电梯系统的制作方法

本发明总体来说涉及多台电梯的管理。

背景技术：

作为关于多台电梯的管理的技术，例如有日本专利第4606681号和日本专利第4139819号。

日本专利第4606681号中公开了以下群管理控制装置。即，群管理控制装置检测多台电梯的交通需求，并基于检测到的交通需求来预测近期的交通需求。群管理制御装置根据交通需求的预测结果来判别近期的交通模式，并基于判别出的交通模式自动生成多个要应用于近期的控制规则组的候选。群管理制御装置评价多个候选中的每一个，并基于评价结果选定任意一个候选。

现有技术文献

专利文献

专利文献1：日本专利第4606681号

技术实现要素：

发明所要解决的技术问题

然而，电梯的运行通常为了服务乘客在多个楼层的移动，基本上会重复进行在最下层与最上层之间往返的往返运行。此外，为了使得在任何地方任何时间发生轿厢呼叫都能应对，一般进行以轿厢的位置不重复的方式分散运行的控制，以使得能网罗多台电梯从最下层到最上层的所有行程。

专利文献1的技术是关于上述往返运行的控制的技术。

重复最下层与最上层之间的往返运行存在如下问题：会产生无用的运行。

解决技术问题所采用的技术方案

在多台电梯的控制中，使用从推定时刻起经过规定时间的将来的时刻的控制中所使用的推定运行数据。推定运行数据是基于从推定时刻起经过规定时间的将来的时刻而推定出的多个输出值的运行数据。推定出的多个输出值是从完成学习模型输出的多个输出值，该完成学习模型输入有属于推定时刻的多个输入值。属于推定时刻的多个输入值包含分别表示属于推定时刻的多个时间元素的多个时间输入值。多个输出值包含与多个出发到达组合相关的值。各出发到达组合是出发楼层和到达楼层的组合。

发明效果

根据本发明，不以最下层和最上层之间的往复运行的重复为前提，而是基于通过将属于推定时刻的多个输入值输入到完成学习模型中而推定的出发楼层和到达楼层的组合、即某一将来时刻的出发楼层和到达楼层的组合，来控制该将来时刻的运行。由此，能减少无用的运行，因此能使多台电梯的运行高效化。

附图说明

图1是作为实施例1所涉及的电梯系统的一个示例的包含群管理控制器的系统整体的结构图的示例。

图2是实施例1所涉及的学习存储处理的流程图的示例。

图3是作为模型的神经网络的第1示例。

图4是作为模型的神经网络的第2示例。

图5是作为模型的神经网络的第3示例。

图6是包含推定处理及控制处理的一系列的处理的流程图的示例。

图7是控制处理的流程图的示例。

图8是救济处理的流程图的示例。

图9是作为实施例2所涉及的电梯系统的一个示例的包含群管理控制器的系统整体的结构图的示例。

图10是实施例2所涉及的学习存储处理的流程图的示例。

图11是作为实施例3所涉及的电梯系统的一个示例的包含核心控制器和外部控制器的系统整体的结构图的示例。

图12是实施例3所涉及的包含推定处理及控制处理的一系列处理的流程图的示例。

图13是实施例4所涉及的系统整体的结构图的示例。

图14是包含推定结果的正误判定和基于该判定结果的再学习的处理的流程图的示例。

图15是实施例5所涉及的系统整体的结构图的示例。

图16是实施例5所涉及的神经网络的示例。

图17是实施例6所涉及的轿厢门开闭控制的流程图的示例。

具体实施方式

以下说明中，“接口部”可为1个以上的接口。该1个以上的接口可以是1个以上的相同种类的接口设备，也可以是2个以上不同种类的接口设备。

此外，以下的说明中，“存储器部”是1个以上的存储器，典型地可为主存储设备。存储器部中的至少1个存储器可以是易失性存储器，也可以是非易失性存储器。

此外，以下的说明中，“pdev部”是1个以上的pdev，典型地可为辅助存储设备。“pdev”表示物理存储设备(physicalstoragedevice)，典型地为非易失性的存储设备，例如hdd(harddiskdrive：硬盘驱动器)或ssd(solidstatedrive：固态驱动器)。

此外，以下的说明中，“存储部”是存储器部以及pdev部中的至少一个(典型地，至少为存储器部)。

此外，以下的说明中，“处理器部”是1个以上的处理器。典型地，至少一个处理器是如cpu(centralprocessingunit：中央处理单元)那样的微处理器，但也可是如gpu(graphicsprocessingunit：图形处理单元)那样的其它种类的处理器。至少1个处理器可以是单核也可以是多核。至少一个处理器也可以是进行一部分处理或者全部处理的硬件电路(例如fpga(field-programmablegatearray：现场可编程门阵列)或者asic(applicationspecificintegratedcircuit：专用集成电路))那样的广义的处理器。

