CN1058759A

CN1058759A - 电梯控制装置

Info

Publication number: CN1058759A
Application number: CN91103699A
Authority: CN
Inventors: 辻伸太郎
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1990-05-29
Filing date: 1991-05-29
Publication date: 1992-02-19
Anticipated expiration: 2006-05-29
Also published as: GB9111557D0; GB2245997A; GB2245997B; CN1021699C; SG149794G; US5412163A; KR940009984B1; KR910019888A

Abstract

一种电梯控制装置，它包括输入数据变换装置、预测到达时间运算装置、输出数据变换装置、学习用数据组成装置、利用学习用数据进行网络修正的修正装置。所述运算装置可对应于不同交通模式而设置多个，并设置判断当前状态属哪一个交通状态的判断装置，根据判断结果选择运算装置的切换装置。输出数据变换装置的输出用于控制电梯轿厢的分配运行。上述运算装置由神经网络组成。本发明的电梯控制装置能够精确地预测轿厢到达各楼层所需的时间，并能在各种情况下快速地进行控制运算，使轿厢的控制能适应时刻变化着的交通状况。

Description

本发明涉及采用神经网络对电梯进行高精度控制的电梯控制装置，尤其涉及能够高精度地预测电梯轿厢到达各楼层所需时间和能够在各种交通模式下快速进行与控制目的相应的运算的电梯控制装置。

以往，在并列设置多台轿厢的电梯装置中，通常进行群管理运转，作为这种群管理运转，例如可用分配方式。所谓分配方式，是在记录到候乘呼叫时立即对每一轿厢进行评价值的运算，并将评价值最好的选作为应去服务的分配轿厢，只让分配轿厢响应上述候乘呼叫，从而实现运转效率的提高和等待时间的缩短。

这时，在评价值的运算中一般采用候乘呼叫的预测等待时间。例如，在特公昭58-48464号公报中记载的电梯群管理装置中，当记录到候乘呼叫时，分别求出暂时将该候乘呼叫分配给各轿厢时全部候乘呼叫的预测等待时间平方值的总和，作为评价值，选择评价值最小的轿厢作为分配轿厢。

这种情况下，将候乘呼叫的持续时间（从记录到候乘呼叫起到现在为止所经过的时间）和预测到达时间（轿厢从现在的位置到达上述有候乘呼叫的楼层为止所需要的时间的预测值）加起来，求出预测等待时间。

采用这样得到的评价值，能够实现候乘呼叫的等待时间的缩短（尤其能减少等待时间为1分钟以上的长候乘呼叫）。

但是，一旦预测到达时间失去正确性，评价值就不再有作为选择分配轿厢的基准值的意义，结果，就不能够实现候乘呼叫的等待时间的缩短。因而，预测到达时间的正确性对群管理的性能有大的影响。

下面，对以往预测到达时间的运算方法作具体的说明。

对于轿厢在两个终端楼层间往复运转的情况，如下面（A）所揭示那样运算预测到达时间。

（A）由轿厢位置与对象楼层之间的距离求出运行所需时间（运行时间），从在途中楼层上停留的次数求出所需时间（停留时间），再把它们加起来，作为预测到达时间（参照特公昭54-20742号公报和特公昭54-34978号公报）。

为了提高在轿厢位置所处楼层和预定停留的楼层上的停留时间的预测精度，有人提出了下面B-E中所揭示的预测方法。

（B）根据轿厢所在楼层处的轿厢状态（减速中、开门动作中、门开着、关门动作中、运行中等），修正预测到达时间（参照特公昭57-40074号公报）。

（C）用检出装置和预测装置检测出在预定停留楼层上、下电梯的人数，并根据这些人数修正预测到达时间（参昭特公昭57-40072号公报和特开昭58-162472号公报）。

（D）根据预定停留楼层是响应轿厢内呼叫还是候乘呼叫，考虑到上下电梯时间的不同，来修正预测到达时间（参照特公昭57-40072号公报）。

（E）根据对每一楼层统计实际停留时间（开门动作时间、上下梯时间、关门动作时间）的数据，和由模拟方式求得的存在群管理装置中的开门时间，预测每一楼层的停留时间（参照特开平1-275382号公报和特开昭59-138579号公报）。

另外，如果考虑到在预定不停留的楼层上记录将来呼叫，轿厢因而停留的可能性时，则为了提高到达预测的精度，有人提出了下面F-H中示出的方法。

（F）根据有关以住乘梯人数的统计数据，预测由于轿厢响应途中楼层的候乘呼叫而停留所发生的轿厢呼叫个数，再根据以往发生的轿厢呼叫的统计概率合布，将上述预测轿厢呼叫个数分配给其前方楼层，预测派生出的轿厢呼叫所引起的停留时间（参照特公昭63-34111号公报）。

（G）从轿厢反转方向运行的次数和过去不同方向上下电梯人数的测量值，计算出在不同楼层、不同方向上轿厢停留的概率，根据计算结果修正预测到达时间（参照特开昭59-26872号公报）。

（H）根据在不同楼层、方向上求出的各楼层下电梯比率，预测由于各楼层的轿厢呼叫而引起的停留时间（参照特公昭63-64383号公报）。

轿厢由于最高呼叫和最低呼叫而在途中楼层向反转方向运行的事件较多，这时，为了防止预测到达时间和实际到达时间之间产生误差，有人提出了轿厢在到达终点楼层之前于途中楼层反转方向运行的情形的预测方法，如下面的I和J。

（I）求出轿厢到达处于行进方向前方的最远呼叫楼层的运行时间，和从该楼层开始到相反方向上有呼叫的楼层为止的运行时间，运算出预测到达时间（参照特公昭54-16293号公报）。

（J）对于未设定运行方向的空轿厢，分别计算其直达各楼层的预测到达时间（参照特公昭59-8621号公报）。

这种场合下，通常把上方反转楼层（有最高呼叫的反转方向的楼层）设定为最上方呼叫楼层，下方反转楼层（有最低呼叫的反转方向的楼层）设定为最下方呼叫楼层。但是，例始即使设定了上方反转楼层，当在途中楼层上有上行方向的候乘呼叫时，必须预测新轿厢呼叫的发生情况，要精确地设定上方反转楼层是困难的，同样，要精确地设定下方反转楼层也是困难的。结果，由于预测反转楼层之类其它条件，误差因素增加了。

如上所述，以往的电梯控制装置为了正确地运算预测到达时间，考虑了种种要素，亦即，现在的轿厢状态、停留楼层上下电梯人数的预测、现在所响应呼叫的种类、轿厢呼叫发生的预测、对新的候乘呼叫所作分配的预测、反转楼层的预测、各楼层现在的交通状态等等，并将它们分别作为计算式中的一个要素进行运算。但是，根据加有这些全部要素的运算进行预测，如果要正确地运算以对应于时刻在复杂变化着的交通状态，则预测到达时间的运算式变得更为复杂，超出了人们的能力界限，而且以提高精度为目标开发新的运算也是困难的。另一方面，如果进行详细的预测运算，则又有这样的问题，即会导致运算时间增大，不能够实现在记录候乘呼叫的同时确定分配轿厢并预报预测到达时间的功能。

另外，还有人提出了在评价值中不仅采用候乘呼叫的预测等待时间，还采用预报失误概率和满足概率的分配方式（参照特公昭62-47787号公报）和采用轿厢内预测拥挤程度、轿厢内乘载时间、轿厢呼叫发生概率等的分配方式。

最近，还有的提出采用以模糊量建立评价指标、以IF-THEN形式描述适当分配方法的控制规则，从与该控制规则对应的拟合优度中选择最佳轿厢进行分配的方式。

但是，如果要满足复杂的交通模式和时刻变动的交通需求而执行极周到的群管理控制的话，则用于求出上述评价值的评价式和分配评价控制越发复杂。因此，如果想要提高作为评价要素所使用的各种预测值的精度，则预测值的运算式也变得复杂。另外，以最佳群管理控制为目标进行新的运算式的开发超出人们的能力，是困难的工作。另一方面，使得用于进行复杂运算的运算时间增大，在记录候乘呼叫的同时决定和预报分配轿厢等的主要功能变得非常困难。

为了解决这样的问题，如特开平1-275381号公报中所记载的那样，有人提出了一种根据采用对应于人脑神经元的神经网络的运算，来选择对应于候乘呼叫的分配轿厢的群管理控制装置。根据这种群管理控制，就能够自动地生成人们无需考虑分配算法，且根据各种交通状态决定最佳分配轿厢的判断系统，但是，在该公报中，考虑了对分配轿厢评价值的运算，而未考虑提高预测到达时间的运算精度和轿厢内预测拥挤程度的运算精度。

