KR100246742B1

KR100246742B1 - Operation pattern prediction apparatus for elevator group management system

Info

Publication number: KR100246742B1
Application number: KR1019970044049A
Authority: KR
Inventors: 신청식
Original assignee: 이종수; 엘지산전주식회사
Priority date: 1997-08-30
Filing date: 1997-08-30
Publication date: 2000-04-01
Also published as: KR19990020587A

Abstract

본 발명은 엘리베이터 군관리 시스템의 운행 패턴 예측 장치에 관한 것으로 특히, 예측 승장콜 발생확률, 예측 카콜 발생확률, 할당층의 예측승차 부하 그리고 카콜이 등록된 층의 예측 하차 부하 등을 예측하여 교통 상황을 정확히 예측하고 변화하는 교통 상황에 유연하게 대응함으로써 운전 효율을 향상시키도록 함에 목적이 있다. 이러한 목적을 위하여 본 발명은 입력 정보를 전처리하는 입력 처리부(211)와, 이 입력 처리부(211)의 출력 데이터를 입력받아 통계적 학습을 수행하는 통계 처리부(212)와, 예측 데이터와 상기 통계 처리부(212)에서의 통계 데이터를 입력받아 층별, 시간별로 학습 데이터를 작성하는 학습 데이터 작성부(213)와, 이 학습 데이터 작성부(213)의 출력 데이터를 승장/할당 회로(105)에 출력하는 출력 처리부(214)와, 상기 입력 처리부(211)에서의 교통 상태 데이터와 상기 통계 처리부(212)에서의 통계 데이터를 입력받아 결합 계수를 수정하는 결합 계수 수정부(215)와, 상기 결합 계수 수정부(215)에서의 결합 계수로 수정한 후 상기 입력 처리부(211)에서의 교통 상태 데이터와 상기 통계 처리부(212)에서의 통계 데이터를 연산하여 예측 데이터를 상기 학습 데이터 작성부(213)에 출력하는 신경 회로망을 구비한 예측 데이터 작성부(216)를 포함하여 학습 회로(108)를 구성함을 특징으로 한다.The present invention relates to an apparatus for predicting a driving pattern of an elevator group management system. In particular, a traffic situation is estimated by predicting probability of occurrence of an escalation call, probability of occurrence of a predicted call, predicted ride load of an assigned floor, and predicted unloading load of a floor on which a car is registered. The objective is to improve driving efficiency by accurately predicting and flexibly responding to changing traffic conditions. To this end, the present invention provides an input processing unit 211 for pre-processing input information, a statistical processing unit 212 for receiving statistical output data from the input processing unit 211 and performing statistical learning, prediction data and the statistical processing unit ( A training data generator 213 for receiving the statistical data from 212 and creating training data for each floor and time; and an output for outputting the output data of the training data generator 213 to the boarding / assigning circuit 105. A coupling coefficient correction unit 215 for receiving a traffic state data from the input processing unit 211 and statistical data from the statistical processing unit 212 and correcting a coupling coefficient; After modifying the coupling coefficients at 215, the traffic state data in the input processing unit 211 and the statistical data in the statistical processing unit 212 are calculated to calculate the prediction data into the learning data creating unit 213. The learning circuit 108 is configured by including a prediction data generator 216 having a neural network output to

Description

엘리베이터 군관리 시스템의 운행 패턴 예측 장치{OPERATION PATTERN PREDICTION APPARATUS FOR ELEVATOR GROUP MANAGEMENT SYSTEM}OPERATION PATTERN PREDICTION APPARATUS FOR ELEVATOR GROUP MANAGEMENT SYSTEM}

본 발명은 엘리베이터에 관한 것으로 특히, 복수대의 카가 병설된 엘리베이터에 있어서 승장콜, 카콜, 승차 부하 및 하차 부하를 예측하여 운전하도록 한 엘리베이터 군관리 시스템의 운행 패턴 예측 장치에 관한 것이다.BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an elevator, and more particularly, to an apparatus for predicting a driving pattern of an elevator group management system in which an elevator call, a car call, a riding load and a discharging load are predicted and operated in an elevator provided with a plurality of cars.

일반적으로 복수대의 카가 병설된 엘리베이터는 군관리 운전을 한다.In general, an elevator with a plurality of cars performs military management.

일반적인 엘리베이터 군관리 시스템은 도1 의 블럭도에 도시된 바와 같이, 카(101)의 운전을 위하여 호기 제어 블럭(102), 홀 제어 블럭(103) 및 군관리 제어 블럭(104)을 포함하여 구성된다.As shown in the block diagram of FIG. 1, a general elevator group management system includes an exhalation control block 102, a hall control block 103, and a group management control block 104 for driving a car 101. do.

상기 호기 제어 블럭(102)은 카(101) 운전을 위한 각종 정보를 받아 들여 군관리 제어 블럭(104)에 전송하고 그 군관리 제어 블럭(104)에서 얻어진 결과를 이용하여 상기 카(101)의 운행과 문의 동작을 제어하며 또한, 상기 카(101) 내의 승객에게 안내하기 위하여 상기 카(101) 내의 램프를 동작시키게 된다.The exhalation control block 102 receives various information for operating the car 101 and transmits it to the group management control block 104 and uses the result obtained in the group management control block 104 to perform the control of the car 101. The lamp in the car 101 is operated to control the driving and door operations and to guide the passengers in the car 101.

상기 홀 제어 블럭(103)은 승객의 호출(홀 부름)을 군관리 제어 블럭(104)에 전송하며 그 군관리 제어 블럭(104)에서 얻어진 결과에 따라 홀에 있는 승객에게 카(101)의 이동 위치를 안내하기 위하여 홀에 있는 램프를 작동시킨다.The hall control block 103 sends a passenger call (hole calling) to the military management control block 104 and moves the car 101 to a passenger in the hall according to the result obtained in the military management control block 104. Activate the lamp in the hall to guide the position.

상기 군관리 제어 블럭(104)은 호기 제어 블럭(102)으로부터의 카(101)에 대한 각종 정보와 홀 제어 블럭(103)으로부터의 홀 정보를 연산하고 그 결과를 상기 호기 제어 블럭(102) 또는 홀 제어 블럭(103)에 출력하여 카(101)의 운전을 제어하게 된다.The group management control block 104 calculates various information about the car 101 from the exhalation control block 102 and the hole information from the hall control block 103 and returns the result to the exhalation control block 102 or the like. It outputs to the hall control block 103 to control the operation of the car 101.

상기와 같이 동작하는 호기 제어 블럭(102), 홀 제어 블럭(103) 및 군관리 제어 블럭(104)을 구비한 엘리베이터 군관리 시스템은 군관리 운전을 위하여 할당 방식을 채용할 수 있는데, 할당 방식이란 승장콜이 등록되면 즉시 각각의 카에 대하여 평가치를 연산하고 평가치가 가장 좋은 카를 할당카로 선택하여 상기에서 등록된 승장콜에 대해서 할당카만을 운전하도록 함으로써 운전 효율 및 대기 시간의 단축을 도모하는 방식을 말한다.An elevator group management system having an exhalation control block 102, a hall control block 103, and a group management control block 104 operating as described above may employ an allocation method for military management operation. When the boarding call is registered, it calculates the evaluation value for each car immediately, selects the car with the best evaluation as the allotment car, and operates the allotted car only for the boarding call registered above. Say.

이때, 상기 군관리 제어 블럭(104)은 승장/할당 회로(105), 정보 입력 회로(106), 정보 출력 회로(107) 및 학습 회로(108)로 구성된다.At this time, the group management control block 104 is composed of boarding / allocating circuit 105, information input circuit 106, information output circuit 107 and learning circuit 108.