另外，在以下的说明中，有时用“kkk部”(除接口部、存储部及处理器部以外)的表述来说明功能，但功能可以通过由处理器部执行一个以上的计算机程序来实现，也可以通过一个以上的硬件电路(例如fpga或者asic)来实现。在通过由处理器部执行程序来实现功能的情况下，适当地使用存储部及/或接口部等来进行确定的处理，因此，功能也可设为处理器部的至少一部分。将功能作为主语来说明的处理也可以是由处理器部或具有该处理器部的装置来进行的处理。可以从程序源安装程序。程序源例如可以是程序发布计算机或计算机可读取的记录介质(例如非暂时性的记录介质)。各功能的说明是一个示例，也可将多个功能合并为一个功能，或将一个功能分割为多个功能。

在以下的说明中，在不区分同类要素来进行说明的情况下，有时使用参照标号中的共用部分，在区分同类要素来进行说明的情况下，有时使用参照标号。例如，当在没有特别区分的情况下说明电梯时，可以记载为“电梯1”，而当在对各个电梯进行区分说明时，有时记载为“电梯1a”或“电梯1b”。

实施例1

图1是作为实施例1所涉及的电梯系统的一个示例的包含群管理控制器的系统整体的结构图的示例。

控制电梯组200(多台电梯1)的群管理控制器2是电梯系统的一个示例。另外，“电梯系统”可以是仅具有学习部40、推定部50和控制部60中的至少一个的系统，例如，可以是仅具有学习部40而不包含多台电梯1中的任何一台的系统。由于能认为学习部40和推定部50中的至少一个是用于辅助电梯组200的管理的模块，因此，仅包括学习部40的系统也可以用群管理辅助系统那样的别名来称呼。本实施例中，群管理控制器2具有学习部40、推定部50以及控制部60中的任一个。

学习部40对模型44进行学习，该模型44用于使用属于对象时刻的多个输入值来推定多个输出值，该多个输出值成为用于电梯组200的控制的运行数据、即用于从该对象时刻起经过规定时间的将来时刻的控制的运行数据34的基础。将学习过程中的模型标记为“模型44t”。属于对象时刻的多个输入值包括分别表示属于对象时刻的多个时间元素的多个时间输入值。多个输出值包含与多个出发到达组合相关的值。各个出发到达组合是出发楼层和到达楼层的组合。通过将属于某一时刻的多个输入值输入到完成学习模型44f(由学习部40学习到的模型44)中，从而推定从该某一时刻起经过规定时间的将来时刻的出发楼层和到达楼层的组合。基于该推定，能控制关于该将来的时刻的运行。当出发楼层或到达楼层中没有最下层或最高层时，不需要将乘坐轿厢(以下简称“轿厢”)14移动到最下层或最高层。由此，可以减少无用的运行。例如，在某一电梯1中，当没有乘客的轿厢14处于下降过程中，并且推定为在一定时间内最下层不为出发楼层、而某一中间楼层为出发楼层的情况下，可以在不去往最下层的情况下反转前进方向。其结果是，可以去除往复运动的无用的行程。

推定部50将属于推定时刻的多个输入值输入到完成学习模型44f，以推定多个输出值，该多个输出值是从该推定时刻起经过规定时间的将来时刻的控制所使用的运行数据34e的基础。由此，对于从推定时刻起经过规定时间的将来的时刻，能基于该将来的时刻的出发楼层和到达楼层的组合来控制将来的时刻的运行。由此，能减少无用的运行。

控制部60使用推定运行数据34e来控制电梯组200，该推定运行数据34e是基于从推定时刻起经过规定时间后的时刻而推定出的多个输出值的运行数据。由此，对于从推定时刻起经过规定时间后的时刻，能基于该经过后的时刻的出发楼层和到达楼层的组合来控制该经过后的时刻的运行。由此，能减少无用的运行。

电梯组200具有多台电梯1(例如1a～1c)。下面，以电梯1a作为一台电梯1来举例。另外，图中，在电梯1α(α＝a、b和c中的任一个)的构成要素的参照标号的末尾添加了α。

电梯1a具有电梯控制器10a，电梯控制器10a通过控制电梯1a的曳引机12a来控制轿厢14a的动作。电梯控制器10a连接到诸如通信路径的网络20，能够与其它各个电梯控制器10交换信息。另外，设置在各楼层上的轿厢呼叫按钮的信息(例如，表示按下用于指定向上移动的按钮、或用于指定向下移动的按钮的信息)、电梯1的前进方向灯的信息、轿厢14的位置灯的信息、轿厢门的信息(例如，表示轿厢门的状态处于关闭了的状态、正在打开的状态、打开了的状态、正在关闭的状态等中的哪一个状态的信息)以及其它与电梯有关的所有信息在网络20中流动。将上述的信息称为“电梯信息”。另外，在轿厢14a设有重量传感器16a这样的传感器。

网络20与群管理控制器2相连接。可以将电梯组200与群管理控制器2设置在同一大楼内，群管理控制器2也可以位于远离该大楼的场所。例如，群管理控制器2可以是在云系统那样的计算机系统(1个以上的计算机)上实现的软件定义的控制器。

群管理控制器2可以具有接口部、存储部以及与它们相连接的处理器部之类的物理计算资源(或者，可以基于上述物理计算资源来实现)。接口部与网络20相连接。群管理控制器2具有输入区域32、数据存储部30、学习部40、学习结果区域42、推定部50、推定区域55以及控制部60。输入区域32、学习结果区域42以及推定区域55分别是基于存储部的物理或逻辑存储区域。数据存储部30、学习部40、推定部50以及控制部60由执行1个以上的计算机程序的处理器部来实现。