这里，人们了解到，在电梯控制中，如果着眼于用网络来表现交通状态（输入数据）与分配轿厢评价值（输出数据）之间的因果关系，则神经网络能够用于预测到达时间的运算、预报失误概率和满足概率的运算、轿厢内拥挤程度的预测、轿厢内乘载时间的预测等等。

象这样，用网络来体现记录到电梯呼叫时的交通状态与预测到达时间的因果关系，借助于对实际数据的学习，能够修正网络。因而，即使大楼内的交通流量发生变化，也能自动地采取相应描施，并能进行灵活、精密、正确的预测到达时间的运算。

但是，因为在预测运算中只用了单个神经网络，所以，如果要提高运算精度而取入较多输入数据的话，会很花费运算时间，而且输出数据亦即预测到达时间的产生时间就会推迟，结果便不能确定适当的分配轿厢。

如上所述，以往的电梯控制装置利用神经网络，根据近似于实际交通状态的灵活预测，进行输出数据的运算，根据该输出数据来分配适合的轿厢。但是，电梯中的交通流量特征即使在一天内也是时刻变化着的，因此，仅仅把轿厢位置、运行方向和该响应的呼叫作为输入数据，是不能运算出正确的预测到达时间的。

因此，考虑将表示交通流动特征的数据，如过去统计的交通量（上下电梯人数、候乘呼叫数、轿厢呼叫数等）作为输入数据使用。藉此，利用预测到达时间运算装置内的一个神经网络，能够根据一天中会发生的各种交通状态进行灵活的运算。但是，输入数据一增加，运算预测到达时间就相应地要花费时间，因而，很难发挥在记录候乘呼叫的同时确定和预报分配轿厢的功能。另一个问题是，修正网络内加权系数，需要更多的学习用数据（教师数据）及学习用时间。

这种问题在将神经网络用于确定分配电梯的运算和各种预测值的运算的场合下也存在。

本发明是为解决上述种种问题而作出的。其目的之一在于提供一种电梯控制装置，它借助与实际交通状态和交通量近似的灵活的预测，能够预测到接近实际到达时间的精确到达时间。

实现该目的的本发明的电梯控制装置包括：将包括轿厢位置、运行方向和该响应的呼叫在内的交通状态数据变换成可作为神经网络的输入数据使用的格式的输入数据变换装置;含有取入输入数据的输入层、将相当于预测到达时间的数据作为输出数据的输出层、以及处在输入层与输出层之间设定加权系数的中间层、并构成神经网络的预测到达时间运算装置;和将输出数据变换成可在规定的控制动作中作用的格式的输出数据变换装置。

本发明的电梯控制装置又包括学习用数据组成装置和修正装置：前者当电梯在工作中进入预先决定的时间，则存储规定等候处的预测到达时间和此时的输入数据，同时计数轿厢通过或者停到规定的等候处为止所经过的时间并作为实际到达时间存储起来，并将储存的输入数据、预测到达时间和实际到达时间存储起来，并将储存的输入数据、预测到达时间和实际到达时间作为一组学习用数据输出;后者则利用学习用数据来修正预测到达时间运算装置的加权系数。

本发明中，将交通状态数据存入神经网络中，通过与实际轿厢到达时间接近的运算，求出预测到达时间，利用该预测到达时间，按照规定的目的控制电梯的动作。

另外，在本发明中，在运算出的预测结果和此时的交通状态数据以及实测数据的基础上组成学习用数据，根据学习用数据自动修正预测到达时间运算装置（神经网络）中的加权系数，藉此来进行与实际交通状态和交通需要相近似的灵活预测运算。

本发明另一目的在于提供一种电梯控制装置，它能够在短时间内对于各种交通流动进行基于规定控制目的的运算。

实现该目的的本发明的电梯控制装置对应于根据大楼内交通流动特征而分类的多个交通模式设置多个运算装置，同时，设置了判断现在的电梯交通状态相当于哪一个交通模式的判断装置、和在多个运算装置中只选择一个与判断装置的判断结果对应的运算装置的切换装置，根据由切换装置选择的运算装置的输出数据来控制轿厢。

本发明再一目的在于提供一种能够以少量学习用数据和在较短学习时间内进行网络修正的电梯控制装置。

本发明再一目的的电梯控制装置是，由学习用数据组成装置根据判断装置的判断结果来组成每个交通模式的学习用数据，由修正装置用每个交通模式的学习用数据分别修正对应于每一交通模式的运算装置的加权系数，并根据切换装置选择的运算装置的输出数据来控制轿厢。

在本发明中，从对应于根据交通流动特征而分类的交通模式所设置的多个运算装置中，只选择一个与现在的交通状态对应的运算装置，根据选中的运算装置的输出数据，来进行达到规定目的的电梯控制。

另外，本发明组成每一交通模式的学习用数据，并根据这些学习用数据，分别修正对应于每种交通模式的运算装置的加权系数。

图1是表示本发明一个实施例的整体结构的功能框图，

图2是表示图1中群管理装置大致结构的方框图，

图3是具体表示图1中数据变换装置和预测到达时间运算装置的方框图，

图4是表示由图1中群管理装置执行的运算程序的流程图;

图5是具体表示图1中群管理装置执行的修正程序的流程图，

图6是大致示出存储在图2的ROM中的群管理程序的流程图，

图7是具体示出图6中用于1号机的暂时分配时的到达时间预测运算程序的流程图，

图8是具体表示图6中学习用数据形成程序的流程图，

图9是具体表示图6中的修正程序的流程图，

图10是表示本发明一个实施例总体结构的功能框图;

图11是大致表示图1内群管理装置执行的群管理程序的流程图;

图12是具体地表示图2中到达时间预测程序的流程图;

图13是具体表示图2中学习用数据形成程序的流程图;

图14是具体表示图2中修正程序的流程图;

图中，相同符号表示相同或相当的部分。

下面，参照图1-图5，说明把神经网络用于预测到达时间的运算的电梯控制装置。

在图1的功能框图中，群管理装置10由下列装置10A-10D、10F及10G构成，控制多个轿厢控制装置11、12（例如用于1号及2号电梯）。

候乘呼叫记录装置10A在进行各楼层候乘呼叫（上行方向和下行方向的电梯呼叫）的记录和消除的同时，运算从记录候乘呼叫之后的经过时间（亦即持续时间）。

分配装置10B选择并分配最佳的轿厢以服务于候乘呼叫，例如，它预测并运算出直至各轿厢响应各楼层候乘呼叫为止的等待时间，并分配这些等待时间的平方值之和为最小的轿厢。

数据变换装置10C包含将轿厢位置、运行方向、应该响应的呼叫（轿厢呼叫或者被配给的候乘呼叫）等的交通状态数据变换成能够作为神经网络的输入数据使用的格式的输入数据变换装置，和将神经网络的输出数据（相当于预测到达时间的数据）变换成能够用于规定的控制目的的动作（例如，预测等待时间的运算）中的格式的输出数据变换装置。

预测到达时间运算装置10D按照时间范围来运算各轿厢的预测到达时间，它包含用神经网络构成的预测到达时间运算网络（以后说明）。

学习用数据组成装置10F存储各轿厢预测到达时间及这时的输入数据（交通状态数据）和其后与各轿厢到达时间有关的实测数据（教师数据），并将它们作为学习用数据输出。

修正装置10G利用学习用数据学习并修正预测到达时间运算装置10D中的神经网络功能。

1号及2号机用的轿厢控制装置11和12都是相同的结构，例如1号机轿厢控制装置11由众所周知的装置11A-11E构成。

候乘呼叫消除装置11A输出与各楼层候乘呼叫相对的呼叫消除信号。轿厢呼叫记录装置记录各楼层的轿厢呼叫。到达指示灯控制装置11C控制各楼层的到达指示灯（图中未示出）。运转控制装置11D为决定轿厢的运行方向，并使之与轿厢呼叫和配给的候乘呼叫相应，而控制轿厢的运行及停止。门控制装置11E控制轿厢进入口门的开关。

图2的方框图中，群管理装置10由众所周知的微机构成，即由MPU（微处理单元）或CPU101、属于MPU101的ROM102和RAM103以及连接MPU101的输入电路104和输出电路105构成。

向输入电路104输入来自各楼层候乘呼叫按钮的按钮信号14、和来自轿厢控制装置11和12的1号及2号机状态信号。另外，从输出电路105向设置在各按钮内的按钮灯输出按钮灯信号15，向轿厢控制装置11和12输出指令信号。

图3是用神经网络具体示出图1内数据变换装置10C和预测到达时间运算装置10D的关系的功能方框图。

图中，输入数据变换装置即输入数据变换子单元10CA，和输出数据变换装置即输出数据变换子单元10CB，构成数据变换装置10C。另外，插在输入数据变换子单元10CA与输出数据变换子单元10CB之间的预测到达时间运算单元10DA由神经网络构成，构成预测到达时间运算装置10D中采用的预测运算子程序。

