KR20180043928A - Method for predicting elevator calls using hybrid artificial intelligence learning techniques - Google Patents

Method for predicting elevator calls using hybrid artificial intelligence learning techniques Download PDF

Info

Publication number
KR20180043928A
KR20180043928A KR1020160137349A KR20160137349A KR20180043928A KR 20180043928 A KR20180043928 A KR 20180043928A KR 1020160137349 A KR1020160137349 A KR 1020160137349A KR 20160137349 A KR20160137349 A KR 20160137349A KR 20180043928 A KR20180043928 A KR 20180043928A
Authority
KR
South Korea
Prior art keywords
data
call
elevator
learning
time series
Prior art date
Application number
KR1020160137349A
Other languages
Korean (ko)
Inventor
김현
Original Assignee
현대엘리베이터주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 현대엘리베이터주식회사 filed Critical 현대엘리베이터주식회사
Priority to KR1020160137349A priority Critical patent/KR20180043928A/en
Publication of KR20180043928A publication Critical patent/KR20180043928A/en

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
    • B66B1/02—Control systems without regulation, i.e. without retroactive action
    • B66B1/06—Control systems without regulation, i.e. without retroactive action electric
    • B66B1/14—Control systems without regulation, i.e. without retroactive action electric with devices, e.g. push-buttons, for indirect control of movements
    • B66B1/18—Control systems without regulation, i.e. without retroactive action electric with devices, e.g. push-buttons, for indirect control of movements with means for storing pulses controlling the movements of several cars or cages
    • 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
    • B66B2201/20—Details of the evaluation method for the allocation of a call to an elevator car
    • B66B2201/235—Taking into account predicted future events, e.g. predicted future call inputs
    • 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

The present invention relates to a method for predicting elevator upcoming calls using a hybrid artificial intelligence learning technique, in which elevator calls occurring in the near future are predicted using an artificial intelligence technique, and the prediction is applied to a military management system, so military is efficiently controlled. To this end, in the method for predicting elevator upcoming calls using a hybrid artificial intelligence learning technique according to the present invention, the process of generating and storing learning data according to call information of an elevator system through the hybrid artificial intelligence includes: formalizing floor/time/call data from a database in which elevator call information is stored; starting the learning upon inputting the formalized floor/time/call data into an artificial neural network; filtering the inputted data by using a fuzzy logic to refine the call data which can be actually utilized; generating (predicted) time series data, which is a learned result, by outputting an artificial neural network value by calculating an error rate with respect to the call data refined through the filtering of the fuzzy logic; and storing the time series data, which is formalized while passing through the artificial neural network and the fuzzy logic, in a learning database.

Description

하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법{METHOD FOR PREDICTING ELEVATOR CALLS USING HYBRID ARTIFICIAL INTELLIGENCE LEARNING TECHNIQUES}{METHOD FOR PREDICTING ELEVATOR CALLS USING HYBRID ARTIFICIAL INTELLIGENCE LEARNING TECHNIQUES USING HYBRID AIRLITE LEARNING TECHNOLOGY}

본 발명은 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법에 관한 것으로, 보다 상세하게는 인공지능 학습 기법을 이용하여 미래에 발생할 수 있는 엘리베이터 호출을 사전에 예측하여 군관리 시스템에 적용시킬 수 있도록 한 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법에 관한 것이다.The present invention relates to an elevator future call prediction method using hybrid artificial intelligence learning technology, and more particularly, to an elevator future call prediction method using an artificial intelligence learning technique so that future elevator calls can be predicted and applied to a military management system The present invention relates to an elevator future call prediction method using a hybrid artificial intelligence learning technique.

일반적으로, 주거용도 및 업무용도 등으로 건축되는 다양한 종류의 고층 건물에는 해당 건물을 찾는 승객의 수직방향으로의 원활한 이동을 위해 엘리베이터 장치가 설치된다.      2. Description of the Related Art Generally, elevator devices are installed in various types of high-rise buildings constructed by residential and commercial roads for smooth movement of passengers looking for buildings in the vertical direction.

