JP2959425B2 - Elevator group control device - Google Patents
Elevator group control deviceInfo
- Publication number
- JP2959425B2 JP2959425B2 JP7053383A JP5338395A JP2959425B2 JP 2959425 B2 JP2959425 B2 JP 2959425B2 JP 7053383 A JP7053383 A JP 7053383A JP 5338395 A JP5338395 A JP 5338395A JP 2959425 B2 JP2959425 B2 JP 2959425B2
- Authority
- JP
- Japan
- Prior art keywords
- call
- assignment
- allocation
- neural network
- input
- 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.)
- Expired - Lifetime
Links
Landscapes
- Feedback Control In General (AREA)
- Elevator Control (AREA)
Description
【0001】[0001]
【産業上の利用分野】本発明は、ニューラルネットを用
いて呼びの割り当てを行うエレベータの群管理制御装置
の改良に関するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an improvement in an elevator group management control device for allocating calls using a neural network.
【0002】[0002]
【従来の技術】従来、エレベータの群管理制御といえば
評価関数を用いた呼び割り当て方式や、ファジー理論を
用いたエキスパートシステムによる呼び割り当て制御が
主流であったが、最近では生物の神経回路をモデルにし
たニューラルネットを用いて呼びの割り当てを行うとい
う新しい方式が提案されている。2. Description of the Related Art Conventionally, elevator group management control has mainly been a call allocation method using an evaluation function or a call allocation control by an expert system using fuzzy logic. A new method of assigning calls using a neural network has been proposed.
【0003】ニューラルネットとは、人間の脳をまねた
ネットワークで、神経細胞モデル(ニューロン)が複数
個、複雑に接続され、各ニューロンの動作及びニューロ
ン間の接続形態をうまく決めることによって、パターン
認識機能や知識処理機能を埋め込むことができるという
ものであり、例えば「日経エレクトロニクス」1987
年8月10日号(No427)のP115〜P124や1
989年2月に産業図書株式会社から刊行された図書
「PDPモデル」などに開示されており、特にニューロ
ンを階層構造に配置したものは「バックプロパゲーショ
ン」と呼ばれる自律的学習アルゴリズムを利用できるこ
とに特徴がある。A neural network is a network imitating the human brain. A plurality of neural cell models (neurons) are connected in a complex manner, and the operation of each neuron and the form of connection between the neurons are properly determined to perform pattern recognition. The function and the knowledge processing function can be embedded. For example, "Nikkei Electronics" 1987
P115-P124 and 1 of August 10, issue (No. 427)
It is disclosed in the book "PDP model" published by Sangyo Tosho Co., Ltd. in February 989, etc. In particular, those in which neurons are arranged in a hierarchical structure can use an autonomous learning algorithm called "back propagation". There are features.
【0004】このニューラルネットを用いると、割り当
てアルゴリズムを人間が一切考える必要はなく、しかも
各種の交通状況に対応して、結果的には最適な割り当て
かごを決定する判断システムを自動的に生成できるとい
う優れた効果があり、例えばエレベータの呼び割り当て
に用いた例としては、特開平1−275381号「エレ
ベータの群管理制御装置」や、特開平3−31173号
「エレベータの群管理制御装置」、特願平5−2438
17号「エレベータ呼び割当て用ニューラルネットの学
習方法」などがある。When this neural network is used, there is no need for a human to consider an assignment algorithm at all, and a decision system for deciding an optimum assigned car in response to various traffic conditions can be automatically generated. For example, Japanese Patent Application Laid-Open No. 1-275381 "Elevator group management control device" and Japanese Patent Application Laid-Open No. 3-31173 "Elevator group management control device" Japanese Patent Application No. 5-2438
No. 17, "Method of Learning Neural Network for Elevator Call Assignment" and the like.