즉, 군관리 제어 블럭(104)은 정보 입력 회로(106)가 호기 제어 블럭(102) 및 홀 제어 블럭(103)에서의 정보를 입력시키면 학습 회로(108)가 상기 정보 입력 회로(106)를 통해 입력되는 상기 호기 제어 블럭(102) 또는 홀 제어 블럭(103)에서의 정보를 학습하고 승장/할당 회로(105)가 상기 학습 회로(108)에서의 학습 데이터를 이용하여 승장콜 또는 카콜에 대한 할당을 수행한 후 그 결과를 정보 출력 회로(107)를 통해 상기 호기 제어 블럭(102) 또는 홀 제어 블럭(103)으로 출력하게 된다.That is, in the group management control block 104, when the information input circuit 106 inputs information from the exhalation control block 102 and the hall control block 103, the learning circuit 108 selects the information input circuit 106. Learning information in the exhalation control block 102 or the hall control block 103 is input through the boarding / assignment circuit 105 using the learning data from the learning circuit 108 for the boarding call or car call After the assignment is performed, the result is output to the exhalation control block 102 or the hall control block 103 through the information output circuit 107.

상기에서 승장/할당 회로(105)는 승장콜의 등록 및 해제, 승장콜이 등록된 후부터의 경과 시간과 서비스 이후부터의 경과 시간의 연산, 등록된 승장콜에 대해 최적의 카를 선택하도록 할당 연산을 수행하는데, 등록된 승장콜에 대한 할당을 위해 평가치 연산을 수행한다.In the above, the boarding / assigning circuit 105 performs the assignment operation to register and release the boarding call, calculate the elapsed time since the boarding call is registered and the elapsed time since the service, and select an optimal car for the registered boarding call. In this case, the evaluation operation is performed to allocate the registered board call.

평가치 연산에는 승장콜의 예측 대기 시간이 일반적으로 사용되며 그외에 만원 평가치, 예보 빗나감의 예측 평가치, 장시간 대기 승장콜 발생 억제 평가치 등도 고려되고 있다.Estimated waiting time of flight call is generally used in the calculation of evaluation value, and other factors such as full-scale evaluation value, predicted evaluation value of forecast deviation, and long-term waiting flight call generation suppression evaluation value are also considered.

상기 승장/할당 회로(105)는 승장콜이 등록될 때의 카 위치에서 목적층까지의 거리를 주행하는데 필요한 시간(주행 시간)과 주행중에 카콜 또는 승장콜로 정지하여 소요되는 시간(정지시간)을 구하고 이들 시간을 가산하여 예측 대기 시간을 계산함에 있어 층별 승장콜 발생 확률을 a(i)라 하고 카콜 발생 확률을 b(i)라 하면 예측되는 정지 시간 t(i)는 아래의 식과 같이 나타낼 수 있다.The boarding / assigning circuit 105 determines the time (driving time) required to travel the distance from the car position to the target floor when the boarding call is registered and the time required to stop by the car or boarding call while driving. To calculate the predicted waiting time by adding these times, if the probability of occurrence of boarding call per floor is called a (i) and the probability of car call is called b (i), the predicted stopping time t (i) can be expressed as have.

t(i) = a(i)

t_H+ b(i)

t_C------ (1)t (i) = a (i)

t _H + b (i)

t _C ------ (1)

단, i 는 층을 나타내며, t_H는 승장콜이 등록되어 있는 층의 정지 시간으로 보통 10초를 사용하고, t_C는 카콜이 등록되어 있는 층의 정지 시간으로 보통 10초 이하의 값을 사용한다.However, i denotes a floor, t _H is a stop time of the floor in which the boarding call is registered, and usually 10 seconds, and t _C is a stop time of a floor in which the car call is registered. do.

만일, 승장콜이 등록되어 있는 층이라면 층별 승장콜 발생 확률 a(i) 는 '1'의 값을 가지고 카콜 발생 확률 b(i)는 '0'의 값을 가지게 된다.If the floor is registered with the boarding call, the floor boarding call occurrence probability a (i) has a value of '1' and the car call occurrence probability b (i) has a value of '0'.

반대로, 승장콜이 등록되어 있지 않고 카콜이 등록되어 있는 층이라면 층별 승장콜 발생 확률 a(i)는 '0'의 값을 가지고 카콜 발생 확률 b(i)는 '1'의 값을 가지게 된다.On the contrary, if the boarding call is not registered and the floor is registered, the floor boarding call occurrence probability a (i) has a value of '0' and the car call occurrence probability b (i) has a value of '1'.

또한, 승장콜과 카콜이 모두 등록되어 있지 않은 층일 경우 층별 승장콜 발생 확률 a(i) 과 카콜 발생 확률 b(i) 는 학습을 통해서 작성되는 데이터값이다.In addition, when the boarding call and the car call are not registered, the floor call generation probability a (i) and the car call occurrence probability b (i) for each floor are data values created through learning.

상기와 같이 구한 예측 대기 시간을 종합 평가치에 적용시킬 때에는 심리적 대기 시간 평가 방법을 사용한다.The psychological waiting time evaluation method is used when applying the estimated waiting time obtained above to the comprehensive evaluation value.

심리적 대기 시간 평가 방법이란 예측 대기 시간을 홀에서 기다리는 승객의 조급도(심리적 초조감)로 환산한 것이다.Psychological waiting time evaluation method is to convert the predicted waiting time into the impatience of the passenger waiting in the hall (psychological nervousness).

한편, 엘리베이터의 안전 운행을 위하여 상기 승장/할당 회로(105)는 층별로 예측되는 카(101) 내의 부하를 연산하여 만원 평가치를 계산하게 된다.On the other hand, for safe operation of the elevator, the boarding / allocating circuit 105 calculates the full load evaluation value by calculating the load in the car 101 predicted for each floor.

만원 평가치 연산이란 카가 승장콜이 등록된 층에 도착하였을 때 카내의 부하가 일정값을 넘으면 만원이 발생할 확률이 높아질 것으로 예측하여 그 부하에 비례하는 값을 종합 평가치에 가산함으로써 다른 카가 할당되도록 하여 만원인 카의 운전을 방지하기 위한 것이다.The 10,000 won valuation calculation means that when the car arrives on the floor where the boarding call is registered, if the load in the car exceeds a certain value, the probability that 10,000 won will be increased will be increased. This is to prevent the driving of a full car.

즉, 상방으로 운행되고 있는 카에 대해서 예측 승차 부하율을 winu(i), 예측 하차 부하율을 wotu(i), 카의 현재층(예로, m층)에서 (i-1)층까지 예측되는 승차 부하를 wiiu(m,i) 그리고, 현재 부하를 w 라 하면 i층에 대한 카내의 예측 부하 wu(i) 는 다음과 같은 식(2)와 같이 나타낼 수 있다.In other words, for the car running upward, the predicted ride load ratio is winu (i), the predicted discharging load rate is wotu (i), and the ride load predicted from the current floor of the car (for example, m floor) to the (i-1) floor. If wiiu (m, i) and the current load is w, the predicted load wu (i) in the car for layer i can be expressed as Equation (2) below.

wu(i) = wu(i-1) + winu(i)

a(i) - {w + wiiu(m,i)}

wotu(i) ------ (2)wu (i) = wu (i-1) + winu (i)

a (i)-{w + wiiu (m, i)}

wotu (i) ------ (2)

반대로, 하방으로 운행되고 있는 카에 대해서도 상기 식(2)로 나타낼 수 있다.On the contrary, it can be represented by said formula (2) also about the car which runs below.

상기와 같은 연산 결과를 이용하여 엘리베이터의 효율적인 운행 즉, 정확한 도착 예상 시간 예측, 오보 억제, 만원 발생 억제, 장대기 승장콜 발생 억제 등을 수행하도록 할당을 할 때 예측 승장콜 발생 확률, 예측 카콜 발생 확률, 예측 승차 부하 및 예측 하차 부하 등을 이용한다.Using the above calculation result, the predicted escalation probability and the predicted call occurrence are generated when the elevator is allocated to perform efficient operation of the elevator, ie, accurate prediction of arrival time, suppression of misinformation, suppression of overcrowding, and suppression of long-term boarding call. Probability, predicted riding load and predicted getting off load are used.

