JP2979993B2 - Learning method of neural network for elevator call assignment - Google Patents

Description

【発明の詳細な説明】DETAILED DESCRIPTION OF THE INVENTION

【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にお
いて、ニューラルネットを新たに作成する際の学習方法
に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a learning method for newly creating a neural network in elevator group management control for assigning 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５に示す。図５に示すように、呼び割り当て用
のニューラルネットＮＮは、入力パターン（エレベータ
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. 5 shows an example of a neural network for call assignment. As shown in FIG. 5, the neural network NN for call assignment includes an input layer NR1 corresponding to an input pattern (elevator system state data) and 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】従来、この割当用ニュ
ーラルネットの学習は、白紙の状態すなわちニューラル
ネットの結合重みをランダムな値に設定するか、或いは
初期用のネットとして予め設定されている固定の値に設
定し、その状態から学習をスタートするようにしてた。Conventionally, learning of the neural network for assignment involves setting a blank state, that is, the connection weight of the neural network to a random value, or a fixed value which is previously set as an initial net. The learning was started from that state.

【００１３】このため、学習が収束するのに時間がかか
り、特にかご台数や階床数の大きい群管理では長時間を
要するという問題があった。本発明はこのような問題点
に鑑みてなされたもので、新たにニューラルネットを作
成する際の学習時間を短縮させることを目的とする。For this reason, there is a problem that it takes a long time for learning to converge, and it takes a long time particularly for group management with a large number of cars and a large number of floors. The present invention has been made in view of such a problem, and an object of the present invention is to reduce a learning time when a new neural network is created.

【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、本願の第１の発明では、エレベータのシミュレーシ
ョン運転により作成した学習用サンプルや、実際のビル
でエレベータの稼働中に作成した学習用サンプルを用い
て学習させたニューラルネットをデータベースとして多
数蓄積しておき、新規ビル用として新たなニューラルネ
ットの学習を行う際、前記データベースの中から当該ビ
ルと仕様の最も似通ったビルのニューラルネットを選択
し、これを初期ネットとして学習を行うようにする。According to a first aspect of the present invention, there is provided a learning sample created by a simulation operation of an elevator or a learning sample created during operation of an elevator in an actual building. When a large number of neural nets trained by using are stored as a database and a new neural network is to be learned for a new building, a neural network of a building having the most similar specification to the building is selected from the database. Then, learning is performed using this as an initial net.

【００１５】また、本願の第２の発明では、前記データ
ベースの中から複数のニューラルネットを選択して群管
理装置に組み込み、エレベータ稼働後に収集した学習用
サンプルを用いて教師信号との一致の度合いを各ニュー
ラルネットについて比較し、その中で最も一致の度合い
が高いものを初期ネットとして学習を行うようにする。Further, in the second invention of the present application, a plurality of neural nets are selected from the database and incorporated into the group management device, and the degree of matching with the teacher signal is determined by using learning samples collected after the elevator is operated. Are compared for each neural net, and the one with the highest degree of coincidence is learned as the initial net.

【００１６】[0016]

【作用】本願の第１の発明によれば、新規ビル用に新た
なニューラルネットの学習が必要になった際、データベ
ースの中からそのビルと最も仕様の似通ったビルのニュ
ーラルネットが選択され、それを初期ネットとして学習
が行われる。According to the first aspect of the present invention, when it is necessary to learn a new neural network for a new building, a neural network of a building having similar specifications to the building is selected from the database, Learning is performed using this as the initial net.

【００１７】本願の第２の発明によれば、データベース
の中からそのビルと最も仕様の似通ったニューラルネッ
トが複数選択され、そのビルで収集した学習用サンプル
を用いて教師信号との一致の度合いが比較された結果、
最も一致の度合いが高いニューラルネットが初期ネット
として選択される。According to the second aspect of the present invention, a plurality of neural networks having the most similar specifications to the building are selected from the database, and the degree of coincidence with the teacher signal is determined by using the learning samples collected at the building. Are compared,
The neural net with the highest degree of matching is selected as the initial net.

