JP2573722B2

JP2573722B2 - エレベータ制御装置

Info

Publication number: JP2573722B2
Application number: JP2136979A
Authority: JP
Inventors: 伸太郎辻
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1990-05-29
Filing date: 1990-05-29
Publication date: 1997-01-22
Anticipated expiration: 2012-01-22
Also published as: JPH0432472A

Description

【発明の詳細な説明】［産業上の利用分野］この発明は、ニューラルネットを応用してエレベータ
を精度良く制御するエレベータ制御装置に関し、特に種
々の交通パターンに対しても制御目的に応じた演算を速
やかに且つ高精度に行うことのできるエレベータ制御装
置に関するものである。

［従来の技術］従来より、複数台のかごが併設されたエレベータ装置
においては、通常、群管理運転が行われており、このよ
うな群管理運転の１つとして、例えば割当方式がある。
割当方式とは、乗場呼びが登録されると直ちに各かご毎
に評価値を演算し、評価値が最良のものをサービスすべ
き割当かごとして選択し、上記乗場呼びに対しては割当
かごのみを応答させるようにして、運転効率の向上及び
待時間の短縮を計るものである。

このとき、評価値の演算には、一般に、乗場呼びの予
測待時間が用いられている。例えば、特公昭58−48464
号公報に記載されたエレベータの群管理装置において
は、乗場呼びが登録されると、その乗場呼びを各かごに
仮に割当てたときの全ての乗場呼びの予測待時間の二乗
値の総和をそれぞれ評価値として求め、この評価値が最
小となるかごを割当かごとして選択する。

この場合、予測待時間は、乗場呼びの継続時間（乗場
呼びが登録されてから現在までに経過した時間）と、到
着予測時間（かごが現在の位置から上記乗場呼びの階床
に到着するまでに要する時間の予測値）とを加算して求
められる。こうして得られた評価値を用いることによ
り、乗場呼びの待時間の短縮（特に、待時間が１分以上
の長持ち呼びの減少）を計ることができる。

又、乗場呼びの予測待時間だけでなく、予報外れ確率
や満員確率を上記評価値に用いた割当方式（特公昭62−
47787号公報参照）や、かご内予想混雑度、かご内乗車
時間、かご呼び発生確率などを用いた割当方式なども提
案されている。

更に、最近では、評価指標をファジー量でとらえ、適
切な割当方法をIF−THEN形式で記述したルール群を用い
て、そのルール群に対する適合度から最適なかごを選択
して割当てる方式も提案されている。

しかし、複雑な交通パターンや時々刻々と変動する交
通需要にも対応できるようにきめ細かな群管理制御を実
行しようとすると、上記評価値を求めるための評価式や
割当評価ルールはますます複雑になっていく。従って、
評価要素として使用される各種の予測値の精度を向上さ
せようとすると、予測値の演算式も複雑になる。又、最
適な群管理制御を目指して新しい演算式を開発すること
は、人間の能力に限界がある以上、困難な作業となる。
更に、一方では、複雑な演算を行うための演算時間の増
大を招き、乗場呼び登録と同時に割当かごを決定し予報
するという主要な機能を果たすことが非常に困難とな
る。

このような問題点を解決するため、例えば、特開平１
−275381号公報に記載されたように、人間の脳のニュー
ロンに対応させたニューラルネットを用いた演算に基づ
いて、乗場呼びに対する割当かごを選択する群管理制御
装置も提案されている。この群管理制御によれば、人間
が割当アルゴリズムを考える必要はいっさい無く、各種
の交通状態に対応して、結果的に最適な割当かごを決定
する判断システムを自動的に生成することができる。し
かし、この公報の場合、割当かごの評価値を演算するこ
とを考慮しており、到着予想時間の演算精度やかご内予
想混雑度の演算精度を向上させることは考慮されていな
い。

ここで、エレベータ制御において、ニューラルネット
が、交通状態（入力データ）と割当かごの評価値（出力
データ）との間の因果関係をネットワークで表現してい
ることに着目すれば、到着予想時間の演算、予想外れ確
率や満員確率の演算、かご内混雑度の予測、かご内乗車
時間の予測などにも適用できることが分かる。

以下、第６図〜第10図を参照しながら、ニューラルネ
ットを到着予想時間の演算に適用した場合のエレベータ
制御装置について説明する。

第６図の機能ブロック図において、群管理装置（10）
は、以下の手段（10A）〜（10D）、（10F）及び（10G）
から構成され、複数（例えば、１号機用及び２号機用）
のかご制御装置（11）及び（12）を制御する。

乗場呼び登録手段（10A）は、各階床の乗場呼び（上
り方向及び下り方向の乗場呼び）の登録及び解消を行う
と共に、乗場呼びが登録されてからの経過時間（即ち、
継続時間）を演算する。

乗場呼びにサービスするのに最良のかごを選択して割
当てる割当手段（10B）は、例えば、各かごが各階床の
乗場呼びに応答するまでの待時間を予測して演算し、そ
れらの二乗値の総和が最小となるかごを割当てる。

データ変換手段（10C）は、かご位置、運行方向、応
答すべき呼び（かご呼び、又は、割当てられた乗場呼
び）などの交通状態データをニューラルネットの入力デ
ータとして使用できる形に変換する入力データ変換手段
と、ニューラルネットの出力データ（到着予想時間に相
当するデータ）を所定の制御目的の動作（例えば、予測
待時間の演算）に使用できる形に変換する出力データ変
換手段とを含んでいる。

時間帯に応じて各かごの到着予想時間を演算する到着
予想時間演算手段（10D）は、ニューラルネットで構成
された到着予想時間演算ユニット（後述する）を含んで
いる。

学習用データ作成手段（10F）は、各かごの到着予想
時間及びそのときの入力データ（交通状態データ）と、
その後の各かごの到着時間に関する実測データ（教師デ
ータ）とを記憶し、これらを学習用データとして出力す
る。

修正手段（10G）は、学習用データを用いて到着予想
時間演算手段（10D）におけるニューラルネットの構成
を学習及び修正する。

１号機用及び２号機用のかご制御装置（11）及び（1
2）は、それぞれ同一構成であり、例えば、１号機用の
かご制御装置（11）は、周知の手段（11A）〜（11E）か
ら構成される。

乗場呼び打消手段（11A）は、各階床の乗場呼びに対
する乗場呼び打消信号を出力する。かご呼び登録手段
（11B）は、各階床のかご呼びを登録する。到着予報灯
制御手段（11C）は、各階床の到着予報灯（図示せず）
の点灯を制御する。運転制御手段（11D）は、かごの運
行方向を決定したり、かご呼びや割当てられた乗場呼び
に応答させるために、かごの走行及び停止を制御する。
戸制御手段（11E）は、かごの出入口の戸の開閉を制御
する。