【0005】ここで呼び割り当て用ニューラルネットの
一例を図4に示す。図4に示すように、呼び割り当て用
のニューラルネットNNは、入力パターン(エレベータ
システム状態データ)に対応する入力層NR1 と、出力
パターン(割り当て適性)に対応する出力層NR3 と、
入力層と出力層の中間に置かれる中間層NR2 のニュー
ロンとで構成される。FIG. 4 shows an example of a neural network for call assignment. As shown in FIG. 4, the neural network NN for call assignment includes an input layer NR1 corresponding to an input pattern (elevator system state data), an output layer NR3 corresponding to an output pattern (assignment suitability),
It is composed of neurons of an intermediate layer NR2 located between the input layer and the output layer.
【0006】入力パターンは、エレベータシステムの状
態を表す種々のデータ(乗場呼びの発生階と方向、各号
機の位置と運転方向、かご呼び、荷重状態等)を、呼び
の割り当てに必要なパラメータとして、ニューラルネッ
トに入力できる形に変換したものであり、入力層のニュ
ーロンの数はそのパラメータの総数に対応する。The input pattern uses various data representing the state of the elevator system (floor and direction of landing call, position and driving direction of each car, car call, load state, etc.) as parameters necessary for call assignment. , Into a form that can be input to a neural network, and the number of neurons in the input layer corresponds to the total number of parameters.
【0007】この入力層の各ニューロンに入力データを
与えると、出力層に向かって順に信号が伝わり、その結
果出力層の各ニューロンからそれぞれ何らかの値が出力
される。出力層では、エレベータの台数分のニューロン
があり、さまざまな入力パターンに対して、割り当てに
最適である号機に対応するニューロンが「1」(最大
値)を、その他のニューロンは「0」を出力するように
予め学習されている。When input data is given to each neuron in the input layer, a signal is sequentially transmitted to the output layer, and as a result, a certain value is output from each neuron in the output layer. In the output layer, there are neurons for the number of elevators, and for various input patterns, the neuron corresponding to the car that is optimal for allocation outputs “1” (maximum value), and the other neurons output “0”. Is learned in advance.
【0008】従って、出力パターンの各ニューロンの値
の中で、「1」(最大値)に最も近い値を出力したニユ
ーロンが割り当てに最適であることを示すことになり、
このニューロンに対応する号機が割り当て号機として選
択される。なお、中間層(実施例では一層であるが、複
数であってもよい)のニューロンの数は、エレベータの
台数やビルの性質等に応じて適宜定められる。Accordingly, among the values of each neuron in the output pattern, a neuron that outputs a value closest to “1” (maximum value) indicates that it is optimal for allocation.
The unit corresponding to this neuron is selected as the assigned unit. Note that the number of neurons in the intermediate layer (one layer in the embodiment, but may be plural) is appropriately determined according to the number of elevators, the properties of the building, and the like.
【0009】また、図示を省略しているが、各ニューロ
ン間にはニューロンの結び付きの強さを表す結合重み
(シナプスウェイト)が設定されている。この結合重み
は、最初は適当な値に設定されているが、その後「バッ
クプロパゲーション」と呼ばれる学習アルゴリズムを用
いて、より精度の高い呼び割り当てができるように修正
していくことができる。Although not shown, a connection weight (synapse weight) indicating the strength of the connection between the neurons is set between the neurons. The connection weight is initially set to an appropriate value, but can be modified so that a more accurate call assignment can be performed using a learning algorithm called “back propagation”.