可以输入到学习部40和推定部50中的至少一个的多个值由数据存储部30存储在输入区域32中。存储于输入区域32的各个值例如是基于下述中的任意一个的值。

·从现在到过去的对象期间内获取到的电梯信息(例如，时间序列的电梯信息)；

·表示时刻的时间信息；

·关于设置电梯组200的大楼的结构和各层的信息；以及

·与电梯组200的运行的干扰因素(例如，设置有电梯组200的大楼(建筑物的一个示例)的整修施工期间、该大楼周围的交通量、该大楼附近的铁路等的延迟或停运、或利用目的地楼层登记系统(dfrs:destinationfloorreservationsystem)指定了目的地楼层)有关的信息。

能从电梯信息中获取后述的实际运行数据34r。作为存储于输入区域32的值，换言之，作为可以成为学习部40或推定部50的输入值的值，存在以下(01)～(04)中的至少一个。下面，以一个时刻为例(下面(01)～(04)的说明中的“对象时刻”)。

(01)分别表示属于对象时刻的多个时间元素的多个时间输入值。例如，当对象时刻用年月日时分秒来呈现时，“多个时间元素”是“年”、“月”、“日”、“小时”、“分钟”和“秒”这6个时间元素，“多个时间输入值”是分别对应于这6个时间元素的6个值。另外，所采用的时间元素可以是其它时间元素，以代替这6个时间元素或添加到这6个时间元素中。例如，可以采用“星期几”作为时间元素，在这种情况下，时间输入值是表示对象时刻所属的星期几的值。此外，可以采用“节日假日”作为时间元素，在这种情况下，时间输入值是表示对象时刻是否属于节日假日的值。此外，可以采用“当月的第几周”作为时间元素，在这种情况下，时间输入值是表示为当月的第几周的值。

(02)作为实际运行数据34r的基础的多个实际值中的任何一个的值。“实际运行数据”是基于多个实际值(例如，能从电梯信息中获取的各种值中的多个特定的值)的运行数据，该多个实际值是在对象时刻基于传感器等确定得到的。

(03)表示楼层特征的值即楼层特征值。

(04)表示干扰因素的值即干扰因素值。

关于(02)，作为实际运行数据34r的基础的多个实际值相当于分别对应于来自完成学习模型44f的多个输出值(推定值)的多个实际值。如上所述，多个输出值(推定值)包含与多个出发到达组合(出发楼层与到达楼层的组合)有关的值(在后文中详细阐述)。

在学习结果区域42中，存储作为学习部40所得出的学习结果的完成学习模型44f(例如，完成学习模型44f的图像(例如，文件))。从学习结果区域42展开完成学习模型44f，并且由推定部50执行使用了展开后的完成学习模型44f的推定。

在推定区域55中，存储基于从推定部50(完成学习模型44f)输出的多个输出值的推定运行数据34e。

学习部40、推定部50以及控制部60如上所述那样。

下面，记载图1的一个具体示例。

从电梯信息中获取与出发楼层、到达楼层和乘客人数有关的信息，利用数据存储部30将基于所获取的信息的值作为实际运行数据34r存储在输入区域32中。当然，基于所有电梯信息的值可以存储在输入区域32中。作为关于出发楼层的信息，有轿厢14的位置和轿厢上下移动开始事件等。作为关于到达楼层的信息，有轿厢14的位置和轿厢门打开事件等。作为与乘客人数有关的信息，有设置在轿厢14上的重量传感器16的测量值。可以基于重量传感器16的测量值和每个人的标准体重来运算乘客人数。作为与从电梯控制器10输出的乘客人数有关的信息，可以使用上述运算结果即乘客人数，也可以使用重量传感器16的测定值。在前一种情况下，利用电梯控制器10来运算乘客人数，在后一种情况下，利用数据存储部30(或控制部60)来运算乘客人数。另外，在能够通过图像传感器等来测量乘客人数的电梯系统中，可以将该乘客人数本身输出到网络20。本发明中，乘客人数的测量不限于诸如图像传感器、重量传感器16那样的实现形式。

学习部40从输入区域32获取出发楼层、到达楼层和乘客人数并进行学习，并输出完成学习模型44f，以作为学习结果。作为学习处理，学习部40例如执行深度学习。在深度学习的情况下，完成学习结果模型44f为学习完成深层网络(神经网络)。推定部50根据完成学习模型44f来推定将来可能发生的、例如与电梯的一个行程有关的时间之后的至少由出发楼层、到达楼层和乘客人数所构成的运行数据34。其结果是，获得推定运行数据34e。推定运行数据34e存储在推定区域55中。

