CN1321606A - 电梯群的最佳管理方法 - Google Patents

Abstract

本发明提供能够实现最佳的运行,简单的呼叫分配计算,高速地计算的电梯群的最佳管理方法和***。在电梯群的最佳管理方法和***中,将表示电梯梯箱可以提供服务的出发楼层和到达楼层之间的关系的行列表上的一个元素称为任务单位,将一台电梯一次地可以提供服务的任务单位的组合称为任务组,将为电梯群全体准备的任务组的集合称为任务组集合,通过将这个任务组集合动态地分配给电梯群能够高效率地运行电梯。

Description

电梯群的最佳管理方法

本发明涉及在包含多个电梯梯箱的电梯***中，高效率地运行这些电梯梯箱的电梯群的最佳管理方法和***。

电梯群的最佳管理方法和装置的目的是高效率地运行有多台电梯梯箱的电梯***，因此提高了设置有该电梯***的大楼中的服务水准。为此，当乘客(利用者)在站台按下用于呼叫电梯的站台的呼叫按钮发生站台的呼叫时，电梯群的最佳管理方法和装置考虑到提高整座大楼的服务水准，从多台电梯梯箱中决定应答所述的站台的呼叫的梯箱，进行呼叫分配。

但是，在这种呼叫分配方式中，不可能正确地预测将来的呼叫。为此，人们企图用预备分配方式，通过将适合于交通流的梯箱运行规则和呼叫分配方式组合起来，提高输送能力。以下，我们将对照交通流决定适合于交通流的梯箱运行规则进行运行的控制方式称为“运转模式”。

在这种运转模式中，在乘客非常多的上班时间段等中，将服务楼层分割成数个区域。此外，预先决定负责各个区域的梯箱。因此，通过使来自主要楼层的乘客分上电梯到每个要去的楼层所属的区域(分割运转方式)，就可能提高运行效率。这样的区域分割运转方式公布在日本平成二年的专利2-43188号公报上。

这些已有的方式无论那个都将许多楼层分割成数个区域。为此，对于持有上班等比较单纯的特征的交通流来说是有效果的。但是，对于持有更复杂的特征的交通流来说，提供有效的分割运转方式从而提高运行效率是困难的。此外，在已有的方式中，区域分割方式只对某种特定的交通流和与它类似的交通流来说是有效的。可是，对应于多种多样的交通流，必须试探地生成对于每个交通流的区域分割方法和分配方法的规则，要自动地生成这样的规则是非常困难的。

为了解决这种问题，在本发明的电梯群的最佳管理方法和装置中，各个电梯进行的输送业务是由从一个出发楼层向另一个到达楼层输送的业务单位(以下，称为“任务单位”)构成的。将这些业务单位分割成多个业务单位组(以下，称为“任务组”)。此外，将业务单位组动态地分配给梯箱。结果，对于多种多样的交通流，提高了输送能力和运行效率。此外，能够生成统一的分割运转规则。进一步，通过最佳化的手法和组合，能够自动地生成提高输送能力和运行效率的规则(即，任务组)。

具体地，根据本发明的电梯群的最佳管理方法是运行多个电梯梯箱的电梯群的最佳管理方法，在该方法中，将表示电梯梯箱可能服务的出发楼层和到达楼层之间关系的行列表上的一个元素称为任务单位，将一台电梯一次地可能服务的任务单位的组合称为任务组，将为电梯群全体准备的任务组的集合称为任务组集合，通过将这个任务组集合动态地分配给电梯群能够高效率地运行电梯。

根据本发明的其它形态的电梯群的最佳管理方法的特征是推定正在发生的交通流，对于推定的交通流，作成最佳的任务组，将属于这个任务组集合的任务组动态地分配给多个电梯。

根据本发明的其它形态的电梯群的最佳管理方法的特征是推定正在发生的交通流，对于推定的交通流，进行任务组集合的评估，决定最佳的任务组集合，将属于这个最佳的任务组集合的任务组动态地分配给多个电梯。

根据本发明的其它形态的电梯群的最佳管理方法的特征是推定正在发生的交通流，对于推定的交通流，通过实时模拟器对任务组集合进行评估，决定最佳的任务组集合，将属于这个最佳的任务组集合的任务组动态地分配给多个电梯。

根据本发明的其它形态的电梯群的最佳管理方法是以将一次得到的交通流和任务组集合之间的关系存储在数据库中，从这个数据库和交通流的推定结果决定最佳的任务组集合，将属于这个最佳的任务组集合的任务组动态地分配给多个电梯为特征的电梯群的最佳管理方法。

根据本发明的其它形态的电梯群的最佳管理方法的特征是使神经网络学习交通流和任务组之间的关系，从神经网络学习的结果，决定最佳的任务组集合，将属于这个最佳的任务组集合的任务组动态地分配给多个电梯。

