によって算出される（ステップ３０９）。
　未来乗降／発生変換モデル学習部１０８は、上記と同様の対応関係を有する時間帯の乗り人数等６０１の特徴量と発生人数６０３との組合せを多数抽出して、それらを機械学習することによって、過去の乗り人数等６０１をそれより前の発生人数６０３に変換する関数（未来乗降／発生変換モデル、すなわちオフライン変換モデル）を算出する（ステップ３１０）。このようにして算出された変換モデルのパラメータがモデルデータベース１２３に格納される（ステップ３１２）。
　なお、図６の場合と同様に、実際にはすなわち精度のよい未来乗降／発生変換モデルを学習するのに十分な期間の乗り人数及び発生人数が使用される。
　図１１は、本発明の実施例１のモデルデータベース１２３に含まれる未来乗降／発生変換モデルのパラメータ１１００の説明図である。
　未来乗降／発生変換モデルのパラメータ１１００は、複数のレコードを含み、各レコードは、日付１１０１及び複数のモデルパラメータ（例えばモデルパラメータ１＿１１０２及びモデルパラメータ２＿１１０３）を有する。
　日付１１０１は、未来乗降／発生変換モデルの生成の元となったシミュレーションデータの日付を示す。モデルパラメータ１＿１１０２及びモデルパラメータ２＿１１０３等は、未来乗降／発生変換モデル学習部１０４が行った機械学習によって算出された未来乗降／発生変換モデルのパラメータである。
　なお、図７の日付７０１と現地乗降データとの関係に関する説明は、図１１の日付１１０１と現地乗降データとの関係にも適用される。例えば、現地乗降データに基づく制約なしに仮想交通需要が生成され、それに基づくシミュレーション結果から過去乗降／発生変換モデルが生成された場合には、当該過去乗降／発生変換モデルに対応する日付１１０１は空白でもよい。
　図１２は、本発明の実施例１のオフライン変換モデル生成部１０２が未来乗降／発生変換モデルを使用して実際の乗り人数等を発生人数に変換する処理（ステップ３１１）の説明図である。
　乗り人数等８０１は、図８に示したものと同様である。
　オフライン変換モデル生成部１０２の発生データ変換部１０５は、時間帯１２０２の乗り人数等８０１の特徴量を算出し、それに未来乗降／発生変換モデルを適用することによって、時間帯１２０２より過去の時間帯１２０３の発生人数を取得する。これを各時間帯について実行することによって、上記の乗り人数８０１と同じ期間（例えば同じ１日）の発生人数１２０１を取得することができる。
　なお、図８の場合と同様に、実際にはより長い期間の乗り人数等に未来乗降／発生変換モデルを適用することによってそれに対応する期間の発生人数を取得し、それらから所望の１日又は所望の時間帯等、任意の長さの期間の乗り人数等８０１及び発生人数１２０１を取得してもよい。
　図１３は、本発明の実施例１の変換発生データベース１２２に含まれる、オフライン変換モデル生成部１０２によって生成された発生人数のデータの説明図である。
　具体的には、図１３は、オフライン変換モデル生成部１０２が、生成された未来乗降／発生変換モデルをステップ３１１で実際の運行データに適用して生成し、ステップ３１２で変換発生データベース１２２に格納されるデータの一例を示す。すなわち、これは、図１２に示した発生人数１２０１の一部に相当する。
　図１３に示すデータ１３００の各レコードは、日時１３０１、出発階１３０２、行先階１３０３及び人数１３０４を含む。これらの項目は、図４Ｃの現地乗降データ４２０の日時４２１、出発階４２２、行先階４２３及び人数４２４と同様であるため、説明を省略する。ただし、図１３の各レコードには、生成された未来乗降／発生変換モデルに基づいて変換された発生人数を示す値が格納されるため、それらの値は図４Ｃの現地乗降データ４２０に格納されるもの及び図９のデータ９００に格納されるもののいずれとも異なる。また、行先階１３０３は、行先階４２３と同様の方法で推定されてもよいが、そのような推定を省略して、行先階１３０３を含まないデータ１３００を生成してもよい。
　次に、予測モデル学習部１１３の処理（ステップ３１４～３１５）の詳細を説明する。
　図１４Ａ及び図１４Ｂは、本発明の実施例１の予測モデル学習部１１３が予測モデルを学習する処理の説明図である。
　図１４Ａに示す第１の例では、予測モデル学習部１１３の予測特徴量算出部１１４は、時間帯１４０１の発生人数１２０１の特徴量を算出する（ステップ３１４）。予測モデル学習部１１５は、算出された特徴量から、時間帯１４０１より後の時間帯１４０２の発生人数１２０１を予測する予測モデルを学習する（ステップ３１５）。
　一方、図１４Ｂに示す第２の例では、予測特徴量算出部１１４は、時間帯１４０１の発生人数８０３の特徴量を算出する（ステップ３１４）。予測モデル学習部１１５は、算出された特徴量から、時間帯１４０１より後の時間帯１４０２の発生人数１２０１を予測する予測モデルを学習する（ステップ３１５）。
　なお、上記のいずれの例においても、時間帯１４０１及び１４０２は一例であり、予測モデル学習部１１３は、同様の関係を有する時間帯の多数の組合せの発生人数に基づいて、予測モデルを学習することができる。
　予測モデル学習部１１３は、上記に例示したいずれの方法を採用してもよい。
