JP2991077B2 - Elevator group control device - 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装置
に係り、特に学習効率が高く、高精度の割り当て性能を
有するニューラルネットを作成することのできるエレベ
ータの群管理制御装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an elevator group management control device for allocating calls using a neural network, and more particularly to a neural network having a high learning efficiency and a high precision allocation performance. The present invention relates to an elevator group management control device that can be used.

【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】この割り当て用ニュー
ラルネットの学習は、予めエレベータの設置前にビルの
交通状況等を予測したシミュレーションにより学習用サ
ンプルを作成し、そのサンプルを用いて行っておくこと
が可能であるが、実際には、エレベータが設置されるビ
ルの性質や交通状況を事前に正確に把握することは極め
て困難である。また、エレベータの設置後にビルの交通
状況が変化することもあるため、ニューラルネットの性
能を十分に発揮するにはどうしても事前の学習だけでは
不十分であり、エレベータ設置後もこのニューラルネッ
トの学習を継続し、結合重みを随時修正していくことが
必要となる。In the learning of the neural network for assignment, a learning sample is created by simulation in which traffic conditions of a building are predicted before an elevator is installed, and the learning sample is used. However, in practice, it is extremely difficult to accurately grasp in advance the properties and traffic conditions of the building in which the elevator is installed. In addition, since the traffic conditions of the building may change after the elevator is installed, learning in advance is not enough to fully demonstrate the performance of the neural network. It is necessary to continue and modify the connection weight as needed.

【００１３】そこで、エレベータの稼働中に学習用サン
プルを作成し、それを用いて実際の状況に応じた学習を
継続するようにすると、そのビルにあった最適な割り当
て用ニューラルネットを作成することができ、状況の変
化にも対応していくことができる。Therefore, if a learning sample is created during the operation of the elevator and learning is continued using the sample, an optimal neural net for assignment suitable for the building is created. Can respond to changes in the situation.

【００１４】ところで、ニューラルネットの割り当て性
能を高めるためには、さまざまな状況について学習を行
う必要があるが、エレベータの稼働中に学習用サンプル
を作成する場合、シミュレーションで学習を行う場合の
ように、自由に様々な状況のサンプルを用意することは
できない。従ってできるだけ多くの状況について学習し
ょうとすると、それに見合った膨大な数の学習用サンプ
ルが必要となり、その分学習時間も大幅に増加するとい
った問題がある。By the way, in order to improve the performance of allocating a neural network, it is necessary to perform learning in various situations. However, when a learning sample is created during the operation of an elevator, learning is performed by simulation. , Samples of various situations cannot be freely prepared. Therefore, if it is desired to learn as many situations as possible, an enormous number of learning samples corresponding to the situation are required, and there is a problem that the learning time is significantly increased accordingly.

【００１５】従って、学習の効率化を図るためにはサン
プルを限定して学習を行う必要があるが、限定したサン
プルで学習したニューラルネットでは、片寄った状況だ
けを学習している可能性もあり、そのような場合は当然
ながら割り当ての性能も悪くなる。Therefore, in order to improve the efficiency of learning, it is necessary to perform learning with a limited number of samples. However, in a neural network trained with a limited number of samples, there is a possibility that only a biased state is learned. In such a case, of course, the performance of the assignment also deteriorates.

【００１６】また、ニューラルネットの割り当て性能が
所定の水準以上になっているかどうかは、学習の終了の
度に実際にエレベータを運転して割り当てに使用してみ
ないと評価することができず、非常に時間がかかるとい
った問題がある。Further, it cannot be evaluated whether or not the neural network assignment performance is equal to or higher than a predetermined level unless the elevator is actually operated and used for assignment each time learning is completed. There is a problem that it takes a long time.

【００１７】本発明はこのような問題点に鑑みてなされ
たもので、学習の終了後、実際に割り当てに使用する前
に性能の評価をできるようにして学習効率の向上を図
り、しかも割り当て性能の高いニューラルネットを作成
できるようにすることを目的としたものである。The present invention has been made in view of such a problem, and it is possible to improve the learning efficiency by evaluating the performance after the learning is completed and before actually using it for the allocation, and to improve the allocation performance. It is intended to be able to create a neural net with a high level of accuracy.