本发明的运行多个电梯梯箱的电梯群的最佳管理***的特征是备有

(a)梯箱信息检测部分，它检知电梯和站台装置的状态，

(b)交通流推定部分，它根据从所述的梯箱信息检测部分得到的信息推定交通流，

(c)任务组集合候补生成部分，它作成多个任务组集合的候补，

(d)任务组集合评估值计算部分，它对于从所述的交通流推定部分得到的推定的交通流数据，计算在所述的任务组集合候补生成部分生成的任务组集合的评估值，

(e)任务组集合评估部分，它根据从所述的任务组集合评估值计算部分得到的评估值，进行对任务组集合的评估，

(f)任务组集合决定部分，它根据所述的任务组集合评估部分的结果，决定最佳的任务组集合，

(g)任务组集合存储部分，它将在所述的任务组集合决定部分决定的任务组集合存储起来，

(h)任务组选择部分，它根据从所述的梯箱信息检测部分得到的信息，从属于存储在所述的任务组集合存储部分中的任务组集合的任务组中选择这时需要的任务组，

(i)任务组分配部分，它将在所述的任务组选择部分选出任务组分配给梯箱，

(j)呼叫分配部分，它根据在所述的任务组分配部分决定的任务组的分配状况，将站台的呼叫分配给梯箱，

(k)梯箱控制部分，它按照呼叫分配部分的分配状况，对梯箱进行控制。

本发明的其它的电梯群的最佳管理***的特征是备有(d)代替所述的任务组集合评估值计算部分，(d′)对于推定的交通流数据，计算在所述的任务组集合候补生成部分生成的任务组集合的评估值的实时模拟器。

本发明的其它的电梯群的最佳管理***的特征是备有根据任务组集合的数据库和存储在所述的数据库内的信息，选择最佳的任务组集合的任务组集合选择部分。

本发明的其它的电梯群的最佳管理***的特征是通过学习推定的交通流和对该交通流最适合的任务组之间的关系的神经网络，选择最佳的任务组集合的神经网络任务组集合选择部分

[本发明的实施形态]

以下，我们参照所附诸图说明根据本发明的电梯群的最佳管理方法和***的多个实施形态。

实施形态1

为了对应各种各样的交通流，本发明的电梯群的最佳管理方法和***在这个***中导入以下的固有的概念(“任务单位”，“任务组”，“任务组集合”)，根据这些固有的概念策划制定运行计划。

这里，将一台电梯梯箱从一个出发楼层向另一个到达楼层输送乘客的业务单位称为“任务单位”。当对一个电梯梯箱，用行列表(请参照图3)来表示出发楼层和到达楼层时，这个任务单位构成该行列表的一个元素。

此外，将能够用一台梯箱进行服务的多个任务单位的集合称为“任务组”。这个任务组，作为当对一台电梯梯箱，用行列表来表示出发楼层和到达楼层时，包含那个行列表中分配给该电梯梯箱的多个任务单位的业务单位组表现出来(请参照图4(a),(b),(c), (d))。

进一步，将任务组的集合称为任务组集合(请参照图4(a),(b),(c),(d))，它表示电梯群全体的服务。

因此，本申请发明的电梯群的最佳管理方法和***生成配合交通流的多个任务组及一个任务组集合，将属于任务组集合的各个任务组动态地分配给梯箱，按照这个任务组的分配对各个梯箱的运行进行控制。

[图1]是表示本发明的实施形态1的电梯群的最佳管理方法和装置的构成的图。

[图2]是表示OD图的构造的图。

[图3]是表示本发明的任务单位图的构造的图。

[图4]是表示本发明的任务组集合的构造的图。

[图5]是表示本发明的实施形态1的任务组集合生成部分(5)的构成的图。

[图6]是说明本发明的实施形态1的任务组集合评估值计算部分(5-2)的计算顺序的图。

[图7]是表示本发明的实施形态2的任务组集合生成部分(5)的构成的图。

[图8]是表示本发明的实施形态2的实时模拟器部分(5-5)的构成的图。

[图9]是表示本发明的实施形态3的电梯群的最佳管理方法和装置的构成的图。

[图10]是表示本发明的实施形态4的电梯群的最佳管理方法和装置的构成的图。

[图11]是表示本发明的实施形态4的神经任务组集合选择部分(13)的构成的图。

[图12]是表示本发明的实施形态4的神经网络(13-2)和任务组集合选择滤波器(13-3)的构成的图。

图1表示根据实施形态1的电梯群的最佳管理方法和***的基本构成。在这个图中，符号(1-1)～(1-N)是由本电梯群的最佳管理方法和***控制的多个电梯装置(或电梯梯箱)，符号(N)是电梯装置或电梯梯箱的台数。站台的呼叫装置(2-1)～(2-H)[H：站台数(楼层数)]是可以指定要去楼层的站台呼叫装置，例如，是备有要去楼层的站台呼叫按钮的装置，安装在各楼层的电梯站台的适当的位置(通常是电梯门旁边的墙壁)上。梯箱信息检测部分(3)进行梯箱装置(1-1)～(1-N)的位置，速度，上电梯人数，呼叫梯箱的登记状况，分配状况，动作状态，电梯门的状态等的与梯箱装置有关的信息，和通过站台呼叫装置(2-1)～(2-H)输入的信号的检测。交通流推定部分(4)根据在梯箱信息检测部分(3)检出的信息，对在设置了电梯装置(1-1)～(1-N)的大楼中发生的交通流进行推定。在交通流推定部分(4)推定的结果提供乘客发生率(人/时间)和OD(出发楼层-到达楼层)图的形状作为推定的交通流数据。OD图是表示各个出发楼层和到达楼层之间的乘客移动比率的行列表，如图2所示。任务组集合生成部分(5)根据推定的交通流数据和梯箱信息，生成用在那个交通流中的任务组集合。如上所述，任务组集合是在某个交通流中使用的任务组的集合。任务组集合存储部分(6)存储在任务组集合生成部分(5)中生成的任务组集合。任务组集合选择部分(7)选择能够对发生的呼叫提供服务的任务组。任务组分配部分(8)，当在任务组集合选择部分(7)选择的任务组不分配给梯箱时，决定梯箱的分配。呼叫分配部分(9)按照任务组的分配，决定分配给呼叫的梯箱，并向梯箱控制部分(10)发出分配指令。梯箱控制部分(10)按照呼叫分配结果，对梯箱装置和显示灯等进行控制。