상기의 예측 승장콜 발생 확률, 예측 카콜 발생 확률, 예측 승차 부하 및 예측 하차 부하 등의 예측 데이터를 생성하기 위하여 특정층에 지정된 값을 사용하거나 또는 학습을 통한 통계적인 방식을 사용한다.In order to generate predictive data such as predicted boarding call occurrence probability, predicted car call occurrence probability, predicted riding load and predicted getting off load, a value assigned to a specific floor is used or a statistical method through learning is used.

통계적인 학습은 학습 회로(108)에서 수행된다.Statistical learning is performed in the learning circuit 108.

종래 기술에서의 학습 회로(108)는 도2 의 블럭도에 도시된 바와 같이, 정보 입력 회로(106)를 통해 입력된 정보를 전처리하는 입력 처리부(111)와, 이 입력 처리부(111)의 출력 데이터를 입력받아 통계적 학습을 수행하는 통계 처리부(112)와, 이 통계 처리부(112)에서의 통계 데이터를 층별, 시간별로 분류하여 학습 데이터로 작성하는 학습 데이터 작성부(113)와, 이 학습 데이터 작성부(113)에서의 출력 데이터를 소정 포맷으로 변환하여 승장/할당 회로(105)에 출력하는 출력 처리부(114)로 구성된다.The learning circuit 108 in the prior art is, as shown in the block diagram of FIG. 2, an input processing unit 111 for preprocessing information input through the information input circuit 106 and an output of the input processing unit 111. A statistical processing unit 112 for receiving statistical data and performing statistical learning, a training data creating unit 113 for classifying the statistical data in the statistical processing unit 112 by floor and time and creating the training data; It consists of an output processing part 114 which converts the output data by the creation part 113 into a predetermined format, and outputs it to the boarding / assignment circuit 105. FIG.

이와같은 종래 기술의 동작 과정을 설명하면 다음과 같다.Referring to the operation of the prior art as follows.

정보 입력 회로(106)를 통해 호기 제어 블럭(102) 및 홀 제어 블럭(103)에서의 정보가 입력되면 학습 회로(108)는 입력 처리부(111)가 전처리하여 통계 처리부(112)에 입력시키게 된다.When the information from the exhalation control block 102 and the hall control block 103 is input through the information input circuit 106, the learning circuit 108 is preprocessed by the input processing unit 111 and input to the statistical processing unit 112. .

상기 통계 처리부(112)가 통계적인 학습을 통해 통계 데이터를 생성하면 학습 데이터 작성부(113)는 예측 승강장콜 발생 확률, 예측 카콜 발생 확률, 예측 승차 부하, 예측 하차 부하 등의 예측 데이터를 생성하게 된다.When the statistical processor 112 generates statistical data through statistical learning, the training data generator 113 generates predictive data such as predicted landing call occurrence probability, predicted car call occurrence probability, predicted riding load, and predicted getting off load. do.

상기 예측 승장콜 발생 확률은 통계의 데이터와 당일의 데이터에 대해 3:1 의 비중을 두는 값으로 나타낼 수 있다.The prediction probability of occurrence of the boarding call may be expressed as a value that gives a weight ratio of 3: 1 to the data of the statistics and the data of the day.

예를 들어, 1일을 5분 간격으로 나누어 288개의 구간을 만들고 각 5분간 구간별로 상방향 승장콜 발생수와 하방향 승장콜 발생수를 통계적인 방법으로 학습한다면 예측 승장콜 발생 확률에 대한 통계 데이터는 아래의 식(3)(4)과 같이 구하게 된다.For example, if one day is divided into 5 minute intervals to create 288 intervals, and each of the 5 minute intervals is used to learn the number of upward and downward flight calls in a statistical manner, The data is obtained as shown in Equation (3) (4) below.

SFUHC[k][i] = {3*SFUHC[k][i] + FUHC[k][i]}/4 ----- (3)SFUHC [k] [i] = {3 * SFUHC [k] [i] + FUHC [k] [i]} / 4 ----- (3)

SFDHC[k][i] = {3*SFDHC[k][i] + FDHC[k][i]}/4 ----- (4)SFDHC [k] [i] = {3 * SFDHC [k] [i] + FDHC [k] [i]} / 4 ----- (4)

단, SFUHC[k][i] 는 통계의 i층에 k번째 5분간 상방향 승장콜 발생수, SFDHC[k][i] 는 통계의 i층에 k번째 5분간 하방향 승장콜 발생수, FUHC[k][i] 는 당일의 i층에 k번째 5분간 상방향 승장콜 발생수, FDHC[k][i] 는 당일의 i층에 k번째 5분간 하방향 승장콜 발생수, k 는 5분간 시간대가 몇번째인가를 나타내는 변수이고, i 는 층을 나타낸다.However, SFUHC [k] [i] is the number of uplink call occurrences in the kth 5 minutes of statistics on the i-layer, SFDHC [k] [i] is the number of downcall calls in the kth 5 minutes of the statistics on the i-layer of statistics, FUHC [k] [i] is the number of uplink call occurrences in the kth 5th minute on the i floor of the day, FDHC [k] [i] is the number of downcall calls in the kth 5th minute in the i layer of the day, k is It is a variable indicating how many time zones are in 5 minutes, and i represents a layer.

마찬가지로 예측 카콜 발생 확률에 대한 통계 데이터는 아래의 식(5)(6)과 같이 구하게 된다.Similarly, statistical data on the predicted probability of occurrence of a car call are obtained as shown in Equation (5) (6) below.

SFUCC[k][i] = {3*SFUCC[k][i] + FUCC[k][i]}/4 ----- (5)SFUCC [k] [i] = {3 * SFUCC [k] [i] + FUCC [k] [i]} / 4 ----- (5)

SFDCC[k][i] = {3*SFDCC[k][i] + FDCC[k][i]}/4 ----- (6)SFDCC [k] [i] = {3 * SFDCC [k] [i] + FDCC [k] [i]} / 4 ----- (6)

단, SFUCC[k][i] 는 통계의 i층에 ik째 5분간 상방향 카콜 발생수, SFDCC[k][i] 는 통계의 i층에 k번째 5분간 하방향 카콜 발생수, FUCC[k][i] 는 당일의 i층에 k번째 5분간 상방향 카콜 발생수, FDCC[k][i] 는 당일의 i층에 k번째 5분간 하방향 카콜 발생수이다.However, SFUCC [k] [i] is the number of occurrences of upward charcoal for the ikth 5th minute in the i layer of statistics. k] [i] is the number of uplink k-car generation for the kth 5th minute on the i-layer of the day, and FDCC [k] [i] is the number of down-call coal generation for the kth 5th minute on the i-layer of the day.

또한, 예측 승차 부하에 대한 통계 데이터는 아래의 식(7)(8)과 같이 구하게 된다.In addition, statistical data on the predicted riding load are obtained as shown in Equations (7) and (8) below.

SFUIW[k][i] = {3*SFUIW[k][i] + FUIW[k][i]}/4 ----- (7)SFUIW [k] [i] = {3 * SFUIW [k] [i] + FUIW [k] [i]} / 4 ----- (7)

SFDIW[k][i] = {3*SFDIW[k][i] + FDIW[k][i]}/4 ----- (8)SFDIW [k] [i] = {3 * SFDIW [k] [i] + FDIW [k] [i]} / 4 ----- (8)

단, SFUIW[k][i] 는 통계의 i층에 k번째 5분간 상방향 승차 부하, SFDIW[k][i] 는 통계의 i층에 k번째 5분간 하방향 승차 부하, FUIW[k][i] 는 당일의 i층에 k번째 5분간 상방향 승차 부하, FDIW[k][i] 는 당일의 i층에 k번째 5분간 하방향 승차 부하이다.However, SFUIW [k] [i] is the upward riding load for the kth 5th minute on the i floor of statistics, and SFDIW [k] [i] is the downward riding load for the kth 5 minute on the i floor of statistics, FUIW [k] [i] is the upward riding load on the i th floor of the day for 5th k, and FDIW [k] [i] is the downward riding load on the i th floor of the day.