이때, 해당 건물에 다수 대의 엘리베이터 카가 설치되어 운행되고 있는 경우에는 엘리베이터의 운행 효율을 높이기 위해 통상적으로 군관리 운전제어가 적용되고 있으며, 이때 임의의 엘리베이터 호출에 대한 엘리베이터의 할당 방법은 현 상황에서 최적의 엘리베이터를 할당하는 방법이 사용되고 있다.      In this case, when a plurality of elevator cars are installed in the building, a group management operation control is usually applied to increase the efficiency of the elevator. In this case, the elevator allocation method for an arbitrary elevator call A method of assigning an elevator of the elevator is used.

그러나, 상술한 바와 같은 엘리베이터 군관리 운전제어가 이루어지는데 있어서, 현 상황에서 최적의 엘리베이터를 할당하는 종래의 방법에 있어서는 미래에 발생할 수 있는 다른 층의 호출을 전혀 고려하지 않게 되므로, 현 상황에서의 최적 할당 결과가 차후 할당에 나쁜 결과를 초래할 우려가 있는 문제점이 발생하게 되었다.      However, in the above-described elevator group management operation control, in the conventional method of allocating an optimal elevator in the present situation, no call of another layer that may occur in the future is taken into consideration at all, There is a fear that the optimal allocation result may lead to a bad result in the subsequent allocation.

국내 등록특허 제10-0206997호Korean Patent No. 10-0206997

따라서, 본 발명은 상기한 바와 같은 종래의 문제점을 개선하기 위하여 안출된 것으로, 그 목적은 인공지능 학습 기법을 이용하여 가까운 미래에 발생할 수 있는 엘리베이터 호출을 사전에 예측하여 군관리 시스템에 적용시켜 보다 효율적인 군관리 제어가 이루어질 수 있도록 한 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법을 제공하고자 하는 것이다.SUMMARY OF THE INVENTION Accordingly, the present invention has been made to solve the above-mentioned problems occurring in the prior art, and it is an object of the present invention to provide a method and system for predicting elevator calls, And to provide an elevator future call prediction method using hybrid artificial intelligence learning technology that enables efficient military management control.

상기한 바와 같은 목적을 달성하기 위한 본 발명에 따른 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법은, 하이브리드 인공지능을 통해 엘리베이터 시스템의 호출정보에 따른 학습 데이터가 생성 저장되는 과정은, 엘리베이터 호출 정보가 저장된 데이터베이스로부터 층/시간/호출 데이터를 정형화 하는 단계와; 상기 정형화된 층/시간/호출 데이터를 인공신경망에 입력함에 따라 학습이 시작되는 단계와; 퍼지로직으로 입력데이터를 필터링하여 실제 활용이 가능한 호출데이터를 정제하는 단계와; 상기 퍼지로직의 필터링을 통해 정제된 호출데이터에 대한 오차율 계산을 통한 인공신경망 값을 출력시켜 학습결과인 시계열데이터(예측)를 생성하는 단계 및; 상기 인공신경망과 퍼지로직을 거치면서 정형화된 시계열데이터가 학습 데이터베이스화 되어 저장되는 단계로 이루어진 것;을 특징으로 한다. According to another aspect of the present invention, there is provided an elevator future call prediction method using hybrid artificial intelligence learning technology, comprising the steps of: generating and storing learning data according to call information of an elevator system through hybrid artificial intelligence, Formatting layer / time / call data from a database in which information is stored; Starting learning by inputting the formatted layer / time / paging data into the artificial neural network; Filtering the input data with the fuzzy logic to refine the call data that can be actually utilized; Generating predicted time series data by outputting an artificial neural network value by calculating an error rate of refined call data through filtering of the fuzzy logic; Wherein the time series data formatted while passing through the artificial neural network and the fuzzy logic are stored in a learning database.

바람직하게, 상기 엘리베이터 시스템의 호출정보를 기초로 시계열데이터가 생성되는데 있어서는, 24시간을 1시간 간격으로 분할한 후 각 시간대에 각 층에서 호출되는 엘리베이터 승장 호출 수를 구함에 따라, 각 층별로 호출 발생 데이터의 분포가 특정 패턴을 이루는 시계열 구조로 형성되어 구성되는 것을 특징으로 한다.Preferably, when time series data is generated based on the calling information of the elevator system, the 24 hour is divided at intervals of one hour, and the number of elevator lift call called in each floor is obtained at each time zone, And a distribution of occurrence data is formed in a time-series structure constituting a specific pattern.