以上是在本发明中的电梯群的最佳管理方法和装置的基本组成，下面对成为这种构成的中心的任务组，和任务组集合生成部分(5)，任务组集合存储部分(6)，任务组选择部分(7)，任务组分配部分(8)，呼叫分配部分(9)进行详情的述说。

电梯是承担大楼内乘客移动的交通手段，电梯群的最佳管理方法和装置是按照乘客(利用者)的发生状况，对电梯梯箱装置(1-1)～(1-N)的运行进行管理。这里，将乘客的发生状况称为交通流，这个交通流用每单位时间的乘客发生数和OD图来表示。OD图是如图2所示的表示各出发楼层和各到达楼层之间的乘客移动比率的行列表。在图2中，OD(i,j)是OD图的元素，表示对于在某个时刻发生的全体乘客，从(i)楼层出发，向(j)楼层移动的乘客的比率。这样，乘客交通流的最小单位是出发楼层(i)和到达楼层(j)之间的移动。从而，也能够将运输这些乘客的电梯梯箱的运行的最小单位看作从出发楼层(i)向到达楼层(j)的移动。因此，如上所述，我们将一台梯箱担当的梯箱运行的最小单位称为“任务单位”。任务单位用图3那样的图形来表示。例如，在只准备了任务单位数的梯箱的情形中，可以认为一台梯箱与一个任务单位相当。但是，这样的状况在现实中是不存在的。因此，将数个任务单位组合起来，生成一台梯箱担当的任务单位的集合(任务组)。为了使运行效率最大化，按照交通流和梯箱台数，生成这些多个任务组。此外，按照发生的呼叫动态地将生成的任务组分配给梯箱，按照任务组的分配，决定应答呼叫的梯箱。这里，如上所述，将生成的任务组的集合称为任务组集合。这个任务组集合用图4所示的多个行列表表示，能够如下地定式化。

MGset={MG₁、MG₂、....、MG_M}                           (1)

MG_k={dm_k(i、j):dm_k=1 or 0、i、j=1、...、L、i≠j}(k=1、…、M)

                                                          (2

)

这里，MG_k是第k个任务组，当第k个任务组担当任务单位dm(i,j)时dm_k(i,j)取“1”的值，当不担当dm(i,j)时dm_k(i,j)取“0”的值，有下列的约束条件。

1≤M≤N                                (3) $\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{dm}}_k(i,j)\≥1----\left(4\right)$

L是楼层数，N是梯箱的台数，M是属于任务组集合的任务组数。例如，在图4中，当dm₁(1,7)=1,dm₂(1,7)=0,dm₃(1,7)=0,dm₄(1,7)=0时，只有分配给任务组1的梯箱可以对从1层向7层移动的乘客提供服务。

此外，当dm₁(7,1)=1,dm₂(7,1)=0,dm₃(7,1)=0,dm₄(7,1)=1时，分配给任务组1或任务组4的梯箱可以对从1层向7层移动的乘客提供服务。

在本实施形态中，任务组集合生成部分(5)为了使运行效率最大化那样地决定式(2)的dm_k(i,j)的值。

下面，述说式(2)的dm_k(i,j)的各元素值的决定方法。图5表示任务组集合生成部分(5)的构成。任务组集合候补生成部分(5-1)生成满足(3),(4)的约束条件的任务组集合的候补群。这里，第(p)个任务组集合候补如下表示。 ${\mathrm{MGset}}_p=\{{\mathrm{MG}}_{p,1},{\mathrm{MG}}_{p,2}....,{\mathrm{MG}}_{p,M_p}\}(p=1,....,P)---\left(5\right)$

MG_p、k={dm_p、k(i、j):(i、j)i、j=1、…、L、i≠j}(k=1、...、M_p)  (6)

           1≤M≤N                                  (7) $\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{dm}}_k(i,j)\≥1----\left(8\right)$

这里，MG_p,k是包含第(p)个任务组集合候补MGset_p的第k个任务组。dm_p,k(i,j)表示与从i层楼向j层楼移动有关的任务组元素。M_p是包含在第p个任务组集合候补中的任务组数。(p)表示属于任务组集合候补群的任务组集合候补的数量。

任务组集合评估值计算部分(5-2)根据任务组集合候补的运行效率的推定和推定的交通流数据进行RTT(梯箱来回一次的时间)的计算。在这个过程中进行对梯箱负载和上下电梯人数的推定。计算部分(5-2)还根据得到的RTT进行等待时间和旅行时间的推定。RTT是梯箱来回一次需要的时间，根据这个值的平均值，可以知道到达各楼层的时间间隔，即梯箱的服务时间间隔的平均值。此外，也可以对每单位时间可能输送的乘客数量进行评估。将RTT表示为梯箱速度，大楼楼层高度，梯箱台数，停梯的次数，上下电梯的时间的函数。这里，可以认为交通流和任务组集合是可变的值，梯箱速度，大楼楼层高度，梯箱台数是由大楼的说明书给出的定数。此外，作为梯箱每来回一次的上下电梯的人数的函数，给出停梯的次数和上下电梯的时间。进一步，梯箱每来回一次的上下电梯的人数是由乘客到达的时间间隔和梯箱到达的时间间隔之积给出的。因此，乘客到达的时间间隔是交通流数据的函数，梯箱到达的时间间隔是RTT和任务组集合的函数。按照以上的说明，RTT如下式所示。