图1示出了5层的电梯1的运行数据34的示例。运行数据34包含到达楼层(纵向)和出发楼层(横向)的矩阵。矩阵中的单元中的数值表示对应于该单元的出发到达组合(出发楼层和到达楼层的组合)中的乘客人数。具体而言，例如，根据最左边的一列，从1楼移动到3楼的乘客人数为2人，从1楼移动到5楼的乘客人数为4人。根据最右边的一列，从5楼移动到1楼的乘客人数为2人，从5楼移动到2楼的乘客人数为7人。其它楼层也是如此。与空白栏的单元相对应的出发到达组合意味着乘客人数为零。能将乘客人数为1以上的出发到达组合称为“有效出发到达组合”。能将属于有效出发到达组合的出发楼层和到达楼层称为“有效出发楼层”和“有效到达楼层”。下面，有时将关于推定运行数据34的有效出发楼层和有效到达楼层分别称为“有效推定出发楼层”和“有效推定到达楼层”。另外，不一定所有电梯1都是5层。例如，在具有n层(如果有地下楼层，则也包含该地下楼层)的大楼中，对于某一电梯1，最下层可以是大楼的最下层，最高层可以是中间的p层，对于另一电梯1，最下层可以是q层(大楼的最下层与p层之间)，最高层可以是大楼的最高层。

控制部60考虑到推定运行数据34e和当前时刻下的电梯1的状态(例如，每台电梯1的轿厢位置、轿厢前进方向和乘客人数)，对设置于单个大楼或相邻建的多个大楼)的电梯组200中的每台电梯1，决定轿厢14向停止楼层的分配。控制部60基于所决定的信息(轿厢分配)，经由网络20向电梯控制器10发出指示，以高效地控制多台电梯1。作为控制上述多台电梯1的装置，存在群管理控制器2。

另外，电梯控制器10具有各种种类，并且电梯信息在行业中也没有被标准化。需要将各种电梯信息转换为运行数据34的处理，并且能在数据存储部30中执行该处理。由此，各种电梯1可以由群管理控制器2来进行控制。

图2是实施例1所涉及的学习存储处理的流程图。“学习存储处理”是从电梯信息获取到学习结果存储为止的处理。

数据存储部30从电梯控制器10获取电梯信息(s10)。

数据存储部30获取电梯信息的至少与出发楼层、到达楼层和乘客人数有关的信息(每个出发到达组合的乘客人数)以及时间信息，并将基于实际运行数据34r的多个值存储在输入区域32中，上述实际运行数据34r基于所获取到的信息而得到(s20)。

学习部40进行学习处理。即，学习部40从输入区域32获取基于实际运行数据34r的多个输入值(s30)，并实施将所获取的多个输入值输入到模型44t来获取多个输出值的学习(s40)。

学习部40将作为学习结果的完成学习模型44f存储在学习结果区域42中(s50)。

另外，学习存储处理可以依次地执行，也可以在实际运行数据34r累积到一定程度之后执行。例如，也能基于累积了1年的实际运行数据34r来一口气进行学习。

此外，如虚线所示，可以重复s10至s40，直到学习结果作为完成学习模型44f被输出为止。

此外，如点划线所示，也可以通过再次执行s10至s50来更新完成学习模型44f(再学习)。即，学习部40可以更新完成学习模型44f，推定部50可以根据更新后的完成学习模型44f进行推定。通过在完成学习模型44f的更新中被输入的多个输入值包含以下内容，来更新完成学习模型44f(典型地，更新(调整)分别对应于完成学习模型44f中的多个节点的多个加权系数)。由此，可以期待完成学习模型44f的精度的提高，其结果是，可以期待推定部50所得出的推定结果的精度的提高。

·多个时间输入值，该多个时间输入值分别表示属于经过时刻的多个时间元素，上述经过时刻是从任意推定时刻起经过了规定时间的时刻。

·多个实际值，该多个实际值是在该经过时刻下的实际运行数据34r的基础，分别对应于多个输出值(推定值)。

图3是示出作为模型44的神经网络的第1示例的图。

模型44由至少一个神经网络构成。在本实施例中，为了方便说明，模型44可以由1个神经网络构成，但也可以由多级神经网络构成。

模型44由输入层301、输出层303和中间层302构成。输入层301包含分别输入有多个输入值的多个输入节点70。输出层303包含分别输出多个输出值的多个输出节点400，上述多个输出值是在多台电梯1的控制中使用的运行数据34的基础。中间层302包含输入层301和输出层303之间的多个中间节点352。完成学习模型44f对输入到输入层301的属于对象时刻的多个输入值进行基于至少一个神经网络中的完成学习的加权系数的运算，并使计算机发挥作用，以使得从输出层303输出多个输出值，该多个输出值成为在从对象时刻起经过规定时间的将来时刻的多台电梯1的控制中使用的运行数据34的基础。

分别输入到多个输入节点70的多个输入值包含分别表示属于对象时刻的多个时间元素的多个时间输入值。因此，多个输入节点70包含分别输入有多个时间输入值的多个时间输入节点70-1。时间信息可以是年月日时分秒的绝对值，但是人不会根据时间准确地行动，因此即使输入绝对值也无法期待推定的精度。当考虑社会活动时，作为时间信息，例如，优选考虑加上了节日信息的任意月份的第几周的星期几的几点和几分。因此，在本实施例中，作为时间输入节点70-1，采用表示月份的月份值的输入节点70-1a、表示周的周值的输入节点70-1b、表示星期几的星期值的输入节点70-1c、表示时间的小时值的输入节点70-1d、表示分钟的分钟值的输入节点70-1e、以及表示对象时刻是否属于节假日的节假日值的输入节点70-1f。