마찬가지로 예측 하차 부하에 대한 통계 데이터는 아래의 식(9)(10)과 같이 구하게 된다.Similarly, statistical data on predicted offload loads are obtained as in Equation (9) 10 below.

SFUOW[k][i] = {3*SFUOW[k][i] + FUOW[k][i]}/4 ----- (9)SFUOW [k] [i] = {3 * SFUOW [k] [i] + FUOW [k] [i]} / 4 ----- (9)

SFDOW[k][i] = {3*SFDOW[k][i] + FDOW[k][i]}/4 ----- (10)SFDOW [k] [i] = {3 * SFDOW [k] [i] + FDOW [k] [i]} / 4 ----- (10)

단, SFUOW[k][i] 는 통계의 i층에 k번째 5분간 상방향 하차 부하, SFDOW[k][i] 는 통계의 i층에 k번째 5분간 하방향 하차 부하, FUOW[k][i] 는 당일의 i층에 k번째 5분간 상방향 하차 부하, FDOW[k][i] 는 당일의 i층에 k번째 5분간 하방향 하차 부하이다.However, SFUOW [k] [i] is the kth 5 minute upward load on the i floor of statistics, SFDOW [k] [i] is the kth 5 minute downward load on the i floor of statistics, FUOW [k] [i] is a k-minute down load on the i-layer on the day, and FDOW [k] [i] is a k-minute down-load on the i-layer on the day.

상기와 같이 통계 처리부(112)에서 통계 데이터를 생성하면 학습 데이터 작성부(113)는 층별, 시간별로 분류하여 예측 승강장콜 발생 확률, 예측 카콜 발생 확률, 예측 승차 부하 및 예측 하차 부하 등의 예측 데이터를 생성하게 된다.When the statistical processing unit 112 generates the statistical data as described above, the training data generator 113 classifies the prediction data such as the predicted landing call occurrence probability, the predicted car call occurrence probability, the predicted ride load and the predicted get off load by classifying the floors and the time. Will generate

이에 따라, 출력 처리부(114)는 통계치 작성부(113)에서 표로 작성된 예측 데이터를 승장/할당 회로(105)에 출력하여 할당 연산을 위한 데이터로 이용하도록 한다.Accordingly, the output processor 114 outputs the predicted data tabulated by the statistical value creating unit 113 to the boarding / assigning circuit 105 to use the data for the assignment operation.

그러나, 종래의 기술에서의 학습 방법은 과거에 발생하였던 교통 상황에 대한 단순한 통계이다.However, the learning method in the prior art is simply statistics on the traffic situation that has occurred in the past.

예를 들어, 승장콜 발생 확률을 구할 때의 사용되는 입력 데이터는 단지 과거의 승장콜 발생수로 현재와 과거의 다른 교통 상황이 고려되고 있지 않다.For example, the input data used when calculating the probability of occurrence of a boarding call is only the number of boarding call occurrences in the past, and the current and past traffic conditions are not considered.

예측 카콜 발생 확률도 역시 사용되는 입력 데이터는 과거의 카콜 발생확률 뿐이며 어느 층이 할당이 되어 있기 때문에 어느 층에 카콜이 발생할 확률이 높다는 등의 다른 교통 상황이 고려되고 있지 않다.The input data that is also used for the predicted probability of occurrence of coal is only the probability of the occurrence of the past, and other traffic conditions are not taken into consideration, such as the probability of the occurrence of charcoal on any floor since the floor is assigned.

따라서, 종래에는 단순한 통계로 만들어진 각종 제어신호만으로는 시시각각으로 변화하고 있는 교통 상황에 유연하게 대응할 수 없는 단점이 있다.Therefore, in the related art, only various control signals made of simple statistics cannot flexibly cope with traffic conditions that are constantly changing.

본 발명은 종래의 문제점을 개선하기 위하여 예측 승장콜 발생확률, 예측 카콜 발생확률, 할당층의 예측승차 부하 그리고 카콜이 등록된 층의 예측 하차 부하 등을 예측하여 교통 상황을 정확히 예측하고 변화하는 교통 상황에 유연하게 대응함으로써 운전 효율을 향상시키도록 창안한 엘리베이터 군관리 시스템의 운행 패턴 예측 장치를 제공함에 목적이 있다.The present invention accurately predicts the traffic situation by predicting prediction probability of occurrence of escalation call, probability of occurrence of predicted charcoal, predicted ride load of assigned floor and predicted unloading load of floor where the car is registered. It is an object of the present invention to provide an apparatus for predicting a running pattern of an elevator group management system, which is designed to flexibly respond to a situation and improve driving efficiency.

도 1은 일반적인 군관리 엘리베이터 시스템의 블럭도.1 is a block diagram of a typical military management elevator system.

도 2는 종래의 학습 회로를 보인 블럭도.2 is a block diagram showing a conventional learning circuit.

도 3은 본 발명의 실시예에서 학습 회로를 보인 블럭도.3 is a block diagram illustrating a learning circuit in an embodiment of the invention.

도 4은 본 발명에 따른 예측 승장콜 발생 확률 연산 신경망을 보인 블럭도.Figure 4 is a block diagram showing a neural network predictive probability call generation probability calculation in accordance with the present invention.

도 5는 본 발명에 따른 예측 카콜 발생확률 연산 신경망을 보인 블럭도.Figure 5 is a block diagram showing a neural network predictive probability generation probability predicted according to the present invention.

도 6은 본 발명에 따른 예측 승차부하 연산 신경망을 보인 블럭도.Figure 6 is a block diagram showing a predicted ride load calculation neural network in accordance with the present invention.

도 7은 본 발명에 따른 예측 하차부하 연산 신경망을 보인 블럭도.7 is a block diagram showing a predictive underload computing neural network according to the present invention.

도 8은 본 발명에 따른 예측 데이터 작성 프로그램을 위한 신호 흐름도.8 is a signal flow diagram for a prediction data generating program according to the present invention.

도 9는 본 발명에 따른 결합계수 수정 프로그램을 보인 신호 흐름도.9 is a signal flow diagram showing a coupling coefficient correction program according to the present invention.

* 도면의 주요부분에 대한 부호 설명 *Explanation of symbols on the main parts of the drawings

101 : 카 102 : 호기 제어 블럭101 car 102 exhalation control block

103 : 홀 제어 블럭 104 : 군관리 제어 블럭103: hall control block 104: group management control block

105 : 승장/할당 회로 106 : 정보 입력 회로105: boarding / allocating circuit 106: information input circuit

107 : 정보 출력 회로 108 : 학습 회로107: information output circuit 108: learning circuit

211 : 입력 처리부 212 : 통계 처리부211: input processing unit 212: statistical processing unit

213 : 학습 데이터 작성부 214 : 출력 처리부213: training data creation unit 214: output processing unit

215 : 결합 계수 수정부 216 : 예측 데이터 작성부215: Coupling coefficient correction 216: Prediction data creation unit

221 : 입력데이터 변환기 222 : 신경 회로망221: input data converter 222: neural network

223 : 출력데이터 변환기223: output data converter

본 발명은 상기의 목적을 달성하기 위하여 엘리베이터 군관리 시스템에 구비된 학습 회로에 예측 승장콜 발생 확률, 예측 카콜 발생 확률, 예측 승차 부하, 예측 하차 부하 등의 예측 데이터를 생성하기 위한 신경 회로망을 포함하여 구성함을 특징으로 한다.The present invention includes a neural network for generating predictive data such as predicted boarding call occurrence probability, predicted call occurrence probability, predicted riding load, predicted getting off load, etc. in a learning circuit provided in an elevator group management system to achieve the above object. It is characterized by the configuration.

이하, 본 발명을 도면에 의거 상세히 설명하면 다음과 같다.Hereinafter, the present invention will be described in detail with reference to the drawings.