RTT(p、t)=f(RTT(p、t)、TrafficFlow(t)、MGset_p)(9)

但是

RTT(p、t)={rtt(p、1、t)、rtt(p、2、t)、…、rtt(p、M_p、t))(10)

又，rtt(p,k,t)是被分配了任务组MG_p,k的梯箱为了来回一次，一次结束这个任务组所化费的时间的平均值。此外，TrafficFlow(t)是在时刻t的推定的交通流数据，例如，如下式那样，用OD图OD(t)和在整个大楼发生的乘客的发生率PassRate(t)来表示。

TrafficFlow(t)={OD(t)、PassRate(t)}    (11)

OD图OD(t)是表示各楼层间移动的比例的行列表，令OD(i,j,t)为表示从i层向j层移动的比例的元素，则有

OD(t)={OD(i、j、t)|i=1、...、L、j=1、.....、L}(12)

这里，有当i=j时OD(i,j,t)=0的约束条件。

这时因为RTT(p,k,t)取(7)式的形式，所以通过反复计算可求得数值解。

图6表示推定计算控制结果的程序操作图，下面述说它的详细情形。

在步骤(3-1)，输入推定的交通流数据TrafficFlow(t)和任务组集合候补MGset_p(i,j)。

在步骤(3-2)，由TrafficFlow(t)按照下式求得从(i)层到(j)层的乘客发生的概率PR(i,j,t)。

PR(i、j、t)=OD(i、j、t)PassRate(t)   (13)

在步骤(3-3)，给出RTT的初值RTT-init，将它代入RTTold。

在步骤(3-4)，计算各任务组发生频度的比。将这个比称为任务组发生比率。这个任务组发生比率是在任务组全体上发生的乘客总数的函数。 ${\mathrm{MR}}_{p,k}\left(t\right)=F_{\mathrm{MR}}(\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{PR}(i,j,t)\·{\mathrm{dm}}_{p,k}(i,j))---\left(14\right)$

这里，例如，当考虑用任务组全体的总乘客数之比表示各个任务组的模型时，函数F_MR时由下式表示出来。 ${\mathrm{MR}}_{p,k}\left(t\right)=\frac{(\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{PR}(i,j,t)\·{\mathrm{dm}}_{p,k}(i,j))}{\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\underset{j=1}{\overset{L}{\mathrm{\Σ}}}\mathrm{PR}(i,j,t)}---\left(15\right)$

在步骤(3-5)，对于从i层到j层的乘客，从RTTold计算梯箱到达间隔CarArrive_p(i,j,t)。梯箱到达间隔是对于从(i)层到(j)层的乘客，持有能够提供服务的任务组的梯箱到达的时间间隔，由下式求得。 $\frac{1}{\mathrm{CarArriv}{e}_p(i,j,t)}=\underset{k=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{dm}}_{p,k}(i,j)\frac{{\mathrm{MR}}_{p,k}\·\mathrm{Num}}{\mathrm{RTT}\_{\mathrm{old}}_k}---\left(16\right)$

这里，RTTold_j是与Mission_j(i)对应的RTTold的元素，cNum是梯箱的台数。

在步骤(3-6)，求得在每个楼层被分配了某个任务组的梯箱到达时的平均乘客发生数。例如，令被分配了任务组MG_p,k的梯箱沿upd方向到达(i)层时的平均乘客发生数为GP_p,k(i、upd、t)，则可由下式求得该平均乘客发生数。

这里，upd表示梯箱行走的方向，取up(上升)或down(下降)的值。当upd=up方向时，i＜j，当upd=down方向时，i＞j，对j求和。对于所有的i层的up方向，down方向，计算这个和。

在步骤(3-7)，从平均乘客发生数GP_p,k(i、upd、t)，计算(i)层upd方向的上电梯人数，下电梯人数，梯箱内的人数，梯箱的负载率。首先，当upd方向时，从最下层向最上层移动，当down方向时，从最上层向最下层移动，计算上电梯人数，下电梯人数，梯箱内的人数，梯箱的负载率。 ${\mathrm{LoadRate}}_{p,k}(i,\mathrm{upd},t)=\frac{(\mathrm{LastLoadNum}-\mathrm{Getof}{f}_{p,k}(i,\mathrm{upd},t)+{\mathrm{GP}}_{p,k}(i,\mathrm{upd},t))}{\mathrm{cNum}}---\left(18\right)$

这里，LoadRate_p,k(i、upd、t)是梯箱负载率，LastLoadNum是从前一层出发时的梯箱内的人数，GetOff_p,k(i、upd、t)是在i层在upd方向的下电梯人数。LastLoadNum是当upd=up时，在(i-1)层的梯箱内的人数，或是当upd=down时，在(i+1)层的梯箱内的人数。

此外，LoadOff_p,k(i、upd、t)是当upd=up时，从最下层到(i-1)层的诸层出发，向(j)层移动的乘客之和，或是当upd=down时，从最上层到i+1层的诸层出发，向(j)层移动的乘客之和。此外，关于任务组k，因为在upd方向从(i)层出发时的梯箱内的人数LoadNum_p,k(i、upd、t)不能超过梯箱的定员数，所以LoadNum_p,k(i、upd、t)可由下式求得。

LoadNum_p、k(i、upd、t)=min(LoadRate_p、k(i、upd、t)、1)·CNum(19)

