KR100246742B1 - 엘리베이터 군관리 시스템의 운행 패턴 예측 장치 - Google Patents
엘리베이터 군관리 시스템의 운행 패턴 예측 장치 Download PDFInfo
- Publication number
- KR100246742B1 KR100246742B1 KR1019970044049A KR19970044049A KR100246742B1 KR 100246742 B1 KR100246742 B1 KR 100246742B1 KR 1019970044049 A KR1019970044049 A KR 1019970044049A KR 19970044049 A KR19970044049 A KR 19970044049A KR 100246742 B1 KR100246742 B1 KR 100246742B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- statistical
- call
- processing unit
- predicted
- Prior art date
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B1/00—Control systems of elevators in general
- B66B1/24—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration
- B66B1/2408—Control systems with regulation, i.e. with retroactive action, for influencing travelling speed, acceleration, or deceleration where the allocation of a call to an elevator car is of importance, i.e. by means of a supervisory or group controller
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B2201/00—Aspects of control systems of elevators
- B66B2201/40—Details of the change of control mode
- B66B2201/402—Details of the change of control mode by historical, statistical or predicted traffic data, e.g. by learning
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Elevator Control (AREA)
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.
Description
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.
일반적으로 복수대의 카가 병설된 엘리베이터는 군관리 운전을 한다.
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.
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.
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.
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.
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.
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.
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.
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.
평가치 연산에는 승장콜의 예측 대기 시간이 일반적으로 사용되며 그외에 만원 평가치, 예보 빗나감의 예측 평가치, 장시간 대기 승장콜 발생 억제 평가치 등도 고려되고 있다.
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.
단, i 는 층을 나타내며, tH는 승장콜이 등록되어 있는 층의 정지 시간으로 보통 10초를 사용하고, tC는 카콜이 등록되어 있는 층의 정지 시간으로 보통 10초 이하의 값을 사용한다.
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.
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.
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.
상기와 같이 구한 예측 대기 시간을 종합 평가치에 적용시킬 때에는 심리적 대기 시간 평가 방법을 사용한다.
심리적 대기 시간 평가 방법이란 예측 대기 시간을 홀에서 기다리는 승객의 조급도(심리적 초조감)로 환산한 것이다.
한편, 엘리베이터의 안전 운행을 위하여 상기 승장/할당 회로(105)는 층별로 예측되는 카(101) 내의 부하를 연산하여 만원 평가치를 계산하게 된다.
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.
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.
반대로, 하방으로 운행되고 있는 카에 대해서도 상기 식(2)로 나타낼 수 있다.
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.
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.
통계적인 학습은 학습 회로(108)에서 수행된다.
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.
이와같은 종래 기술의 동작 과정을 설명하면 다음과 같다.
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.
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.
상기 예측 승장콜 발생 확률은 통계의 데이터와 당일의 데이터에 대해 3:1 의 비중을 두는 값으로 나타낼 수 있다.
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.
SFUHC[k][i] = {3*SFUHC[k][i] + FUHC[k][i]}/4 ----- (3)
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.
마찬가지로 예측 카콜 발생 확률에 대한 통계 데이터는 아래의 식(5)(6)과 같이 구하게 된다.
SFUCC[k][i] = {3*SFUCC[k][i] + FUCC[k][i]}/4 ----- (5)
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.
또한, 예측 승차 부하에 대한 통계 데이터는 아래의 식(7)(8)과 같이 구하게 된다.
SFUIW[k][i] = {3*SFUIW[k][i] + FUIW[k][i]}/4 ----- (7)
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.
마찬가지로 예측 하차 부하에 대한 통계 데이터는 아래의 식(9)(10)과 같이 구하게 된다.
SFUOW[k][i] = {3*SFUOW[k][i] + FUOW[k][i]}/4 ----- (9)
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.
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.
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.
그러나, 종래의 기술에서의 학습 방법은 과거에 발생하였던 교통 상황에 대한 단순한 통계이다.
예를 들어, 승장콜 발생 확률을 구할 때의 사용되는 입력 데이터는 단지 과거의 승장콜 발생수로 현재와 과거의 다른 교통 상황이 고려되고 있지 않다.
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.
따라서, 종래에는 단순한 통계로 만들어진 각종 제어신호만으로는 시시각각으로 변화하고 있는 교통 상황에 유연하게 대응할 수 없는 단점이 있다.
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.
도 1은 일반적인 군관리 엘리베이터 시스템의 블럭도.
도 2는 종래의 학습 회로를 보인 블럭도.
도 3은 본 발명의 실시예에서 학습 회로를 보인 블럭도.
도 4은 본 발명에 따른 예측 승장콜 발생 확률 연산 신경망을 보인 블럭도.
도 5는 본 발명에 따른 예측 카콜 발생확률 연산 신경망을 보인 블럭도.
도 6은 본 발명에 따른 예측 승차부하 연산 신경망을 보인 블럭도.
도 7은 본 발명에 따른 예측 하차부하 연산 신경망을 보인 블럭도.
도 8은 본 발명에 따른 예측 데이터 작성 프로그램을 위한 신호 흐름도.
도 9는 본 발명에 따른 결합계수 수정 프로그램을 보인 신호 흐름도.
* 도면의 주요부분에 대한 부호 설명 *
101 : 카 102 : 호기 제어 블럭
103 : 홀 제어 블럭 104 : 군관리 제어 블럭
105 : 승장/할당 회로 106 : 정보 입력 회로
107 : 정보 출력 회로 108 : 학습 회로
211 : 입력 처리부 212 : 통계 처리부
213 : 학습 데이터 작성부 214 : 출력 처리부
215 : 결합 계수 수정부 216 : 예측 데이터 작성부
221 : 입력데이터 변환기 222 : 신경 회로망
223 : 출력데이터 변환기
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.