본 발명을 위한 엘리베이터 군관리 시스템을 도1 의 블럭도와 동일하게 구성된다.Elevator group management system for the present invention is configured in the same way as the block diagram of FIG.

도3 은 본 발명의 실시예를 보인 블럭도로서 이에 도시한 바와 같이, 정보 입력 회로(106)를 통해 입력된 정보를 전처리하여 카 위치, 운행 방향, 카 부하, 승장콜 할당층, 카콜 등록층 승장콜 계속 시간 등의 교통상태 데이터를 출력하는 입력 처리부(211)와, 이 입력 처리부(211)의 출력 데이터를 입력받아 통계적 학습을 수행하여 예측 승강장콜 발생 확률, 예측 카콜 발생 확률, 예측 승차 부하, 예측 하차 부하 등의 통계 데이터를 생성하는 통계 처리부(212)와, 예측 데이터와 상기 통계 처리부(212)에서의 통계 데이터를 입력받아 층별, 시간별로 학습 데이터를 작성하는 학습 데이터 작성부(213)와, 이 학습 데이터 작성부(213)의 출력 데이터를 승장/할당 회로(105)에 출력하는 출력 처리부(214)와, 상기 입력 처리부(211)에서의 교통 상태 데이터와 상기 통계 처리부(212)에서의 통계 데이터를 입력받아 결합 계수를 수정하는 결합 계수 수정부(215)와, 상기 결합 계수 수정부(215)에서의 결합 계수로 수정한 후 상기 입력 처리부(211)에서의 교통 상태 데이터와 상기 통계 처리부(212)에서의 통계 데이터를 연산하여 예측 데이터를 생성하고 그 예측 데이터를 상기 학습 데이터 작성부(213)에 출력하는 예측 데이터 작성부(216)로 구성한다.Figure 3 is a block diagram showing an embodiment of the present invention, as shown therein, by pre-processing the information input through the information input circuit 106, car position, driving direction, car load, boarding call allocation layer, car call registration layer An input processing unit 211 that outputs traffic state data such as a boarding call duration time, and output data of the input processing unit 211 to perform statistical learning to predict a predicted landing call occurrence probability, a predicted car call occurrence probability, and a predicted riding load And a statistical processor 212 for generating statistical data such as a predicted getting off load, and a training data generator 213 for inputting prediction data and statistical data from the statistical processor 212 and creating training data for each floor and time. And an output processing unit 214 for outputting the output data of the learning data creating unit 213 to the boarding / assigning circuit 105, the traffic state data in the input processing unit 211, and the statistical processing unit. The traffic state in the input processing unit 211 after receiving the statistical data at 212 and modifying the coupling coefficient correction unit 215 and the coupling coefficient in the coupling coefficient correction unit 215. The prediction data generator 216 generates data by calculating data and statistical data from the statistical processor 212 and outputs the prediction data to the training data generator 213.

상기 예측 데이터 작성부(216)는 각각의 예측 데이터를 생성을 위한 신경망 회로를 도4∼도7 와 같이 각기 구성하거나 결합 계수 및 입력 데이터를 가변하여 각각의 예측 데이터를 생성하기 위하여 하나의 신경망 회로로 구성한다.The prediction data generator 216 configures neural network circuits for generating respective prediction data as shown in FIGS. 4 to 7, or one neural network circuit to generate respective prediction data by varying coupling coefficients and input data. It consists of.

상기 예측 데이터 작성부(216)에 구성되는 신경망 회로는 교통 상태 데이터와 통계 데이터를 입력 데이터로 사용할 수 있는 소정 포맷으로 변환하는 입력데이터 변환기(221)와, 이 입력데이터 변환기(221)의 출력 데이터를 연산하여 예측 데이터를 생성하는 신경 회로망(222)과, 이 신경 회로망(222)에서의 예측 데이터를 승장/할당 회로(105)에서 연산할 수 있는 형태로 변환하는 출력 데이터 변환기(223)로 구성한다.The neural network circuit configured in the prediction data generator 216 includes an input data converter 221 for converting traffic state data and statistical data into a predetermined format that can be used as input data, and output data of the input data converter 221. And an output data converter 223 for converting the predictive data from the neural network 222 into a form that can be calculated by the boarding / assigning circuit 105. do.

상기 신경 회로망(222)는 입력층(222-1), 중간층(222-2), 출력층(222-3)으로 구성되어 상기 입력층(222-1)과 중간층(222-2)간은 결합 계수 w1(i,j) 의 강도로 연결되고 상기 중간층(222-2)과 출력층(222-3)간은 결합 계수 w2(j,k) 의 강도로 연결된다.The neural network 222 is composed of an input layer 222-1, an intermediate layer 222-2, and an output layer 222-3 such that a coupling coefficient between the input layer 222-1 and the intermediate layer 222-2 is obtained. The intermediate layer 222-2 and the output layer 222-3 are connected at the strength of w 1 (i, j) and the strength of the coupling coefficient w 2 (j, k).

이와같이 구성한 본 발명의 실시예에 대한 동작 및 작용 효과를 설명하면 다음과 같다.Referring to the operation and effect of the embodiment of the present invention configured as described above are as follows.

본 발명의 실시예에 적용되는 할당 방식도 종래 방식과 동일하게 예측 대기 시간의 평가치, 만원 평가치, 예보 빗나감의 평가치, 장시간 대기 승장콜 발생 평가치 등을 가산한 종합 평가치가 최소가 되는 카를 선택하여 등록된 승장콜에 서비스하도록 한다.The allocation method applied to the embodiment of the present invention also has the same minimum value as that of the conventional method. Select a car to service the registered boarding call.

이러한 할당을 위하여 본 발명에서는 학습 회로(108)에서 예측 데이터를 작성하는 동작을 부가적으로 수행하게 되며 이를 설명하면 아래와 같다.In order to make such an assignment, the present invention additionally performs an operation of creating prediction data in the learning circuit 108, which will be described below.

우선, 정보 입력부(106)를 통해 호기 제어 회로(102) 및 홀 제어 회로(103)에서의 정보가 입력되면 학습 회로(108)는 입력 처리부(211)가 전처리하여 통계 처리부(212), 결합 계수 수정부(215) 및 예측 데이터 작성부(216)에 입력시키게 된다.First, when information from the exhalation control circuit 102 and the hall control circuit 103 is input through the information input unit 106, the learning circuit 108 is preprocessed by the input processing unit 211, and the statistical processing unit 212 and the coupling coefficients. The correction unit 215 and the prediction data generator 216 are input.

상기 통계 처리부(212)는 통계적인 학습 방법으로 예측 승강장콜 발생 확률, 예측 카콜 발생 확률, 예측 승차 부하, 예측 하차 부하 등의 통계 데이터를 생성하여 학습 데이터 작성부(213), 결합 계수 수정부(215) 및 예측 데이터 작성부(216)에 출력하게 된다.The statistical processing unit 212 generates statistical data such as a predicted landing call occurrence probability, a predicted car call occurrence probability, a predicted riding load, a predicted getting off load, and the like by using a statistical learning method. 215 and the predictive data generating unit 216.

상기 결합 계수 수정부(215)는 입력 처리부(211)에서의 출력 데이터와 통계 처리부(212)에서의 통계 데이터를 입력으로 결합 계수를 수정하여 예측 데이터 작성부(216)에 출력하게 된다.The coupling coefficient correction unit 215 modifies the coupling coefficients by inputting the output data of the input processing unit 211 and the statistical data of the statistical processing unit 212 and outputs them to the prediction data generator 216.

이때, 예측 데이터 작성부(216)는 신경 회로망(222)의 결합 계수를 결합 계수 수정부(215)에서의 결합 계수로 수정하고 입력 처리부(211)에서의 교통 상태 데이터와 통계 처리부(212)의 통계 데이터를 상기 신경 회로망(222)에서 연산하여 예측 데이터를 생성하게 된다.At this time, the prediction data generator 216 modifies the coupling coefficients of the neural network 222 to the coupling coefficients in the coupling coefficient correction unit 215, and the traffic state data and the statistical processing unit 212 of the input processing unit 211 are adjusted. Statistical data is calculated in the neural network 222 to generate predictive data.