　エレベータホールに人物が発生してから、その人物がかごに乗りこむという順序を考慮すると、ある時間帯の発生人数とそれより少し後の時間帯の乗り人数等との間に因果関係がある。このことから、過去乗降／発生変換モデルの精度より、未来乗降／発生変換モデルの精度の方が高いと考えられる。
　しかし、後述するように、リアルタイム処理において未来の発生人数を予測しようとするときに、過去の実際の乗り人数等を利用することはできるが、未来の実際の乗り人数等を利用することはできない。このため、過去乗降／発生変換モデルを用いて得られた発生人数８０３から発生人数１２０１を予測する予測モデルを作成することによって、実際のリアルタイム処理に適した、ロバストな予測モデルを生成できると考えられる。
　図１５は、本発明の実施例１のモデルデータベース１２３に含まれる予測モデルのパラメータ１５００の説明図である。
　予測モデルのパラメータ１５００は、複数のレコードを含み、各レコードは、日付１５０１及び複数のモデルパラメータ（例えばモデルパラメータ１＿１５０２及びモデルパラメータ２＿１５０３）を有する。
　日付１５０１は、予測モデルの生成に使用した発生人数（例えば図１４Ｂの発生人数８０３及び１２０１）の元となった乗り人数等（例えば図８の乗り人数等８０１）が取得された日の日付を示す。モデルパラメータ１＿１５０２及びモデルパラメータ２＿１５０３等は、予測モデル学習部１１５が行った機械学習によって算出された予測モデルのパラメータである。
　図１６は、本発明の実施例１の乗降人数算定部１２０及び予測部１１６が実行するリアルタイム処理（ステップ３２１～３２４）の説明図である。
　乗降人数算定部１２０は、現在時刻までの乗り人数等１６０１を取得する（ステップ３２１）。予測部１１６のリアルタイム発生変換部１１７は、現在時刻より前の時間帯１６０２の乗り人数等１６０１の特徴量を算出し、それに過去乗降／発生変換モデルを適用することによって、現在時刻より前の時間帯１６０４の発生人数を取得する。同様の処理を現在時刻より前の各時間帯について行うことによって、現在時刻より前の発生人数１６０３を取得する（ステップ３２２）。
　次に、予測部１１６の予測特徴量算出部１１８は、現在時刻より前の時間帯１６０５の発生人数１６０３の特徴量を算出する（ステップ３２３）。次に、予測部１１６の予測モデル適用部１１９は、ステップ３２３で算出された特徴量に予測モデルを適用することによって、現在時刻より後の時間帯１６０７の発生人数１６０６を予測する（ステップ３２４）。この予測結果がエレベータ１３０に送信される。
　なお、本実施例では、乗降人数算定部１２０は、現地データとして、各時刻のエレベータ１３０の乗り人数だけでなく、かご状態及び呼び状態に関する情報を取得している（図４Ａ、図４Ｂ）。また、シミュレーションデータ生成部１１０は、生成した仮想交通需要に基づいて、各時刻のエレベータ１３０の乗降データ（例えば各かごに乗っている人数、所定の長さの時間帯に乗り降りした人数など）だけでなく、かご状態（例えば時刻ごとの各かごの所在位置、移動方向及び行先階ボタンの操作状況）及び呼び状態（例えば時刻ごとの各階床の呼びボタンの操作状況）に関する情報を生成している（図５Ｂ、図５Ｃ）。
　リアルタイム変換モデル生成部１０６及びオフライン変換モデル生成部１０２は、乗り人数だけでなく、上記のかご状態及び呼び状態も含む変換特徴量を算出して、それに基づく変換モデルを生成する。このとき、リアルタイム変換モデル生成部１０６及びオフライン変換モデル生成部１０２は、かご状態及び呼び状態に基づいて算出したパラメータを変換特徴量に含めてもよい。例えば、リアルタイム変換モデル生成部１０６及びオフライン変換モデル生成部１０２は、所定の長さの時間帯ごとの各階床におけるかごの到着頻度を計算して、これを変換特徴量に含めてもよい。これによって変換モデルの精度が向上することが期待される。
　ただし、リアルタイム変換モデル生成部１０６及びオフライン変換モデル生成部１０２は、必ずしも上記の情報の全てを利用しなくてもよい。例えば、リアルタイム変換モデル生成部１０６及びオフライン変換モデル生成部１０２は、時刻ごとの各かごの乗降データのみに基づいて変換特徴量を算出してもよいし、必要に応じて最小限の情報を加えて変換特徴量を算出してもよい。
　また、本実施例において、予測モデル学習部１１３は、所定の属性を有する時間帯に対応する予測モデルを学習し、予測部１１６は、発生人数を予測しようとする時間帯の属性に対応する予測モデルを使用して発生人数を予測してもよい。ここで、所定の属性を有する時間帯とは、例えば、１日の中の、朝の出勤時間帯、昼休みの時間帯、夕方の退勤時間帯又は夜間の時間帯等であってもよいし、所定の曜日であってもよいし、所定のイベントに対応する日（例えばエレベータ１３０が設置された建物に入居している会社の営業日又は休業日等）であってもよい。
　ここで、所定の属性を有する時間帯が月曜日であり、図１４Ｂの方法が使用される場合を例として説明する。予測モデル学習部１１３は、変換発生データベース１２２から、月曜日の発生人数８０３及び１２０１を抽出する。ここで、月曜日の発生人数８０３とは、月曜日に取得された現地データの乗り人数等８０１に過去乗降／発生変換モデルを適用することで変換されたデータであり、月曜日の発生人数１２０１とは、月曜日に取得された現地データの乗り人数等８０１に未来乗降／発生変換モデルを適用することで変換されたデータである。