【００１８】[0018]

【実施例】以下、本発明の実施例について説明する。ま
ず、エレベータの稼働後に学習用サンプルを作成し、ニ
ューラルネットの学習を行った後、その学習済のニュー
ラルネットをデータベースに登録する手順について、図
１のフローチャートにより説明する。Embodiments of the present invention will be described below. First, a procedure for creating a learning sample after the operation of the elevator, learning the neural net, and registering the learned neural net in the database will be described with reference to the flowchart of FIG.

【００１９】まず、ステップＳ１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Ｓ２
で、その呼びの発生時点におけるエレベータシステム状
態データをニューラルネットの入力パターンに変換す
る。そしてステップＳ３で、その呼びがサービスされた
ことを確認すると、ステップＳ４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サービスし
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。なお、この間の割り当ては、評価関数
やファジー群管理等を用いた従来方式で行う。First, in step S1, it is determined whether or not a new hall call has occurred.
Then, the elevator system state data at the time of occurrence of the call is converted into an input pattern of a neural network. If it is confirmed in step S3 that the call has been serviced, the serviced car is converted to an output pattern of a neural network as an assigned car in step S4. At this time, if the initially assigned number is different from the actually serviced number due to an assignment change or reassignment, etc., that is, if the initial assignment is not the best as a result (however, the service has been switched due to switching to dedicated operation. Except when it was not)
The actually serviced machine is converted into an output pattern as the assigned machine. The allocation during this time is performed by a conventional method using an evaluation function, fuzzy group management, or the like.

【００２０】そしてステップＳ５で、上記の入力パター
ンと出力パターン（教師信号）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Ｓ６を経て上記の手
順を繰り返し実行し、学習用サンプルが所定数に達する
とこれを用いてニューラルネットの学習を実施する。そ
してステップＳ８を経て学習の完了を確認すると、ステ
ップＳ９で、その学習済のニューラルネットをファイル
形式でメモリ上に保存する。こうして各ビル毎にメモリ
上に保存されているニューラルネットを、保守員がメン
テナンスツール等を用いてダウンロードし、それを持ち
帰ってデータベースに登録する。In step S5, the input pattern and the output pattern (teacher signal) are stored in pairs as learning samples. Further, the above procedure is repeatedly executed after step S6, and when the number of learning samples reaches a predetermined number, learning of the neural network is performed using the number. When the completion of learning is confirmed through step S8, the learned neural net is stored in a memory in a file format in step S9. In this way, the maintenance staff downloads the neural network stored in the memory for each building using a maintenance tool or the like, takes it back, and registers it in the database.

【００２１】このデータベースへの登録内容としては、
ニューラルネットの接続構成と各結合重み、及びそのビ
ルの仕様等である。ビルの仕様には、かごの台数や階床
数、ビルの性格（マンション、雑居ビル、一社専有ビル
等の別）、サービス階の特徴（急行ゾーンやサービス不
揃い階など）、エレベータの仕様（定格速度、積載な
ど）等、群管理制御の割当てに影響を及ぼすデータをす
べて含むようにする。このようにして、多数の学習済の
ニューラルネットをデータベースに登録しておく。The contents registered in this database are as follows:
The connection configuration of the neural network, each connection weight, the specifications of the building, and the like. The building specifications include the number of cars and the number of floors, the nature of the building (separate from condominiums, multi-purpose buildings, private buildings, etc.), the characteristics of the service floors (express zones and floors with uneven services), elevator specifications ( Include all data that affects the assignment of group management control, such as rated speed, loading, etc. In this way, a number of learned neural nets are registered in the database.

【００２２】次に、新規ビルに群管理制御装置の出荷が
決まり、新たなニューラルネットの学習が必要となった
場合、上記データベースの中からそのビルに最も仕様の
似通ったビルのニューラルネットを選択し、それを群管
理制御装置に組み込む。その場合、最も仕様が似通って
いるかどうかの判断は、割り当て性能に最も影響が大き
いと思われる項目を優先し、例えば次のような順序で判
断する。Next, when the group management control device is shipped to a new building and learning of a new neural network is required, a neural network of a building having a specification most similar to the building is selected from the above database. And incorporate it into the group management controller. In this case, whether or not the specifications are the most similar is determined by giving priority to the item that is considered to have the greatest effect on the allocation performance, for example, in the following order.