즉, 예측 데이터 작성부(216)는 입력 데이터 변환기(221)가 카 위치, 운행 방향, 카 부하, 승장콜 할당층, 카콜 등록층 승장콜 계속 시간 등 교통상태 데이터와 통계의 승차 부하, 통계의 하차 부하, 통계의 승장콜 발생수, 통계의 카콜 발생수 등 통계 데이터를 받아 들여 입력 데이터로 사용할 수 있도록 변환시키고 신경 회로망(222)에서 상기 입력 데이터 변환기(221)에서의 출력 데이터를 병렬 처리하여 예측 데이터를 생성하며 출력 데이터 변환기(223)가 상기 신경 회로망(222)의 출력 데이터를 승장/할당 회로(105)에서 도착 예상 시간 연산과 평가치 연산에 사용할 수 있는 형태로 변환시키게 된다.That is, the predictive data preparing unit 216 allows the input data converter 221 to display the traffic load and statistics of traffic state data and statistics such as car position, driving direction, car load, boarding call allocation floor, and car call registration floor boarding call duration. It accepts the statistical data such as getting off load, the number of call incidences of statistics, the number of occurrences of the number of calls of statistics, and converts it to be used as input data, and the neural network 222 processes the output data of the input data converter 221 in parallel The predictive data is generated, and the output data converter 223 converts the output data of the neural network 222 into a form that can be used in the boarding / assigning circuit 105 for the expected arrival time calculation and the evaluation value calculation.

상기와 같은 동작을 수행하는 예측 데이터 작성부(216)는 도4∼도7 의 블럭도와 같은 각각의 신경 회로망을 구비하거나 하나의 신경 회로망만을 구비하여 예측 승장콜 발생 확률, 예측 카콜 발생 확률, 예측 승차 부하 및 예측 하차 부하를 생성하게 된다.The prediction data generator 216 performing the above operation includes the neural network as shown in the block diagrams of FIGS. Ride load and predicted drop load are generated.

상기 신경 회로망(222)은 입력 데이터 변환기(221)에서 변환된 데이터를 입력 데이터로 받아 들이는 입력층(222-1)과, 예측 데이터에 해당하는 데이터를 출력하는 출력층(222-3)과, 상기 입력층(222-1)과 출력층(222-3)사이에 각각의 결합 계수로 연결되는 중간층(222-2)으로 구성함을 특징으로 한다.The neural network 222 may include an input layer 222-1 which receives data converted by the input data converter 221 as input data, an output layer 222-3 which outputs data corresponding to prediction data, and The intermediate layer 222-2 is connected between the input layer 222-1 and the output layer 222-3 by respective coupling coefficients.

만일, 상기 신경 회로망(222)의 입력층(222-1), 중간층(222-2), 출력층(222-3)이 서로 임의의 결합 계수를 가지는 N1,N2,N3 개의 노드로 연결되어 있다고 가정하면 입력층(222-1) 노드의 갯수 N1 은 입력 데이터 변환기(221)에서 받아 들이는 데이터의 종류와 수에 의해 정해지며, 출력층(222-3) 노드의 갯수 N3 는 건물의 층수에 의해 결정되며 중간층(222-2) 노드의 갯수 N2 는 상기 입력층(222-1) 노드의 갯수(N1)와 출력층(222-3) 노드의 갯수(N3) 그리고, 엘리베이터의 설치 환경(건물 층수, 카 댓수 등등)에 의해 결정된다.If it is assumed that the input layer 222-1, the intermediate layer 222-2, and the output layer 222-3 of the neural network 222 are connected to each other by N1, N2, N3 nodes having arbitrary coupling coefficients. The number N1 of nodes of the input layer 222-1 is determined by the type and number of data received by the input data converter 221, and the number N3 of nodes of the output layer 222-3 is determined by the number of floors of the building. The number N2 of the intermediate layer 222-2 nodes is the number N1 of the input layer 222-1 nodes and the number N3 of the output layer 222-3 nodes, and the installation environment of the elevator (building floor number, car). Number, etc.)

예를 들어, 변수 i=1,2,3,...,N1, j=1,2,3,...,N2, k=1,2,3,...,N3 라고 할 때 입력층(222-1)의 제i 번째 노드의 입력값과 출력값은 x1(i)와 y1(i), 중간층(222-2)의 제j 번째 노드의 입력값과 출력값은 x2(j)와 y2(j), 출력층(222-3)의 제k 번째 노드의 입력값과 출력값은 x3(k)와 y3(k), 상기 입력층(222-1)의 제i 번째 노드와 중간층(222-2)의 제j 번째 노드의 결합 계수를 w1(i,j) 그리고, 상기 중간층(222-2)의 제j 번째 노드와 출력층(222-3)의 제k 번째 노드의 결합 계수를 w2(j,k) 라고 가정하면 각 층에 대해서 상기 입력층(222-1), 중간층(222-2) 및 출력층(222-3)에 대한 입력값과 출력값의 관계를 나타내면 아래의 식(11)∼식(15)와 같다.For example, if the variable i = 1,2,3, ..., N1, j = 1,2,3, ..., N2, k = 1,2,3, ..., N3 The input and output values of the i th node of the layer 222-1 are x1 (i) and y1 (i), and the input and output values of the j th node of the middle layer 222-2 are x2 (j) and y2. (j), the input value and output value of the k th node of the output layer 222-3 are x3 (k) and y3 (k), and the i th node and the intermediate layer 222-2 of the input layer 222-1. The coupling coefficients of the j th node of the node w1 (i, j) and the coupling coefficients of the j th node of the intermediate layer 222-2 and the k th node of the output layer 222-3 are set to w2 (j, Assuming k), the relationship between the input value and the output value for the input layer 222-1, the intermediate layer 222-2, and the output layer 222-3 is shown for each layer. Same as 15).

------- (11)

------- (12)

------- (13)

------- (14)

------- (15)

단, 결합 계수는

,

인 제한 조건을 갖는다.Provided that the coupling coefficient

,

Phosphorus has constraints.

상기 식(11)∼식(15)와 같은 연산으로 예측 데이터를 작성하는 과정은 도8 의 신호 흐름도와 동일하게 수행되며 이를 상세히 설명하면 다음과 같다.The process of creating the predictive data by the same operation as in Equation (11) to Equation (15) is performed in the same manner as in the signal flow diagram of FIG. 8.

즉, 승장/할당 회로(105)에서 작성된 카 위치, 운행 방향, 최종 승장 응답 후 계속 시간 등의 데이터와 학습 회로(108)에서 작성된 5분간 승차 부하, 5분간 승장콜 발생수 등의 통계 데이터는 예측 승장콜 발생 확률을 연산하는 신경망에서 사용할 수 있도록 입력 데이터 변환기(221)에서 x1(1)∼x1(N1) 으로 변환된다.That is, data such as the car position, driving direction, duration time after the last boarding response, and the five-minute riding load and the five-minute boarding call occurrences generated by the learning circuit 108 are provided. The input data converter 221 is converted into x1 (1) to x1 (N1) for use in the neural network for calculating the predicted rise call probability.

이때, 입력층(222-1)은 각각의 변환 데이터 x1(1)∼x1(N1) 를 입력으로 상기 식(11)과 같은 연산을 수행하여 출력값 y(1)∼y1(N1) 을 얻는다.At this time, the input layer 222-1 performs the same operation as the above formula (11) with input of the converted data x1 (1) to x1 (N1) to obtain output values y (1) to y1 (N1).

그리고, 식(11)과 같은 연산으로 얻어진 입력층(222-1)의 출력값 y1(i)에 결합 계수 w1(i,j)를 곱하고 이 값을 변수 i=1∼N1 에 대해 합하여 식(12)와 같이 중간층(222-2)에 대한 입력값 x2(1)∼x2(N2) 를 얻는다.Then, the output value y1 (i) of the input layer 222-1 obtained by the same operation as in formula (11) is multiplied by the coupling coefficient w1 (i, j), and this value is added to the variables i = 1 to N1 to add the formula (12). ), Input values x2 (1) to x2 (N2) for the intermediate layer 222-2 are obtained.