　予測モデル学習部１１３は、月曜日の時間帯１４０１の発生人数８０３から月曜日の時間帯１４０２の発生人数１２０１を予測する予測モデルを、月曜日の予測モデルとして学習する。この日付が、モデルデータベースの日付１５０１として保持される。日付１５０１は、図１５に示すように特定の日を示す値であってもよいし、曜日（例えば月曜日）を示す値であってもよいし、１日の中の特定の時間帯に対応する予測モデルが格納される場合には、その時間帯を示す値であってもよい。また、例えば曜日と１日の中の特定の時間帯とを組み合わせた時間帯に対応する予測モデルが格納される場合には、その組合せを示す値であってもよい。
　その後、月曜日にリアルタイム処理３２０が実行される場合、予測部１１６は、例えば、当日の現在時刻より前の乗り人数等１６０１に過去乗降／発生変換モデルを適用することによって、発生人数１６０３を取得し、発生人数１６０３に月曜日の予測モデルを適用することによって、現在時刻より後の発生人数１６０６を予測する。
　発生人数及び乗り人数等の傾向は、例えば曜日によって、あるいは１日の中の時間帯によって、または建物の入居者の稼働状況等によって異なる場合があるが、上記のように時間帯に応じた予測モデルを生成して、予測する時間帯に対応する予測モデルを使用することによって、より高精度に発生人数を予測できることが期待される。
　以上の本発明の実施例１によれば、例えばエレベータのかごの乗降人数、所在位置、移動方向、行き先ボタン及び呼びボタンの操作といった、エレベータそのものから取得できる情報に基づいて、発生人数を予測することができる。これによって、例えばエレベータホールに設置したカメラといった高コストな追加設備を必要とせずに、待ち時間の低減など、利用者の満足度が向上するようなエレベータの運行を実現することができる。
　次に、本発明の実施例２を図面に基づいて説明する。以下に説明する相違点を除き、実施例２のシステムの各部は、図１～図１６に示した実施例１の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。
　図１７は、本発明の実施例２の人流予測装置１７００の構成を示す機能ブロック図である。
　実施例２の人流予測装置１７００は、実施例１に記載した発生人数予測部１０１に加えて、行先階予測部１７０１を有する。行先階予測部１７０１は、予測特徴量算出部１７０２、行先階予測モデル生成部１７０３、行先階確率生成部１７０４及び行先階割り当て部１７０５を有する。実施例１と同様に、以下の説明において上記の各部が実行する処理は、実際には、プロセッサ２０４が、主記憶装置２０５に格納された各部に対応するプログラムに従って実行する（図２参照）。
　例えば、予測特徴量算出部１７０２は、現地乗降データベース１２４に格納された過去の現地乗降データに含まれる所定の長さの時間帯ごとの出発階４２２、行先階４２３及び人数４２４の特徴量を計算する。行先階予測モデル生成部１７０３は、計算された特徴量から、当該特徴量の計算の基礎となった現地乗降データの時間帯より後の時間帯の出発階４２２、行先階４２３及び人数４２４を予測する行先階予測モデルを生成する。
　行先階確率生成部１７０４は、生成された行先階予測モデルに基づいて、各階に発生した人物の何％が何階に行くかを示す行先階確率を生成する。そして、行先階割り当て部１７０５は、予測部１１６による発生人数予測結果に行先階確率を乗じることによって、行先階ごとの発生人数の予測結果、すなわち、各階に発生すると予測された人数のうち何人が何階に行くかを予測した結果を、人流予測結果としてエレベータ１３０に出力する。
　このように、本発明の実施例２によれば、各階に発生する人数だけでなく、行先階ごとの発生人数を予測することによって、より実際の需要に適合したエレベータの運行を計画することが可能になり、利用者の満足度の向上が図られる。
　次に、本発明の実施例３を図面に基づいて説明する。以下に説明する相違点を除き、実施例３のシステムの各部は、図１～図１６に示した実施例１又は図１７に示した実施例２の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。
　図１８は、本発明の実施例３の人流予測装置１８００の構成を示す機能ブロック図である。
　実施例３の人流予測装置１８００は、発生人数予測部１８０１を有する。発生人数予測部１８０１は、画像処理部１８０２が追加されている点を除いて、実施例１の発生人数予測部１０１と同様である。画像処理部１８０２は、ホール内待ち人数算出部１８０３及びホール内発生人数算出部１８０４を有する。実施例１と同様に、以下の説明において上記の各部が実行する処理は、実際には、プロセッサ２０４が、主記憶装置２０５に格納された各部に対応するプログラムに従って実行する（図２参照）。
　また、各階床のエレベータ１３０の乗り場（すなわちエレベータホール）には、エレベータホールカメラ１８１０が設置されている。エレベータホールカメラ１８１０は、撮影した画像データを人流予測装置１８００に送信する。人流予測装置１８００は、インターフェース２０１を介して受信した画像データを主記憶装置２０５又は補助記憶装置２０６に格納する（図２参照）。画像処理部１８０２は格納された画像データを参照して後述する処理を実行する。