【００２３】１．かご台数が同数のもの。 ２．階床数が同数、または近いもの。 ３．ビルの性格が同じもの。 ４．サービス階の特徴が似ているもの。 ５．エレベータの仕様が同じもの。1. The same number of cars. 2. The number of floors is the same or close. 3. The character of the building is the same. 4. The features of the service floor are similar. 5. Elevator specifications are the same.

【００２４】そしてその選択されたニューラルネットを
初期ネットとして学習を開始する。なおこの学習は、エ
レベータの設置前であってもエレベータの稼働後であっ
てもよいが、エレベータの設置前であれば、新規ビルに
おけるエレベータの運行をシミュレーションすることに
より学習用サンプルを作成し、エレベータの稼働後であ
れば前述のように、従来方式で割り当てながら学習用サ
ンプルを作成することにより実施する。Then, learning is started with the selected neural network as an initial net. Note that this learning may be performed before the elevator is installed or after the elevator is operated, but before the installation of the elevator, a learning sample is created by simulating the operation of the elevator in the new building, After the operation of the elevator, as described above, this is performed by creating learning samples while allocating in the conventional manner.

【００２５】ところで、上記のようにデータベースの中
から初期ネットとして、ビルの仕様が最も似通ったニュ
ーラルネットを選択したとしても、新規ビルの交通状況
によっては、その選択したニューラルネットが初期ネッ
トとして必ずしも最適でない場合もある。As described above, even if a neural network having the most similar building specifications is selected as the initial net from the database as described above, the selected neural network is not necessarily used as the initial net depending on the traffic conditions of the new building. It may not be optimal.

【００２６】そこで、その解決策として次のような方法
をとることもできる。すなわち、上記と同様にして、ビ
ルの仕様が最も似通っていると思われるニューラルネッ
トを複数選択し、これを新規ビルの群管理装置に組み込
んでおく。そしてエレベータの稼働後に収集した学習用
サンプルを用いて教師信号との一致の度合いを各ニュー
ラルネットについて比較し、その中で最も一致の度合い
が高いニューラルネットを初期ネットとして選択するの
である。この方法の手順を図２及び図３のフローチャー
トに示す。Therefore, the following method can be adopted as a solution. That is, in the same manner as described above, a plurality of neural nets that are considered to have the most similar specifications of the building are selected and incorporated in the group management device of the new building. Then, the degree of coincidence with the teacher signal is compared for each neural network using the learning samples collected after the operation of the elevator, and the neural network with the highest degree of coincidence is selected as the initial net. The procedure of this method is shown in the flowcharts of FIGS.

【００２７】まず選択した複数のニューラルネットを群
管理装置に組み込んだ後、ステップＳ２１〜Ｓ２６で前
述の場合と同様に、エレベータの稼働後に学習用サンプ
ルを所定数収集する。その後、まず１番目のニューラル
ネットについて（ステップＳ２７〜Ｓ２９）、１番目の
学習用サンプルをそのニューラルネットに適用して入力
パターンに対する出力値を計算し（ステップＳ３０〜Ｓ
３２）、教師信号との誤差を求め記憶する（ステップＳ
３３）。そして全サンプルについて同様の手順を繰り返
し（ステップＳ３４）、１番目のニューラルネットにつ
いて誤差の平均値を計算する（ステップＳ３５）。First, after the selected plurality of neural nets are incorporated in the group management device, a predetermined number of learning samples are collected after the operation of the elevator in steps S21 to S26 in the same manner as described above. Thereafter, for the first neural network (steps S27 to S29), the first learning sample is applied to the neural network to calculate the output value for the input pattern (steps S30 to S29).
32), an error from the teacher signal is obtained and stored (step S).
33). Then, the same procedure is repeated for all the samples (step S34), and the average value of the error is calculated for the first neural network (step S35).