此外，作为输入节点70，可以存在一个以上的干扰因素值的输入节点70-2，上述干扰因素值表示例如大楼的整修工程、大楼周围道路的拥挤、大楼附近的铁路等的延迟或停运等那样的有可能干扰稳定社会活动的干扰因素。通过输入上述这样的一个以上的干扰因素值，从而能提高推定的精度。干扰因素值例如可以是使针对人的行动的影响程度数值化后得到的值。干扰因素值未必一定要作为输入值被采用。

分别从多个输出节点400输出的多个输出值中的每一个是成为运行数据34的基础的输出值，该运行数据34在从对象时刻起经过规定时间的将来时刻的控制中被使用。如上所述，多个输出值包含与多个出发到达组合(出发楼层和到达楼层的组合)相关的值。针对多个出发到达组合的每一个，与多个出发到达组合相关的值包含一个以上的出发到达输出值。对于多个出发到达组合的每一个，一个以上的出发到达输出值是与出发到达组合中的物体量相关的值。与出发到达组合中的物体量有关的值可以是关于出发到达组合是否存在乘客(物体的一个示例)，但在本实施例中，表示与该出发到达组合相对应的乘客人数。由于对各出发到达组合推定乘客人数，因此能进一步期望电梯组200的运行的高效化。另外，在图3中，位于输出节点400附近的“nop(xf-yf)”之类的标记表示从x层(出发楼层)到y层(到达楼层)的乘客人数(nop(thenumberofpeople))。

运行数据34有时根据电梯1的运行方式而不同。在基于设置于各楼层的上下按钮以及设置在轿厢14内的楼层按钮的两种运行方式的情况下，决定到达楼层是在乘客按下该上下按钮后轿厢到达、乘客登上轿厢14并按下楼层按钮的时刻。从乘客按下上下按钮到决定目的地楼层为止经过一段时间。即，在实际乘客的产生与电梯控制器10识别的按钮按下之间产生偏差。由此，当输入与出发到达组合对应的乘客人数来作为学习部40的教师数据时，期望基于从电梯控制器10输出的电梯信息中获得的运行数据34r，将上下按钮被按下的时刻之前的时刻设为乘客产生时刻。

此外，虽然目的地楼层登记系统(dfrs:destinationfloorreservationsystem)是已知的，但能采用dfrs的有无来作为干扰因素值。

此外，由于模型44是关于电梯组200的模型44，因此模型44对于多台电梯1是共通的。因此，对于各出发到达组合，作为输出值的乘客人数可以是对于多台电梯1的总计值。

作为网络构造的一个示例，模型44的构造是多级回归构造，但本发明不限于此构造。

然而，如果输入值仅是时间输入值，则在人不总是按时行动的情况下，可以认为推定发生偏差的情况较多。可以认为电梯的实际运行相对地反映了人的行动随时间经过的变化。

因此，在本实施例中，采用作为实际运行数据34r的基础、且与多个输出值(推定值)分别相对应的多个实际值中的每一个来作为输入值。

图4是示出作为模型44的神经网络的第2示例的图。

为了提高推定精度，作为输入节点70，还采用作为实际运行数据34r(例如，对象时刻(例如，推定时刻)下的实际运行数据34r)的基础、且与多个输出值(推定值)分别对应的多个实际值各自的输入节点70-3。为了实现这样的网络构造，可以考虑采用将stackeddenoisingautoencoders(叠层去噪自动编码器)、时间要素考虑在内的lstm(longshort―termmemory：长短期记忆)等，但并不限定于该构造。

图5是示出作为模型44的神经网络的第3示例的图。

为了提高推定精度，还对于每个楼层采用表示楼层的特征的值即楼层特征值的输入节点70-4，以作为输入节点70。楼层的特征被认为是人的行动的决定因素。作为楼层特征值的输入节点70-4，可以采用表示楼层的商店或公司等的类别的类别值的输入节点70-4a、表示商店的揽客率或公司的登记人数等的楼层属性的属性值的输入节点70-4b、以及表示吸烟室、餐厅或活动场所等特殊设施的有无的设施值的输入节点70-4c。根据建筑物的使用方式，每个楼层的类别值和设施值有时是恒定的，有时是可变的。在恒定的情况下，类别值和设施值也能作为在中间层302中使用的加权系数等输入参数来来处理。在可变的情况下，如图5的示例那样，可以认为作为输入层301的输入值来处理是适当的。

虽然存在cnn(convolutionalneuralnetwork:卷积神经网络)用于实现这种网络构造，但本发明不限于这种构造。

图6是包含推定处理及控制处理的一系列的处理的流程图的示例。

推定部50获取完成学习模型44f的图像并展开完成学习模型44f(s110)。

推定部50进行推定处理。即，推定部50基于完成学习模型44f，推定成为从推定时刻(例如当前时刻)起经过规定时间后的运行数据34的基础的多个输出值(s120)。推定部50将基于推定出的多个输出值的推定运行数据(即，在从推定时刻起经过规定时间后的控制中使用的运行数据)34e提示给控制部60(存储在推定区域55中)(s130)。