输入数据变换子单元10CA将轿厢位置、还行方向、应该响应的呼叫（即轿厢呼叫和配给的候乘呼叫）、交通流量的统计特征（5分钟内乘电梯人数、5分钟内出电梯人数）等等交通状态数据变换成可作为神经网络10DA的输入数据使用的格式。

输出数据变换子单元10CB，将神经网络10DA的输出数据（相当于预测到达时间的数据）变换成能在候乘呼叫分配动作的评价值运算中使用的格式。

由神经网络构成的预测到达时间运算单元10DA，是由取入来自输入数据变换子单元10CA的输入数据的输入层10DA1、将相当于预测到达时间的数据作为输出数据的输出层10DA3和处在输入层10DA1与输出层10DA3之间设定加权系数的中间层10DA2构成的。

这些层10DA1-10DA3相互之间由神经网络连接，分别由多个节点构成。

这里，将输入层10DA1、中间层10DA2和输出层10DA3的节点数分别设为N₁、N₂、N₃，则输出层10DA3的节点数N₃由下式表示：

N₃＝2（FL-1）

其中，FL：大楼的楼层数。

输入层10DA1及中间层10DA2的节点数N₁及N₂由各大楼的楼层数FL、所使用的输入数据的种类、以及轿厢台数等决定。

另外，若设定变量i、j、k为：

i＝1，2，……，N₁

j＝1，2，……，N₂

k＝1，2，……，N₃，

则输入层10DA1的第i个节点的输入值和输出值用xa1（i）和ya1（i）表示，中间层10DA2的第j个节点的输入值及输出值用xa2（j）和ya2（j）表示，输出层10DA3的第k个节点的输入值和输出值用xa3（k）和ya3（k）表示。

另外，输入层10DA1的第i个节点与中间层10DA2的第j个节点之间的加权系数设为wa1（i，j），中间层10DA2的第j个节点与输出层10DA3的第k个节点之间的加权系数设为wa2（i，j），则各节点的输入值与输出值的关系为：

ya1（i）＝1/[1+exp{-xa1（i）}] …（1）

xa2（j）＝∑{wa1（i，j）×ya1（i）} …（2）

（i＝1-N₁的总和）

ya2（j）＝1/[1+exp{-xa2（j）}] …（3）

xa3（k）＝∑{wa2（j，k）×ya2（j）} …（4）

（j＝1-N₂的总和）

ya3（k）＝1/[1+exp{-xa3（k）}] …（5）

其中：

O≤wa1（i，j）≤1

O≤wa2（j，k）≤1。

另外，神经网络10DA连至学习用数据形成装置10F中采用的学习用数据组成单元（图中未示出）和修正装置中采用的修正单元（图中未示出），并适当修正加权系数wa1（i，j）和wa2（j，k）。

下面，参照图4的流程，对图1-图5所示电梯控制装置的预测到达时间运算动作进行说明。

首先，通过输入数据变换程序（步骤91）从输入的交通状态数据中取出与现在起应该运算预测到达时间的轿厢有关的数据（轿厢位置、运行方向、轿厢呼叫、分配候乘呼叫）和表示现在交通流量的统计特征的数据（5分钟内进电梯人数、5分钟内出电梯人数），并将它们作为对应于预测到达时间运算单元10DA的输入层10DA1各节点的输入数据xa1（1）-xa1（N₁）加以变换。

这里，若大楼的楼层数FL设为12层，对于候乘号码f，设定f＝1，2，……，11分别表示1、2、……、11层的上行方向的等候处，f＝12，13，……22分别表示12、11……、2层的下行方向的等候处，则例如，“轿厢位置楼层为f、运行方向向上”的轿厢状态为：

xa1（f）＝1

xa1（i）＝0

（i＝1，2，……，22，i≠f）

用归一化为0-1的值来表示。

另外，1楼-12楼的轿厢呼叫xa1（23）-xa1（34），若被记录则用“1”表示，未记录，则用“0”表示。1楼-11楼的上行方向的分配电梯呼叫xa1（35）-xa1（45），若被分配则用“1”表示，未被分配则用“0”表示。12楼-2楼下行方向的分配电梯呼叫xa1（46）-xa1（56），若被分配则用“1”表示，未被分配则用“0”表示。

另外，通过将从过去的交通量统计求得的5分钟内乘电梯人数除以能够取的最大值NN_max（例如100人），把在1楼-11楼上行方向上5分钟内乘电梯的人数xa1（57）-xa1（67）归一化为0-1的值。同样，12楼-2楼下行方向上5分钟内乘电梯人数xa1（68）-xa1（78）、1楼-11楼上行方向上5分钟内出电梯人数xa1（79）-xa1（89）以及12楼-2楼的下行方向上5分钟内出电梯人数xa1（90）-xa1（100），也是除以最大值NN_max而归一化。

另外，将输入数据归一化的方法并不限于上述方法，也可以分别表示轿厢位置和运行方向。例如，也可设表示轿厢位置楼层为时的轿厢位置楼层的第1节点输入值xa1（1）为

xa1（1）＝f/FL，

表示轿厢运行方向的第二节点的输入值xa1（2）表示成上行方向为“+1”，行方向为“-1”，无方向为“0”。

这样，如果由步骤91对输入层10DA1设定输入数据，则由后面的步骤92-96进行用于预测暂时把新发生的候乘呼叫分配给号机时的预测到达时间的网络运算。

首先，用输入数据xa1（i），由（1）式运算输入层10DA1的输出值ya1（i）（步骤92）。

然后，在（1）式得到的输出值ya1（i）上乘以加权系数wa1（i，j），并且，求出i＝1-N₁的总和，从（2）式运算出中间层10DA2的输入值xa2（j）（步骤93）。

接着，用（2）式得到的输入值xa2（j），由（3）式算出中间层10DA2的输出值ya2（j）（步骤94）。

最后，在（3）式得到的输出值ya2（j）上乘以加权系数wa2（j，k），并且，求出j＝1-N₂的总和，由（4）式算出输出层10DA3的输入值xa3（k）（步骤95）。

进而，用由（4）得到的输入值xa3（k），由（5）式运算输出层10DA3的输出值ya3（k）（步骤96）。

如上所述，当预测到达时间的网络运算结束时，由图3的输出数据变换子单元10CB变换输出ya3（1）-ya3（k）的格式，确定最后的预测到达时间（步骤97）。

这时，输出层10DA3各节点对应于不同方向上的等候处，第1-第11节点上的输出值ya3（1）-ya3（11）分别用于确定1，2，……，11楼上行方向等候处的预测到达时间计算值，第12-第22节点的输出值ya3（12）-ya3（22）分别用于下行方向等候处的预测到达时间计算值的确定。

亦即，第k节点的输出值ya3（k）变换成等候处k的预测到达时间T（k），该时间T（k）表示为：

T（K）＝ya3（k）×NT_max（6）

其中，NT_max是一表示预测到达时间可以取的最大值的定值。这里，第K节点的输出值ya3（k）归一化到0-1的范围内，因此，如（6）式所示，乘上最大值NT_max后，预测到达时间T（K）就变换成能够用于候乘呼叫分配的评价值运算。

这样，在到达时间预测程序（步骤91-97）中，通过用网络表现交通状态与预测到达时间的因果关系，并把交通状态数据送入神经网络，从而能够高精度算出预测到达时间。另外，如果根据该预测到达时间对候乘呼叫选择分配轿厢，就能够缩短候乘呼叫的等待时间。

此外，因为网络的运算精度是根据连接神经网络10DA各节点的加权系数wa1（i，j）和wa2（j，k）而变化的，所以，通过学习来适当地改变并修正加权系数wa1（i，j）和wa2（j，k），藉此能够确定适当的预测到达时间。

这种情况下的学习是采用反向传播法有效地进行的。所谓反向传播法是，利用网络输出数据与从实测数据和控制目标值等产生的希望的输出数据（教师数据）之间的误差，来不断修正联结网络的加权系数。

亦即，当处于在电梯运转中预定的时间（例如，候乘呼叫分配之时）时，学习用数据组成装置10F（参照图10）内的学习用数据组成单元存储表示各等候处预测到达时间的ya3（1）-ya3（N₃），以及这时的交通状态数据xa1（1）-xa1（N₁），作为学习用数据的一部分。并且，计算其后轿厢在上述等候处停车或者通过以前的经过时间，将该实际到达时间作为学习用数据的一部分存储起来。这是原始教师数据，用预测到达时间TA（K）（K＝1，2，……，N₃）表示。每当规定条件成立时，便依次存入这样的学习用数据组。