【0010】このバックプロパゲーションについてはよ
く知られているので詳細な説明は省略するが、予め作成
された学習用サンプル(入力パターンと、その入力パタ
ーンに対する望ましい出力パターンすなわち教師信号と
を対にしたもの)を用い、同一の入力パターンに対する
出力パターンと教師信号とを比較し、その誤差を最小化
するように結合重みを修正していくアルゴリズムで、ま
ず最初はすべての重みを初期化(例えばランダムな値に
設定)しておき、入力層の各ニューロンに学習用サンプ
ルの入力パターンを与える。そしてこのときの出力パタ
ーンとその学習用サンプルの出力パターン(教師信号)
とを比較し、その差(誤差)を用いて、その差が小さく
なるように各結合重みの値を出力層側から順に修正して
いくのである。Since this back propagation is well known and will not be described in detail, a learning sample (an input pattern and a desired output pattern corresponding to the input pattern, that is, a teacher signal are paired). An algorithm that compares the output pattern for the same input pattern with the teacher signal and corrects the connection weights to minimize the error. Initially, all weights are initialized (for example, random The input pattern of the learning sample is given to each neuron of the input layer. The output pattern at this time and the output pattern of the learning sample (teacher signal)
Then, using the difference (error), the values of the connection weights are sequentially corrected from the output layer side so that the difference becomes smaller.
【0011】そして、多数の学習用サンプルを用いて誤
差が収束するまでこれを繰り返すと、ニューラルネット
に教師信号と同レベルの呼び割当機能が自動的に埋め込
まれたことになり、学習用の入力パターンだけでなく未
知の入力パターンに対しても、教師信号と同レベルの呼
び割り当てを行なうことができるようになる。If this is repeated using a large number of learning samples until the error converges, the call assignment function at the same level as the teacher signal is automatically embedded in the neural network, and the learning input The same level of call assignment as the teacher signal can be performed not only for patterns but also for unknown input patterns.
【0012】[0012]
【発明が解決しようとする課題】ところで、上記学習の
効率や学習完了後の割り当て精度は、ニューラルネット
の入力パターンの各データ(指標)として何を選択する
か、すなわち新規呼びが発生したときの群全体の状況を
表すシステム状態データの中から何を選択し、或いはど
のように加工したものをニューラルネットへの入力とす
るかによって大きく左右される。By the way, the efficiency of the learning and the allocation accuracy after the learning are completed depend on what data (index) of the input pattern of the neural network is selected, that is, when a new call is generated. It largely depends on what is selected from the system status data representing the status of the entire group or how the processed data is input to the neural network.
【0013】理屈から言えば、この入力パターンの各指
標としては、各エレベータのかご位置や運転方向、呼び
の発生状況、かごの荷重状態等の直接的なデータや、或
いはこれらを加工した間接的なデータ等、呼びの割り当
てに関連していると思われるものであれば、何でもよい
と考えられる。そこで、従来方式である評価関数による
呼び割り当て制御や、ファジー理論を用いたエキスパー
トシステムによる呼び割り当て制御に用いた評価指標、
例えば乗場呼びの予測待ち時間や、新規呼びを割り当て
ることによる他の乗場呼びの待ち時間の悪化指標等、種
々の指標を導入することが考えられるが、指標の数をあ
まり多くすると入力層のニューロンの数が増え、接続構
成が複雑となって学習にも時間がかかるだけでなく、ど
の指標が有効でどの指標がそれほど有効でないかを見つ
け出すのに、多くの時間と労力を必要とするという問題
点があった。[0013] In theory, as each index of the input pattern, direct data such as a car position and a driving direction of each elevator, a call generation state, a car load state, and the like, or an indirect data obtained by processing these data are used. Any data that is considered to be related to the assignment of the call, such as data, can be considered. Therefore, the evaluation index used for call allocation control by the conventional method and the call allocation control by the expert system using fuzzy logic,
For example, it is conceivable to introduce various indices such as an estimated waiting time of a hall call and an index of deterioration of the waiting time of another hall call by allocating a new call. The problem is that not only do the numbers increase, the connection configuration becomes complicated and learning takes time, but also it takes a lot of time and effort to find out which indicators are effective and which are not so effective. There was a point.