바람직하게, 상기 인공신경망과 퍼지로직을 거치면서 정형화된 시계열데이터가 학습 데이터베이스로 저장된 정보를 기초로 군관리 연산이 이루어지는데 있어서는, 임의의 층에서 신규 호출이 발생되는 경우, 다수 대의 엘리베이터의 위치를 확인한 후 상기 시계열데이터가 저장된 학습 데이터베이스를 참조하여 최적의 호기를 배정함에 따라 군관리 연산이 종료되는 것을 특징으로 한다.Preferably, when the group management operation is performed based on the information stored in the learning database, the time series data formatted while passing through the artificial neural network and the fuzzy logic, when a new call is generated in an arbitrary layer, And the group management operation is terminated by allocating the optimum expiration time with reference to the learning database in which the time series data is stored.

상기에서 설명한 바와 같이 이루어진 본 발명에 따르면, 인공지능 학습 기법을 이용하여 가까운 미래에 발생할 수 있는 엘리베이터 호출을 사전에 예측하여 기존의 엘리베이터 군관리 시스템에 적용함에 따라, 군관리 시스템의 성능을 보다 향상시킬 수 있는 효과가 있게 된다.      As described above, according to the present invention, elevator calls that can occur in the near future can be predicted in advance by using artificial intelligence learning techniques and applied to an existing elevator group management system, thereby improving the performance of the military management system There is an effect that can be made.

더 나아가 미래 예측을 통해 향후 발생할 수 있는 각 층의 콜 정보 뿐만 아니라, 승차 인원을 예측할 수도 있게 되므로, 보다 효율적인 엘리베이터의 운용이 가능한 효과도 있게 된다.      Furthermore, since it is possible to predict not only the call information of each floor that may occur in the future through future prediction, but also the number of passengers, it is possible to operate the elevator more efficiently.

도 1은 본 발명에 따른 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법을 나타내는 플로우차트이다.FIG. 1 is a flowchart illustrating an elevator future call prediction method using hybrid artificial intelligence learning technology according to the present invention.

이하, 상기한 바와 같이 구성된 본 발명에 대해 첨부도면을 참조하여 상세히 설명한다.Hereinafter, the present invention configured as described above will be described in detail with reference to the accompanying drawings.

도 1은 본 발명에 따른 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법을 나타내는 플로우차트이다.FIG. 1 is a flowchart illustrating an elevator future call prediction method using hybrid artificial intelligence learning technology according to the present invention.

먼저, 본 발명에 따른 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법은, 인공지능 학습 기법을 이용하여 가까운 미래에 발생할 수 있는 엘리베이터의 호출을 사전에 예측하고, 그 정보를 엘리베이터 군관리 시스템에 적용시켜 보다 효율적인 엘리베이터의 군관리 제어가 이루어질 수 있도록 구현된다.First, an elevator future call prediction method using a hybrid artificial intelligence learning technique according to the present invention predicts a call of an elevator that can occur in the near future by using an artificial intelligence learning technique, So that a more efficient elevator management control can be implemented.

즉, 인공 신경망 기술을 통해 과거 시간대별로 발생한 각 층에서의 엘리베이터 호출 정보를 단계별 함수 적용과정을 통해 학습하고, 상기 학습된 데이터에서 시간대별 각 층의 호출을 분석한 후, 이를 이용하여 시계열 데이터 구조를 생성한다.That is, the elevator call information in each floor generated in the past time zone through the artificial neural network technology is learned through a step-function application process, and the call of each layer is analyzed by time in the learned data, .

그리고, 인공지능 퍼지 로직을 이용하여 상기 시계열 데이터에서 분석된 호출 정보에서 실제 사용 가능한 데이터를 패턴화 함에 따라, 두 개의 인공지능 기술의 장점을 융합한 하이브리드 학습방법을 엘리베이터 군관리 시스템에 적용할 수가 있게 된다.The hybrid learning method combining the merits of the two artificial intelligence technologies can be applied to the elevator group management system by patterning the actual usable data in the call information analyzed in the time series data using the artificial intelligence fuzzy logic .

본 발명에서, 하이브리드 인공지능을 통해 엘리베이터 시스템의 호출정보에 따른 학습 데이터가 생성 저장되는 과정을 도 1을 참조하여 상세히 설명하면, 먼저 엘리베이터 호출 정보가 저장된 데이터베이스로부터 층/시간/호출 데이터를 정형화 하는 과정이 진행되게 된다(S 1).In the present invention, a process of generating and storing learning data according to call information of an elevator system through hybrid artificial intelligence will be described in detail with reference to FIG. 1. First, floor / time / call data is formatted from a database storing elevator call information (S 1).