第７図のブロック図において、群管理装置（10）は、
周知のマイクロコンピュータからなり、MPU（マイクロ
プロセシングユニット）又はCPU（101）と、MPU（101）
に属するROM（102）及びRAM（103）と、MPU（101）に接
続された入力回路（104）及び出力回路（105）とから構
成されている。

入力回路（104）には、各階床の乗場釦からの乗場釦
信号（14）と、かご制御装置（11）及び（12）からの１
号機及び２号機の状態信号とが入力される。又、出力回
路（105）からは、各乗場釦に内蔵された乗場釦灯への
乗場釦灯信号（15）と、かご制御装置（11）及び（12）
への指令信号とが出力される。

第８図は第６図内のデータ変換手段（10C）及び到着
予想時間演算手段（10D）の関係をネットワークにより
具体的に示す機能ブロック図である。

図において、入力データ変換手段即ち入力データ変換
サブユニット（10CA）、及び、出力データ変換手段即ち
出力データ変換サブユニット（10CB）は、データ変換手
段（10C）を構成している。又、入力データ変換サブユ
ニット（10CA）と出力データ変換サブユニット（10CB）
との間に挿入された到着予想時間演算ユニット（10DA）
は、ニューラルネットからなり、到着予想時間演算手段
（10D）で用いられる予測演算サブルーチンを構成して
いる。

入力データ変換サブユニット（10CA）は、かご位置、
運行方向、応答すべき呼び（即ち、かご呼びや割当てら
れた乗場呼び）、交通の流れの統計的特徴（５分間乗車
人数、５分間降車人数）などの交通状態データをニュー
ラルネット（10DA）の入力データとして使用できる形に
変換する。

出力データ変換サブユニット（10CB）は、ニューラル
ネット（10DA）の出力データ（到着予想時間に相当する
データ）を乗場呼び割当動作の評価値演算に使用できる
形に変換する。

ニューラルネットからなる到着予想時間演算ユニット
（10DA）は、入力データ変換サブユニット（10CA）から
の入力データを取り込む入力層（10DA1）と、到着予想
時間に相当するデータを出力データとする出力層（10DA
3）と、入力層（10DA1）と出力層（10DA3）との間にあ
って、重み係数が設定された中間層（10DA2）とから構
成されている。

これらの各層（10DA1）〜（10DA3）は、互いにネット
ワークで接続されており、それぞれ複数のノード（nod
e）から構成されている。

ここで、入力層（10DA1）、中間層（10DA2）及び出力
層（10DA3）のノード数を、それぞれ、N1、N2、N3とす
れば、出力層（10DA3）のノード数N3は、 N3＝２（FL−１）但し、FL:ビルの階床数で表わされ、入力層（10DA1）及び中間層（10DA2）のノ
ード数N1及びN2は、それぞれビルの階床数FL、使用する
入力データの種類、並びに、かご台数などにより決定さ
れる。

又、変数ｉ、ｊ、ｋを、ｉ＝1,2,…,N1 ｊ＝1,2,…,N2 ｋ＝1,2,…,N3 とすれば、入力層（10DA1）の第ｉノードの入力値及び
出力値はxa1（ｉ）及びya1（ｉ）、中間層（10DA2）の
第ｊノードの入力値及び出力値はxa2（（ｊ）及びya2
（ｊ）、出力層（10DA3）の第ｋノードの入力値及び出
力値はxa3（ｋ）及びya3（ｋ）で表わされる。

又、入力層（10DA1）の第ｉノードと中間層（10DA2）
の第ｊノードとの間の重み係数をｗa1（i,j）、中間層
（10DA2）の第ｊノードと出力層（10DA3）の第ｋノード
との間の重み係数をｗa2（j,k）とすれば、各ノードの
入力値と出力値との関係は、ｙa1（ｉ）＝1/［１＋exp｛−ｘa1（ｉ）｝］ … ｘa2（ｊ）＝Σ｛ｗa1（i,j）×ｙa1（ｉ）｝ … （ｉ＝１〜N1による総和式）ｙa2（ｊ）＝1/［１＋exp｛−ｘa2（ｊ）｝］ … ｘa3（ｋ）＝Σ｛ｗa2（j,k）×ｙa2（ｊ）｝ … （ｊ＝１〜N2による総和式）ｙa3（ｋ）＝1/［１＋exp｛−ｘa3（ｋ）｝］ … で表わされる。

尚、ニューラルネット（10DA）は、学習用データ作成
手段（10F）で用いられる学習用データ作成ユニット
（図示せず）及び修正手段（10G）で用いられる修正ユ
ニット（図示せず）に接続され、重み係数ｗa1（i,j）
及びｗa2（j,k）が適宜修正されるようになっている。

以下、第９図のフローチャート図を参照しながら、第
６図〜第10図に示したエレベータ制御装置の到着予想時
間演算動作について説明する。

まず、入力データ変換プログラム（ステップ91）によ
り、入力された交通状態データのうち、これから到着予
想時間を演算すべきかごに関するデータ（かご位置、運
行方向、かご呼び、割当乗場呼び）と、現時点での交通
の流れの統計的特徴を表わすデータ（５分間乗車人数、
５分間降車人数）とを取り出し、これらを到着予想時間
演算ユニット（10DA）の入力層（10DA1）の各ノードに
対する入力データｘa1（１）〜ｘa1（N1）として変換す
る。

ここで、ビルの階床数FLを12階とし、乗場番号ｆに対
して、ｆ＝1,2,…,11がそれぞれ1,2,…,11階の上り方向
乗場を表わし、ｆ＝12,13,…,22がそれぞれ12,11,…,2
階の下り方向乗場を表わすものとすると、例えば、「か
ご位置階床がｆ、運行方向が上り」というかご状態は、ｘa1（ｆ）＝１ｘa1（ｉ）＝０（ｉ＝1,2,…,22、ｉ≠ｆ）となり、０〜１の値に正規化された値として表わされ
る。

又、１階〜12階のかご呼びｘa1（23）〜ｘa1（34）
は、登録されていれば「１」、登録されていなければ
「０」で表わされ、１階〜11階の上り方向の割当乗場呼
びｘa1（35）〜ｘa1（45）は、割当されていれば
「１」、割当されていなければ「０」で表わされ、12階
〜２階の下り方向の割当乗場呼びｘa1（46）〜ｘa1（5
6）は、割当されていれば「１」、割当されていなけれ
ば「０」で表わされる。

又、１階〜11階の上り方向での５分間乗車人数ｘa1
（57）〜ｘa1（67）は、過去の交通量の統計から求めた
５分間当りの乗車人数を、取り得る最大値NNmax（例え
ば、100人）で除算することにより、０〜１の値に正規
化する。同様に、12階〜２階の下り方向での５分間乗車
人数ｘa1（68）〜ｘa1（78）、１階〜11階の上り方向で
の５分間降車人数xa1（79）〜ｘa1（89）、並びに、12
階〜２階の下り方向での５分間降車人数xa1（90）〜xa1
（100）も最大値NNmaxで除算して正規化する。