【0014】[0014]
【課題を解決するための手段】上記目的を達成するた
め、本発明では、エレベータシステムの状態を表すシス
テム状態データに基づいて従来方式により割り当てを行
う仮割り当て手段と、該仮割り当て手段による割り当て
結果を入力パターンの指標の一つとし、割り当て適性を
出力パターンとするニューラルネットと、該出力パター
ンから割り当て号機を決定する割り当て判定手段とを備
えたことを特徴とする。In order to achieve the above object, according to the present invention, there is provided a temporary allocation means for performing an allocation according to a conventional method based on system state data representing a state of an elevator system, and an allocation result by the temporary allocation means. Is used as an index of an input pattern, and a neural network that uses assignment aptitude as an output pattern, and an assignment determination unit that determines an assigned machine from the output pattern.
【0015】[0015]
【作用】本発明によるエレベータの群管理装置において
は、乗場呼びが発生するとまず従来方式により呼びが仮
に割り当てられ、その割り当て結果が呼び発生時のシス
テム状態データと共に入力パターンとしてニューラルネ
ットに入力される。そしてその出力パターンから最適な
号機が割り当て号機として決定される。In the elevator group management apparatus according to the present invention, when a hall call is generated, the call is first provisionally allocated by the conventional method, and the allocation result is input to the neural network as an input pattern together with the system state data at the time of the call generation. . Then, the optimum car is determined as the car to be assigned from the output pattern.
【0016】[0016]
【実施例】以下、本発明の実施例について図面を参照し
ながら説明する。図1は、本発明の全体の構成を示すブ
ロック図で、図中、1は各階床に設けられた乗場呼び釦
(1つの階床分のみを図示し、他の階については省略し
ている)、2は乗場呼び信号、A1は1号機の運行を管
理する運行制御装置、同様にA2〜Anは2号機〜n号
機用の運行制御装置、3は各号機の状態(かご位置や運
転方向、走行または停止の別、戸の開閉状態、かご呼
び、荷重、サービス階、異常等)を表すかご情報信号、
10はこの乗場呼び信号2とかご情報信号3からなるエ
レベータのシステム状態データに基づいて乗場呼びを最
適な号機に割り当て、それを割り当て信号4として出力
する群管理装置であり、各運行制御装置A1〜Anはこ
の割り当て信号4で割り当てられた乗場呼びと自号機の
かご内で登録されたかご呼びに順次応答するようにかご
の運行を制御する。Embodiments of the present invention will be described below with reference to the drawings. FIG. 1 is a block diagram showing the overall configuration of the present invention. In the figure, reference numeral 1 denotes a hall call button provided on each floor (only one floor is shown, and other floors are omitted. ), 2 is a hall call signal, A1 is an operation control device for managing the operation of the first unit, similarly A2 to An are operation control devices for the second to nth units, 3 is the state of each unit (car position and driving direction) A car information signal indicating whether the vehicle is running or stopped, whether the door is open or closed, a car call, a load, a service floor, an abnormality, etc.)
A group management device 10 assigns a hall call to an optimal car based on the elevator system state data including the hall call signal 2 and the car information signal 3, and outputs the assigned car call as an assignment signal 4. Each operation control device A1 An controls the operation of the car so as to sequentially respond to the hall call assigned by the assignment signal 4 and the car call registered in the car of the own car.
【0017】群管理装置10はマイクロコンピュータ等
で構成され、11は入出力インターフェィス、12及び
12’はエレベータのシステム状態データ(12の各デ
ータと12’の各データとは、それぞれ同一であっても
異なるものであってもよい)、13はこのシステム状態
データ12’に基づいて従来方式で仮割り当てを行う仮
割り当て手段、14は仮割り当て信号、15はこの仮割
り当て結果とシステム状態データ12とを入力パターン
として入力し、出力パターンとして割り当て適性16を
出力する割り当て用のニューラルネット、17はこの割
り当て適性16から割り当て号機を判定する割り当て判
定手段、18はニューラルネット15の学習を行う学習
手段で、これらの各手段とニューラルネットはマイクロ
コンピュータ内のソフトウェア上で実現される。The group management device 10 is composed of a microcomputer or the like, 11 is an input / output interface, and 12 and 12 'are elevator system status data (each data of 12 and each data of 12' are the same. May be different from each other), 13 is a temporary allocation means for performing temporary allocation in a conventional manner based on the system state data 12 ', 14 is a temporary allocation signal, 15 is the temporary allocation result and the system state data 12 Is input as an input pattern, and an assignment neural network 17 outputs assignment aptitude 16 as an output pattern, 17 is an assignment determining means for determining an assigned machine from the assignment aptitude 16, and 18 is a learning means for learning the neural net 15. Each of these means and the neural network is It is realized on the hardware.