즉, 24시간을 1시간 간격으로 시간대를 분할한 후, 각 시간대에 각 층에서 호출되는 엘리베이터 승장 호출 수를 구하게 된다.That is, after dividing the time zone at intervals of one hour for 24 hours, the number of elevator lift call called in each floor is obtained at each time zone.

예컨대, 특정 층에서 [07:00 - 08:00] 사이에 발생하는 호출 수는 α개, [08:00 - 09:00] 사이에 발생하는 호출 수는 β개 등과 같은 방식으로 특정 층에 대한 시계열(α, β, ...)을 구할 수가 있게 된다.For example, the number of calls occurring between [07:00 - 08:00] in a particular layer is α, the number of calls occurring between [08:00 - 09:00] is Time series (?,?, ...) can be obtained.

상술한 바와 같은 데이터 구조를 시계열 구조라 하는데, 상기 시계열에는 각 시간대, 주간, 길게는 년 간 발생하는 이벤트 등에 따라서 각 층별로 호출 발생 데이터의 분포가 특정 패턴을 띄게 되는데, 해당 건물이 n층으로 이루어진 경우, 각 층마다 한 개의 시계열 구조가 형성될 수 있게 된다.The data structure as described above is referred to as a time series structure. In the time series, the distribution of the call generation data has a specific pattern according to each time zone, the day, the event occurring for a long time, and the like. , One time-series structure can be formed for each layer.

한편, 상기 정형화된 층/시간/호출 데이터를 인공신경망에 입력함에 따라 학습이 시작되게 되며(S 2), 이에 퍼지로직으로 입력데이터를 필터링하여 실제 활용이 가능한 호출데이터를 정제하는 단계(S 3) 및, 상기 퍼지로직의 필터링을 통해 정제된 호출데이터에 대한 오차율 계산을 거친 후(S 4) 인공신경망 값을 출력시켜 학습결과인 시계열데이터(예측)를 생성하는 단계(S 5 및 S 6)의 과정이 순차적으로 수행되게 된다.Meanwhile, learning is started by inputting the formulated layer / time / call data into the artificial neural network (S 2), filtering the input data by the fuzzy logic to refine the call data which can be actually utilized (S 3 (S 5 and S 6) of generating time series data (prediction) as a learning result by outputting an artificial neural network value after calculating an error rate for refined call data through filtering of the fuzzy logic (S 4) Are sequentially performed.

그 후, 상기 인공신경망과 퍼지로직을 거치면서 정형화된 시계열데이터가 학습 데이터베이스화 되어 저장됨에 따라(S 6-1), 하이브리드 인공지능을 통해 호출정보에 따른 학습 데이터의 생성이 완료되면서 학습이 종료되게 된다.Thereafter, as time series data formatted while passing through the artificial neural network and the fuzzy logic are stored in a learning database (S6-1), the generation of learning data according to the call information is completed through the hybrid artificial intelligence, .

그리고, 본 발명에 따른 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법을 통해 해당 엘리베이터 시스템에 대한 군관리 연산이 이루어지는데 있어서는, 임의의 층에서 신규 호출이 발생됨에 따라(S 7), 엘리베이터 군관리 제어부에서는 다수 대의 엘리베이터의 위치를 확인하는 한편(S 8), 상기 학습 데이터베이스에 저장된 시계열데이터(학습)를 독출하고(S 9-1), 이를 참조하여 최적의 호기를 배정함에 따라 해당 엘리베이터 시스템에 대한 군관리 연산이 종료될 수 있게 된다(S 9).In the group management operation for the elevator system through the elevator future call prediction method using the hybrid artificial intelligence learning technology according to the present invention, as a new call is generated in an arbitrary layer (S 7) The management control unit confirms the positions of a plurality of elevators (S8), reads the time series data (learning) stored in the learning database (S9-1), allocates the optimum expiration with reference thereto, (S 9).