尚、入力データを正規化する方法は、上記の方法に限
られることはなく、かご位置と運行方向とを別々に表わ
すこともできる。例えば、かご位置階床がｆのときの、
かご位置階床を表わす第１ノードの入力値ｘa1（１）
を、ｘa1（１）＝f/FL とし、かごの運行方向を表わす第２ノードの入力値xa1
（２）を、上り方向は「＋１」、下り方向は「−１」、
無方向は「０」として表わしてもよい。

こうして、ステップ91により入力層（10DA1）に対す
る入力データが設定されると、以下のステップ92〜96に
より、１号機に新規の乗場呼びＣを仮に割当てたときの
到着時間を予測するためのネットワーク演算を行う。

まず、入力データｘa1（ｉ）を用いて、式より、入
力層（10DA1）の出力値ｙa1（ｉ）を演算する（ステッ
プ92）。

続いて、式で得られた出力値ｙa1（ｉ）に重み係数
ｗa1（i,j）を乗算し、且つ、ｉ＝１〜N1について総和
して、式より、中間層（10DA2）の入力値ｘa2（ｊ）
を演算する（ステップ93）。

続いて、式で得られた入力値xa2（ｊ）を用いて、
式より、中間層（10DA2）の出力値ｙa2（ｊ）を演算
する（ステップ94）。

続いて、式で得られた出力値ｙa2（ｊ）に重み係数
ｗa2（j,k）を乗算し、且つ、ｊ＝１〜N2について総和
して、式より、出力層（10DA3）の入力値ｘa3（ｋ）
を演算する（ステップ95）。

そして、式で得られた入力値ｘa3（ｋ）を用いて、
式より、出力層（10DA3）の出力値ｙa3（ｋ）を演算
する（ステップ96）。

以上のように、到着予想時間のネットワーク演算が終
了すると、第８図内の出力データ変換サブユニット（10
CB）により、出力値ｙa3（１）〜ｙa3（N3）の形を変換
して最終的な到着予想時間を決定する（ステップ97）。

このとき、出力層（10DA3）の各ノードは、方向別の
乗場に対応しており、第１〜第11ノードの出力値ｙa3
（１）〜ｙa3（11）は、それぞれ、1,2,…,11階の上り
方向乗場の到着予想時間の演算値の決定に使用され、第
12〜第22ノードの出力値ｙa3（12）〜ｙa3（22）は、そ
れぞれ、下り方向乗場の到着予想時間の演算値の決定に
使用される。

即ち、第ｋノードの出力値ｙa3（ｋ）は、乗場ｋの到
着予想時間Ｔ（ｋ）に変換され、この到着予想時間Ｔ
（ｋ）は、Ｔ（ｋ）＝ｙa3（ｋ）×NTmax … のように表わされる。但し、NTmaxは、到着予想時間の
取り得る最大値を表わす一定値である。ここで、第ｋノ
ードの出力値ｙa3（ｋ）は０〜１の範囲に正規化されて
いるので、式のように、最大値NTmaxを乗算すること
により、到着予想時間Ｔ（ｋ）は、乗場呼び割当の評価
値演算に使用できるように変換される。

このように、到着時間予測プログラム（ステップ91〜
97）において、交通状態と到着予想時間との因果関係を
ネットワークで表現し、交通状態データをニューラルネ
ットに取り込むことにより、高い精度で到着予想時間を
演算することができる。又、この到着予想時間に基づい
て、乗場呼びに対する割当かごを選択すれば、乗場呼び
の待時間の短縮を計ることができる。

更に、ネットワークの演算精度は、ニューラルネット
（10DA）のノード間を結ぶ重み係数wa1（i,j）及びwa2
（j,k）によって変化するので、重み係数wa1（i,j）及
びwa2（j,k）を学習によって適切に変化且つ修正するこ
とにより、適切な到着予想時間を決定することができ
る。

この場合の学習（ネットワークの修正）は、バックプ
ロパゲーション法を用いて効率的に行われる。バックプ
ロパゲーション法とは、ネットワークの出力データと、
実測データや制御目標値などから作成した望ましい出力
データ（教師データ）との誤差を用いて、ネットワーク
を結ぶ重み係数を修正していく方法である。

即ち、学習用データ作成手段（10F）（第６図参照）
内の学習用データ作成ユニットは、エレベータの稼働中
に予め決められた時期（例えば、乗場呼び割当て時）に
なったとき、各乗場の到着予想時間を表わすｙa3（１）
〜ｙa3（N3）及びそのときの交通状態データｘa1（１）
〜ｘa1（N1）を学習用データの一部として記憶する。そ
して、その後かごが上記乗場に停止又は通過するまでに
経過した時間を計数し、この実到着時間を学習用データ
の一部として記憶する。これは原教師データであり、到
着予想時間TA（ｋ）（ｋ＝1,2,…,N3）で表わされる。
このような学習用データの組を所定の条件が成立する毎
に順番に記憶していく。

次に、修正手段（10G）内の修正ユニットは、ネット
ワークの修正を行うべき時期になったことを検出する
と、学習用データに基づき、到着予想時間演算ユニット
（10DA）内のネットワークを第10図のフローチャート図
に従って修正する。

まず、ネットワークの修正を行うべき時期になったか
否かを判定し（ステップ111）、修正時期であれば、以
下のステップ112〜118を実行する。

ここでは、現在記憶されている学習用データの組の数
ｍがＳ個（例えば、500個）以上になったときをネット
ワーク修正時期とする。尚、学習用データの判定基準数
Ｓは、エレベータの設置台数、ビルの階床数FL、及び、
乗場呼び数などのネットワークの規模に応じて任意に設
定され得る。

ステップ111において学習用データの組の数ｍがＳ個
以上と判定された場合は、学習用データのカウンタ番号
ｎを「１」に初期設定した後（ステップ112）、ｎ番目
の学習用データの中から実到着時間TA（１）〜TA（N3）
を取り出し、これらの乗場に相当するノードの値、即
ち、教師データｄa（ｋ）（ｋ＝1,2,…,N3）を、 da（ｋ）＝TA（ｋ）/NTmax … から求める（ステップ113）。

次に、ｎ番目の学習用データの中から取り出した出力
層（10DA3）の出力値ｙa3（１）〜ｙa3（N3）と教師デ
ータｄa（１）〜ｄa（N3）との誤差Eaを、両者の差を二
乗し、且つ、ｋ＝１〜N3の総和により、 Ea＝Σ［｛ｄa（ｋ）−ｙa3（ｋ）｝^２］/2 … （ｋ＝１〜N3）から求める。そして、式で得られた誤差Eaを用いて、
中間層（10DA2）と出力層（10DA3）との間の重み係数wa
2（j,k）（ｊ＝1,2,…,N2、ｋ＝1,2,…,N3）を以下のよ
うに修正する（ステップ114）。