接着，当修正装置10G内的修正单元检测到已进入应该进行网络修正的时期时，以学习用数据为基础，根据图10的流程图修正预测到达时间运算单元10DA内的网络。

首先，判断是否进入应该作网络修正的时间（步骤111），如果是修正时间，则执行下面的步骤112-118。

这里，将当前存储的学习用数据组数m达到S个（例如，500个）以上的时候作为网络修正时间。另外，学习用数据的判断基准数S根据电梯的设置台数、大楼的楼层数FL以及候乘呼叫数等网络规模而任意设定。

在步骤111中，当判定学习用数据组数m为S个以上的情况下，将学习用数据的计数号n初始设定为“1”（步骤112），然后，从第n个学习用数据中取出实际到达时间TA（K），并从下式

da（k）＝TA（K）/NT_max…（7）

求出与这些等候处相应的节点值，亦即，教师数据da（k）（k＝1，2，……，N₃）。

此后，将从第n个学习用数据中取出的输出层10DA3的输出值ya3（1）-ya3（N₃）与教师数据da（1）-da（N₃）的差值平方，并且算出K＝1-N₃的总和，求出两者的误差Ea：

Ea＝∑[｛da（k）-ya3（k）｝²]/2 …（8）

（K＝1-N₃）

进而，利用由（8）式求得的误差Ea，如下面那样修正中间层10DA2与输出层10DA3之间的加权系数wa2（j，k）（j＝1，2，……，N₂，K＝1，2，……，N₃）（步骤114）。

首先，用wa2（j，k）对（8）式的误差Ea进行微分，利用前述（1）式-（5）式进行整理，则加权系数wa2（j，k）的变量△wa2（j，k）表示为：

△wa2（j，k）＝-α{ Ea/

wa2（j，k）}

＝-α·δa2（k）·ya2（j） …（9）

其中，α是表示学习速度的参数，可选为0-1范围内的任一值。另外，（9）式中：

δa2（k）＝{ya3（k）-da（k）}ya3（k）{1-ya3（k）}

这样，算出加权系数wa2（j，k）的变量△wa2（j，k）后，根据下面的（10）式进行加权系数wa2（j，k）的修正。

wa2（j，k）←wa2（j，k）+△wa2（j，k） …（10）

同样，遵照下面的（11）和（12）式，修正输入层10DA1与中间层10DA2之间的加权系数wa1（i，j）（i＝1，2，……，N₁，j＝1，2，……，N₂）（步骤115）。

首先，从下式

△wa1（i，j）＝-α·δal（j）·ya1（i） …（11）

求出加权系数wa1（i，j）的变量△wa1（i，j）。其中，（11）式中δal（j）为k＝1-N₃的求和式，表示为：

δa1（j）＝∑{δa2（k）·wa2（j，k）·ya2（j）

×[1-ya2（j）]}

利用由式（11）中得到的变量△wa1（i，j）进行下面（12）式的加权系数wa1（i，j）的修正。

wa1（i，j）←wa1（i，j）+△wa1（i，j） …（12）

这样，当进行第n个学习用数据的修正步骤113-115后，将学习用数据号n增量（步骤116），并反复进行步骤113-116的处理，直至在步骤117中判定就全部学习用数据已完成修正（n≥m）。

进而，在就全部学习用数据进行修正时，在预测到达时间运算装置10D中记录完成修正后的加权系数wa1（i，j）和wa2（j，k）（步骤118）。

这时，为了能够再次存储最新的学习用数据，将修正中使用的学习用数据全部清除，将学习用数据号初始设定为“1”。这样就完成了神经网络10DA的网络修正（学习）。

下面，参照图6，对图1-图3所示的本发明一个实施例的群管理动作进行说明。

首先，群管理装置10根据众所周知的输入程序（步骤31）取入等候按钮灯信号14和来自轿厢控制装置11及12的状态信号。这里，在输入的状态信号中包含轿厢位置、运行方向、停止或运行状态、门开关状态、轿厢负载、轿厢呼叫、候乘呼叫的消除信号等。

然后，通过众所周知的候乘呼叫记录程序（步骤32）判断候乘呼叫的记录或消除、等候按钮灯点亮或熄灭，同时，运算候乘呼叫的持续时间。

接着，判断是否记录新的候乘呼叫C（步骤33），如果有记录，则通过暂时分配给1号机的到达时间预测程序（步骤34），运算暂时把新的候乘呼叫C分配给1号机时到1号机各等候处的预测到达时间Ta1（k）。

同样，由暂时分配2号机时的到达时间预测程序（步骤35）运算暂时把候乘呼叫C分配给2号机时到2号机各等候处的预测到达时间Ta2（k）。

另外，执行无视新的候乘呼叫C、对1号机和2号机都不分配情况下的暂时不分配时的到达时间预测程序（步骤36和37），运算到1号机和2号机各等候处的预测到达时间Tb1（k）及Tb2（k）。

下面，由分配程序（步骤38）根据在步骤34-37中算出的预测到达时间Ta1（k）、Ta2（k）、Tb1（k）和Tb2（k），运算出等待时间评价值W₁及W₂，选择评价值为最小的轿厢作为正常的分配轿厢。给这样分配的轿厢设定对应于候乘呼叫C的分配指令和预报指令。关于等待时间评价值W₁及W₂的运算方法，在特公昭58-48464号公报中记载的可作为一例。

接着，由输出程序（步骤39）将上述那样设定的等候按钮灯信号15送至等候处，同时，向轿厢控制装置11和12发送分配信号及预报信号。

在学习用数据组成程序（步骤40）中，存储作为输入数据而变换过的交通状态数据和各等候处的预测到达时间及其后各轿厢到达时间的实测数据，将它们作为学习数据输出。

在修正程序（步骤41）中，利用学习用数据来修正预测到达时间运算装置10D的网络加权系数。

这样，群管理装置10反复执行步骤31-41，进行多个电梯轿厢的群管理控制。

下面，参照图5，以步骤34为例，具体说明各个步骤34-37的到达时间预测程序的动作。

首先，暂时把新的候乘呼叫C分配给1号机，组成用于输入到输入数据变换子单元10CA中的分配候乘呼叫数据（步骤50）。

另外，在步骤35中暂时分配给2号机，并组成分配候乘处呼叫数据，在步骤36及37中，将暂时不分配情形下的分配候乘呼叫数据保持原样作为分配候乘呼叫数据在输入中使用。

下面，从输入的交通状态数据中取出与现在起应该运算预测到达时间的轿厢有关的数据（轿厢位置、运行方向、轿厢呼叫、分配候乘呼叫），和表示现时交通流统计特征的数据（5分钟内乘梯人数、5分钟内下梯人数），将它们变换成对于预测到达时间运算单元10DA的输入层10DA1各节点的输入数据xa1（1）-xa1（N₁）（步骤51）。

这里，大楼的楼层数FL设为12层，对于等候处号码f，假设f＝1，2，……，11分别表示1，2，……，11楼的上行方向等候处，f＝12，13，……，22分别表示12，11，……，2楼的下行方向等候处，则诸如“轿厢位置楼层为f，运行方向向上”的轿厢状态，用归一化为0-1的值表示为：

xa1（f）＝1

（i＝1，2，……，22，i≠f）

xa1（i）＝1

1楼-12楼的轿厢呼叫xa1（23）-xa1（34），若被记录，则用“1”表示，未记录则用“0”表示。1楼-11楼上行方向的分配等候呼叫xa1（35）-xa1（45），若被分配则用“1”表示，未被分配，则用“0”表示。12楼-2楼下行方向的分配候乘呼叫xa1（46）-xa1（56），若被分配则用“1”表示，未被分配则用“0”表示。

将从过去的交通量统计求得的相当于5分钟的乘梯人数除以

以取的最大值NN_max（例如100人），从而将1楼-11楼上行方向上5分钟内乘梯人数xa1（57）-xa1（67）归一化为0-1的值。同样，除以最大值NN_max后，将12楼-2楼下行方向上5分钟内乘梯人数xa1（68）-xa1（78）、1楼-11楼上行方向上5分钟内下梯人数xa1（79）-xa1（89），以及12楼-2楼下行方向上5分钟内下梯人数xa1（90）-xa1（100）归一化。