控制部60从推定区域55获取从推定时刻起经过规定时间后的时刻为当前时刻(控制时刻)的推定运行数据34e，并基于该推定运行数据34e进行控制轿厢的分配的控制处理(s140)。

控制部60基于该控制处理的结果向各个电梯控制器10发送运行的指示(s150)。

推定处理的执行开始可以是相当于出发的轿厢门关闭的时刻、相当于到达的轿厢停止的时刻等中的任何一个。此外，推定处理可以以固定周期执行。

图7是控制处理(图6的s140)的流程图的示例。

控制单元60掌握控制时刻的现状(s210)。具体而言，例如，控制部60获取各电梯1的以下信息。其结果是，控制部60运算(计算)电梯组200的裕度总计(所有电梯1的裕度的总计)。

·轿厢14的当前位置。

·轿厢14的到达楼层。

·轿厢14的前进方向。

·轿厢14的裕度(轿厢14的允许乘客人数与控制时刻下的乘客人数的差分)。

控制部60基于所掌握的现状，对于各电梯1中判定在当前位置与到达楼层的途中是否存在任何有效推定出发楼层(是推定运行数据34e所示的出发楼层、且该推定运行数据34e所示的乘客人数为1以上的出发楼层)(s220)。

当s220的判定结果为真时(s220:是)，控制部60提取所掌握的当前位置与所掌握的到达楼层夹着任意一个有效推定出发楼层的电梯1(s230)。控制部60将该有效推定出发楼层分配给所提取出的电梯1(s240)。在s240中，控制部60从该电梯1的裕度中减去由推定运行数据34e表示的乘客人数(与有效推定出发楼层相对应的乘客人数)，并更新推定运行数据34e(将与有效推定出发楼层相对应的乘客人数设为零)。通过将有效推定出发楼层分配给电梯1，从而即使该有效推定出发楼层既不是该电梯1当前时刻下的到达楼层、也不是发出轿厢呼叫的楼层，该电梯1的轿厢4也能在该有效推定出发楼层停止并打开轿厢门。

在s240之后或当s220的判定结果为假时(s220:否)，控制部60判定裕度总计是否在推定乘客人数总计(由推定运行数据34e表示的乘客人数的合计)以下(s250)。即，控制部60判定控制时刻(现状掌握时刻)下的电梯组200是否具有能够搭载以该控制时刻为将来时刻的推定乘客人数总计所表示的所有乘客的空间。因此，与出发到达组合相对应的乘客人数(图1中例示的运行数据34所示的乘客人数)表示从某一时刻起到某一时刻为止新产生的乘客人数。另外，当执行s240时，关于s250，“裕度总计”是更新后的裕度总计，“推定乘客人数总计”是更新后的推定运行数据34e所表示的乘客人数的总计。

当s250的判定结果为真时(s250:是)，控制处理结束。其结果是，对于各电梯1，轿厢14与停止楼层之间的关系维持现状。

当s250的判定结果为假时(s250:否)，即、当裕度总计大于当前的推定乘客人数总计时，控制部60通过从裕度总计中减去推定乘客人数总计来求出剩余人数(s260)。控制部60生成将电梯1按照当前位置与有效推定出发楼层之间的距离的升序(距离从短到长的顺序)排列的电梯列表(s270)。控制部60从s270中生成的电梯列表中选择前进方向(从当前位置向着到达楼层的方向)朝向有效推定出发楼层的电梯(s280)。控制部60根据s280中选择出的电梯1的乘客人数运算该电梯1的裕度(s290)。控制部60将有效推定出发楼层分配给该电梯1(s300)。控制部60求出从当前时刻的剩余人数中减去该电梯1的裕度后得到的新的剩余人数(s310)。

控制部60判断剩余人数是否为0以下(s320)。当s320的判定结果为真时(s320:是)，控制处理结束。

当剩余人数大于0时(s320:否)，控制部60生成按照裕度的降序(裕度从大到小的顺序)排列电梯1而得的电梯列表(s330)。s330中所生成的电梯列表可以包含s300中已经分配完成的电梯1，也可以不包含s300中已经分配完成的电梯1，但本实施例中不包含。控制部60进行以下步骤(s340)。

(s340-1)从s330中所生成的电梯列表中选择未选择的电梯1中具有最大裕度的电梯1。

(s340-2)将有效推定出发楼层分配给s340-1中选择出的电梯1。

(s340-3)从当前时刻的剩余人数中减去s340-1中选择出的电梯1的裕度，以求出新的剩余人数。

(s340-4)当s340-3中运算出的新的剩余人数为0时，s340结束。其结果是，控制处理结束。

(s340-5)当s340-3中运算出的新的剩余人数大于0时，判定是否从s330中所生成的电梯列表中选择了所有电梯1。

(s340-6)当s340-5的判定结果为真时，s340结束。其结果是，控制处理结束。

(s340-7)当s340-5的判定结果为假时，处理返回到s340-1。

根据以上控制处理，即使在s240中将电梯1分配给任一个有效推定出发楼层，当s250的判定结果为假时，该分配也被取消(废弃)，并在s260之后，将其它有效推定出发楼层分配给该电梯1。