这里，min(x,y)是在x和y值中，返回到小的一方的函数。又，(i)层的在upd方向的上电梯人数可由下式得到。GetOn_p、k(i、upd、t)=GP_p、k(i、upd、t))-{LoadRate_p、k(i、upd、t)·cNum-LoadNum_p、k(i、upd、t))

                                (20)

在步骤(3-8)中，从上述的上下电梯人数求得各层的停止概率。即，当发生一个或一个以上的人上电梯或下电梯时梯箱停止。因此，我们认为尽管少只要有一位乘客发生的概率与梯箱停止概率是等价的。将上述的上下电梯人数看作平均上下电梯人数，我们假定这个上下电梯的乘客是按照普阿松到达规律发生的，求得在梯箱服务间隔期间上电梯或下电梯的人发生一人或一人以上的概率。即，假定普阿松到达规律时，令群系数为G，从(i)层到(j)层的G位乘客的组到达的间隔为s的概率服从下式的指数分布。 $P_f(s,p,q)\left(t\right)=\frac{e^{-\frac{\mathrm{PR}(i,j,t)\·s}{G}}}{\mathrm{PR}(i,j,t)}----\left(21\right)$

因此，在服务间隔CarArrive_p(i,j,t)之间一个组来到的概率由下式表示。 $P_p(i,j,t)=1-e^{-\frac{\mathrm{PR}(i,j,t)\·\mathrm{CarArriv}{e}_p(i,j,t)}{G}}----\left(22\right)$

考虑在到达(i)层或从(i)层出发的组中，能够由任务组_k,提供服务的情形，任务组_k在(i)层在upd方向停止的概率StR_p,k(i,upd,t)可由下式得到。

                                                  (23)

这里，x是在upd方向从i层出发的乘客要去的层，y是在upd方向到达(i)层的乘客的出发层。

[0033]

在步骤(3-9)，从在各层的停止概率求得电梯梯箱反转的层和电梯梯箱在行走中的停止次数，求得电梯梯箱的平均行走距离和平均停止次数，计算电梯梯箱来回一次的时间。首先，从反转概率进行考虑。例如，将在上方向行走中的梯箱在(i)层向下方向反转的上方反转概率，看作在(i)层停止，并在(i)层以上不停止的概率。此外，令在(i)层以上不停止的概率在最上层的值为1，当电梯梯箱从最上层反回时，可以计算在(i)层以上不停止的概率。因此，被分配了任务组_k的梯箱在(i)层以上在up方向不停止的概率NoStR_p,k(i,upd,t)可由下式得到。NoStR_p、k(i、upd、t)=StR_p、k(i+1、upd、t){1-StR_p、k(i+1、upd、t)}  (24)

此外，正在执行任务组k的梯箱在(i)层以上在upd方向反转的概率RevR_p,k(i,upd,t)可由下式给出。

RevR_p、k(i、upd、t)=NoStR_p、k(i+1、upd、t)·StR_p、k(i、upd、t)  (25)

以上，从式(24)和式(25)求得梯箱的行走模式(停止层和反转)的发生概率，从在步骤(3-7)得到的上下电梯人数，能够计算在各层的上下电梯的时间，此外还能够计算在每个行走模式中需要的行走时间。例如，被分配了任务组_k的梯箱从在(i)层向下方向反转，到在(j)层向上方向反转的行走时间RT(i,j,t)可由下式得到。

                                                   (26)

这里，Dis(i,j)是从(i)层到(j)层的距离，v是梯箱速度，A₁是停止一次所需的加减速时间，A₂是每位乘客所需的上下电梯时间。进一步，关于各种行走模式，通过考虑它们的发生概率，并取平均值，执行某个任务组一次所需的时间totalRT_p,k(t)可以如下式那样地进行计算出来。

                                          (27)

在步骤(3-10)中，将在步骤(3-9)中求得的电梯梯箱来回一次所需的时间作为新的RTT代入RTTnew。

在步骤(3-11)中，进行RTTnew与RTTold的比较，如果它们的差在阈值以下，则前进到步骤(3-13)，如果这个差在阈值以上，则前进到步骤(3-12)，将这次的计算结果RTTnew代入RTTold，返回到步骤(3-5)。

在步骤(3-13)，根据乘客的服务间隔CarArrive_p(i,j,t)，计算等待时间，并根据各层的停止概率计算旅行时间。

按照以上的程序，能够得到平均等待时间，平均旅行时间，梯箱负载率，在各层上电梯，下电梯人数等作为控制结果的推定值。

下面，我们述说在任务组集合评估部分(5-3)中的评估值计算。如已经述说的那样，在实时模拟器部分，能够得到平均等待时间，平均旅行时间，梯箱负载率等作为控制结果的推定值。因此，推定的交通流TrafficFlow(t)发生时，选择任务组集合候补MGset_p时的评估值可给出如下。

If(MaxLoad(p、t)＜LoadThreshold)

E(p、t)=K1·WaitTime(p、t)+K2·TravelTime(p、t)   (28)Else

E(p、t)=∞

这里，MaxLoad(p,t)是从推定的交通流TrafficFlow(t)和任务组集合候补MGset_p时计算得到的，LoadRate(k,i,upd)的最大值。LoadThreshold是最大的梯箱负载的允许值，如果这个值不小于1，则发生过多的乘客。E(p,t)是任务组集合候补MGset_p的评估值。WaitTime(p,t)是选择任务组集合候补MGset_p时整座大楼的平均等待时间，TravelTime(p,t)是整座大楼的平均旅行时间。K1,K2分别是等待时间和旅行时间的权重。