将输入数据归一化并不限于上述方法，也可以分别表示轿厢位置和运行方向。例如，也可以在轿厢位置楼层为f的时候，把表示轿厢位置楼层的第1节点的输入值xa1（1）设为：

xa1（1）＝f/FL

表示轿厢运行方向的第2节点的输入值xa1（2），上行方向表示为“+1”，下行方向表示为“-1”，无方向表示为“0”。

这样，若由步骤51设定给输入层10DA1的输入数据，则由下面的步骤52-56，进行用于预测暂时把新的候乘呼叫C分配给1号机时的到达时间的网络运算。

首先，用输入数据xa1（i）从（1）式算出输入层10DA1的输出值ya1（i）（步骤52）。

接着，将由（1）式得到的输出值ya1（i）乘以加权系数wa1（i，j），并且，求出i＝1-N₁的总和，从（2）式算出中间层10DA2的输入值xa2（j）（步骤53）。

然后，利用（2）式得到的输入值xa2（j），通过式（3）算出中间层10DA2的输出值ya2（j）（步骤54）。

接着，将（3）式得到的输出值ya2（j）乘以加权系数wa2（j，k），并且，求出j＝1-N₂的总和，由（4）式算出输出层10DA3的输入值xa3（k）（步骤55）。

进而，利用（4）式得到的输入值xa3（k），从（5）式运算出输出层10DA3的输出值ya3（k）（步骤56）。

如上所述，当预测到达时间的网络运算结束时，由图1的输出数据变换子单元10CB变换输出值ya3（1）-ya3（k）的格式，确定最终的预测到达时间（步骤57）。

这时，输出层10DA3的各个节点对应于不同方向的乘候处，第1-第11节点的输出值ya3（1）-ya3（11）分别用来确定1，2，……，11楼上行方向乘候处的预测到达时间的运算值，第12-第22节点的输出值ya3（12）-ya3（22）分别用于决定下行方向等候处的预测到达时间运算值。

亦即，第K个节点的输出值ya3（k）变换成等候处K的预测到达时间T（k），该时间T（k）表示为：

T（k）＝ya3（k）×NT_max…（6）

其中，NT_max是一个表示预测到达时间可以取到的最大值的确定值。这里，第K个节点的输出值ya3（k）归一化到0-1的范围内，因此，如（6）式所示，乘以最大值NT_max后，预测到达时间T（k）就变换成可用于候乘呼叫分配的评价值运算中。

这样，在到达时间预测程序（步骤34-37）中，用网络表示交通状态与预测到达时间的因果关系，将交通状态数据取入神经网络中，运算预测到达时间，因而，能够以用以往的方式达不到的精度求出接近实际到达时间的预测到达时间。再根据该预测到达时间来选择给候乘呼叫的分配轿厢，因而能够实现候乘呼叫的等待时间的缩短。

但是，因为这一网络是随着联结神经网络10DA内各节点的加权系数wa1（i，j）和wa2（j，k）而变化的，所以，通过在学习中适当地改变加权系数wa1（i，j）和wa2（j，k），并进行修正，就能确定更确切的预测到达时间。

下面，参照图8和图9，对于由学习用数据组成装置10F及修正装置10G执行学习用数据形成程序（步骤40）和修正程序（步骤41）情形下本发明的一个实施例进行说明。

这种情况下的学习（网络修正）是采用反向传播方法有效地进行的。所谓反向传播法，是利用网络的输出数据与从实测数据及控制目标值产生的希望的输出数据（教师数据）的误差，不断修正联结网络的加权系数。

图8详细表示学习用数据组成程序（步骤40）。首先，设置新的学习用数据的形成许可，并且，判断是否正好进行了新的候乘呼叫C的分配（步骤61）。

如果设置了学习用数据的形成许可，并且，进行了候乘呼叫C的分配，则将分配时分配轿厢的交通状态数据xa1（1）-xa1（N₁）和相当于这时各等候处的预测到达时间的输出数据ya3（1）-ya3（N₃）作为第m个学习用数据的一部分（教师数据）存储起来（步骤62）。

接着，清除新学习用数据的形成许可，同时，设置实际到达时间的实测指令，开始实际到达时间的计算（步骤63）。

这样，在下一运算周期的步骤61中判定未设置新学习用数据的形成许可，因此，进到步骤64。在步骤64中，判断是否设置了到达时间的实测指令，因为在步骤63中设置了实测指令，所以进到步骤65，判断分配轿厢是否应答了候乘呼叫C。

如果未在有候乘呼叫C的等候处停留，则进到步骤66，判断分配轿厢的轿厢位置f是否变化。

在多次以后的运算周期中，如检测到轿厢位置f的变化，则从步骤66进到步骤67，将这时的实际到达时间作为第m个学习用数据的一部分存储起来，这就是原始教师数据，表示为有候乘呼叫C的等候处的实际到达时间TA（f）。

如果在多次运算周期后的步骤65中检测到给有候乘呼叫C的等候处的停留决定，则进到步骤68，将这时的实际到达时间作为第m个学习用数据的一部分（实际到达时间TA（C））存储起来。

进而，清除实际到达时间的实测指令，结束实际到达时间的计算，同时，将学习用数据的号码m增量，再次设置新的学习用数据组成许可（步骤69）。

这样，与进行候乘呼叫分配的时间相一致，反复形成与被分配轿厢有关的输入数据和输出数据，及以后分配轿厢到应答候乘呼叫C为止所停留或经过的途中楼层各等候处所对应的各个实际到达时间，作为学习用数据，并存储起来。

下面，修正装置10G将学习用数据用到图4的修正程序（步骤41中），修正神经网络10DA的网络。

下文中参照图9，更详细地说明该修正动作。

首先，判断是否处在该进行网络修正的时间（步骤71），如果是修正时间，则实行下面的步骤72-78。

这里，将现在存储的学习用数据组数m达到S个（例如500个）以上的时候作为网络修正时间。学习用数据的判断基准数S可以根据电梯设置的台数、大楼的楼层数FL以及候乘呼叫等等网络规模而任意设定。

在步骤71中判定学习用数据的组数m在S个以上时，将学习用数据的计数号n初始设定为“1”（步骤72），然后从第n个学习用数据中取出实际到达时间TA（k），从下式：

da（k）＝TA（k）/NT_max…（7）

求出与这些等候处相应的节点的值，亦即教师数据da（k）（k＝1，2，……，N₃）。

下面，将取自第n个学习用数据中的输出层10DA3的输出值ya3（1）-ya3（N₃）与教师数据da（1）-da（N₃）的差值平方后，求出k＝1-N₃的总和，从而求出误差Ea：

Ea＝∑[{da（k）-ya3（k）}²]/2 …（8）

（k＝1-N₃）

进而，利用由（8）式得到的误并Ea，如下述那样修正中间层10DA2，与输出层10DA3之间的加权系数wa2（j，k）（j＝1，2，……，N₂，k＝1，2，……，N₃）（步骤74）。

首先，用wa2（j，k）对（8）式的误差Ea求微分，再利用前述（1）-（5）式进行整理，则加权系数wa2（j，k）的变化量△wa2（j，k）表示为：

△wa2（j，k）＝-α{

Ea/ wa2（j，k）}

＝-α·δa2（k）·ya2（j） …（9）

其中，α是表示学习速度的参数，可选择为0-1范围内的任意值。在（9）式中：

δa2（k）＝{ya3（k）-da（k）}ya3（k）{1-ya3（k）}

这样，算出加权系数wa2（j，k）的变化量△wa2（j，k），再根据下面的（10）式进行加权系数wa2（j，k）的修正：

wa2（j，k）←wa2（j，k）+△wa2（j，k） …（10）

同样，依照下面的（11）式和（12）式，修正输入层10DA1与中间层10DA2之间的加权系数wa1（i，j）（i＝1，2，……，N₁，j＝1，2，……，N₂）（步骤75）。

首先，从下式求出加权系数wa1（i，j）的变化量△wa1（i，j）：

△wa1（i，j）＝-α·δa1（j）·ya1（i） …（11）

其中，δa1（j）是k＝1-N₃的求和式，表示为：

δa1（j）＝∑{δa2（k）·wa2（j，k）·ya2（j）×[1-ya2（j）]}

利用从（11）式求得的变化量△wa1（i，j），如（12）式那样修正加权系数wa1（i，j）

wa1（i，j）←wa1（i，j）+△wa1（i，j） …（12）

在上面的步骤74和75中，只修正与存在教师数据的等候处有关的加权系数。亦即，如根据学习用数据组成程序（图8）所作的说明那样，只对分配时轿厢位置和有候乘呼叫C的等候处之间的途中楼层等候处，把实际到达时间作为教师数据加以存储，因此，不修正与其它等候处有关的加权系数。

这样，用第n个学习用数据执行完修正步骤73-75后，将学习用数据号n增量（步骤76），并反复进行步骤73-76的处理，直至步骤77判定已就全部学习用数据。完成修正（n≥m）。