【0018】以上の構成において、本発明における割り
当ての手順を図2のフローチャートに基づいて説明す
る。In the above configuration, the assignment procedure in the present invention will be described with reference to the flowchart of FIG.
【0019】まず、ステップS1において新たに乗場呼
びが発生したか否かを判断し、発生していればステップ
S2でそのときの乗場呼び信号2及びかご情報信号3を
読み込み、それをそのまま或いは一部を加工してエレベ
ータのシステム状態データ12及び12’とする。ステ
ップS3では、このシステム状態データ12’に基づい
て従来方式、例えばファジー理論を用いた呼び割り当て
方式により仮割り当てを行う。このシステム状態データ
12’としては、例えばかご位置や呼びの発生階等の他
に、従来から使用されている「新規乗場呼びを割り当て
ることによる、他の乗場呼びの待ち時間の悪化」や、
「順方向で新規乗場呼び発生階以遠の乗場呼びの最大待
ち時間」、或いは「新規乗場呼びの予測待ち時間」等が
考えられる。First, in step S1, it is determined whether or not a new hall call has occurred. If so, the hall call signal 2 and the car information signal 3 at that time are read in step S2, and they are read as they are or as one. The parts are processed into elevator system state data 12 and 12 ′. In step S3, provisional assignment is performed by a conventional method, for example, a call assignment method using fuzzy logic, based on the system state data 12 '. As the system state data 12 ', for example, in addition to the car position, the floor where the call is generated, etc., the conventionally used "deterioration of waiting time for other hall calls by assigning a new hall call",
"Maximum waiting time for a hall call beyond the floor where a new hall call occurs in the forward direction" or "predicted waiting time for a new hall call" can be considered.
【0020】ステップS4では、この仮割り当て結果と
システム状態データ12とをニューラルネットに入力で
きる形に変換し、入力パターンとしてニューラルネット
に入力する。In step S4, the provisional assignment result and the system state data 12 are converted into a form that can be input to the neural network, and input to the neural network as an input pattern.
【0021】ニューラルネットの各ニューロン間の結合
重みは、後述の手順で学習により予め設定されているの
で、入力パターンが決まると順次各層の出力を演算によ
って求めることができ、この処理をステップS5で行
う。そしてその出力パターンの値からステップS6で最
適と思われる号機を選択し、ステップS7でこれを割り
当て信号として出力する。以後は上記の手順を繰り返す
ことにより、乗場呼びが順次割り当てられることにな
る。Since the connection weights between the neurons of the neural network are preset by learning in the procedure described later, when the input pattern is determined, the output of each layer can be sequentially obtained by calculation. This processing is performed in step S5. Do. Then, at step S6, a car which is considered optimal is selected from the value of the output pattern, and this is output as an assignment signal at step S7. Thereafter, by repeating the above procedure, hall calls are sequentially assigned.
【0022】なお、ニューラルネットは予め学習を行っ
ておく必要があり、シミュレーションにより或いは実際
の現場でエレベータの稼働中に学習用サンプルを作成
し、そのサンプルを用いて学習を行う手順について図3
のフローチャートにより説明する。The neural network needs to be trained in advance, and a learning sample is created by simulation or during operation of the elevator at an actual site, and learning is performed using the sample.