　図１９は、本発明の実施例３のエレベータホールカメラ１８１０が設置されたエレベータホールの説明図である。
　図１９には、例として、エレベータ１３０が設置された建物のいずれかの階床のエレベータホール１９００を示す。三つのドア１９０１は、エレベータ１３０に属する３基のエレベータに乗り降りするためのドアである。エレベータホールカメラ１８１０は、エレベータホール１９００内を撮影するために設置されている。しかし、エレベータホール１９００は、エレベータホールカメラ１８１０によって撮影可能な領域１９０２と、壁等によって視界が遮られるためにエレベータホールカメラ１８１０による撮影ができない領域１９０３とを含む。図１９の例では、エレベータホール１９００にいる７人の人物１９０４のうち、領域１９０２にいる５人はエレベータホールカメラ１８１０によって撮影されるが、領域１９０３にいる２人は撮影されない。
　なお、撮影ができない領域１９０３は、壁、柱又は建物の備品等によってエレベータホールカメラ１８１０の視界が遮蔽される領域のほか、他の人物１９０４によって視界が遮蔽される領域、照明の明度が不足している領域、及び、エレベータホールカメラ１８１０の視野外の領域等を含んでもよい。
　画像処理部１８０２のホール内待ち人数算出部１８０３は、エレベータホールカメラ１８１０によって撮影された時刻ごとの画像データを分析して、撮影された画像に含まれる人物の数を、エレベータホール１９００のうち撮影可能な領域１９０２内の待ち人数として算出する。これは、公知の画像認識技術によって可能であるため、詳細な説明は省略する。
　画像処理部１８０２のホール内発生人数算出部１８０４は、ホール内待ち人数算出部１８０３によって算出された時刻ごとの待ち人数から、時刻ごとの発生人数を算出する。
　図２０は、本発明の実施例３のホール内発生人数算出部１８０４が実行する発生人数の算出の説明図である。
　図２０のグラフの横軸は時間、縦軸はホール内待ち人数算出部１８０３によって算出された待ち人数である。ホール内発生人数算出部１８０４は、ホール内待ち人数算出部１８０３によって算出された待ち人数の時間に応じた変化を検出し、待ち人数の増加分を発生人数として算出する。
　例えば、時刻ｔ１より前の待ち人数が０人、時刻ｔ１からｔ２までの待ち人数が２人、時刻ｔ２からｔ３までの待ち人数が５人、時刻ｔ３からｔ４までの待ち人数が６人、時刻ｔ４以降の待ち人数が１人である場合、ホール内発生人数算出部１８０４は、時刻ｔ１、ｔ２、ｔ３における発生人数をそれぞれ２人、３人、１人と算出する。そして、時刻ｔ４にいずれかのエレベータのかごが当該階床に到着して、５人の人物が乗り込んだと算出される。
　画像処理部１８０２は、このようにして算出された時刻ごとの発生人数をシミュレーションデータ生成部１１０に送信する。シミュレーションデータ生成部１１０の仮想交通需要生成部１１１は、受信した発生人数に基づいて仮想交通需要を生成する。
　具体的には、図２０に示したように、画像処理部１８０２から送信された発生人数は撮影ができない領域１９０３に発生した人物の数を含んでいないため、仮想交通需要生成部１１１は、画像処理部１８０２から受信した発生人数に、例えばランダムな数を加算することによって仮想交通需要を生成してもよい。このとき、エレベータホール１９００の構造に基づいて、加算する人数の上限を定めてもよい。また、他の人物による視界の遮蔽を考慮して、加算する人数の上限を、待ち人数の数が多いほど高くなるように設定してもよい。
　このように、本発明の実施例３によれば、実際に観察された発生人数に基づいてシミュレーションデータを生成することによって、より現実的なシミュレーションを行い、精度の高い変換モデル及び予測モデルを効率的に生成することが可能になる。
　なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明のより良い理解のために詳細に説明したのであり、必ずしも説明の全ての構成を備えるものに限定されものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることが可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。
　また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によってハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによってソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、不揮発性半導体メモリ、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記憶デバイス、または、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。
　また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