进而，一旦就全部学习用数据进行完修正，则将完成修正的加权系数wa1（i，j）和wa2（i，k）记录到预测到达时间运算装置10D中（步骤78）。

这时，为了能够再次存储最新的学习用数据，将修正中使用到的学习用数据全部清除，并将学习用数据的号码m初始设定为“1”。这样结束了神经网络10DA的网络修正（学习）。

如此，根据实测值组成学习用数据，用这些学习用数据分别修正预测到达时间运算装置10D的加权系数wa1（i，j）和wa2（i，k），因此，即使大楼内的交通流发生变化，也能自动地采取对策。

因为将过去统计的不同等候处的5分钟内乘梯人数和下梯人数用作表示交通流特征的输入数据，所以，与对于时刻变化的交通流，只把轿厢位置、运行方向和该应答的呼叫作为输入数据的情况相比，能够实现更灵活和正确的预测运算。

在上述实施例中，输入数据变换装置将轿厢位置、运行方向和该应答的呼叫作为输入数据加以变换，但是，作为输入数据使用的交通状态数据并不限于这些。例如，可以把轿厢状态（正在减速、开门动作中、门开着、关门动作中、门关上等候出发、运行中等）、候乘呼叫的持续时间、轿厢呼叫的持续时间、轿厢负载、进行群管理的轿厢台数等作为输入数据使用。另外，不仅采用现在的交通状态数据，还采用在较近将来的交通状态数据（轿厢移动的经历和呼叫应答状态的经历）作为输入数据，藉此，可以使预测到达时间的运算更正确。

学习用数据组成装置10F在进行候乘呼叫的分配时，把分配轿厢到达各等候处的预测到达时间和这时的输入数据以及以后分配轿厢到应答候乘呼叫为止停留或通过的等候处所对应的实际到达时间，作为一组学习用数据加以存储，但是，组成学习用数据的时间并不限于此。例如，既可以把从上一次存储输入数据起经过的时间超过规定时间（例如1分钟）的时候作为学习用数据组成时期，还可以规定周期性的（例如每隔1分钟）学习用数据组成时间。各种条件下的学习用数据收集得越多，学习条件就越高，所以，也可以预先确定代表性状态，例如，可以考虑在规定楼层停留的时候，或轿厢进入规定状态（正在减速、停止等）的时候，在检测到该状态时组成学习用数据。

学习用数据组成装置10F只存储以在分配轿厢应答分配给的候乘呼叫之前停留或通过的等候处作为对象的实际到达时间，作为教教数据，而且在用修正装置10G进行加权系数修正时，只修正与存储的教师数据有关的加权系数，但是，取出教师数据的方法并不限于此。例如，也可以存储与全部等候处有关的预测到达时间和可在轿厢运行中测定的实际到达时间，只修正与存在教师数据的等候处有关的加权系数，这里，不能测定实际到达时间的等候处，举例说，在轿厢于途中楼层反转方向的情况下，相当于处于反转楼层远方的等候处，在轿厢于途中楼层上成为空轿厢（没有分配呼叫的轿厢）的情况下，相当于在成为空轿厢的楼层远方的等候处，和存储输入数据时轿厢所处楼层后方的等候处（例如，在向上方运行过程中位于现在位置下方的等候处）。

预测到达时间运算装置10D每逢存储的学习用数据达到规定数时就修正加权系数，但是，加权系数的修正时间并不只限于此。例如，既可以在预先确定的时刻（例如，每隔一小时），利用到那里为止存储的学习用数据修正加权系数，也可以在交通变得空闲，预测到达时间运算装置10D进行的预测到达时间的运算减少时，修正加权系数。

还可以多次重复加权系数的修正步骤（例如，对于500个数据，重复500次），使加权系数收敛到获得所希望的近似输出。

如上所述，本发明的电梯控制装置包括将含有轿厢位置、运行方向和该应答的呼叫在内的交通数据变换成可用作为神经网络的输入数据的格式的输入数据变换装置;构成神经网络的预测到达时间运算装置，包含取入输入数据的输入层、将相当于预测到达时间的数据作为输出数据的输出层、和处于输入层与输出层之间设定加权系数的中间层;将输出数据变换成可用于规定控制目的中的格式的输出数据变换装置。将交通状态数据取入神经网络中，运算出轿厢到达等候处为止所需要的时间，作为预测达时间，因此，能够通过接近于实际到达时间的运算，求出预测到达时间，同时，在这一正确的预测到达时间基础上，提高群管理的性能。

本发明的电梯控制装置还包括学习用数据组成装置和修正装置：前者当电梯在工作中进入预先确定的时间后，存储规定轿厢的预测到达时间和其时的输入数据，以及规定轿厢的实际到达时间，把它们作为一组学习用数据输出;后者利用学习用数据来修正预测到达时间运算装置的加权系数。根据运算出的预测结果和那时的交通状态数据及实测数据，自动地修正神经网络中的加权系数，因此，能够自动地对大楼内实际交通流的变化采取对策，并能高精度地预测到达时间。

下面，根据附图说明本发明的一个实施例。图10是显示本发明一个实施例的整体结构的功能框图，10、10A-10D、10G、11、11A、11E和12是与图1所示相同的装置。图10的电梯控制装置的大致结构与图2所示相同。

图10中，预测到达时间运算装置10D包含用于平常时间范围的预测到达时间运算装置10D1、上班时间范围用的预测到达时间运算装置10D2、下班时间范围用的预测到达时间运算装置10D3、午饭时间范围用的预测到达时间运算装置10D4和空闲时间范围用的预测到达时间运算装置10D5，各运算装置10D1-10D5的网络结构与图3相同。

但是，在各运算装置10D1-10D5内的神经网络中，都不使用图3中用到的交通量数据（5分钟内上电梯人数、5分钟内，下电梯下数）。因此，这种情况下，如果大楼的楼层数为12，则输入层10DA1的节点数N₁设为56个。这是因为从输入数据中除去了每个等候处上行和下行方向的乘电梯人数及出电梯人数，变成比前述节点数N₁（＝100）只少44个的值的缘故。另外，随着输入数据数的减少，中间层10DA2的节点数N₂也设定得比N₂小。

群管理装置10还具有判断现在的电梯交通是哪种交通模式的判断装置10E、和根据判断装置10E的判断结果从多个预测到达时间运算装置10D1-10D5中只选出一个的切换装置10H。另外，表示电梯交通状态的多个交通模式中还含有多个时间范围的区别内容。

图11是大概表示群管理装置内存储的群管理程序的流程图，图12是具体表示图11中到达时间预测程序的流程图，图13是具体表示图10中学习用数据组成程序的流程图，图14是具体表示图10中修正程序的流程图。

下面，参照图11，对图10所示本发明一个实施例的群管理动作进行说明。

首先，群管理装置10用众所周知的输入程序（步骤131）取入候乘呼叫按钮信号14和来自轿厢控制装置11和12的状态信号。这里，输入状态信号中包括轿厢位置、运行方向、停止或运行状态、门开闭状态、轿厢负载、轿厢呼叫、候乘呼叫的消除信号等。

然后，根据众所周知的候乘呼叫记录程序（步骤132），判断候乘呼叫的记录或消除，以及候乘按钮灯的点亮或熄灭，同时运算候乘呼叫的持续时间。

接着，根据众所周知的判断程序（步骤133）判断现在的电梯交通状态处于哪一时间范围。

例如，根据设置在群管理装置10中的计时器（图中未示出）的输出，判断处于上班时间范围（8∶30-9∶10）、下班时间范围（17∶00-17∶30）、午饭时间范围（11∶50-13∶10）、空闲时间范围（0∶00-8∶30和19∶00-24∶00）和平常时间范围（上述时间范围之外的时间范围）中的哪一个时间范围。

下面，判断是否记录到新的候乘呼叫C（步骤134），如果检测出新记录的候乘呼叫C，则在以下的步骤135-139中运算将候乘呼叫C分别分配给1号机和2号机时的等待时间评价值W₁及W₂（参照特公昭58-48464号公报）。进而，选择评价值W₁或W₂为最小的轿厢作为正常的分配轿厢，并给分配轿厢设定与候乘呼叫C对应的分配指令和预报指令。

亦即，首先，由1号机用的暂时分配时的到达时间预测程序（步骤135）运算暂时把新的候乘呼叫C分配1号机时1号机各等候处的预测到达时间Ta1（k）（K＝1，2，……，N₃）。

同样，由2号机用的暂时分配时的到达时间预测程序（步骤136）运算暂时把候乘呼叫C分配给2号机时2号机各等候处的预测到达时间Ta2（k）。

另外，无视新的候乘呼叫C，执行不向1号机和2号机分配时的暂时不分配的到达时间预测程序（步骤37和38），并运算相对1号机和2号机的各等候处的预测到达时间Tb1（k）和Tb2（k）。