이하, 본 발명을 도면에 의거 상세히 설명하면 다음과 같다.
본 발명을 위한 엘리베이터 군관리 시스템을 도1 의 블럭도와 동일하게 구성된다.
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.
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.
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.
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.
이와같이 구성한 본 발명의 실시예에 대한 동작 및 작용 효과를 설명하면 다음과 같다.
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.
이러한 할당을 위하여 본 발명에서는 학습 회로(108)에서 예측 데이터를 작성하는 동작을 부가적으로 수행하게 되며 이를 설명하면 아래와 같다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
상기 식(11)∼식(15)와 같은 연산으로 예측 데이터를 작성하는 과정은 도8 의 신호 흐름도와 동일하게 수행되며 이를 상세히 설명하면 다음과 같다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
다음으로 중간층(222-2)과 출력층(222-3)간의 결합 계수 w2(j,k) 를 수정하기 위하여 아래의 과정으로 실행한다.
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.
k=1,2,...,N3
다음으로 중간층(222-2)과 출력층(222-3)간의 결합 계수 w2(j,k)를 구하는 식을 아래의 식(18)과 같이 작성하게 된다.
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.
다음으로, 입력층(222-1)과 중간층(222-2) 사이의 결합 계수 w1(i,j)를 수정하기 위하여 그 결합 계수 w1(j,k) 의 변화량w1(j,k) 을 아래의 식(19)와 같이 구하게 된다.
다음으로 입력층(222-1)과 중간층(222-2)의 결합 계수 w1(i,j) 를 구하는 식을 아래의 식(20)과 같이 작성한다.
이에 따라, 상기 식(20)을 이용하여 입력층(222-1)과 중간층(222-2)간의 결합 계수 w1(i,j)를 수정한다.
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.
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.
그리고, 결합 계수를 수정함에 있어서도 입력 패턴의 수와 오차를 줄이기 위한 반복 횟수를 임의로 적절히 변경할 수 있다.
그리고, 신경 회로망(222)의 중간층의 갯수를 2개 이상으로 구성할 수 있다.
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.
Claims (3)
- 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.
- 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.
- 제1항에 있어서, 결합 계수 수정부는 백-프로퍼게이션(Back-Propagation) 법을 이용하여 결합 계수를 수정하는 것을 특징으로 하는 엘리베이터 군관리 시스템의 운행 패턴 예측 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1019970044049A KR100246742B1 (ko) | 1997-08-30 | 1997-08-30 | 엘리베이터 군관리 시스템의 운행 패턴 예측 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1019970044049A KR100246742B1 (ko) | 1997-08-30 | 1997-08-30 | 엘리베이터 군관리 시스템의 운행 패턴 예측 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR19990020587A KR19990020587A (ko) | 1999-03-25 |
KR100246742B1 true KR100246742B1 (ko) | 2000-04-01 |
Family
ID=19519981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1019970044049A KR100246742B1 (ko) | 1997-08-30 | 1997-08-30 | 엘리베이터 군관리 시스템의 운행 패턴 예측 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR100246742B1 (ko) |
-
1997
- 1997-08-30 KR KR1019970044049A patent/KR100246742B1/ko not_active IP Right Cessation
Also Published As
Publication number | Publication date |
---|---|
KR19990020587A (ko) | 1999-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR940009411B1 (ko) | 엘리베이터 제어장치 | |
KR940009984B1 (ko) | 엘리베이터 제어장치 | |
US5750946A (en) | Estimation of lobby traffic and traffic rate using fuzzy logic to control elevator dispatching for single source traffic | |
KR940005947B1 (ko) | 엘리베이터의 제어장치 | |
US5841084A (en) | Open loop adaptive fuzzy logic controller for elevator dispatching | |
KR20040104601A (ko) | 탑승자 안내 시스템 및 디스플레이 장치 | |
US6315082B2 (en) | Elevator group supervisory control system employing scanning for simplified performance simulation | |
US5786550A (en) | Dynamic scheduling elevator dispatcher for single source traffic conditions | |
US5714725A (en) | Closed loop adaptive fuzzy logic controller for elevator dispatching | |
US5808247A (en) | Schedule windows for an elevator dispatcher | |
US5767460A (en) | Elevator controller having an adaptive constraint generator | |
US5786551A (en) | Closed loop fuzzy logic controller for elevator dispatching | |
US5767462A (en) | Open loop fuzzy logic controller for elevator dispatching | |
KR100246742B1 (ko) | 엘리베이터 군관리 시스템의 운행 패턴 예측 장치 | |
JPH0449183A (ja) | エレベータ制御装置 | |
JP2573722B2 (ja) | エレベータ制御装置 | |
WO2018193819A1 (ja) | エレベーター利用者移動予測方法およびエレベーター利用者移動予測装置 | |
KR100430230B1 (ko) | 엘리베이터의 군관리 제어방법 | |
JP2573723B2 (ja) | エレベータ制御装置 | |
KR900006377B1 (ko) | 엘레베이터의 군관리 제어 방법 | |
JP4357248B2 (ja) | エレベータの群管理制御装置 | |
JP2005206280A (ja) | エレベータシステム及びその群管理制御装置 | |
JP2006298577A (ja) | エレベータの群管理装置 | |
JPH03216474A (ja) | エレベータの群管理装置 | |
JP2006027858A (ja) | エレベータの群管理制御方法及び制御装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20040924 Year of fee payment: 6 |
|
LAPS | Lapse due to unpaid annual fee |