Claims (11)

  1. 　プロセッサと、前記プロセッサに接続される記憶装置と、を有する計算機システムが実行する人流予測方法であって、
    　前記人流予測方法は、
    　前記プロセッサが、エレベータに設置されたセンサの情報に基づいて、過去に前記エレベータに乗った人物の数を算出し、算出した前記人物の数を含む現地乗降データを生成する乗降人数算定手順と、
    　前記プロセッサが、前記エレベータを利用するために前記エレベータの各乗り場に現れる人物を仮想的に発生させて、発生人数に基づいて前記エレベータの運行をシミュレートすることによって、少なくとも前記エレベータに乗った人物の数を含む仮想乗降データを生成するシミュレーションデータ生成手順と、
    　前記プロセッサが、前記発生人数と前記仮想乗降データとに基づいて、ある時刻より前の前記仮想乗降データを当該時刻より後の前記発生人数に変換する第１の変換モデルを生成する第１の変換モデル生成手順と、
    　前記プロセッサが、前記発生人数と前記仮想乗降データとに基づいて、ある時刻より後の前記仮想乗降データを当該時刻より前の前記発生人数に変換する第２の変換モデルを生成する第２の変換モデル生成手順と、
    　前記プロセッサが、前記第２の変換モデルによって変換された前記発生人数に基づいて、ある時刻より前の前記発生人数から当該時刻より後の前記発生人数を予測する予測モデルを学習する予測モデル学習手順と、
    　前記プロセッサが、前記第１の変換モデル及び前記予測モデルを用いて、ある時刻より前の前記現地乗降データから当該時刻より後の前記発生人数を予測する予測手順と、を含むことを特徴とする人流予測方法。
  2. 　請求項１に記載の人流予測方法であって、
    　前記第１の変換モデル生成手順において、前記プロセッサは、前記現地乗降データに前記第１の変換モデルを適用することによって、第１の発生人数を算出し、
    　前記第２の変換モデル生成手順において、前記プロセッサは、前記現地乗降データに前記第２の変換モデルを適用することによって、第２の発生人数を算出し、
    　前記予測モデル学習手順において、前記プロセッサは、ある時刻より前の前記第１の発生人数から、当該時刻より後の前記第２の発生人数を予測する予測モデルを学習することを特徴とする人流予測方法。
  3. 　請求項１に記載の人流予測方法であって、
    　前記現地乗降データは、各階床の前記エレベータの呼びボタンに対して行われた操作、前記エレベータ内の行先階ボタンに対して行われた操作、及び、各階床における前記エレベータの到着頻度の少なくともいずれかをさらに含み、
    　前記シミュレーションデータ生成手順において、前記プロセッサは、前記発生人数に基づいて前記エレベータの運行をシミュレートすることによって、各階床の前記エレベータの呼びボタンに対して行われた操作、前記エレベータ内の行先階ボタンに対して行われた操作、及び、各階床における前記エレベータの到着頻度の少なくともいずれかをさらに含む前記仮想乗降データを生成することを特徴とする人流予測方法。
  4. 　請求項１に記載の人流予測方法であって、
    　前記予測モデル学習手順において、前記プロセッサは、所定の属性を有する時間帯の前記現地乗降データに前記第２の変換モデルを適用することによって算出された前記発生人数に基づいて、前記所定の属性を有する時間帯のある時刻より前の前記発生人数から当該時刻より後の前記発生人数を予測する、前記所定の属性を有する時間帯に対応する予測モデルを学習し、
    　前記予測手順において、前記プロセッサは、前記第１の変換モデル及び前記所定の属性を有する時間帯に対応する予測モデルを用いて、前記所定の属性を有する時間帯のある時刻より前の前記現地乗降データから当該時刻より後の前記発生人数を予測することを特徴とする人流予測方法。
  5. 　請求項４に記載の人流予測方法であって、
    　前記所定の属性を有する時間帯は、それぞれの日における時間帯、所定の曜日又は所定のイベントに対応する日のいずれかであることを特徴とする人流予測方法。
  6. 　請求項１に記載の人流予測方法であって、
    　前記シミュレーションデータ生成手順において、前記プロセッサは、前記現地乗降データに基づいて、前記エレベータに乗った人物の数の分布を算出し、算出した分布に基づいて、前記エレベータを利用するために前記エレベータの各乗り場に現れる人物を仮想的に発生させることを特徴とする人流予測方法。
  7. 　請求項１に記載の人流予測方法であって、