まず、式の誤差Eaをwa2（j,k）を微分し、前述の
式〜式を用いて整理すると、重み係数wa2（j,k）の変
化量Δwa2（j,k）は、 Δｗa2（j,k）＝−α｛∂Ea/∂ｗa2（j,k）｝＝−α・δa2（ｋ）・ｙa2（ｊ） … で表わされる。但し、αは学習速度を表わすパラメータ
であり、０〜１の範囲内で任意の値に選択され得る。
又、式において、 δa2(k)＝｛ya3(k)−da(k)｝ya3(k)｛１−ya3(k)｝である。こうして、重み係数wa2（j,k）の変化量Δwa2
（j,k）が計算されると、以下の式により重み係数wa2
（j,k）の修正が行われる。

ｗa2（j,k）←ｗa2（j,k）＋Δｗa2（j,k） … 又、同様に、入力層（10DA1）と中間層（10DA2）の間
の重み係数ｗa1（i,j）（ｉ＝1,2,…,N1、ｊ＝1,2,…,N
2）を、以下の式及び式に従って修正する（ステッ
プ115）。

まず、重み係数ｗa1（i,j）の変化量Δｗa1（i,j）
を、 Δｗa1（i,j）＝−α・δa1（ｊ）・ｙa1（ｉ） … から求める。但し、式において、δa1（ｊ）は以下
の、ｋ＝１〜N3による総和式、 δa1（ｊ）＝Σ｛δa2（ｋ）・wa2（j,k）・ya2（ｊ） ×［１−ｙa2（ｊ）］｝で表わされる。式で得られた変化量Δｗa1（i,j）を
用いて、以下の式のように重み係数ｗa1（i,j）の修
正が行われる。

ｗa1（i,j）→ｗa1（i,j）＋Δｗa1（i,j） … こうして、ｎ番目の学習用データによる修正ステップ
113〜115が行われると、学習用データの番号ｎをインク
リメントし（ステップ116）、ステップ117で全ての学習
用データについて修正が終了したと判定される（ｎ≧ｍ
となる）まで、ステップ113〜116の処理を繰り返す。

そして、全ての学習用データについて修正が行われる
と、修正を完了した重み係数ｗa1（i,j）及びwa2（j,
k）を到着予想時間演算手段（10D）に登録する（ステッ
プ118）。

このとき、最新の学習用データを再び記憶できるよう
に、修正に使用した学習用データを全てクリアし、学習
用データの番号ｍを「１」に初期設定する。こうして、
ニューラルネット（10DA）のネットワーク修正（学習）
を終了する。

このように、乗場呼びが登録されたときの交通状態と
到着予想時間との因果関係をネットワークで表現し、実
データを学習することによりネットワークを修正するこ
とができる。この結果、ビル内の交通の流れが変化して
も自動的に対応することができ、柔軟で精密且つ正確な
到着予想時間の演算を行うことができる。

しかしながら、予測演算に単一のニューラルネット
（10DA）を用いているため、演算精度を上げようとして
多くの入力データを取り込むと、演算時間がかかってし
まい、出力データ即ち到着予想時間の生成タイミングが
遅れ、結局、適正な割当かごを決定することができなく
なってしまう。

［発明が解決しようとする課題］従来のエレベータ制御装置は以上のように、ニューラ
ルネット（10DA）を用いて、実際の交通状態に応じた柔
軟な予測により出力データを演算し、この出力データに
基づいて適性かごを割当てている。しかし、エレベータ
における交通の流れの特徴は、１日の間でも時々刻々と
変化しているので、かご位置、運行方向、及び、応答す
べき呼びを入力データとするだけでは、正確な到着予想
時間を演算することはできない。

そこで、交通の流れの特徴を表わすデータ、例えば、
過去に統計した交通量（乗降人数、乗場呼び数、かご呼
び数など）を入力データとして使用することが考えられ
る。これによれば、到着予想時間演算手段（10D）内の
１つのニューラルネットを用いて、１日を通じて発生し
得る様々な交通状態に応じた柔軟な演算が実現できる。
しかし、入力データが増えると、その分だけ到着予想時
間の演算に時間がかかるため、乗場呼び登録と同時に割
当かごを決定し予報するという機能を果たすことが非常
に困難となる。又、ネットワーク内の重み係数ｗa1（i,
j）及びｗa2（j,k）を修正するために、多くの学習用デ
ータ（教師データ）及び学習用期間が必要になるという
問題点があった。

このような問題点は、ニューラルネットを、割当かご
の決定演算や、各種予測値の演算に適用した場合にも共
通の問題点となる。

更に、特開昭55−48174号公報に記載されたように、
最適評価値のかごを割当てるために、評価式パラメータ
記憶部及び交通パターン設定部を設け、交通パターンに
応じて評価式（重み係数）を変更する群管理制御装置も
提案されているが、交通パターンに対応した評価パラメ
ータが予め計算機内のデータエリア（PROM）に書き込ま
れたテーブル値であるため、重み係数は所定のテーブル
値の中から選択されることによって、変更されるに過ぎ
ず、十分な高精度化を実現することはできない。

この発明は上記のような問題点を解決するためになさ
れたもので、様々な交通の流れに対しても所定の制御目
的に応じた演算を短時間で且つ高精度に行うことのでき
るエレベータ制御装置を得ることを目的とする。

又、この発明の別の目的は、更に、少ない学習用デー
タ及び短い学習期間で、ネットワークの修正を行うこと
のできるエレベータ制御装置を得ることを目的とする。

［課題を解決するための手段］この発明に係るエレベータ制御装置は、演算手段を、
ビル内の交通の流れの特徴に応じて分類された複数の交
通パターンに対応させて複数個設けると共に、現在のエ
レベータの交通状態が交通パターンのいずれに相当する
かを判定する判定手段と、複数の演算手段のうち、判定
手段の判定結果に対応するものを１つだけ選択する切換
手段とを設け、切換手段により選択された演算手段の出
力データに基づいて、かごを制御するようにしたもので
ある。

又、この発明の別の発明に係るエレベータ制御装置
は、学習用データ作成手段が、判定手段の判定結果に基
づいて交通パターン毎の学習用データを作成し、修正手
段が、交通パターン毎の学習用データを用いて、交通パ
ターン毎に対応する演算手段の重み係数をそれぞれ修正
し、切換手段により選択された演算手段の出力データに
基づいて、かごを制御するようにしたものである。

［作用］この発明においては、交通の流れの特徴に応じて分類
された交通パターンに対応して設けられた複数の演算手
段の中から、現在の交通状態に対応する演算手段を１つ
だけ選択し、選択された演算手段の出力データに基づい
て、所定目的に沿ったエレベータの制御を行う。

又、この発明の別の発明においては、交通パターン毎
の学習用データを作成し、これらの学習用データに基づ
いて、交通パターン毎に対応する演算手段の重み係数を
それぞれ修正する。