This will be described with reference to the flowchart of FIG.
【0023】まず、ステップS11で新たな乗場呼びが
発生したか否かを判定し、呼びが発生するとステップS
12で、その呼びの発生時点におけるエレベータシステ
ム状態データを一時記憶する。ステップS13では、こ
の呼びをファジー群管理等の従来方式の呼び割り当て制
御で割り当て、ステップS14でこの割り当て結果とシ
ステム状態データとをニューラルネットの入力パターン
に変換する。First, it is determined in step S11 whether or not a new hall call has occurred.
At 12, the elevator system state data at the time of occurrence of the call is temporarily stored. In step S13, the call is assigned by a conventional call assignment control such as fuzzy group management, and in step S14, the assignment result and the system state data are converted into a neural network input pattern.
【0024】ステップS15では、この呼びがサービス
されたか否かを確認し、サービスされるとステップS1
6で、そのサービスした号機を割り当て号機としてニュ
ーラルネットの出力パターンに変換する。このとき、割
り当て変更或いは再割り当て等により、当初割り当てら
れた号機と実際に割り当てられた号機とが異なる場合、
すなわち当初の割り当てが結果的に最善でなかった場合
(但し専用運転に切り換えられたためにサービスできな
かったような場合は除く)は、実際にサービスした号機
を割り当て号機として出力パターンに変換する。In step S15, it is checked whether or not this call has been serviced.
In step 6, the serviced car is converted into an output pattern of a neural network as an assigned car. At this time, if the originally assigned unit and the actually assigned unit are different due to assignment change or reassignment,
That is, if the initial assignment is not the best as a result (except in the case where the service cannot be performed due to the switching to the dedicated operation), the actually serviced machine is converted to the output pattern as the assigned machine.
【0025】そしてステップS17で、上記の入力パタ
ーンと出力パターンとを対にして学習用サンプルとして
記憶する。更にステップS18を経て、学習用サンプル
が所定数に達するまで上記の手順を繰り返し実行し、ス
テップS19でその収集した学習用サンプルを用いてニ
ューラルネットの学習を実施する。In step S17, the input pattern and the output pattern are stored in pairs as learning samples. Further, after step S18, the above procedure is repeatedly executed until the number of learning samples reaches a predetermined number, and learning of the neural network is performed using the collected learning samples in step S19.
【0026】このようにして学習を終了すると、以後は
従来方式の割り当て結果を入力パターンの指標の一つと
して入力することにより、それを上回る割り当て性能の
出力パターンが得られることになる。When the learning is completed in this way, thereafter, by inputting the allocation result of the conventional method as one of the indices of the input pattern, an output pattern having an allocation performance higher than that can be obtained.
【0027】[0027]
【発明の効果】従来のファジー群管理や評価関数による
呼び割り当て方式の割り当て結果は、有効性が実証され
ている種々の指標値を集約した結果であり、本発明では
これを入力パターンの指標の一つとしてニューラルネッ
トに入力するようにしたので、従来の割り当てに用いら
れていた種々の有効な指標をニューラルネットに多数入
力するのと同様な効果があり、高精度の割り当てを実現
できるだけでなく、入力パターンに用いる指標の数も必
要最小限に留めることができ、ニューラルネットの接続
構成の複雑化を防止することができると共に、有効な指
標を開発するのに要する時間と労力をも軽減することが
できる。The allocation result of the conventional call allocation method using the fuzzy group management and the evaluation function is a result obtained by aggregating various index values whose effectiveness has been verified. In the present invention, this is used as the index of the input pattern. As one is input to the neural network, it has the same effect as inputting a large number of various effective indices used in the conventional allocation to the neural network, and not only can high precision allocation be realized. , The number of indices used for the input pattern can be kept to a minimum, and the connection configuration of the neural network can be prevented from becoming complicated, and the time and labor required to develop effective indices can be reduced. be able to.