这样，定义评估值E(p,t)时，任务组集合决定部分(5-4)选择E(p,t)成为最小时的任务组集合候补MGset_p作为任务组集合候补MGset，输入到任务组存储部分(6)。任务组存储部分(6)将输入的任务组集合候补MGset保存在存储器中。在交通流TrafficFlow(t)更新时可进行以上的过程。

下面，当发生新的站台呼叫Call_new时，在任务组选择部分(7)从MGset选出对站台呼叫可能提供服务的任务组MG_k。当可能用多个任务组提供服务时，选择多个任务组。这时，如果没有被分配了MG_k的梯箱，则在任务组分配部分(8)，决定分配MG_k的梯箱。作为分配方法，例如能够利用下面的规则。

分配的候补梯箱群=没有分配任何一个任务组的梯箱，

如果(分配的候补梯箱群内的台数=1)

则分配的梯箱=包含在分配的候补梯箱群内的唯一的梯箱，

否则，如果(分配的候补梯箱群内的台数＞1)

则分配的梯箱=分配的候补梯箱群中的可能最早对新发生的站台呼叫作出应答的梯箱

否则，如果(分配的候补梯箱群内的台数＜0)

则分配的梯箱=最早结束对与记录中的全部呼叫有关的乘客提供服务，从正在进行分配的任务组中解放出来的梯箱。

在任务组选择部分(7)，决定是否存在正在被分配可能提供服务的任务组MG_k的梯箱。此外，在任务组分配部分(8)，分配任务组MG_k，决定可以对Call_new提供服务的梯箱，在呼叫分配部分(9)决定分配的梯箱。例如，可以用下面那样的方法选择分配的梯箱。当在任务组选择部分(7)选出一个任务组时，选择被分配了这个任务组MG_k的梯箱作为分配的梯箱。当在任务组选择部分(7)选出多个任务组时，从被分配了这些任务组的梯箱中，选择可以最早对新呼叫Call_new作出应答的梯箱作为分配的梯箱。或者，对正在发生的全部呼叫，评估可能应答的时间，服务结束时间等指标，这个评估也可能是选择最高的梯箱的手法。

通过如上那样地构成电梯群的最佳管理方法和装置，可以为交通流TrafficFlow(t)，选择最佳的任务组集合，按照这个最佳的任务组集合，通过在梯箱运行控制部分(7)对梯箱的运行进行控制，就可以实现最佳的运行，并且呼叫分配计算也比已有的计算方法简单，可以进行更高速的计算。

实施形态2

我们说明有与实施形态1不同构成的电梯群的最佳管理方法和装置作为本发明的实施形态2。在实施形态2的构成中，代替实施形态1的任务组集合评估值计算部分(5-2)，设置了实时模拟器部分(5-5)。因为其它部分与实施形态1的相同，所以这里不再进行说明。图7是在实施形态2中的任务组集合生成部分(5)。这里，实时模拟器部分(5-5)用电梯群的最佳管理方法模拟器进行对任务组集合候补的运行效率的推定。这个模拟器是在输入推定的交通流数据和任务组集合候补，输出等待时间和旅行时间等的模拟器上，作为呼叫分配算法，备有任务组选择部分(7)，任务组分配部分(8)，呼叫分配部分(9)的功能的模拟器，例如有图8所示的构成。

在图8中，乘客行为模拟部分(5-5-1)按照推定的交通流，对从乘客发生到移动结束的乘客行为进行模拟。梯箱动作模拟部分(5-5-2)对梯箱的行走停止，门的状态等的梯箱动作进行模拟。任务组选择功能仿真部分(5-5-3)持有与任务组选择部分(7)同样的功能。任务组分配功能仿真部分(5-5-4)持有与任务组分配部分(8)同样的功能。呼叫分配功能仿真部分(5-5-5)持有与呼叫分配部分(9)同样的功能。电梯群管理结果计算部分(5-5-6)从乘客行为模拟部分(5-5-1)和梯箱动作模拟部分(5-5-2)的模拟结果计算等待时间和旅行时间等的电梯群管理结果，作为任务组候补评估值输出。

通过以上那样地构成电梯群的最佳管理方法和装置，由实施形态1也可以对任务组集合候补进行更精密的评估，对于交通流，可以进行最佳的任务组集合的选择，通过按照这个最佳的任务组集合，在梯箱运行控制部分(7)对梯箱的运行进行控制，可以实现最佳的梯箱运行，并且呼叫分配计算也比已有的计算方法简单，可以更高速地进行计算。

实施形态3

我们述说有与实施形态1,2不同构成的电梯群的最佳管理方法和装置，作为本发明的其它的实施形态。本实施形态的构成是在实施形态1或实施形态2的构成上，备有记录任务组集合和推定的交通流数据之间关系的任务组集合数据库。本实施形态的整体构成图如图9所示。因为在图9中除了任务组集合选择部分(11)和任务组集合数据库(12)以外，其它部分都与实施形态1,2相同，所以这里不再进行说明。将下面那样的数据存储在任务组集合数据库(12)中。

data_q={rrafficFlow_q,MGset_q}(q=1,…,Q)    (29)

这里，data_q是数据库的第q个存储数据。Q是存储在数据库中的数据的数量。TrafficFlow_q是与第q个的存储数据有关的交通流，MGset_q是对于TrafficFlow_q最佳的任务组集合。使用这个数据库，对于推定的交通流TrafficFlow(t)，如下地决定任务组集合MGset。