［実施例］以下、この発明の一実施例を図について説明する。第
１図はこの発明の一実施例の全体構成を示す機能ブロッ
ク図であり、（10）、（10A）〜（10D）（10G）、（1
1）、（11A）〜（11E）及び（12）は第６図に示したも
のと同様のものである。又、第１図のエレベータ制御装
置の概略構成は第７図に示した通りである。

第１図において、到着予想時間演算手段（10D）は、
平常時間帯用の到着予想時間演算手段（10D1）と、出勤
時間帯用の到着予想時間演算手段（10D2）と、退勤時間
帯用の到着予想時間演算手段（10D3）と、昼食時間帯用
の到着予想時間演算手段（10D4）と、閑散時間帯用の到
着予想時間演算手段（10D5）とを含んでおり、各演算手
段（10D1）〜（10D5）のネットワーク構成は第８図と同
様である。

但し、各演算手段（10D1）〜（10D5）内のニューラル
ネットにおいて、第８図で使用した交通量データ（５分
間乗車人数、５分間降車人数）は使用しない。従って、
この場合、ビルの階床数を12Fとすると、入力層（10DA
1）のノード数N1′は56個に設定される。なぜなら、各
乗場毎の上り方向及び下り方向の乗車人数及び降車人数
が入力データから削除されるため、前述のノード数N1
（＝100個）より44個だけ少ない値となるからである。
又、中間層（10DA2）のノード数N2′は、入力データ数
の減少に伴い、N2より小さい値に設定される。

群管理装置（10）は、現在のエレベータの交通状態が
どの交通パターンであるかを判定する判定手段（10E）
と、判定手段（10E）の判定結果に応じて複数の到着予
想時間演算手段（10D1）〜（10D5）の中から１つだけ選
択する切換手段（10H）と、を更に備えている。尚、エ
レベータの交通状態を表わす複数の交通パターンには、
複数の時間帯の区別も含まれているものとする。

第２図は群管理装置（10）内に記憶された群管理プロ
グラムを概略的に示すフローチャート図、第３図は第２
図内の到着時間予測プログラムを具体的に示すフローチ
ャート図、第４図は第１図内の学習用データ作成プログ
ラムを具体的に示すフローチャート図、第５図は第１図
内の修正プログラムを具体的に示すフローチャート図で
ある。

以下、第２図を参照しながら、第１図に示したこの発
明の一実施例の群管理動作について説明する。

まず、群管理装置（10）は、周知の入力プログラム
（ステップ31）に従って、乗場釦信号（14）と、かご制
御装置（11）及び（12）からの状態信号を取り込む。こ
こで入力される状態信号には、かご位置、走行方向、停
止又は走行状態、戸開閉状態、かご負荷、かご呼び、乗
場呼びの打消信号などが含まれている。

次に、周知の乗場呼び登録プログラム（ステップ32）
に従って、乗場呼びの登録又は解除、並びに、乗場釦灯
の点灯又は消灯を判定すると共に、乗場呼びの継続時間
を演算する。

続いて、周知の判定プログラム（ステップ33）に従っ
て、現在のエレベータの交通状態がどの時間帯であるか
を判定する。

例えば、群管理装置（10）に内蔵された時計（図示し
ない）の出力により、出勤時間帯（8:30〜9:10）、退勤
時間帯（17:00〜17:30）、昼食時間帯（11:50〜13:1
0）、閑散時間帯（0:00〜8:30、及び、19:00〜24:0
0）、平常時間帯（上記各時間帯以外の時間帯）のいず
れであるかを判定する。

次に、新規の乗場呼びＣが登録されたか否かを判定し
（ステップ34）、もし、新規に登録された乗場呼びＣを
検出すると、以下のステップ35〜39により、乗場呼びＣ
を１号機及び２号機にそれぞれ割当てたときの待時間評
価値W₁及びW₂を演算する（特公昭58−48464号公報参
照）。そして、評価値W₁又はW₂が最小となるかごを正規
の割当かごとして選択し、割当かごに対して、乗場呼び
Ｃに対応した割当指令及び予報指令を設定する。

即ち、まず、１号機用の仮割当て時の到着時間予測プ
ログラム（ステップ35）により、新規の乗場呼びＣを１
号機に仮に割当てたときの１号機の各乗場に対する到着
予想時間Ｔa1（ｋ）（ｋ＝1,2,…,N3）を演算する。

同様に、２号機仮割当て時の到着時間予測プログラム
（ステップ36）により、乗場呼びＣを２号機に仮に割当
てたときの２号機の各乗場に対する到着予想時間Ｔa2
（ｋ）を演算する。

又、新規の乗場呼びＣを無視して１号機及び２号機の
どちらにも割当てない場合の非仮割当て時の到着時間予
測プログラム（ステップ37及び38）を実行し、１号機及
び２号機の各乗場に対する到着予想時間Ｔb1（ｋ）及び
Ｔb2（ｋ）を演算する。

以下、第３図及び第８図を参照しながら、１号機用の
仮割当て時の到着時間予測プログラム（35）の演算動作
について具体的に説明する。

まず、乗場呼びＣを１号機に仮に割当てて、入力デー
タ変換サブユニット（10CA）に入力するための割当呼び
データを作成する（ステップ51）。

次に、判定手段（10E）内の判定プログラム（ステッ
プ33）の判定結果に基づいて、切換手段（10H）は、各
到着予想時間演算手段（10D1）〜（10D5）に対応した到
着予想時間演算プログラム（ステップ56〜60）の中から
１つのプログラムのみを選択する（ステップ52〜55）。

ここでは、平常時間帯用到着予想時間演算プログラム
（ステップ56）のみを具体的に示しているが、各到着予
想時間演算プログラム（ステップ57〜60）もステップ56
と同様の演算プログラムからなっている。

例えば、判定手段（10E）内の判定プログラム（ステ
ップ33）により、平常時間帯と判定された場合は、出勤
時間帯判定ステップ52、退勤時間帯判定ステップ53、昼
食時間帯判定ステップ54、閑散時間帯判定ステップ55を
介して、平常時間帯用の到着予想時間演算プログラム
（ステップ56）に進み、第９図と同様の演算プログラム
が実行される。

ステップ56内の各ステップ561〜567は、第９図内のス
テップ91〜97にそれぞれ対応している。又、第８図と同
様のネットワークに重み係数ｗa1（i,j）（ｉ＝1,2,…,
N1′、ｊ＝1,2,…,N2′）及びｗa2（j,k）として、平常
時間帯用の値が設定されている。

入力データ変換プログラム（ステップ561）では、１
号機のかご位置、運行方向、かご呼び、仮割当後の割当
呼び、などのデータを取り出して、ネットワーク演算用
の入力データｘa1（１）〜ｘa1（ｉ）に変換する。但
し、ｉ＝1,2,…,N1′（N1′＜N1）である。以下、前述
のステップ92〜97と同様に、ステップ562〜567によるネ
ットワーク演算を実行し、最終的に到着予想時間Ｔa1
（ｋ）（ｋ＝1,2,…,N3）を設定する。