【0028】また、従来方式の割り当て結果を入力パタ
ーンの指標の一つとし、実際に応答した号機を出力パタ
ーンとして学習するようにしたので、従来方式を上回る
割り当て性能を期待することができる。Further, the assignment result of the conventional method is used as one of the indexes of the input pattern, and the machine which actually responds is learned as the output pattern, so that an assignment performance higher than that of the conventional method can be expected.
【図1】本発明の全体の構成を示すブロック図である。FIG. 1 is a block diagram showing the overall configuration of the present invention.
【図2】本発明における割り当ての手順を示すフローチ
ャートである。FIG. 2 is a flowchart showing an assignment procedure according to the present invention.
【図3】本発明におけるニューラルネットの学習手順を
示すフローチャートである。FIG. 3 is a flowchart showing a neural network learning procedure according to the present invention.
【図4】呼び割当て用ニューラルネットの一例を示す図
である。FIG. 4 is a diagram showing an example of a neural network for call assignment.
A1〜An 1〜n号機の運行制御装置 1 乗場呼び釦 2 乗場呼び信号 3 かご情報信号 4 割り当て信号 10 群管理装置 11 入出力インターフェイス 12 システム状態データ 13 仮割り当て手段 14 仮割り当て信号 15 ニューラルネット 16 割り当て適性 17 割り当て判定手段 18 学習手段 A1 to An 1 to n-th operation control device 1 hall call button 2 hall call signal 3 car information signal 4 assignment signal 10 group management device 11 input / output interface 12 system state data 13 temporary assignment means 14 temporary assignment signal 15 neural network 16 Allocation aptitude 17 Allocation determination means 18 Learning means
フロントページの続き (72)発明者 緑谷 武 大阪府茨木市庄1丁目28番10号 株式会 社フジテック技術研究所内 (72)発明者 田辺 友晃 大阪府茨木市庄1丁目28番10号 株式会 社フジテック技術研究所内 (72)発明者 太田 直樹 大阪府茨木市庄1丁目28番10号 株式会 社フジテック技術研究所内 審査官 志水 裕司 (56)参考文献 特開 平3−128875(JP,A) 特開 平2−286581(JP,A) (58)調査した分野(Int.Cl.6,DB名) B66B 1/18 - 1/20 Continued on the front page (72) Inventor Takeshi Midoriya 1-28-10 Sho, Ibaraki-shi, Osaka Inside Fujitec R & D Co., Ltd. (72) Inventor Tomoaki Tanabe 1-2-28-10 Sho, Ibaraki-shi, Osaka Stock In Fujitec R & D Co., Ltd. (72) Inventor Naoki Ota 1-228-10 Sho, Ibaraki-shi, Osaka Examiner in Fujitec R & D Co., Ltd. Yuji Shimizu (56) References JP-A-3-128875 (JP, A JP-A-2-286581 (JP, A) (58) Fields investigated (Int. Cl. 6 , DB name) B66B 1/18-1/20
Claims (2)
就役させ、乗場呼びが発生すると、その時のエレベータ
システムの状態を表す種々のシステム状態データを、ニ
ューラルネットの入力パターンとして使用できる形に変
換して割り当て用のニューラルネットに入力し、その出
力パターンから最適なかごを選択して、その乗場呼びに
割り当てるようにしたエレベータの群管理制御装置にお
いて、前記システム状態データに基づいて従来方式によ
り割り当てを行う仮割り当て手段と、該仮割り当て手段
による割り当て結果を入力パターンの指標の一つとし、
割り当て適性を出力パターンとするニューラルネット
と、該出力パターンから割り当て号機を決定する割り当
て判定手段とを備えたことを特徴とするエレベータの群
管理制御装置。When a plurality of elevators are put into service on a plurality of floors and a hall call occurs, various system state data representing the state of the elevator system at that time can be used as an input pattern of a neural network. Converted and input to the neural network for assignment, select the optimal car from the output pattern, in the elevator group management control device that is assigned to the hall call, based on the conventional system based on the system state data Temporary allocation means for performing the allocation, the allocation result by the temporary allocation means as one of the indicators of the input pattern,
An elevator group management control device comprising: a neural network having an assignment aptitude as an output pattern; and an assignment determining means for determining an assigned car from the output pattern.