이어서, 중간층(222-2)에서 각 입력값 x2(1)∼x2(N2) 을 상기 식(13)과 같이 연산하여 출력값 y2(1)∼y2(N2) 를 얻는다.Subsequently, the input values x2 (1) to x2 (N2) are calculated in the intermediate layer 222-2 as in the above formula (13) to obtain output values y2 (1) to y2 (N2).

이때, 중간층(222-2)의 출력값 y2(j)에 결합 계수 w2(j,k) 를 곱하여 이 값을 변수 j=1∼N2 에 대해 합하여 식(14)와 같이 출력층(222-3)의 각각의 입력값 x3(1)∼x3(N3) 을 얻는다.At this time, the output value y2 (j) of the intermediate layer 222-2 is multiplied by the coupling coefficient w2 (j, k), and this value is added to the variables j = 1 to N2 to obtain the output layer 222-3 as shown in Equation (14). Each input value x3 (1) to x3 (N3) is obtained.

이에 따라, 출력층(222-3)에서 각각의 입력값 x3(1)∼x3(N3) 을 상기 식(15)와 같은 연산을 수행하여 출력값 y3(1)∼y3(N3) 을 얻는다.Accordingly, in the output layer 222-3, the respective input values x3 (1) to x3 (N3) are operated in the same manner as in Equation (15) to obtain output values y3 (1) to y3 (N3).

이 후, 출력 데이터 변환기(223)가 신경 회로망(222)에서의 출력값 y3(1)∼y3(N3) 을 할당에 필요한 예측 데이터로 변환하여 승장/할당 회로(105)에 출력하게 된다.Thereafter, the output data converter 223 converts the output values y3 (1) to y3 (N3) from the neural network 222 into predictive data for allocation and outputs them to the boarding / assigning circuit 105.

한편, 예측 데이터 작성부(216)가 교통 상태 데이터와 통계 데이터를 입력받아 결합 계수 w1(i,j), w2(j,k)에 의해서 원하는 예측 데이터를 결정함에 있어 상기 결합 계수 w1(i,j), w2(j,k) 의 값은 백-프로퍼게이션법에 의해 적절히 수정되며 그 과정은 도9 의 신호 흐름도와 동일하게 수행되어진다.Meanwhile, the prediction data generator 216 receives the traffic state data and the statistical data and determines the desired prediction data by the coupling coefficients w1 (i, j) and w2 (j, k). j), the values of w2 (j, k) are appropriately modified by the back-propagation method and the process is performed in the same manner as the signal flow chart of FIG.

우선, 결합 계수 w1(i,j), w2(j,k) 를 수정할 시기와 조건이 만족되는지 판단하여 수정할 시기와 조건이 만족되지 않으면 수정 프로그램을 종료하고 수정할 시기와 조건이 만족되면 결합 계수 w1(i,j), w2(j,k) 의 초기화가 필요한지 판단하여 초기화가 필요한 경우 결합 계수의 초기화를 수행하며 필요하지 않은 경우 현재의 결합 계수를 유지한다.First, determine when and when to modify the coupling coefficients w1 (i, j), w2 (j, k), and terminate when the modifications are not satisfied. It is determined whether initialization of (i, j), w2 (j, k) is necessary, and initialization of the coupling coefficient is performed when initialization is required, and the current coupling coefficient is maintained if not necessary.

이 후, 패턴별 입력 데이터 x1(1)∼x1(N1) 과 출력 데이터 y3(1)∼y3(N3) 및 실제로 얻어진 데이터로부터 얻어진 실측 데이터 y(1)∼y(N3) 를 작성한다.Thereafter, input data x1 (1) to x1 (N1) for each pattern, output data y3 (1) to y3 (N3), and actual measurement data y (1) to y (N3) obtained from the data actually obtained are created.

다음으로 중간층(222-2)과 출력층(222-3)간의 결합 계수 w2(j,k) 를 수정하기 위하여 아래의 과정으로 실행한다.Next, in order to modify the coupling coefficient w2 (j, k) between the intermediate layer 222-2 and the output layer 222-3, the following process is performed.

먼저, 패턴별로 학습용 데이터중에서 얻은 출력층(222-3)의 출력값 y3(1)∼y3(N3) 과 실측 데이터 y(1)∼y(N3) 의 오차(E)를 아래의 식(16)과 같이 구한다.First, the error E between the output values y3 (1) to y3 (N3) and the measured data y (1) to y (N3) of the output layer 222-3 obtained from the training data for each pattern is expressed by the following equation (16). Get together.

--------- (16)

k=1,2,...,N3k = 1,2, ..., N3

이때, 오차(E)를 결합 계수 w2(j,k)로 미분하고 식(11)∼식(15)를 사용하여 결합 계수 w2(j,k)의 변화량

w2(j,k) 을 아래의 식(17)과 같이 구한다.At this time, the error E is differentiated by the coupling coefficient w2 (j, k) and the amount of change of the coupling coefficient w2 (j, k) using equations (11) to (15).

w2 (j, k) is obtained as in Equation 17 below.

------- (17)

단,

는 학습 속도를 나타내는 상수로서 '0∼1'의 범위내에서 적당히 선택하며

이다.only,

Is a constant that indicates the learning speed and is appropriately selected within the range of '0 to 1'.

to be.

다음으로 중간층(222-2)과 출력층(222-3)간의 결합 계수 w2(j,k)를 구하는 식을 아래의 식(18)과 같이 작성하게 된다.Next, an equation for obtaining the coupling coefficient w2 (j, k) between the intermediate layer 222-2 and the output layer 222-3 is prepared as in Equation (18) below.

w2(j,k)

w2(j,k) +

w2(j,k) --------- (18)w2 (j, k)

w2 (j, k) +

w2 (j, k) --------- (18)

이에 따라, 상기 식(18)과 같은 연산으로 중간층(222-2)과 출력층(222-3)의 결합 계수 w2(j,k) 를 구하여 오차(E)를 줄이게 된다.Accordingly, the coupling coefficients w 2 (j, k) of the intermediate layer 222-2 and the output layer 222-3 are calculated by the same operation as in Equation (18), thereby reducing the error E.

다음으로, 입력층(222-1)과 중간층(222-2) 사이의 결합 계수 w1(i,j)를 수정하기 위하여 그 결합 계수 w1(j,k) 의 변화량

w1(j,k) 을 아래의 식(19)와 같이 구하게 된다.Next, the amount of change in the coupling coefficient w1 (j, k) in order to correct the coupling coefficient w1 (i, j) between the input layer 222-1 and the intermediate layer 222-2.

w1 (j, k) is obtained as in Equation (19) below.

------ (19)

단,

이다.only,

to be.

다음으로 입력층(222-1)과 중간층(222-2)의 결합 계수 w1(i,j) 를 구하는 식을 아래의 식(20)과 같이 작성한다.Next, the equation for obtaining the coupling coefficient w1 (i, j) of the input layer 222-1 and the intermediate layer 222-2 is prepared as shown in Equation (20) below.

w1(i,j)

w1(i,j) +

w1(i,j) --------- (20)w1 (i, j)

w1 (i, j) +

w1 (i, j) --------- (20)

이에 따라, 상기 식(20)을 이용하여 입력층(222-1)과 중간층(222-2)간의 결합 계수 w1(i,j)를 수정한다.Accordingly, the coupling coefficient w1 (i, j) between the input layer 222-1 and the intermediate layer 222-2 is modified using Equation (20).