一方、各判定ステップ52〜55に対応した時間帯が判定
された場合には、それぞれの到着予想時間演算プログラ
ム（ステップ57〜60）が同様に実行される。尚、各ネッ
トワークで用いられる重み係数ｗa1（i,j）及びｗa2
（j,k）（ｉ＝1,2,…,N1′、ｊ＝1,2,…,N2′、ｋ＝1,
2,…,N3）は、それぞれの時間帯に対応した値が設定さ
れている。

このように、各到着時間予測プログラム35〜38におい
て、入力データから交通量データを除去したので、入力
データ数を100個から58個に減らすと共に、中間層（10D
A2）のノード数を減らすことができる。又、時間帯に対
応して設けられた複数のニューラルネットからなる到着
予想時間演算プログラム（ステップ56〜60）の中から、
現在の交通状態に対応した演算プログラムを１つだけ選
択し、１号機及び２号機の到着予想時間Ｔa1（ｋ）、Ｔ
a2（ｋ）、Ｔb1（ｋ）及びＴb2（ｋ）を演算するように
したので、到着予想時間を短時間に、且つ精度良く演算
することができる。

こうして求められた到着予想時間は、割当プログラム
（ステップ39）により、待時間評価値W₁及びW₂の演算に
使用される。

次に、出力プログラム（ステップ40）により、上記の
ように設定された乗場釦灯信号（15）を乗場に送出する
と共に、割当信号及び予報信号などをかご制御装置（1
1）及び（12）に送出する。

一方、学習用データ作成プログラム（ステップ41）に
おいては、入力データとして変換後の交通状態データ
と、各乗場の到着予想時間及びその後の各かごの到着時
間の実測データとを記憶し、これらを学習用データとし
て出力する。又、修正プログラム（ステップ42）におい
ては、学習用データを使用して、到着予想時間演算手段
（10D）内のネットワークの重み係数を修正する。

次に、第４図及び第５図を参照しながら、学習用デー
タ作成手段（10F）及び修正手段（10G）により学習用デ
ータ作成プログラム（ステップ41）及び修正プログラム
（ステップ42）を実行した場合の、この発明の別の発明
の一実施例について説明する。

学習用データ作成プログラム（ステップ41）を詳細に
示す第４図において、まず、新たな学習用データの作成
許可が生成（セット）され、且つ、新規の乗場呼びＣの
割当が行われた直後か否かを判定する（ステップ61）。

もし、学習用データの作成許可がセットされており、
且つ、乗場呼びＣの割当が行われていれば、割当て時の
割当かごの交通状態データｘa1（１）〜ｘa1（N1′）
と、このときの各乗場の到着予想時間に相当する出力デ
ータｙa3（）〜ｙa3（N3）とをｍ番目の学習用データの
一部（教師データ）として記憶する（ステップ62）。

続いて、新たな学習用データの作成許可をリセットす
ると共に、実到着時間の実測指令をセットして実到着時
間のカウントを開始する（ステップ63）。

これにより、次の演算周期のステップ61においては、
新たな学習用データの作成許可がセットされていないと
判定されるので、ステップ64に進み、到着時間の実測指
令がセットされているか否かが判定される。このとき、
ステップ63において実測指令がセットされているので、
更に、ステップ65に進み、割当かごが乗場呼びＣに応答
して停止したか否かが判定される。

何回目か後の演算周期で、乗場呼びＣの乗場への停止
決定が検出されると、ステップ66に進み、このときの実
到着時間をｍ番目の学習用データの一部として記憶す
る。これは原教師データであり、乗場呼びＣの乗場の到
着時間TA（Ｃ）と表わされる。

続いて、ステップ67において、実到着時間の実測指令
をして実到着時間のカウントを終了すると共に、学習用
データの番号ｍをインクリメントして、再び新しい学習
用データの作成許可をセットする。

こうして、乗場呼びの割当が行われた時期に合わせ
て、乗場呼び割合が行われたかごと、そのときの新規の
乗場呼びＣに関する学習用データとが繰り返し作成さ
れ、記憶されていく。

次に、修正手段（10G）は、第２図内の修正プログラ
ム（ステップ42）により、学習用データを使用して、ニ
ューラルネット（10DA）のネットワークを修正する。以
下、この修正動作を、第５図を参照しながら、詳細に説
明する。

まず、ネットワークの修正を行うべき時期になったか
否かを判定し（ステップ71）、修正時期であれば、以下
のステップ72〜84を実行する。

ここでは、現在記憶されている学習用データの組の数
ｍがＳ個（例えば、400個）以上になったときをネット
ワーク修正時期とする。尚、学習用データの判定基準数
Ｓは、エレベータの設置台数、ビルの階床数FL、及び、
乗場呼び数などのネットワークの規模に応じて任意に設
定され得る。

ステップ71において学習用データの組の数ｍがＳ個以
上と判定された場合は、学習用データのカウンタ番号ｎ
を「１」に初期設定した後（ステップ72）、ｎ番目の学
習用データがどの時間帯に対応するものであるかを判定
し（ステップ73〜76）、複数の修正プログラム（ステッ
プ77〜81）の中から使用すべき修正プログラムを１つだ
け選択する。ここでは、平常時間帯用重み係数の修正プ
ログラム（ステップ77）のみを具体的に示しているが、
各修正プログラム（ステップ78〜81）もステップ77と同
様のプログラムからなっている。

例えば、ｎ番目の学習用データが平常時間帯用のデー
タであると判定された場合は、各判定ステップ73〜76を
介して、修正ステップ77に進み、平常時間帯用重み係数
の修正プログラムが選択されて実行される。尚、ステッ
プ77内の各ステップ771〜773は、第10図内のステップ11
3〜115にそれぞれ対応している。

まず、ｎ番目の学習用データの中から実到着時間TA
（Ｃ）を取り出して教師用データda（ｃ）を求めた後
（ステップ771）、中間層（10DA2）と出力層（10DA3）
との間の重み係数ｗa2（j,C）（ｊ＝1,2,…,N2′）を修
正し（ステップ772）、続いて、入力層（10DA1）と中間
層（10DA2）との間の重み係数ｗa1（i,j）（ｉ＝1,2,
…,N1′）を修正する（ステップ773）。

一方、ｎ番目の学習用データが出勤時間帯用のデータ
であれば、学習用データが出勤時間帯用か否かの判定ス
テップ73により出勤時間帯用重み係数の修正プログラム
（ステップ78）が選択され、出勤時間帯用到着予想時間
演算プログラム（ステップ57）内の重み係数が修正され
る。同様に、ｎ番目の学習用データが退勤時間帯用のデ
ータであれば、判定ステップ74により退勤時間帯用重み
係数の修正プログラム（ステップ79）が選択され、昼食
時間帯であれば、判定ステップ75により昼食時間帯用重
み係数の修正プログラム（ステップ80）が選択され、閑
散時間帯であれば、判定ステップ76により閑散時間帯用
重み係数の修正プログラム（ステップ81）が選択され、
それぞれの重み係数が修正される。具体的な修正手順に
ついては、前述と同様なので、ここでは詳述しない。