    　前記プロセッサが、前記現地乗降データに基づいて、前記エレベータに乗った人物の行先階を予測する行先階予測モデルを生成する手順と、
    　前記プロセッサが、前記行先階予測モデルと、前記予測手順において予測された発生人数と、に基づいて、行先階ごとの前記発生人数を予測する手順と、をさらに含むことを特徴とする人流予測方法。
  8. 　請求項１に記載の人流予測方法であって、
    　前記プロセッサが、前記エレベータの乗り場を撮影した画像に基づいて、前記画像に含まれる人物の数を算出する画像処理手順をさらに含み、
    　前記シミュレーションデータ生成手順において、前記プロセッサは、前記画像処理手順において算出された人数の数に基づいて、前記エレベータを利用するために前記エレベータの各乗り場に現れる人物を仮想的に発生させることを特徴とする人流予測方法。
  9. 　請求項８に記載の人流予測方法であって、
    　前記シミュレーションデータ生成手順において、前記プロセッサは、前記画像処理手順において算出された人数の数に、所定の方法で算出された数を加算した数の人物を、前記エレベータを利用するために前記エレベータの各乗り場に現れる人物として仮想的に発生させることを特徴とする人流予測方法。
  10. 　エレベータに設置されたセンサの情報に基づいて、過去に前記エレベータに乗った人物の数を算出し、算出した前記人物の数を含む現地乗降データを生成する乗降人数算定部と、
    　前記エレベータを利用するために前記エレベータの各乗り場に現れる人物を仮想的に発生させて、発生人数に基づいて前記エレベータの運行をシミュレートすることによって、少なくとも前記エレベータに乗った人物の数を含む仮想乗降データを生成するシミュレーションデータ生成部と、
    　前記発生人数と前記仮想乗降データとに基づいて、ある時刻より前の前記仮想乗降データを当該時刻より後の前記発生人数に変換する第１の変換モデルを生成する第１の変換モデル生成部と、
    　前記発生人数と前記仮想乗降データとに基づいて、ある時刻より後の前記仮想乗降データを当該時刻より前の前記発生人数に変換する第２の変換モデルを生成する第２の変換モデル生成部と、
    　前記第２の変換モデルによって変換された前記発生人数に基づいて、ある時刻より前の前記発生人数から当該時刻より後の前記発生人数を予測する予測モデルを学習する予測モデル学習部と、
    　前記第１の変換モデル及び前記予測モデルを用いて、ある時刻より前の前記現地乗降データから当該時刻より後の前記発生人数を予測する予測部と、を有することを特徴とする人流予測システム。
  11. 　請求項１０に記載の人流予測システムであって、
    　前記第１の変換モデル生成部は、前記現地乗降データに前記第１の変換モデルを適用することによって、第１の発生人数を算出し、
    　前記第２の変換モデル生成部は、前記現地乗降データに前記第２の変換モデルを適用することによって、第２の発生人数を算出し、
    　前記予測モデル学習部は、ある時刻より前の前記第１の発生人数から、当該時刻より後の前記第２の発生人数を予測する予測モデルを学習することを特徴とする人流予測システム。
PCT/JP2019/018682 2018-06-26 2019-05-10 人流予測方法及び人流予測システム Ceased WO2020003761A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/255,835 US12454439B2 (en) 2018-06-26 2019-05-10 People flow prediction method and people flow prediction system
CN201980029005.8A CN112041255B (zh) 2018-06-26 2019-05-10 人流预测方法以及人流预测系统
EP19826252.9A EP3816081B1 (en) 2018-06-26 2019-05-10 People flow prediction method and people flow prediction system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018121057A JP7092574B2 (ja) 2018-06-26 2018-06-26 人流予測方法及び人流予測システム
JP2018-121057 2018-06-26