이 후, 전체 학습 패턴에 대해서 반복 횟수만큼 예측 데이터 생성을 반복하였는가를 판단하여 반복 횟수가 끝나지 않았으면 패턴별 입력 데이터와 출력 데이터 및 실측 데이터의 작성 단계로 진행하여 동일한 과정을 반복하고 반복 횟수가 끝났으면 실제로 사용하는 결합 계수를 수정한다.After that, it is determined whether the prediction data generation is repeated as many times as the number of repetitions for the entire learning pattern. If the number of repetitions is not completed, the process proceeds to the step of creating input data, output data, and actual measurement data for each pattern. When you are done, modify the coupling factor that you are actually using.

상기에서 신경 회로망(222)의 입력 데이터는 기존의 입력 데이터 이외에 건물의 특수한 상황(층별 인원수 등)과 카의 상태(주행중, 감속중, 가속중, 정지중 등)와 엘리베이터 도어의 상태(개문중, 폐문중 등)를 추가할 수 있고 또한, 학습 데이터의 통계 시간은 5분간이 아닌 1분간, 3분간 또는 10분간으로 설정할 수 있으며 교통량이 비슷한 시간대별로 할 수도 있다.In the above, the input data of the neural network 222 is in addition to the existing input data, the building's special situation (number of floors, etc.), the state of the car (driving, decelerating, accelerating, stopping, etc.) and the state of the elevator door (opening). , The closing time, etc.), and the statistical time of the learning data can be set to 1 minute, 3 minutes or 10 minutes instead of 5 minutes, and the traffic time can be similar.

그리고, 결합 계수를 수정함에 있어서도 입력 패턴의 수와 오차를 줄이기 위한 반복 횟수를 임의로 적절히 변경할 수 있다.Also, in modifying the coupling coefficient, the number of input patterns and the number of repetitions for reducing errors can be arbitrarily changed appropriately.

그리고, 신경 회로망(222)의 중간층의 갯수를 2개 이상으로 구성할 수 있다.And, the number of intermediate layers of the neural network 222 can be configured with two or more.

상기에서 상세히 설명한 바와 같이 본 발명은 패턴별로 예측 승장콜 발생 확률, 예측 카콜 발생 확률, 예측 승차 부하, 예측 하차 부하 등을 정확히 예측할 수 있고 건물내의 교통 흐름의 변화에도 자동적으로 대응할 수 있기 때문에 예측 대기 시간, 만원 평가치, 방향 반전 예정층, 카내의 혼잡도 등을 정확히 계산할 수 있어 운전 효율의 향상, 대기 시간의 단축, 오보 발생의 억제, 카내 승객의 서비스 만족도 향상 등을 기대할 수 있는 효과가 있다.As described in detail above, the present invention can accurately predict a predicted boarding call occurrence probability, a predicted car call occurrence probability, a predicted riding load, a predicted getting off load, and the like for each pattern, and can automatically respond to changes in traffic flows in a building, thus waiting for a prediction. Time, full-scale evaluation value, direction reversal planned floor, and congestion in the car can be calculated accurately, which can improve driving efficiency, shorten waiting time, reduce misinformation, and improve passenger satisfaction in the car.

Claims

승강장 호출을 등록 및 그 승강장 호출에 대해 카를 할당하는 승장/할당 회로에 전송하기 위한 운행 패턴에 따른 예측 데이터를 학습하는 학습 회로를 포함하는 군관리 제어 블럭을 구비한 엘리베이터 군관리 시스템에 있어서, 상기 학습 회로는 카 운행에 따른 카 위치, 운행 방향, 카 부하, 승장콜 할당층, 카콜 등록층 승장콜 계속 시간 등의 교통상태 데이터를 전처리하는 입력 처리부와, 이 입력 처리부의 출력 데이터를 입력받아 통계적 학습을 통해 예측 승강장콜 발생 확률, 예측 카콜 발생 확률, 예측 승차 부하, 예측 하차 부하 등의 통계 데이터를 생성하는 통계 처리부와, 예측 데이터와 상기 통계 처리부에서의 통계 데이터를 입력받아 층별, 시간별로 학습 데이터를 작성하는 학습 데이터 작성부와, 이 학습 데이터 작성부의 출력 데이터를 상기 승장/할당 회로에 출력하는 출력 처리부와, 상기 입력 처리부에서의 교통 상태 데이터와 상기 통계 처리부에서의 통계 데이터를 입력받아 결합 계수를 수정하는 결합 계수 수정부와, 상기 입력 처리부에서의 교통 상태 데이터와 상기 통계 처리부에서의 통계 데이터를 상기 결합 계수 수정부에서 수정된 결합 계수에 따라 연산하여 예측 데이터를 생성하고 그 생성된 예측 데이터를 상기 학습 데이터 작성부에 전송하는 예측 데이터 작성부를 포함하여 구성함을 특징으로 하는 엘리베이터 군관리 시스템의 운행 패턴 예측 장치.An elevator group management system having a military management control block comprising a learning circuit for learning prediction data according to a driving pattern for registering a landing call and transmitting the landing call to a landing / allocation circuit for allocating a car to the landing call. The learning circuit includes an input processing unit for preprocessing traffic state data such as car position, driving direction, car load, boarding call allocation layer, and car call registration floor boarding call duration according to car driving; A statistical processor for generating statistical data such as predicted landing call occurrence probability, predicted car call occurrence probability, predicted riding load, and predicted discharging load through learning, and receiving prediction data and statistical data from the statistical processing unit and learning by floor and time. Learning data creation part which creates data and output data of this learning data creation part are mentioned above. An output processing unit for outputting to the boarding / assignment circuit, a coupling coefficient correction unit for receiving the traffic state data from the input processing unit and the statistical data from the statistical processing unit, and modifying the coupling coefficient, and the traffic state data from the input processing unit; And a prediction data generator for generating prediction data by calculating the statistical data in the statistical processing unit according to the coupling coefficient modified by the coupling coefficient correction unit and transmitting the generated prediction data to the learning data generator. Operation pattern prediction apparatus of the elevator group management system characterized in that.

제1항에 있어서, 예측 데이터 작성부는 카의 위치, 운행 방향, 현재 부하, 할당층, 카콜 등록층, 승장콜 계속 시간, 승장콜 미등록 계속 시간, 통계의 5분간 승차 부하, 통계의 5분간 하차 부하, 통계의 5분간 승장콜 발생수 등의 교통 데이터를 신경망의 입력 데이터로서 사용할 수 있는 형태로 변환하는 입력 데이터 변환기와, 이 입력 데이터 변환기의 출력 데이터를 연산하여 예측 승장콜 발생 확률, 예측 카콜 발생 확률, 예측 승차 부하 및 예측 하차 부하에 상당하는 예측 데이터를 생성하기 위하여 하나 또는 복수의 독립된 신경망으로 이루어진 신경 회로망과, 이 신경 회로망에서 생성된 예측 데이터를 상기 승장/할당 회로에서 처리할 수 있는 형태로 변환하는 출력 데이터 변환기로 구성함을 특징으로 하는 엘리베이터 군관리 시스템의 운행 패턴 예측 장치.According to claim 1, Predictive data generation unit car position, driving direction, current load, assigned floor, car call registration layer, boarding call duration time, boarding call non-registration duration, 5 minutes riding load of statistics, 5 minutes of statistics get off An input data converter that converts traffic data such as load and statistics for 5 minutes of call occurrences into a form that can be used as input data of a neural network, and calculates output data of the input data converter to predict probability of occurrence of a boarding call and a predicted call. In order to generate the predictive data corresponding to the probability of occurrence, the predicted riding load and the predicted getting off load, a neural network composed of one or a plurality of independent neural networks and the prediction data generated by the neural network can be processed in the boarding / assigning circuit. An example of the operation pattern of an elevator group management system, characterized by comprising an output data converter for converting to a form Device.

제1항에 있어서, 결합 계수 수정부는 백-프로퍼게이션(Back-Propagation) 법을 이용하여 결합 계수를 수정하는 것을 특징으로 하는 엘리베이터 군관리 시스템의 운행 패턴 예측 장치.The apparatus of claim 1, wherein the coupling coefficient correcting unit modifies the coupling coefficient by using a back-propagation method.