【００１８】[0018]

【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、エレベータの稼働中に学習用サンプル
と評価用サンプルをそれぞれ作成するサンプル作成手
段、前記学習用サンプルを記憶する学習用サンプル記憶
手段、前記評価用サンプルを記憶する評価用サンプル記
憶手段、前記学習用サンプルを用いてニューラルネット
の学習を行う学習手段、前記評価用サンプルを用いてニ
ューラルネットの割り当て性能を評価する性能評価手段
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 sample creating means for creating a learning sample and an evaluation sample during operation of an elevator, and a learning sample for storing the learning sample. Storage means, evaluation sample storage means for storing the evaluation sample, learning means for learning the neural network using the learning sample, and performance evaluation means for evaluating the neural network allocation performance using the evaluation sample It is characterized by having.

【００１９】[0019]

【作用】本発明においては、エレベータの稼働中に学習
用サンプルと同時に評価用サンプルが作成される。学習
用サンプルで学習を終了すると、そのニューラルネット
を実際に割り当てに使用する前に、評価用サンプルでそ
の割り当て性能が評価される。According to the present invention, an evaluation sample is created simultaneously with a learning sample during operation of the elevator. When learning is completed with the learning sample, the allocation performance is evaluated with the evaluation sample before the neural network is actually used for allocation.

【実施例】以下、本発明の一実施例について図面を参照
しながら説明する。An embodiment of the present invention will be described below with reference to the drawings.

【００２０】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。FIG. 1 is a block diagram showing the overall configuration of the present invention. In FIG. 1, reference numeral 1 denotes a hall call button (1) provided on each floor.
Only two floors are 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, and similarly A2 to An are the second to nth units. 3 is a car information signal indicating the status of each car (car position and driving direction, whether running or stopped, door open / closed state, car call, load, service floor, abnormality, etc.), and 10 is the car information signal. A group management device that allocates a hall call to an optimal car based on elevator system state data composed of a hall call signal 2 and a car information signal 3 and outputs it as an allocation signal 4, and each of the operation control devices A1 to An The operation of the car is controlled 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.

【００２１】群管理装置１０はマイクロコンピュータ等
で構成され、入出力インターフェィス１１と、従来方
式、例えば評価関数による割り当てやファジー群管理装
置等を用いて割り当てを行う従来方式割り当て手段１２
と、エレベータの稼働中に学習用サンプル及び評価用サ
ンプルを随時作成するサンプル作成手段１３と、学習用
サンプルを記憶する学習用サンプル記憶手段１４と、評
価用サンプルを記憶する評価用サンプル記憶手段１５
と、呼び割り当て用のニューラルネット１６と、ニュー
ラルネットの出力パターンから最適な号機を判定し割り
当て信号を出力する割り当て判定手段１７と、学習用サ
ンプルに基づいてニューラルネットの学習を行う学習手
段１８と、評価用サンプルに基づいてニューラルネット
の性能を評価する性能評価手段１９とを備えており、こ
れらの各手段（記憶手段を除く）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 constituted by a microcomputer or the like, and has an input / output interface 11 and a conventional system allocation means 12 for performing allocation using a conventional method, for example, an evaluation function or using a fuzzy group management device.
Sample preparation means 13 for preparing learning samples and evaluation samples at any time during operation of the elevator; learning sample storage means 14 for storing learning samples; and evaluation sample storage means 15 for storing evaluation samples.
A neural network 16 for call assignment, an assignment determining means 17 for determining an optimum machine from an output pattern of the neural network and outputting an assignment signal, and a learning means 18 for learning the neural network based on learning samples. And a performance evaluation means 19 for evaluating the performance of the neural network based on the evaluation sample. Each of these means (excluding the storage means) and the neural network is realized on software in a microcomputer.