따라서, 상술한 바와 같은 인공지능 학습방법을 구현하기 위해 시계열 데이터 구조를 이용하여 각 층마다 시간대 별로 발생하는 엘리베이터 호출 정보를 패턴화 하고, 이를 엘리베이터 시스템의 군관리 연산에 적용시킴에 따라, 가까운 미래에 발생할 수 있는 엘리베이터 호출을 사전에 예측하고, 이를 통해 최적의 호기를 배정하므로서 엘리베이터 군관리 시스템의 성능을 크게 향상시킬 수가 있게 되는 것이다.Accordingly, in order to implement the artificial intelligence learning method as described above, elevator call information generated in each time slot is patterned using a time series data structure, and applied to a group management operation of an elevator system, It is possible to greatly improve the performance of the elevator group management system by predicting elevator calls that may occur in the elevator management system,

한편, 본 발명에서 기재된 내용과 다른 변형된 실시예들이 돌출 된다고 하더라도 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안되며, 본 발명에 첨부된 청구범위 내에 속하게 됨은 물론이다.While the present invention has been particularly shown and described with reference to exemplary embodiments thereof, it is to be understood that the invention is not limited to the disclosed exemplary embodiments, but, on the contrary, is intended to cover various modifications and equivalent arrangements included within the scope of the appended claims.

Claims (3)

하이브리드 인공지능을 통해 엘리베이터 시스템의 호출정보에 따른 학습 데이터가 생성 저장되는 과정은,
엘리베이터 호출 정보가 저장된 데이터베이스로부터 층/시간/호출 데이터를 정형화 하는 단계와;
상기 정형화된 층/시간/호출 데이터를 인공신경망에 입력함에 따라 학습이 시작되는 단계와;
퍼지로직으로 입력데이터를 필터링하여 실제 활용이 가능한 호출데이터를 정제하는 단계와;
상기 퍼지로직의 필터링을 통해 정제된 호출데이터에 대한 오차율 계산을 통한 인공신경망 값을 출력시켜 학습결과인 시계열데이터(예측)를 생성하는 단계 및;
상기 인공신경망과 퍼지로직을 거치면서 정형화된 시계열데이터가 학습 데이터베이스화 되어 저장되는 단계로 이루어진 것;을 특징으로 하는 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법.The process of generating and storing the learning data according to the call information of the elevator system through the hybrid artificial intelligence,
Formalizing layer / time / call data from a database in which elevator call information is stored;
Starting learning by inputting the formatted layer / time / paging data into the artificial neural network;
Filtering the input data with the fuzzy logic to refine the call data that can be actually utilized;
Generating predicted time series data by outputting an artificial neural network value by calculating an error rate of refined call data through filtering of the fuzzy logic;
And storing the time series data in a form of a learning database through the artificial neural network and the fuzzy logic and storing the time series data in the form of a learning database. 제 1항에 있어서,
상기 엘리베이터 시스템의 호출정보를 기초로 시계열데이터가 생성되는데 있어서는, 24시간을 1시간 간격으로 분할한 후 각 시간대에 각 층에서 호출되는 엘리베이터 승장 호출 수를 구함에 따라, 각 층별로 호출 발생 데이터의 분포가 특정 패턴을 이루는 시계열 구조로 형성되어 구성되는 것을 특징으로 하는 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법.The method according to claim 1,
In order to generate the time series data based on the call information of the elevator system, it is possible to divide the 24 hours into 1 hour intervals and obtain the number of elevator lift call called in each floor in each time zone, And the distribution is formed in a time-series structure constituting a specific pattern. 제 1항에 있어서,
상기 인공신경망과 퍼지로직을 거치면서 정형화된 시계열데이터가 학습 데이터베이스로 저장된 정보를 기초로 군관리 연산이 이루어지는데 있어서는,
임의의 층에서 신규 호출이 발생되는 경우, 다수 대의 엘리베이터의 위치를 확인한 후 상기 시계열데이터가 저장된 학습 데이터베이스를 참조하여 최적의 호기를 배정함에 따라 군관리 연산이 종료되는 것을 특징으로 하는 하이브리드 인공지능 학습 기술을 이용한 엘리베이터 미래호출 예측방법.The method according to claim 1,
When the group management operation is performed based on the information stored in the learning database by the time series data formatted while passing through the artificial neural network and the fuzzy logic,
When a new call is generated in an arbitrary layer, the group management operation is terminated by allocating an optimum exhalation referring to a learning database in which the time series data is stored after confirming the positions of a plurality of elevators Technique for Future Call Forecasting of Elevator.
KR1020160137349A 2016-10-21 2016-10-21 Method for predicting elevator calls using hybrid artificial intelligence learning techniques KR20180043928A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160137349A KR20180043928A (en) 2016-10-21 2016-10-21 Method for predicting elevator calls using hybrid artificial intelligence learning techniques