Publications (1)

Publication Number Publication Date
WO2020003761A1 true WO2020003761A1 (ja) 2020-01-02

Family

ID=68985613

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/018682 Ceased WO2020003761A1 (ja) 2018-06-26 2019-05-10 人流予測方法及び人流予測システム

Country Status (5)

Country Link
US (1) US12454439B2 (ja)
EP (1) EP3816081B1 (ja)
JP (1) JP7092574B2 (ja)
CN (1) CN112041255B (ja)
WO (1) WO2020003761A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240179A (zh) * 2021-05-18 2021-08-10 重庆邮电大学 融合时空信息的轨道人流量预测方法及系统
JP7632702B1 (ja) 2024-01-26 2025-02-19 フジテック株式会社 エレベータ用シミュレータ

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021161466A1 (ja) * 2020-02-13 2021-08-19 三菱電機株式会社 エレベーターの監視装置およびエレベーターの監視方法
JP7175072B2 (ja) * 2020-08-18 2022-11-18 東日本旅客鉄道株式会社 混雑予測システム、混雑予測方法及び混雑予測プログラム
JP7591906B2 (ja) * 2020-11-09 2024-11-29 三菱重工サーマルシステムズ株式会社 人数予測システム、人数推定システム、消費電力量予測システム、人数予測方法及びプログラム
KR102515719B1 (ko) * 2021-05-10 2023-03-31 현대엘리베이터주식회사 영상인식 연동 승강기 제어 시스템
CN120958469A (zh) * 2023-03-20 2025-11-14 三菱电机楼宇解决方案株式会社 管理系统、管理装置、管理方法以及管理程序
KR102936473B1 (ko) * 2024-01-26 2026-03-09 한국에너지기술연구원 중앙 열공급 방식 건물의 열공급시스템, 그 제어방법 및 그 제어방법이 포함된 온라인 플랫폼
CN120387300B (zh) * 2025-04-17 2025-12-26 山东大学 考虑多要素影响下的商业楼宇负荷仿真方法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6469480A (en) * 1987-09-07 1989-03-15 Fujitec Kk Method of predicting traffic demand of elevator
JPH0248380A (ja) * 1988-06-21 1990-02-19 Otis Elevator Co エレベーター制御装置及びエレベーター制御方法
JPH07215607A (ja) * 1994-01-27 1995-08-15 Shimizu Corp エレベータ運転制御方式
JP2010006613A (ja) * 2009-10-09 2010-01-14 Mitsubishi Electric Corp エレベータの交通需要予測装置
JP2013173595A (ja) * 2012-02-24 2013-09-05 Hitachi Ltd エレベータ到着時間推定装置、エレベータシステム
JP2014172718A (ja) 2013-03-08 2014-09-22 Toshiba Corp エレベータ交通需要予測装置
WO2017006379A1 (ja) 2015-07-03 2017-01-12 株式会社日立製作所 群管理エレベータ装置及び群管理による乗車号機の割り当て方法
JP2017178475A (ja) * 2016-03-28 2017-10-05 株式会社日立製作所 エレベーター装置及びエレベーター装置の制御方法
JP2018121057A (ja) 2017-01-25 2018-08-02 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． 半導体装置の製造方法
JP2019081634A (ja) * 2017-10-30 2019-05-30 株式会社日立製作所 エレベータ分析システム及びエレベータ分析方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4303851A (en) * 1979-10-16 1981-12-01 Otis Elevator Company People and object counting system
EP0090642B1 (en) * 1982-03-31 1987-09-23 Kabushiki Kaisha Toshiba System for measuring interfloor traffic for group control of elevator cars
JP4980642B2 (ja) * 2006-04-12 2012-07-18 株式会社日立製作所 エレベータの群管理制御方法およびシステム
JP5495871B2 (ja) * 2010-03-15 2014-05-21 東芝エレベータ株式会社 エレベータの制御装置
JP6678529B2 (ja) * 2016-07-11 2020-04-08 株式会社日立製作所 エレベーターシステム及びかご呼び推定方法
JP7286302B2 (ja) * 2018-11-15 2023-06-05 清水建設株式会社 行列管理装置、行列管理システム、行列管理方法、及びプログラム