将推定的交通流数据TrafficFlow(t)，从交通流推定部分(4)输入到任务组集合选择部分(11)时，从任务组集合数据库(12)的存储数据，检索持有与推定的交通流数据TrafficFlow(t)一致的TrafficFlow_q的数据data_q。如果存在data_q，则将MGset_q作为任务组集合MGset，输入到任务组集合存储部分(6)，执行电梯群的最佳管理方法。如果在任务组集合数据库(12)中不存在data_q，则与实施形态1或2相同，在任务组集合生成部分(5)上作成任务组集合MGset。这时，将MGset输入到任务组集合存储部分(6)，不仅执行电梯群的最佳管理方法，而且如下地将TrafficFlow(t)和MGset存储在任务组集合数据库(12)中，作为新的数据。

data(R)={TrafficFlow_(Q+l)=TrafficFlow(t),MGset_(Q+1)=MGset}(i=1,…,Q+1)

                                                  (30)

通过以上那样地构成电梯群的最佳管理方法和装置，用实施形态1,2也可以更高速地进行任务组集合的选择，通过按照这个最佳的任务组集合，在梯箱运行控制部分(7)对梯箱的运行进行控制，可以实现最佳的梯箱运行，并且呼叫分配计算也比已有的计算方法简单，可以更高速进行计算。

实施形态4

我们述说有与实施形态3不同的电梯群的最佳管理方法和装置，作为本发明的实施形态。本实施形态的构成是代替实施形态3的任务组集合选择部分(11)和任务组集合数据库(12)，备有用神经网络进行任务组集合的选择的神经任务组集合选择部分。

本实施形态的构成如图10所示。在图10中，因为除了神经任务组集合选择部分(13)以外都与实施形态3相同，所以这里不再进行说明。神经任务组集合选择部分(13)是学习推定的交通流TrafficFlow(t)和任务组集合MGset之间关系的神经网络。神经网络的构成如图11所示。将推定的交通流数据输入到神经任务组集合选择部分(13)，和神经任务组选择管理部分(13-1)将这个数据输入神经网络(13-2)。神经网络(13-2)有图12的构造，将推定的交通流TrafficFlow(t)的各个元素输入到输入层神经元。在图12中，o_r(t)是对于时刻t的输入数据TrafficFlow(t)，神经网络(13-2)的第r个输出层神经元的输出值，R是在神经网络中正在被学习的任务组集合MGset_r的数量(输出层神经元的数量)，被学习过的任务组集合的集合LMGset可表示如下。

      LMGset={MGset_r:r=1、…、R}(31)

预先地，使对于输入的TrafficFlow_y，与最佳的任务组集合LMGset_y对应的输出层神经元输出o_y(t)=1或o_r(t)=0那样地学习神经网络，将这个输出输入到任务组集合选择滤波器(13-3)。任务组集合选择滤波器(13-3)按照下式表示的阈值滤波器在神经网络的输出值上选择任务组。

这里，F_r(t)是对于o_r(t)的阈值滤波器的值。这时，按照下列的规则，决定任务组集合选择滤波器的值。

                                             (33)

这里，FilterO(t)是在时刻t的阈值滤波器的输出，它的值表示任务组集合候补的号码p和MGset_p。此外，noMGset表示没有适当的任务组集合，pluralSelection表示有多个选出的任务组集合候补。此外，O_FILTER(t)是滤波器输出的集合。将FilterO(t)和O_FILTER(t)提供给神经任务组选择管理部分(13-1)。如果FilterO(t)的值不等于noMGset，则神经任务组选择管理部分(13-1)将MGset_FilterO(t)作为任务组集合MGset输出到任务组集合存储部分，结束任务组集合的选择过程。当FilterO(t)的值等于noMGset时，将推定的交通流数据TrafficFlow(t)输入到任务组集合生成部分(5)。任务组集合生成部分(5)对于推定的交通流数据TrafficFlow(t)生成最佳的任务组集合MGset，并将它给予神经任务组选择管理部分(13-1)。神经任务组选择管理部分(13-1)将任务组集合MGset输出到任务组集合存储部分(6)，并将TrafficFlow(t)和任务组集合MGset作为由下式给出的新学习数据newLdata1(t)，给予神经网络学习部分(13-4)。

      newLdata(t)={TrafficFlow(t)、MGset}     (34)神经网络学习部分(13-4)将新学习数据newLdata1(t)追加到存储在学习数据集合存储部分(13-5)的学习数据集合Ldata上。学习数据集合Ldata可由下式给出。

LData={Ldata₁、Ldata₂、…、LData_y}    (35)

Ldata_y={TrafficFlow_y、MGset_y}         (36)

这里，V是存储在学习数据集合存储部分(13-5)的学习数据的数量。Ldata_y是表示第y个学习数据，它的元素由交通流数据TrafficFlow_y和最适合它的任务组集合MGset_y组成。此外，如果与newLdata1(t)的元素MGset相同的学习过的任务组集合MGset_r不包含在学习过的任务组集合的集合LMGset中，则神经网络学习部分(13-4)使神经网络(13-2)的输出层神经元的数量增加1。此外，使神经网络(13-2)学习记录在学习数据集合Ldata上的交通流数据TrafficFlow_y和任务组集合MGset_y之间的关系。