【００２８】同様にして選択した全ニューラルネットに
ついてもこれを繰り返し（ステップＳ３６）、それぞれ
のニューラルネットについて誤差の平均値を計算する。
そしてその中で誤差の平均値が最小のネットを、教師信
号との一致の度合いが最も高いと判断してこれを初期ネ
ットとし、このネットについて学習を開始する（ステッ
プＳ３７）。This is repeated for all the neural networks selected in the same manner (step S36), and the average value of the error is calculated for each neural network.
Then, a net having the smallest average value of the errors is determined to have the highest degree of coincidence with the teacher signal, and this is set as an initial net, and learning is started for this net (step S37).

【００２９】なお、この実施例では教師信号との一致の
度合いを判断する基準として、誤差の平均値を計算する
ようにしたが、これに限らず例えば、全サンプルについ
ての割り当て号機の的中率を用いるようにしてもよい。In this embodiment, the average value of the error is calculated as a criterion for judging the degree of coincidence with the teacher signal. However, the present invention is not limited to this. May be used.

【００３０】図４は、従来の方法で学習した場合の収束
時間と、本発明による学習を行った場合の収束時間とを
比較した図である。図からも明らかなように、従来の学
習時間Ｔ１に対し、本発明では初期ネットを適切に選択
できるようにしたことにより学習時間はＴ２となり、従
来方法に比較して学習の収束時間が大幅に短縮されるこ
とが分かる。FIG. 4 is a diagram comparing the convergence time when learning is performed by the conventional method and the convergence time when learning is performed according to the present invention. As is clear from the figure, the learning time becomes T2 by allowing the initial net to be appropriately selected in the present invention, compared to the conventional learning time T1, and the learning convergence time is much longer than the conventional method. It can be seen that it is shortened.

【００３１】[0031]

【発明の効果】本発明によれば、既に学習を終了したニ
ューラルネットの中から仕様の最も似通ったニューラル
ネットを選択し、それを初期ネットとして学習を行うよ
うにしたので、学習時間を大幅に短縮することができ
る。According to the present invention, a neural network having the most similar specifications is selected from neural nets for which learning has already been completed, and learning is performed using the selected neural network as an initial net. Can be shortened.

【００３２】また、予め複数のニューラルネットを組み
込み、教師信号との一致の度合いを比較してその中から
最も一致の度合いが高いニューラルネットを選択するよ
うにしたので、仕様は似通っているが交通状況が異なる
ようなビルについても最適な初期ネットを選択し、学習
時間を大幅に短縮することができる。Further, since a plurality of neural nets are incorporated in advance and the degree of coincidence with the teacher signal is compared and the neural network with the highest degree of coincidence is selected from them, the specifications are similar but the traffic is similar. The optimal initial net can be selected even for buildings in different situations, and the learning time can be significantly reduced.

【図面の簡単な説明】[Brief description of the drawings]

【図１】本発明におけるニューラルネットのデータベー
スへの登録手順を示すフローチャートである。FIG. 1 is a flowchart showing a procedure for registering a neural network in a database according to the present invention.

【図２】本発明における初期ネットの選択の手順を示す
フローチャートである。FIG. 2 is a flowchart illustrating a procedure of selecting an initial net according to the present invention.

【図３】本発明における初期ネットの選択の手順を示す
フローチャートである。FIG. 3 is a flowchart showing a procedure for selecting an initial net in the present invention.

【図４】本発明と従来の学習方法における収束時間の比
較を示す図である。FIG. 4 is a diagram showing a comparison of convergence times between the present invention and a conventional learning method.

【図５】呼び割当て用ニューラルネットの一例を示す図
である。FIG. 5 is a diagram showing an example of a neural network for call assignment.

【符号の説明】[Explanation of symbols]

ＮＮ 呼び割当て用ニューラルネット ＮＲ1 入力層のニューロン ＮＲ2 中間層のニューロン ＮＲ3 出力層のニューロン NN Neural network for call assignment NR1 Input layer neuron NR2 Hidden layer neuron NR3 Output layer neuron