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6469480A (en) * 1987-09-07 1989-03-15 Fujitec Kk Method of predicting traffic demand of elevator
JPH0248380A (ja) * 1988-06-21 1990-02-19 Otis Elevator Co エレベーター制御装置及びエレベーター制御方法
JPH07215607A (ja) * 1994-01-27 1995-08-15 Shimizu Corp エレベータ運転制御方式
JP2010006613A (ja) * 2009-10-09 2010-01-14 Mitsubishi Electric Corp エレベータの交通需要予測装置
JP2013173595A (ja) * 2012-02-24 2013-09-05 Hitachi Ltd エレベータ到着時間推定装置、エレベータシステム
JP2014172718A (ja) 2013-03-08 2014-09-22 Toshiba Corp エレベータ交通需要予測装置
WO2017006379A1 (ja) 2015-07-03 2017-01-12 株式会社日立製作所 群管理エレベータ装置及び群管理による乗車号機の割り当て方法
JP2017178475A (ja) * 2016-03-28 2017-10-05 株式会社日立製作所 エレベーター装置及びエレベーター装置の制御方法
JP2018121057A (ja) 2017-01-25 2018-08-02 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． 半導体装置の製造方法
JP2019081634A (ja) * 2017-10-30 2019-05-30 株式会社日立製作所 エレベータ分析システム及びエレベータ分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3816081A4

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113240179A (zh) * 2021-05-18 2021-08-10 重庆邮电大学 融合时空信息的轨道人流量预测方法及系统
JP7632702B1 (ja) 2024-01-26 2025-02-19 フジテック株式会社 エレベータ用シミュレータ

Also Published As

Publication number Publication date
US12454439B2 (en) 2025-10-28
JP7092574B2 (ja) 2022-06-28
US20210276824A1 (en) 2021-09-09
JP2020001860A (ja) 2020-01-09
CN112041255B (zh) 2021-11-19
CN112041255A (zh) 2020-12-04
EP3816081B1 (en) 2023-12-13
EP3816081A4 (en) 2022-03-23
EP3816081A1 (en) 2021-05-05

Similar Documents

Publication Publication Date Title
WO2020003761A1 (ja) 人流予測方法及び人流予測システム
JP7437353B2 (ja) エレベータ分析システム及びエレベータ分析方法
JP4870863B2 (ja) エレベータ群最適管理方法、及び最適管理システム
CN109693980B (zh) 电梯调度方法、装置及系统
JP2019156607A (ja) エレベーターシステム
JP2011195281A (ja) エレベータの群管理制御装置
CN119100219A (zh) 电梯系统中的分配决策计算
CN111263729A (zh) 电梯运行管理系统以及运行管理方法
CN111225866B (zh) 自动呼叫登记系统以及自动呼叫登记方法
CN107235391A (zh) 电梯装置及电梯装置的控制方法
JP2003221169A (ja) エレベータ制御装置
JP2022018915A (ja) 群管理制御装置、配車制御方法及びエレベーター
JPS5939669A (ja) エレベ−タ−の交通情報収集装置
CN113891846B (zh) 电梯分析系统及电梯分析系统的设计方法
JP7422015B2 (ja) ビル情報表示システム及びビル情報表示方法
JP2020169083A (ja) 昇降機の運行状態表示装置、運行状態表示システム及び運行状態表示方法
JP4621620B2 (ja) エレベータ群管理システム、方法およびプログラム
JP6776174B2 (ja) エレベーター利用者移動予測方法およびエレベーター利用者移動予測装置
JP4357248B2 (ja) エレベータの群管理制御装置
JPH04133981A (ja) エレベーターの制御装置
JPH09240931A (ja) エレベータ群管理制御装置
JPH03216474A (ja) エレベータの群管理装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19826252

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019826252

Country of ref document: EP

Effective date: 20210126

WWG Wipo information: grant in national office

Ref document number: 17255835

Country of ref document: US