下面，参照图3和图12，对于1号机用的暂时分配时的到达时间预测程序（步骤135）的运算动作进行具体说明。

首先，暂时把候乘呼叫C分配给1号机，组成用于输入到输入数据变换子单元10CA中的分配呼叫数据（步骤151）。

下面，根据判断装置10E内判断程序（步骤33）的判断结果，切换装置10H从对应于各个预测到达时间运算装置10D1-10D5的预测到达时间运算程序（步骤56-60）中只选出一个程序（步骤152-155）。

这里，只具体地示出用于平常时间范围的预测到达时间运算程序（步骤56），而各个预测到达时间运算程序（步骤157-160）也是由与步骤56相同的运算程序构成的。

例如，当由判断装置10E内的判断程序（步骤133）判断为平常时间范围的时候，经由上班时间范围判断步骤152、下班时间范围判断步骤153、午饭时间范围判断步骤154、空闲时间范围判断步骤155，进到用于平常时间范围的预测到达时间运算程序（步骤156），执行与图4相同的运算程序。

步骤156中的各个步骤561-567分别对应于图4中的步骤91-97。另外，在与图3相同的网络中设定用于平常时间范围的值，以作为加权系数wa1（i，j）（i，1，2，……，N^' ₁，j＝1，2，……，N^' ₂）和wa2（i，k）。

在输入数据变换程序（步骤561）中，取出1号机的轿厢位置、运行方向、轿厢等候、暂时分配后的分配呼叫等等数据，变换成用于网络运算的输入数据xa1（1）-xa1（i）。其中，i＝1，2，……，N^' ₁（N^' ₁＜N₁）。下面，与前述步骤92-97相同，在步骤562-567中进行网络运算，最后设定预测到达时间Ta1（k）（k＝1，2，……，N₃）。

另一方面，当处于对应于各判断步骤152-155的时间范围时，同样执行各个预测到达时间运算程序（步骤157-160）。再将各网络中用的加权系数wa1（i，j）和wa2（i，k）（i＝1，2，……，N^' ₁，j＝1，2，……，N^' ₂，k＝1，2，……，N₃）设定成对应于各时间范围的值。

这样，因为在各个到达时间预测程序135-138中从输入数据中除去了交通量数据，所以，输入数据数从100个减为56个，同时，能够减少中间层10DA2的节点数。另外，从由对应于时间范围而设定的多个神经网络构成的预测到达时间运算程序（步骤156-160）中，只选出一个与现在的交通状态对应的运算程序，运算1号机和2号机的预测到达时间Ta1（k）、Ta2（k）、Tb1（k）和Tb2（k），因而能够在短时间内高精度地运算出预测到达时间。

这样求得的预测到达时间由分配程序（步骤139）用在等待时间评价值W₁和W₂的运算中。

接着，由输出程序（步骤140）向等候处发出上述那样设定的候乘按钮灯信号15，同时，给轿厢控制装置11和12送出分配信号和预报信号。

另一方面，在学习用数据组成程序（步骤141）中，存储作为输入数据变换后的交通状态数据、各等候处的预测到达时间及其后的各轿厢到达时间的实测数据，并将这些作为学习用数据输出。在修正程序（步骤142）中，利用学习用数据修正预测到达时间运算装置10D中的网络加权系数。

下面，参照图13和图14，说明由学习用数据组成装置10F和修正装置10G执行学习用数据形成程序（步骤141）和修正程序（步骤142）的时的本发明的一个实施例。

在详细表示学习用数据形成程序（步骤141）的图13中，首先，设定新的学习用数据的形成许可，并且，判断是否正好进行了新的候乘呼叫C的分配（步骤161）。

如果设定了学习用数据的形成许可，并且，作为候乘呼叫C的分配，则将分配时分配轿厢的交通状态数据xa1（1）-xa1（N^' ₁）和相当于这时候各等候处的预测到达时间的输出数据ya3（1）-ya3（N₃）作为第3个学习用数据的一部分（教师数据）存储起来（步骤162）。

接着，在将新的学习用数据的形成许可清除的同时，设置实际到达时间的实测指令，开始计数实际到达时间（步骤163）。

藉此，在下一个运算周期的步骤161中，因为判断为新的学习用数据的形成许可未设定，所以进到步骤164，判断到达时间的实测指令是否设置。这时，因为在步骤163中设置了实测指令，所以，再进到步骤165，判断分配轿厢是否响应候乘呼叫C而停止。

在多次之后的运算周期里，如果检测出给候乘呼叫C的等候处的停止决定，则进到步骤166，将这时的实际到达时间作为第m个学习用数据的一部分存储起来。这是原始教师数据，表示为候乘呼叫C的等候处的到达时间TA（c）。

接着，在步骤167中，发出实际到达时间的实测指令，结束实际到达时间的计算，同时，将学习用数据的号码m增量后，再设置新的学习用数据形成许可。

这样，与进行候乘呼叫分配的时间相一致，反复组成与进行候乘呼叫分配的轿厢以及与此时新候乘呼叫C有关的学习用数据，并存储起来。

然后，修正装置10G由图11中的修正程序（步骤142），采用学习用数据修正神经网络10DA的网络。下面，参照图14详细说明修正动作。

首先，判断是否处于应该进行网络修正的时间（步骤171），如果是修正时间，则执行下面的步骤172-184。

这里，把现在存储的学习用数据组数m达到S个（例如400个）以上时作为网络修正时间。学习用数据的判断基准数S可根据电梯的设置台数、大楼的楼层数FL以及电梯呼叫数等网络规模而任意设定。

在步骤171中判定学习用数据组数为S个以上的情况下，将学习用数据的计算号n初始设定为“1”（步骤172），然后，判定第n个学习用数据是对应于哪一个时间范围（步骤173-176），并从多个修正程序（步骤177-181）中只选择一个应该采用的修正程序。这里，只具体地示出用于平常时间范围的加权系数的修正程序（步骤177），但各个修正程序（步骤178-181）也可由与步骤177相同的程序构成。

例如，在判定第n个学习用数据是用于平常时间范围的情况下，经过各判断步骤173-176，进到修正步骤177，选择和执行用于平常时间范围的加权系数修正程序。步骤177中的各个步骤771-773分别对应于图5中的步骤113-115。

首先，从第n个学习用数据中取出实际到达时间TA（c），求出示教用数据da（c）（步骤771），然后，修正中间层10DA2与输出层10DA3之间的加权系数wa2（j，c）（j＝1，2，……，N^' ₂）（步骤772），接着，修正输入层10DA1与中间层10DA2之间的加权系数wa1（i，j）（i＝1，2，……，N^' ₁）（步骤773）。

另一方面，如果第n个学习用数据是上班时间范围数据，则由判断学习用数据是否是上班时间范围用的判断步骤173，来选择上班时间范围的加权系数修正程序（步骤178），并修正上班时间范围的预测到达时间运算程序（步骤157）中的加权系数。同样，如果第n个学习用数据是下班时间范围用数据，则由判断步骤174选择下班时间范围的加权系数修正程序（步骤179）;如果是午饭时间范围，则由判断步骤175选择午饭时间范围的加权系数修正程序（步骤180）;如果是空闲时间范围，则由判断步骤176选择空闲时间范围的加权系数修正程序（步骤181），并修正各个加权系数。具体的修正次序与前面相同，这里不再详述。

如上所述，当第n个学习用数据一旦结束修正（步骤173-181），则使学习用数据的号码n增量（步骤182），并反复进行步骤173-182的处理，直到在步骤183中判定就全部学习用数据已完成修正（n≥m）。

进而，就全部学习用数据进行修正后，就在预测到达时间运算装置10D中记录完成修正的加权系数wa1（i，j）和wa2（i，k）（步骤84）。

这时，为了能够再次存储最新的学习用数据，将修正中使用到的学习用数据全部清除，并将学习用数据的号码初始设定为“1”。这样，就完成对每一时间范围的各个神经网络10DA的修正（学习）。

这样，在每一时间范围组成学习用数据，在每一时间范围修正预测到达时间运算装置的网络，因此，与由单个神经网络构成的预测到达时间运算装置10D的网络修正相比，可以用较少的学习用数据，并且在较短的学习时间内完成修正。因而，对于各种交通流，都能够在短时间内高精度运算出预测到达时间。

在上述实施例中，输入数据变换装置将轿厢位置、运行方向和该响应的呼叫变换成输入数据，但时，作为输入数据使用的交通状态数据并不限于这些。例如，可以把轿厢状态（减速中、开门动作中、门开着、关门动作中、门关上等候中，、运行中等等）、候乘呼叫的持续时间、轿厢呼叫的持续时间、轿厢负载、进行群管理的轿厢台数等作为输入数据使用。另外，不仅是现在的交通状态数据，也把随后的交通状态数据（轿厢移动经历和呼叫应答状态的经历等）用作为输入数据使用，所以能更正确地运算预测到达时间。