通过以上那样地构成电梯群的最佳管理方法和装置，用实施形态3也能够更高速地并且以更小的存储器尺寸进行任务组集合的选择，通过按照这个最佳的任务组集合，在梯箱运行控制部分(7)进行梯箱运行的控制，就可以实现最佳的梯箱运行，并且呼叫分配计算也比已有的计算方法简单，可以更高速地进行计算。

如上所述，本发明的电梯群的最佳管理方法和***通过在设置了多台梯箱的电梯群中，检测电梯和站台装置的状态，根据这个信息推定交通流，作成多个任务组集合的候补，对于推定的交通流数据，计算生成的任务组集合候补的评估值，根据这个评估值进行任务组集合的评估，根据这个评估结果，决定最佳的任务组集合，将这个任务组集合存储起来，根据所述的检测出的电梯和站台装置的状态信息，这时从属于存储的任务组集合的任务组中选择需要的任务组集合，将这个任务组分配给梯箱，根据这个分配状况，将站台呼叫分配给梯箱那样地构成，对于交通流数据，就可以实现最佳的运行，并且呼叫分配计算也比已有的计算方法简单，可以更高速的地进行计算。

此外，如果用本发明的电梯群的最佳管理方法和***，则通过用实时模拟器进行对任务组集合候补的评估，对于交通流数据，就可以实现最佳的运行，并且呼叫分配计算也比已有的计算方法简单，可以更高速地进行计算。

进一步，如果用本发明的电梯群的最佳管理方法和***，则通过备有存储任务组集合和推定的交通流之间关系的数据库，产生能高速地决定最佳的任务组集合的效果。

此外，进一步，如果用本发明的电梯群的最佳管理方法和***，则通过备有学习任务组集合和推定的交通流之间关系的神经网络，产生能通过更小的计算机装置更高速地决定最佳的任务组集合的效果。

Claims (10)

1．运行多个电梯梯箱的电梯群的最佳管理方法，其特征是将表示电梯梯箱可能服务的出发楼层和到达楼层之间关系的行列表上的一个元素称为任务单位，将一台电梯一次可能服务的任务单位的组合称为任务组，将为电梯群全体准备的任务组的集合称为任务组集合，通过将这个任务组集合动态地分配给电梯群能够高效率地运行电梯。

2．在权利要求1中记载的电梯群的最佳管理方法，它的特征是推定正在发生的交通流，对于推定的交通流，作成最佳的任务组，将属于这个任务组集合的任务组动态地分配给多个电梯。

3．在权利要求1中记载的电梯群的最佳管理方法，它的特征是推定正在发生的交通流，对于推定的交通流，进行任务组集合的评估，决定最佳的任务组集合，将属于这个最佳的任务组集合的任务组动态地分配给多个电梯。

4．在权利要求1中记载的电梯群的最佳管理方法，它的特征是推定正在发生的交通流，对于推定的交通流，通过实时模拟器对任务组集合进行评估，决定最佳的任务组集合，将属于这个最佳的任务组集合的任务组动态地分配给多个电梯。

5．在权利要求1中记载的电梯群的最佳管理方法，它的特征是将一次得到的交通流和任务组集合的关系存储在数据库内，从这个数据库和交通流的推定结果，决定最佳的任务组集合，将属于这个最佳的任务组集合的任务组动态地分配给多个电梯。

6．在权利要求1中记载的电梯群的最佳管理方法，它的特征是使神经网络学习交通流和任务组的关系，从神经网络学习到的结果，决定最佳的任务组集合，将属于这个最佳的任务组集合的任务组动态地分配给多个电梯。

7．运行多个电梯梯箱的电梯群的最佳管理***，它的特征是备有

(a)梯箱信息检测部分，它检知电梯和站台(上电梯的场所)装置的状态，

(b)交通流推定部分，它根据从所述的梯箱信息检测部分得到的信息推定交通流，

(c)任务组集合候补生成部分，它作成多个任务组集合的候补，

(d)任务组集合评估值计算部分，它对于从所述的交通流推定部分得到的推定的交通流数据，计算在所述的任务组集合候补生成部分生成的任务组集合的评估值，

(e)任务组集合评估部分，它根据从所述的任务组集合评估值计算部分得到的评估值，进行任务组集合的评估，

(f)任务组集合决定部分，它根据所述的任务组集合评估部分的结果，决定最佳的任务组集合，

(g)任务组集合存储部分，它将在所述的任务组集合决定部分决定的任务组集合存储起来，

(h)任务组选择部分，它根据从所述的梯箱信息检测部分得到的信息，从属于存储在所述的任务组集合存储部分中的任务组集合的任务组中选择这时需要的任务组，

(i)任务组分配部分，它将在所述的任务组选择部分选择的任务组分配给梯箱，

(j)呼叫分配部分，它根据在所述的任务组分配部分决定的任务组的分配状况，将站台的呼叫分配给梯箱，

(k)梯箱控制部分，它按照呼叫分配部分的分配状况，对梯箱进行控制。

8．在权利要求7中记载的电梯群的最佳管理***，它的特征是所述的任务组集合评估值计算部分备有实时模拟器，该实时模拟器计算任务组集合的评估值。

9．在权利要求7中记载的电梯群的最佳管理***，它的特征是备有任务组集合的数据库和根据存储在所述的数据库中的信息选择最佳的任务组集合的任务组集合选择部分。

10．在权利要求7中记载的电梯群的最佳管理***，它的特征是备有通过学习在推定的交通流和对该交通流是最佳的任务组之间的关系的神经网络，选择最佳的任务组集合的神经任务组集合选择部分。

Images