び割り当て方式或いはファジー理論を用いたエキスパー
トシステムによる呼び割り当て方式であることを特徴と
する請求項1記載のエレベータの群管理制御装置。2. The elevator group management control device according to claim 1, wherein the conventional system is a call allocation system using an evaluation function or a call allocation system based on an expert system using fuzzy logic.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP7053383A JP2959425B2 (en) | 1995-02-16 | 1995-02-16 | Elevator group control device |
US08/576,937 US5767461A (en) | 1995-02-16 | 1995-12-22 | Elevator group supervisory control system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP7053383A JP2959425B2 (en) | 1995-02-16 | 1995-02-16 | Elevator group control device |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH08225256A JPH08225256A (en) | 1996-09-03 |
JP2959425B2 true JP2959425B2 (en) | 1999-10-06 |
Family
ID=12941307
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP7053383A Expired - Lifetime JP2959425B2 (en) | 1995-02-16 | 1995-02-16 | Elevator group control device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2959425B2 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0997423B1 (en) * | 1998-03-30 | 2003-06-25 | Mitsubishi Denki Kabushiki Kaisha | Elevator controller |
JP5347492B2 (en) | 2008-12-25 | 2013-11-20 | フジテック株式会社 | Elevator group management control method and apparatus |
CN111170095A (en) * | 2019-12-31 | 2020-05-19 | 北京猎户星空科技有限公司 | Elevator dispatching system |
-
1995
- 1995-02-16 JP JP7053383A patent/JP2959425B2/en not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
JPH08225256A (en) | 1996-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH01197287A (en) | Control method for elevator group control | |
US5767461A (en) | Elevator group supervisory control system | |
JPH075235B2 (en) | Elevator group management control device | |
JP2959425B2 (en) | Elevator group control device | |
JP2988312B2 (en) | Elevator group control device | |
JP2956516B2 (en) | Elevator group control device | |
JP2979993B2 (en) | Learning method of neural network for elevator call assignment | |
JP3106908B2 (en) | Learning method of neural network for waiting time prediction | |
JP2991077B2 (en) | Elevator group control device | |
JP2988306B2 (en) | Elevator group control device | |
JP2964907B2 (en) | Elevator group control device | |
JP2500407B2 (en) | Elevator group management control device construction method | |
JP3060879B2 (en) | Construction of a Neural Network for Call Assignment and Its Learning Method | |
JPH0331173A (en) | Group management control device for elevator | |
JP2964902B2 (en) | Learning method of neural network for elevator call assignment | |
JPH0742055B2 (en) | Elevator group management control method | |
JP2867849B2 (en) | Learning method of neural network for elevator call assignment | |
JP2964908B2 (en) | Elevator group control device | |
JP2962182B2 (en) | Elevator group control device | |
JP3052768B2 (en) | Elevator group control device | |
JP2962174B2 (en) | Elevator group control device | |
JP2998589B2 (en) | Elevator group control device | |
JP2964900B2 (en) | Learning method of neural network for call assignment | |
JP3215001B2 (en) | Learning method of neural network for elevator call assignment | |
JPH0764488B2 (en) | Elevator group management control device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080730 Year of fee payment: 9 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090730 Year of fee payment: 10 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090730 Year of fee payment: 10 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100730 Year of fee payment: 11 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100730 Year of fee payment: 11 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110730 Year of fee payment: 12 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110730 Year of fee payment: 12 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120730 Year of fee payment: 13 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130730 Year of fee payment: 14 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
EXPY | Cancellation because of completion of term |