判断装置10E根据计时器的输出是否处于规定的时间范围，来判断现在的电梯交通状态处于哪一时间范围，但是，判断的方法并不限于此。例如，也可以把从拥挤楼层出发的轿厢内乘客数（轿厢负载），或者，在拥挤楼层乘上电梯的人数达到规定值以上的时间增加到条件中进行判断。这种情况下，时间范围的种类根据大楼的交通状况而因地制宜地设定。也可以预备好与时间范围无关系的代表性的多种交通流模方法（例如，交通偏重上行方向的模式、偏重下行方向的模式），可根据较近的过去（如5分钟内）交通数据的实测值，判断现在的交通接近于哪一种交通模式选择最接近的交通模式。

学习用数据组成装置10F在进行候乘呼叫分配时，存储分配轿厢至候乘呼叫等候处的预测到达时间、此时的输入数据和时间范围，然后，在分配轿厢停在候乘呼叫的等候处之前计数所经过的时间，将它作为实际到达时间存储起来，并且被储存的时间范围、输入数据、预测到达时间和实际到达时间作为一组学习用数据输出，但是组成学习用数据的时间并不限于此。例如，既可以把从前一次输入数据的存储时间起经过的时间超过规定时间（如1分钟）的时候作为学习用数据组成时间，也可以规定周期性的（如每隔一分钟）学习用数据组成时间。另外，由于在各种条件下的学习用数据收集的越多，学习条件就越高，所以，可以预先确定代表性状态，例如，可以考虑是轿厢停在规定楼层时，或者，进入规定状态（减速中、停下等等）时的状态，并在检测到该状态时组成学习用数据。另外，学习用数据的存储方法也不限于此，也可以在不同时间范围的存储区域区别各个学习用数据，并依次存储起来。这种情形下，能够减少必须作为学习用数据存储起来的数据量。

修正预测到达时间运算装置10D的加权系数的修正装置10G，每逢被储存的学习用数据的总数m达到规定值S，就修正加权系数，但是，修正时间不限于此。例如，既可以在预先确定的时刻（如每隔一小时），通过到此时为止所存储的学习用数据修正加权系数，也可以在交通进入空闲状态、预测到达时间的运算频度变少的时候修正加权系数。另外，也可以不用学习用数据的总数m作判断，而分别计数各时间范围的学习用数据mA、mB……、mE，且每逢达到各个规定值sA、sB、……、sE的时候，修正对应时间范围的加权系数。

在利用学习用数据组成装置10F组成的一组学习用数据中，除输入数据外，只存储与一个等候处（有新的候乘呼叫C）有关的预测到达时间和实际到达时间，在修正装置10G进行加权系数的修正时，也只修正与其学习用数据（教师数据）有关的加权系数，但是，学习方法不限于此。例如，可以存储与全部等候处有关的预测到达时间和在轿厢运行中测定的实际到达时间，并只修正与存在实际到达时间的等候处教师数据有关的加权系数。这种情况下，可以减少必须作为学习用数据存储的数据量。不能测定实际到达时间的等候处，例如，在轿厢于途中楼层反方向运行的情况下，相当于比反运转楼层远的等候处，轿厢于途中楼层上成为空轿厢（没有分配呼叫的轿厢）的情况下，相当于比成为空轿厢的楼层远的等候处，和存储输入数据时的轿厢位置楼层之后的等候处（例如，上行运行过程中，处于现在位置下方的等候处）。

在上述实施例中，为了预测轿厢随后的动作，采用神经网络运算预测到达时间，但是，对候乘呼叫的分配和其它群管理控制装置中用到的预测项目的运算，也同样能适用。例如，可以考虑用到预报失误概率、满员概率、在各楼层轿厢负载的预测、轿厢呼叫发生的预测等运算中。

此外，也可以把加权系数的修正步骤反复多次（例如，在500个数据时进行500次），使加权系数收敛以获得所要求的近似输出。

如上所述，根据本发明，对应于根据大楼内交通流特征而分类的多种交通模式设置多个运算装置，同时，设置用于判断现在的电梯交通相当于哪一交通模式的判断装置，和在运算装置中只选择一个与判断装置的判断结果相对应的运算装置的切换装置，通过切换装置选择的运算装置的输出数据来控制轿厢，因而，对于各种交通流，都能在短时间内以高精度运行与规定的控制目的近似的运算。

另外，根据本发明，还设置了学习用数据组成装置和修正装置：前者在电梯工作进入预先决定的时期时，存储运算装置的输出数据和这时使用的输入数据，同时，存储从控制结果得到的教师数据，并将存储的输入数据、输出数据和教师数据作为一组学习用数据输出;而后者利用学习用数据来修正运算装置的加权系数。学习用数据组成装置根据判断装置的判断结果，组成每种交通模式的学习用数据，修正装置利用每种实际交通模式的学习用数据，分别修正对应每种交通模式的运算装置的加权系数，因而能够用少量学习用数据和较短的学习时间修正网络，得到能满足大楼内交通流的变化要求的高精度电梯控制装置。

Claims

1、一种电梯控制装置，它预测电梯轿厢到达等候处为止所需要的时间，作为预测到达时间，利用所述预测到达时间控制所述轿厢的动作，其特征在于，它包括：

把含有上述轿厢的位置、运行方向和该应答的呼叫在内的交通状态数据变换成可作为神经网络的输入数据使用的格式的输入数据变换装置，

构成上述神经网络的预测到达时间运算装置，含有取入上述输入数据的输入层、以相当于上述预测到达时间的数据作为输出数据的输出层和处在所述输入层与输出层之间设定了加权系数的中间层，

将上述输出数据变换成可在规定的控制动作中使用的格式的输出数据变换装置。

2、如权利要求1所述的电梯控制装置，其特征在于，它还包括：

学习用数据组成装置，当电梯在工作中进入预先确定的时间，则存储规定等候处的预测到达时间及这时候的输入数据，同时，计算轿厢通过或者停止于所述规定等候处时为止所经过的时间，并存储起来作为实际到达时间，将储存的上述输入数据、上述预测到达时间和上述实际到达时间作为一组学习用数据输出，

利用上述学习用数据修正预测到达时间运算装置的加权系数。

3、一种电梯控制装置，用于控制为在多楼层内提供服务而设置的电梯轿厢，其特征在于，它包括：

将前述电梯交通状态数据变换成能作为神经网络的输入数据使用的格式的输入数据变换装置;

构成前述神经网络的运算装置，包含取入前述输入数据的输入层、将基于规定控制目的的运算结果作为输出数据的输出层和处于前述输入层与输出层之间设定了加权系数的中间层;

将前述输出数据变换成可在前述控制目的的动作中使用的格式的输出数据变换装置，

对应于根据大楼内交通流的特征分类的多个交通模式而设置多个前述运算装置，同时，设置了：

判断现在的电梯交通状态相当于前述交通模式中哪一个的判断装置;

从前述运算装置中选出一个与前述判断装置的判断结果对应的运算装置的切换装置，

根据由前述切换装置选择的运算装置的输出数据来控制前述轿厢。

4、一种电梯控制装置，用于控制设置成在多个楼层内进行服务的电梯轿厢，其特征在于，包括：

将前述电梯交通状态数据变换成可作为神经网络的输入数据使用的格式的输入数据变换装置;

构成前述神经网络的运算装置，它包含取入前述输入数据的输入层、以基于规定控制目的的运算结果为输出数据的输出层和处于前述输入层和前述输出层之间设定了加权系数的中间层;

将前述输出数据变换成可在前述控制目的的动作中使用的格式的输出数据变换装置;

学习用数据组成装置，当前述电梯在工作中进入预先决定的时期时，存储前述运算装置的输出数据和其时使用的输入数据，同时，存储从控制结果获得的教师数据，并将存储的前述输入数据、输出数据和教师数据作为一组学习用数据输出;

利用前述学习用数据修正前述运算装置的加权系数的修正装置，

对应于根据大楼内交通流特征而分类的多种交通模式设置了多个前述运算装置，同时，设置了：

判断现在的电梯交通状态相当于前述交通模式的的哪一种的判断装置，

从前述运算装置中只选出一个对应于所述判断装置判断结果的运算装置的切换装置，

前述学习用数据形成装置根据前述判断装置的判断结果来组成前述每种交通模式的学习用数据，

前述修正装置利用前述每种交通模式的学习用数据分别修正对应于前述每种交通模式的运算装置的加权系数，

根据由前述切换装置选出的运算装置的输出数据来控制前述轿厢。