───────────────────────────────────────────────────── 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 (58)調査した分野(Int.Cl.⁶，ＤＢ名) B66B 1/18 B66B 3/00 G06F 15/18 ──────────────────────────────────────────────────続 き Continued on the front page (72) Inventor Takeshi Midoriya 1-28-10 Sho, Ibaraki-shi, Osaka Prefecture Inside Fujitec R & D Co., Ltd. (72) Inventor Tomoaki Tanabe 1-28 Shojo, Ibaraki-shi, Osaka No. 10 stock Company Fujitec intra-technology research Institute (72) inventor Naoki Ota Ibaraki, Osaka Zhuang 1-chome 28 No. 10 No. stock Company Fujitec technology research Institute within the examiner Yuji Shimizu (58) investigated the field (Int.Cl. ⁶ , DB name) B66B 1/18 B66B 3/00 G06F 15/18

Claims (3)

(57)【特許請求の範囲】(57) [Claims] 【請求項１】 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データを、ニューラル
ネットの入力パターンとして使用できる形に変換して入
力し、その出力パターンから最適なかごを選択してその
乗場呼びに割り当てる、群管理エレベータの呼び割り当
て用ニューラルネットの学習方法において、エレベータ
のシミュレーション運転により作成した学習用サンプル
や、実際のビルでエレベータの稼働中に作成した学習用
サンプルで学習させたニューラルネットをデータベース
として多数蓄積しておき、新規ビル用として新たなニュ
ーラルネットの学習を行う際、前記データベースの中か
ら当該ビルと仕様の最も似通ったビルのニューラルネッ
トを選択し、これを初期ネットとして学習を行うように
したことを特徴とするエレベータ呼び割当て用ニューラ
ルネットの学習方法。When a hall call occurs, various data representing the state of the elevator system at that time are converted into a form usable as an input pattern of a neural network and input, and an optimum car is selected from the output pattern. In the learning method of the neural network for assigning calls to the group management elevator, which is assigned to the hall call, the learning is performed using a learning sample created by a simulation operation of the elevator or a learning sample created during operation of the elevator in an actual building. A large number of neural nets are stored as a database, and when learning a new neural network for a new building, a neural network of a building having the most similar specification to the building is selected from the database, and this is initialized. It is characterized by learning as a net Learning method of neural network for elevator call assignment. 【請求項２】 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データを、ニューラル
ネットの入力パターンとして使用できる形に変換して入
力し、その出力パターンから最適なかごを選択してその
乗場呼びに割り当てる、群管理エレベータの呼び割り当
て用ニューラルネットの学習方法において、エレベータ
のシミュレーション運転により作成した学習用サンプル
や、実際のビルでエレベータの稼働中に作成した学習用
サンプルで学習させたニューラルネットをデータベース
として多数蓄積しておき、新規ビル用として新たなニュ
ーラルネットの学習を行う際、前記データベースの中か
ら当該ビルと仕様の最も似通ったビルのニューラルネッ
トを複数選択して群管理装置に組み込み、エレベータ稼
働後に収集した学習用サンプルを用いて教師信号との一
致の度合いを各ニューラルネットについて比較し、その
中で最も一致の度合いが高いものを初期ネットとして学
習を行うようにしたことを特徴とするエレベータ呼び割
当て用ニューラルネットの学習方法。2. When a hall call occurs, various data representing the state of the elevator system at that time are converted into a form usable as an input pattern of a neural network and input, and an optimum car is selected from the output pattern. In the learning method of the neural network for assigning calls to the group management elevator, which is assigned to the hall call, the learning is performed using a learning sample created by a simulation operation of the elevator or a learning sample created during operation of the elevator in an actual building. When a large number of neural nets are accumulated as a database and a new neural network is to be learned for a new building, a plurality of neural nets of a building having similar specifications to the building are selected from the database and group management is performed. Learning that is built into the equipment and collected after the elevator starts operating A neural network for elevator call assignment characterized in that the degree of coincidence with the teacher signal is compared for each neural network using the sample for learning, and the one with the highest degree of coincidence is learned as the initial net. How to learn the net. 【請求項３】 ビルの仕様が似通っているか否かの判断
は、かご台数、階床数、ビルの性格の順で行うことを特
徴とする請求項１または請求項２に記載のエレベータ呼
び割り当て用ニューラルネットの学習方法。3. The elevator call assignment according to claim 1, wherein the determination as to whether or not the building specifications are similar is made in the order of the number of cars, the number of floors, and the character of the building. Learning method of neural network for