此外，根据以上控制处理，当s250的判定结果为假时，运算推定乘客人数总计与裕度总计之间的差分作为剩余人数，并分配电梯1，以使得该差分(剩余人数)变为0以下。从被分配的电梯1的裕度中减去剩余人数。即，当s250的判定结果为假时，推定为被推定为新产生的乘客人数总计超过电梯组200的当前的裕度总计，换言之，推定为所有被推定的乘客无法登上电梯组200。在这种情况下，从超载乘客人数(剩余人数)中减去当前状态的裕度的观点出发，进行针对推定出发楼层的电梯1的分配。

此外，根据以上控制处理，当s250的判定结果为假时，在s260～s300中，将到有效推定出发楼层的距离较短且前进方向是朝着推定出发楼层的方向的电梯1优先分配给该有效推定出发楼层。其结果是，当新的剩余人数为0以下时，对于未分配的电梯1，需要反转前进方向，但是由于这样的电梯1以裕度的降序分配，因此，作为电梯组200的高效运行，能期待对需要反转前进方向的电梯1的数量进行了抑制的运行。

基于以上控制处理的说明，例如可以像下述那样来呈现控制处理的概要。

即，针对多台电梯1的每一台，控制部60掌握包含下述内容的现状：

·该电梯1的轿厢14的裕度；

·该电梯1的前进方向；

·该电梯1的轿厢14的当前位置；以及

·该电梯1的轿厢14的到达楼层。

虽然电梯1的前进方向能根据该电梯1的轿厢14的当前位置和到达楼层来掌握，然而，由于也可能不对该电梯1指定到达楼层，因此可以认为掌握前进方向是有效的。控制部60基于推定运行数据34e与关于多台电梯1中各自的上述所掌握的当前状态，来将基于当前状态的裕度、前进方向和当前位置中的至少一个来决定的电梯1分配给各个有效推定出发楼层。

图8是救济处理的流程图的示例，该救济处理是当对推定运行数据34e所示的有效楼层(有效推定出发楼层与有效推定到达楼层的总称)以外的楼层发出轿厢呼叫时的处理。另外，将对于与有效楼层不同的楼层的轿厢呼叫称为“特殊事件”。在控制部60检测到特殊事件的情况下，开始图8的救济处理。

控制部60进行按照图7的流程图的控制处理(s400)。另外，可以跳过s400，并可以基于最近的控制处理的结果来进行s410之后的处理。

控制部60计算多台电梯1各自的裕度(s410)。

控制部60判定在所分配的路径(连接控制处理中的当前位置与所分配的楼层的路径)中是否存在具有特殊事件的楼层的电梯1(s420)。

当s420的判定结果为真时(s420:是)，控制部60判定在s420为是的电梯1中是否存在前进方向上具有特殊事件的楼层的电梯1(s430)。当s430的判定结果为真时(s430:是)，控制部60将到特殊事件的楼层的停止分配给s430为是的电梯1中具有最大裕度的电梯1(s440)。即，对于该电梯1，通过控制处理而分配的楼层被取消，并分配特殊事件的楼层。

当s420的判定结果为假时(s420:否)，或者当s430的判定结果为假时(s430:否)，控制部60生成按照从到达楼层到特殊事件的距离的升序(距离从短到长的顺序)排列的电梯1的电梯列表(s450)。控制部60从在s450中生成的电梯列表中选择前进方向与到特定事件的楼层的方向相一致的电梯1(s460)。控制部60将该所选择的电梯1的到达楼层(停止楼层)变更为特殊事件的楼层(s470)。

通过这样的救济处理，即使发生了对与推定不同的楼层进行轿厢呼叫的特殊事件，也可以灵活地应对该特殊事件。其结果是，即使发生特殊事件，也可以缩短乘客的等待时间，从而能期待提高运行效率。

此外，根据这样的救济处理，即使不存在在路径上具有特殊事件的楼层的电梯1，或者即使存在这样的电梯1并且在前进方向上不存在特殊事件的楼层，也可以通过将具有特殊事件的楼层的方向是前进方向的其它电梯1的停止楼层变更为该特殊事件的楼层来进行处理。

此外，可以进行更新处理，以将根据救济处理的结果的多个值(例如，与模型44的多个输出值相对应的多个值)作为多个输入值输入到完成学习模型44f，由此能期待进一步提高推定精度。

基于以上的救济处理的说明，救济处理的概要例如能如下述那样来表现。

即，当对除有效楼层(例如，推定运行数据34e所示的出发楼层中的物体量超过0的出发楼层)以外的任何楼层产生轿厢呼叫时，控制部60针对多台电梯1中的每一台确定该电梯1的裕度，并且针对该产生轿厢呼叫的楼层分配基于下述中的至少一个来决定的电梯1：

·裕度、

·该楼层与当前位置的距离、以及

·前进方向。

实施例2

对实施例2进行说明。此时，主要说明与实施例1不同的点，省略或简化与实施例1的共同点的说明。

作为提供能够处理大容量数据的存储装置和高性能的运算处理环境的环境，存在被称为云系统100的环境。云系统100是诸如计算机系统的第一装置的一个示例。可以采用诸如数据中心那样的其它计算机系统来代替云系统100。