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160137349A KR20180043928A (en) 2016-10-21 2016-10-21 Method for predicting elevator calls using hybrid artificial intelligence learning techniques

Publications (1)

Publication Number Publication Date
KR20180043928A true KR20180043928A (en) 2018-05-02

Family

ID=62183866

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160137349A KR20180043928A (en) 2016-10-21 2016-10-21 Method for predicting elevator calls using hybrid artificial intelligence learning techniques

Country Status (1)

Country Link
KR (1) KR20180043928A (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197201A (en) * 2019-04-25 2019-09-03 永大电梯设备（中国）有限公司 A kind of elevator mainteinance 5S detection method and system
ES2810573A1 (en) * 2019-09-06 2021-03-08 Univ Valladolid INTELLIGENT AND PREDICTIVE LIFT CONTROL SYSTEM (Machine-translation by Google Translate, not legally binding)
KR20210087620A (en) 2020-01-03 2021-07-13 주식회사 대솔이엘 Apparatus for controlling the Motion of Elevators detecting the movement of the hands
KR20220038821A (en) * 2019-09-27 2022-03-29 미쓰비시덴키 가부시키가이샤 Economic indicator forecasting device, production planning device, model generating device for forecasting, and model generating method for forecasting

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH072436A (en) * 1993-06-18 1995-01-06 Hitachi Ltd Elevator controller

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH072436A (en) * 1993-06-18 1995-01-06 Hitachi Ltd Elevator controller

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110197201A (en) * 2019-04-25 2019-09-03 永大电梯设备（中国）有限公司 A kind of elevator mainteinance 5S detection method and system
ES2810573A1 (en) * 2019-09-06 2021-03-08 Univ Valladolid INTELLIGENT AND PREDICTIVE LIFT CONTROL SYSTEM (Machine-translation by Google Translate, not legally binding)
KR20220038821A (en) * 2019-09-27 2022-03-29 미쓰비시덴키 가부시키가이샤 Economic indicator forecasting device, production planning device, model generating device for forecasting, and model generating method for forecasting
KR20210087620A (en) 2020-01-03 2021-07-13 주식회사 대솔이엘 Apparatus for controlling the Motion of Elevators detecting the movement of the hands

Similar Documents

Publication Publication Date Title
KR20180043928A (en) Method for predicting elevator calls using hybrid artificial intelligence learning techniques
JP6406729B2 (en) Cross-reference of applications related to transportation system and frequency allocation method of transportation service
JP5075577B2 (en) Vehicle operation plan creation apparatus and method
CN103303754B (en) Elevator group management control system
JP2007062927A (en) Group-control system of elevator and its control method
CN103130050B (en) A kind of dispatching method of multiple lift control system
Zou et al. Work continuity constraints in repetitive project scheduling considering soft logic
Du et al. Dynamic production scheduling for prefabricated components considering the demand fluctuation
Toledo et al. Optimization of actuated traffic signal plans using a mesoscopic traffic simulation
Wang et al. Real‐Time Gate Reassignment Based on Flight Delay Feature in Hub Airport
JP4999275B2 (en) Elevator control method and apparatus
RU2738042C2 (en) Method of transport movement control and vehicle movement control system
KR100439718B1 (en) Elevator group management control device
CN111178948B (en) Method for realizing dynamic borrowing of shared automobile
JP5920674B2 (en) Elevator group management system
JP7027516B1 (en) Group management control device for double deck elevators and group management control method for double deck elevators
US11347772B2 (en) Synchronized data management system and method
CN111695750B (en) Vehicle scheduling method, vehicle scheduling device, and computer-readable storage medium
Beebe Towards A Global Traffic Control (Dispatcher) Algorithm-Requirements Analysis
Ibri et al. Integrated emergency vehicle dispatching and covering: A parallel Ant-tabu approach
JPWO2019016937A1 (en) Elevator equipment
JP2006143360A (en) Elevator group supervisory operation method and device
KR102136022B1 (en) Reinforcement learning based elevator control apparatus
US20210126455A1 (en) Method for supervisory control of building power consumption
JP6213680B2 (en) Elevator group management control device

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application