以上のように、ｎ番目の学習用データによる修正（ス
テップ73〜81）が終了すると、学習用データの番号ｎを
インクリメントし（ステップ82）、ステップ83で全ての
学習用データについて修正が終了したと判定される（ｎ
≧ｍとなる）まで、ステップ73〜82の処理を繰り返す。

そして、全ての学習用データについて修正が行われる
と、修正を完了した重み係数ｗa1（i,j）及びwa2（j,
k）を到着予想時間演算手段（10D）に登録する（ステッ
プ84）。

このとき、最新の学習用データを再び記憶できるよう
に、修正に使用した学習用データを全てクリアし、学習
用データの番号ｍを「１」に初期設定する。こうして、
時間帯毎の各ニューラルネット（10DA）の修正（学習）
を終了する。

このように、時間帯毎に学習用データを作成し、且つ
時間帯毎に到着予想時間演算手段のネットワークを修正
するようにしたので、１つのニューラルネットからなる
到着予想時間演算手段（10D）のネットワークを修正す
る場合よりも、少ない学習用データで、且つ短い学習期
間で修正することができる。この結果、種々の交通の流
れに対しても到着予想時間を短時間で精度良く演算する
ことができる。

一般に、ニューラルネットは入力点数（データ量）が
増大すると演算時間がそれ以上に増大するが、複数の交
通パターン（平常時、出勤時及び退勤時等の時間帯又は
交通状態）毎にニューラルネットを設けて、交通の流れ
の特徴を表わすデータをニューラルネットの入力データ
から除去することにより、演算時間を大幅に短縮するこ
とができる。又、学習も交通パターン毎に行われ、制御
指標としては、到着時間、予測待ち時間、かご内混雑
度、予報外れ可能性等の予測値の他に、割当かご判定な
ども含まれる。

即ち、時間帯毎又は交通状態毎に到着予想時間、予報
外れ、かご外れ、かご内混雑度などの予測演算を行うこ
とにより、交通流れの特徴点（統計量）を入力する必要
がなくなり、演算時間及び学習時間を顕著に短縮するこ
とができる。このことは、交通の流れが時間帯毎に変化
し、各時間帯に対して正確な予測結果及び演算結果が短
時間に要求されるエレベータ装置において格別な効果を
奏する。

尚、上記実施例では、入力データ変換手段が、かご位
置、運行方向、及び、応答すべき呼び、を入力データと
して変換するようにしたが、入力データとして使用され
る交通状態データがこれらに限られることはない。例え
ば、かごの状態（減速中、戸開動作中、戸開中、戸閉動
作中、戸閉待機中、走行中、など）、乗場呼びの継続時
間、かご呼びの継続時間、かご負荷、群管理されている
かごの台数、などを入力データとして使用することがで
きる。又、現時点の交通状態データだけでなく、近い将
来の交通状態データ（かごの動きの履歴や呼び応答状態
の履歴など）を入力データとして使用することにより、
一層正確な到着予想時間の演算が可能となる。

又、判定手段（10E）は、時計の出力が所定の時間帯
になったか否かに基づいて、現在のエレベータの交通状
態がどの時間帯にあるかを判定するようにしたが、判定
の仕方がこれに限られることはない。例えば、混雑階床
から出発するかごの乗客数（かご負荷）、又は、混雑階
床での乗込み人数が所定値以上になったときを条件に加
味して判定することもできる。この場合、時間帯の種類
はビルの交通状況に応じて適宜設定される。又、時間帯
とは無関係に、代表的な複数種類の交通の流れのパター
ン（例えば、上り方向に交通が偏っているパターン、下
り方向に偏っているパターンなど）を用意しておき、近
い過去（例えば、５分間）の交通データの実測値に基づ
いて、現在の交通がどのような交通パターンに近いかを
判断し、最も近い交通パターンを選択するようにしても
よい。

又、学習用データ作成手段（10F）は、乗場呼びの割
当が行われたときに、割当かごの乗場呼びの乗場への到
着予想時間、そのときの入力データ、及び、時間帯を記
憶し、その後、割当かごが乗場呼びの乗場に停止するま
でに経過した時間を計数してこれを実到着時間として記
憶し、記憶された時間帯、入力データ、到着予想時間、
及び、実到着時間を一組の学習用データとして出力する
ようにしたが、学習用データを作成する時期はこれに限
られるものではない。例えば、前回の入力データの記憶
時から経過した時間が所定時間（例えば、１分）を越え
たときを学習用データ作成時期としてもよく、周期的
（例えば、１分毎）に学習用データ作成時期としてもよ
い。又、各種条件下における学習用データが多く集まる
ほど学習条件が向上するので、例えば、かごが所定階床
に停止しているとき、又は、所定の状態（減速中、停止
中、など）になったとき、などの考えられる代表的な状
態を予め決めておき、その状態を検出したときに学習用
データを作成するようにしてもよい。又、学習用データ
の記憶の仕方も、これに限られることはなく、時間帯別
の記憶領域にそれぞれの学習用データを区別して順に記
憶してもよい。この場合、学習用データとして記憶しな
ければならないデータ量を少なくすることができる。

又、到着予想時間演算手段（10D）の重み係数を修正
する修正手段（10G）は、記憶された学習用データの総
数ｍが所定値Ｓに達する毎に重み係数を修正するように
したが、修正時期がこれに限られるものではない。例え
ば、予め決められた時刻（例えば、１時間毎）にそれま
での記憶された学習用データにより重み係数を修正して
もよく、交通が閑散になって到着予想時間の演算頻度が
少なくなったときに重み係数を修正してもよい。又、学
習用データの総数ｍで判定せず、時間帯別の学習用デー
タ数mA、mB、…、mEを別別に計数し、各所定値SA、SB、
…、SEに達する毎に、対応する時間帯の重み係数を修正
するようにしてもよい。

又、学習用データ作成手段（10F）で作成する一組の
学習用データの中には、入力データの他に１つの乗場
（新規乗場呼びＣ）に関する到着予想時間と実到着時間
しか記憶しないようにし、修正手段（10G）による重み
係数の修正時にも、その学習用データ（教師データ）に
関係する重み係数のみを修正するようにしたが、学習の
仕方がこれに限られるものではない。例えば、全乗場に
関する到着予想時間と、かごの運行中に測定することの
できた実到着時間とを記憶するようにして、実到着時間
が存在する乗場の教師データに関係する重み係数のみを
修正するようにしてもよい。この場合、学習用データと
して記憶しなければならないデータ量を少なくすること
ができる。尚、実到着時間を測定できなかった乗場と
は、例えば、かごが途中階床で方向反転した場合には、
反転階床より遠方の乗場に相当し、かごが途中階床で空
かご（割当呼びを持たないかご）になった場合には、空
かごになった階床より遠方の乗場や、入力データの記憶
時点でのかご位置階床の背後の乗場（例えば、上方運行
中は現在位置より下方の乗場）に相当する。