【００２２】以上の構成において、本発明における学習
の手順を図２のフローチャートに基づいて説明する。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。この間にこの
呼びは、従来方式の割り当て手段によって割り当てら
れ、応答号機がその呼びに向かって運転を開始する。In the above configuration, the learning procedure in the present invention will be described with reference to the flowchart of FIG. First, it is determined in step S1 whether a new hall call has occurred. If a call has occurred, in step S2, the elevator system state data at the time of occurrence of the call is converted into an input pattern of a neural network. During this time, the call is allocated by conventional allocation means, and the answering machine starts operating towards the call.

【００２３】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
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。When 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 assigned number due to an assignment change or reassignment, etc., that is, if the initial assignment is not the best as a result (however, since the operation has been switched to the dedicated operation, In the case of the case where the service cannot be performed, the actually serviced car is converted into the output pattern as the assigned car.

【００２４】そしてステップＳ２５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または
評価用サンプルとしてそれぞれの記憶手段に記憶する。
なお作成したサンプルを、学習用サンプルとするか評価
用サンプルとするかの判断基準は特に設ける必要はな
く、例えば交互に指定するなどの方法をとればよい。In step S25, the input pattern and the output pattern are paired and stored as learning samples or evaluation samples in the respective storage means.
It should be noted that a criterion for determining whether the created sample is to be used as a learning sample or an evaluation sample does not need to be particularly provided.

【００２５】そしてステップＳ６を経て、学習用サンプ
ル及び評価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Ｓ７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。
学習を終了すると、ステップＳ８で、今度は評価用サン
プルを用いてニューラルネットの割り当て性能を評価す
る。この性能の評価は、例えば評価用サンプルを順次ニ
ューラルネットに入力し、そのときの出力パターンと教
師信号とが一致しているサンプルの全評価用サンプルに
対する割合（正解率）で評価するなどの方法が考えられ
る。この評価用サンプルによる評価は、学習に比べて早
く実行できるので、できるだけ多くの評価用サンプルを
記憶しておくようにするとより正確な評価が行える。After step S6, the above-described procedure is repeatedly executed until the number of learning samples and evaluation samples reaches a predetermined number. In step S7, learning of the neural network is performed using the collected learning samples.
When the learning is completed, in step S8, the evaluation performance of the neural network is evaluated using the evaluation sample. The evaluation of the performance is performed by, for example, sequentially inputting evaluation samples to the neural network, and evaluating the ratio (correct answer rate) of a sample in which the output pattern at that time matches the teacher signal with respect to all evaluation samples. Can be considered. Since the evaluation using the evaluation sample can be executed earlier than the learning, more accurate evaluation can be performed by storing as many evaluation samples as possible.

【００２６】評価の結果、正解率が所定値以下すなわち
ニューラルネットの性能が所定値以下の場合には、ステ
ップＳ９〜Ｓ１０へと進み、学習用サンプルを評価用サ
ンプルとして残すか否かを判断する。これは前述のよう
に評価用サンプルの数はできるだけ多い方が望ましいの
で、評価用サンプルを記憶するメモリにまだ余裕が有る
場合にはステップＳ１１へと進み、学習用サンプルをサ
ンプルを評価用サンプルとして記憶し直す。As a result of the evaluation, when the accuracy rate is equal to or less than a predetermined value, that is, when the performance of the neural network is equal to or less than the predetermined value, the process proceeds to steps S9 to S10, and it is determined whether or not the learning sample is to be left as an evaluation sample. . Since it is desirable that the number of evaluation samples is as large as possible as described above, if there is still room in the memory for storing the evaluation samples, the process proceeds to step S11, and the learning samples are used as evaluation samples. Remember.

【００２７】こうして再びステップＳ１以下の手順で新
たな学習用サンプルによる学習を繰り返し、ニューラル
ネットの性能が所定値以上になると学習は完了し、以後
はこのニューラルネットで精度の高い割り当てができる
ようになる。In this manner, the learning with the new learning sample is repeated again in the procedure from step S1 onward, and the learning is completed when the performance of the neural network becomes a predetermined value or more. Thereafter, the neural network can perform highly accurate assignment. Become.