又、上記実施例では、近い将来のかごの動きを予測す
るために、到着予想時間の演算にニューラルネットを使
用したが、乗場呼びの割当や、その他の群管理制御に使
用される予測項目の演算に対しても、同様に適用するこ
とができる。例えば、予報外れ確率、満員確率、各階床
でのかご負荷の予測、かご呼びの発生の予測、などへの
適用が考えられる。

更に、重み係数の修正ステップを複数回（例えば、50
0データに対して500回）繰り返し、所望の近似出力が得
られるように重み係数を収束させてもよい。

［発明の効果］以上のようにこの発明によれば、演算手段を、ビル内
の交通の流れの特徴に応じて分類された複数の交通パタ
ーンに対応させて複数個設けると共に、現在のエレベー
タの交通状態が交通パターンのいずれに相当するかを判
定する判定手段と、演算手段のうち判定手段の判定結果
に対応するものを１つだけ選択する切換手段とを設け、
切換手段により選択された演算手段の出力データに基づ
いてかごを制御するようにしたので、種々の交通の流れ
に対しても、所定の制御目的に近似した演算を短時間で
精度良く実行できるエレベータ制御装置が得られる効果
がある。

又、この発明の別の発明によれば、エレベータの稼働
中に予め決められた時期になると、演算手段による出力
データ及びそのときに使用した入力データを記憶すると
共に、制御結果により得られた教師データを記憶し、記
憶された入力データ、出力データ及び教師データを一組
の学習用データとして出力する学習用データ作成手段
と、学習用データを用いて演算手段の重み係数を修正す
る修正手段とを更に設け、学習用データ作成手段が、判
定手段の判定結果に基づいて交通パターン毎の学習用デ
ータを作成し、修正手段が、実際の交通パターン毎の学
習用データを用いて、交通パターン毎に対応する演算手
段の重み係数をそれぞれ修正するようにしたので、少な
い学習用データ及び短い学習期間でネットワークの修正
ができ、ビル内の交通の流れの変化に対応した高精度の
エレベータ制御装置が得られる効果がある。

【図面の簡単な説明】第１図はこの発明及びこの発明の別の発明の一実施例の
全体構成を示す機能ブロック図、第２図は第１図内の群
管理装置による群管理プログラムを概略的に示すフロー
チャート図、第３図は第２図内の到着時間予測プログラ
ムを具体的に示すフローチャート図、第４図は第２図内
の学習用データ作成プログラムを具体的に示すフローチ
ャート図、第５図は第２図内の修正プログラムを具体的
に示すフローチャート図、第６図は従来のエレベータ制
御装置に基づいて考えられるエレベータ制御装置の一例
を示す機能ブロック図、第７図は第６図内の群管理装置
を概略的に示すブロック図、第８図は第６図内のデータ
変換手段及び到着予想時間演算手段を具体的に示すブロ
ック図、第９図は第６図内の群管理装置による演算プロ
グラムを示すフローチャート図、第10図は第６図内の群
管理装置による修正プログラムを具体的に示すフローチ
ャート図である。（10C）……データ変換手段（10CA）……入力データ変換サブユニット（10CB）……出力データ変換サブユニット（10DA）……ニューラルネット（10DA1）……入力層、（10DA2）……中間層（10DA3）……出力層（10D）……到着予想時間演算手段（10D1）〜（10D5）……複数の到着予想時間演算手段（10E）……判定手段（10F）……学習用データ作成手段（10G）……修正手段、（10H）……切換手段ｗa1（i,j）、ｗa2（j,k）……重み係数尚、図中、同一符号は同一又は相当部分を示す。

Claims

(57)【特許請求の範囲】

【請求項１】複数の階床に就役するように設置されたエ
レベータのかごを制御する装置であって、前記エレベータの交通状態データをニューラルネットの
入力データとして使用できる形に変換する入力データ変
換手段と、前記入力データを取り込む入力層、所定の制御目的に応
じた演算結果を出力データとする出力層、及び、前記入
力層と前記出力層との間にあって重み係数が設定された
中間層を含み、前記ニューラルネットを構成する演算手
段と、前記出力データを前記制御目的の動作に使用できる形に
変換する出力データ変換手段と、を備えたエレベータ制御装置において、前記演算手段を、ビル内の交通の流れの特徴に応じて分
類された複数の交通パターンに対応させて複数個設ける
と共に、現在のエレベータの交通状態が前記交通パターンのいず
れに相当するかを判定する判定手段と、前記演算手段のうち、前記判定手段の判定結果に対応す
るものを１つだけ選択する切換手段と、を設け、前記切換手段により選択された演算手段の出力データに
基づいて前記かごを制御することを特徴とするエレベー
タ制御装置。
【請求項２】複数の階床に就役するように設置されたエ
レベータのかごを制御する装置であって、前記エレベータの交通状態データをニューラルネットの
入力データとして使用できる形に変換する入力データ変
換手段と、前記入力データを取り込む入力層、所定の制御目的に応
じた演算結果を出力データとする出力層、及び、前記入
力層と前記出力層との間にあって重み係数が設定された
中間層を含み、前記ニューラルネットを構成する演算手
段と、前記出力データを前記制御目的の動作に使用できる形に
変換する出力データ変換手段と、前記エレベータの稼働中に予め決められた時期になる
と、前記演算手段による出力データ及びそのときに使用
した入力データを記憶すると共に、制御結果により得ら
れた教師データを記憶し、記憶された前記入力データ、
前記出力データ及び前記教師データを一組の学習用デー
タとして出力する学習用データ作成手段と、前記学習用データを用いて前記演算手段の重み係数を修
正する修正手段と、を備えたエレベータ制御装置において、前記演算手段を、ビル内の交通の流れの特徴に応じて分
類された複数の交通パターンに対応させて複数個設ける
と共に、現在のエレベータの交通状態が前記交通パターンのいず
れに相当するかを判定する判定手段と、前記演算手段のうち、前記判定手段の判定結果に対応す
るものを１つだけ選択する切換手段と、を設け、前記学習用データ作成手段は、前記判定手段の判定結果
に基づいて前記交通パターン毎の学習用データを作成
し、前記修正手段は、前記交通パターン毎の学習用データを
用いて、前記交通パターン毎に対応する演算手段の重み
係数をそれぞれ修正し、前記切換手段により選択された演算手段の出力データに
基づいて前記かごを制御することを特徴とするエレベー
タ制御装置。