【００２８】[0028]

【発明の効果】本発明によれば、学習を行う際に使用す
る学習用サンプルを限定し、その性能の評価は学習用サ
ンプルとは別の評価用サンプルを用いて行うようにした
ので、ニューラルネットを実際の割り当てに使用する前
にその割り当て性能を評価することができるだけでな
く、より客観的で幅の広い評価を行うことができ、従っ
て再学習を必要最小限に留めて効率よく高性能のニュー
ラルネットを作成することができる。According to the present invention, the number of learning samples used for performing learning is limited, and the performance is evaluated using a different evaluation sample from the learning sample. Not only can the net be evaluated for its allocation performance before it is used for real allocation, but also a more objective and broader evaluation can be performed, thus efficiently and efficiently performing with minimal re-learning. Can be created.

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

【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】本発明における学習の手順を示すフローチャー
トである。FIG. 2 is a flowchart illustrating a learning procedure according to the present invention.

【図３】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. 3 is a diagram showing an example of a neural network for call assignment.

【符号の説明】[Explanation of symbols]

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 第１の割り当て手段 １３ 第２の割り当て手段 １４ 学習手段 １５ 割り当て方式選択手段 １６ 割り当て性能評価手段 １７ 割合設定値変更手段 A1 to An 1 to n-th operation control device 1 hall call button 2 hall call signal 3 car information signal 4 allocation signal 10 group management device 11 input / output interface 12 first allocation means 13 second allocation means 14 learning means 15 Assignment method selection means 16 Assignment performance evaluation means 17 Ratio setting value change means

フロントページの続き (72)発明者 中川 真実 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 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 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３−31173（ＪＰ，Ａ) 特開 平３−128875（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 Mami Nakagawa 1-28-10 Sho, Ibaraki-shi, Osaka Prefecture Inside Fujitec R & D Co., Ltd. (72) Inventor Takeshi Midoriya 1-28-10 Sho, Ibaraki-shi, Osaka Stock Company In Fujitec R & D Co., Ltd. (72) Naoki Ota 1-28-10 Sho, Ibaraki-shi, Osaka Investigator in Fujitec R & D Co., Ltd. Yuji Shimizu (56) References JP-A-3-31173 (JP, A) JP-A-3-128875 (JP, A) (58) Fields investigated (Int. Cl. ⁶ , DB name) B66B 1/18-1/20

Claims (2)

(57)【特許請求の範囲】(57) [Claims] 【請求項１】 複数の階床に対し複数台のエレベータを
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、エレベ
ータの稼働中に学習用サンプルと評価用サンプルをそれ
ぞれ作成するサンプル作成手段、前記学習用サンプルを
記憶する学習用サンプル記憶手段、前記評価用サンプル
を記憶する評価用サンプル記憶手段、前記学習用サンプ
ルを用いてニューラルネットの学習を行う学習手段、前
記評価用サンプルを用いてニューラルネットの割り当て
性能を評価する性能評価手段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 data representing the state of the elevator system at that time are converted into a form that can be used as an input pattern of a neural network. In the elevator group management and control device, which selects the optimal car from the output pattern and assigns it to the hall call, a learning sample and an evaluation sample are input during operation of the elevator. Sample creation means for creating each, learning sample storage means for storing the learning sample, evaluation sample storage means for storing the evaluation sample, learning means for learning the neural network using the learning sample, Performance of evaluating the allocation performance of the neural network using the evaluation sample An elevator group management control device comprising evaluation means. 【請求項２】 前記割り当て性能の評価には、前記評価
用サンプルをニューラルネットに入力したときの正解率
を用いることを特徴とする請求項１記載のエレベータの
群管理装置。2. The elevator group management apparatus according to claim 1, wherein the evaluation of the assignment performance uses a correct answer rate when the evaluation sample is input to a neural network.