图9是作为实施例2所涉及的电梯系统的一个示例的包含群管理控制器的系统整体的结构图。

包含多台电梯1的运行数据34的电梯信息包含了与电梯1的控制和状态有关的所有信息，因而容量较大，并且由于每天连续地存储而成为庞大的容量。即，电梯信息可以相当于所谓的大数据。

采用根据深度学习的完成学习模型44f作为推定部50的一个安装示例。为了实现深度学习，期望如下环境：能够灵活地利用包含运行数据34在内的电梯信息那样的大数据，并且能执行高负荷的学习部40。

一般，出于控制多台电梯的目的，设置有群管理控制器，根据一个比较例，以群管理控制器组装到装置中作为前提，因此不会被设计成能够处理庞大的数据，并且能进行高负荷的运算。根据上述说明，需要能够处理大容量数据的存储装置和处理装置、以及能够执行深度学习的学习等的高性能的运算处理装置，但是可以认为将这样的大容量存储装置和高速处理装置与电梯控制器10这样的嵌入式系统同样地设置在井道等环境中，在运用和场所方面是困难的。

因此，如本实施例那样，在云系统100上实现群管理控制器2。例如，在对象为广域远程地区的多台电梯的情况下，云系统100可以是全局云系统(或者，例如数据中心)，在对象是小规模区域或建筑物内的多台电梯的情况下，云系统100可以是内部云系统(或者，例如本地服务器)。

云系统100中的群管理控制器2可以是软件定义的控制器，也可以是物理控制器。实施例2所涉及的群管理控制器2所具有的构成要素与实施例1相同。

由多台电梯1构成的电梯组200经由通信设备(例如，路由器那样的网络交换机)28连接到有线因特网或运营商提供的无线电闭路网络即广域网(通信网络的一个示例)22、以及网络20。此外，云系统100内的网络24经由通信设备(例如，网络交换机)26与广域网22连接。

图10是实施例2所涉及的学习存储处理的流程图的示例。

电梯控制器10经由广域网22向云系统100发送电梯信息(s600)。虽然可以考虑使用iot协议的方式以及使用唯一协议的方式来对该信息进行通信，但是也可以采用其它方式。

云系统100内的群管理控制器2接收由电梯控制器10发送的电梯信息(s610)。

数据存储部30根据获取到的电梯信息，将作为出发楼层、到达楼层和乘客人数的组合信息的运行数据34r存储在输入区域32中(s620)。

学习部40进行学习处理。即，学习部40从输入区域32获取基于运行数据34r等的多个输入值(s630)，并基于该多个输入值执行学习(s640)。

学习部40将作为学习结果的完成学习模型44f存储在学习结果区域42中(s650)。

实施例3

对实施例3进行说明。此时，主要说明与实施例2不同的点，省略或简化与实施例2的共同点的说明。

可以认为在实施例2中由于经由广域网22以及多个通信设备26、28而发生通信延迟，有可能对控制产生影响。

因此，实施例3中，如图11所例示那样，组管理控制器2大致分为进行学习处理的部分即核心控制器300c、以及进行推定处理和控制处理的部分即边缘控制器300e，边缘控制器300e搭载于电梯组200。因此，能期望防止上述通信延迟。核心控制器300c(或云系统100)是第一装置的示例，边缘控制器300e是第二装置的示例。

下面对实施例3进行详细说明。

图11是作为实施例3所涉及的电梯系统的一个示例的包含核心控制器300c和边缘控制器300e在内的系统整体的结构图的示例。

核心控制器300c和边缘控制器300e均可以是物理控制器或软件定义的控制器。

在云系统100上实现核心控制器300c。核心控制器300c具有数据存储部30、输入区域32、学习部40和学习结果区域42c。

在许多情况下，推定部50的处理负荷比学习部40的处理负荷小，但对于控制曳引机12的电梯控制器10来说推定处理的负荷较重。因此，本实施例中，推定部50不搭载于电梯控制器10，并且多台电梯1中共通的边缘控制器300e另行设置于电梯组200。边缘控制器300e具有学习结果区域42e，该学习结果区域42e将存储在核心控制器300c的学习结果区域42c中的完成学习模型44f从核心控制器300c复制(下载)并存储。此外，边缘控制器300e包括推定部50、推定区域55和控制部60。

虽然在图11中省略了图示，但边缘控制器300e经由图9所例示的通信设备28、广域网22以及通信设备26与云系统100(核心控制器300c)相连接。如上所述，在边缘控制器300e中展开并执行的完成学习模型44f是经由广域网22从云系统100复制下来的完成学习模型44f。

通过这样的系统结构，边缘控制器300e被加装到已经安装的电梯组200，并且通过边缘控制器300e与云系统100上的核心控制器300c进行协作，从而可以期望改善运行效率。

虽然将通信设备28与边缘控制器300e分离，但也可以将边缘控制器300e的功能集成到通信设备28中。即，通信设备28可以作为边缘控制器来发挥作用。

图12是实施例3所涉及的包含推定处理及控制处理的一系列处理的流程图的示例。

云系统100中的核心控制器300c将完成学习模型44f发送到边缘控制器300e(s700)。

边缘控制器300e从云系统100接收完成学习模型44f(s701)，并将接收到的完成学习模型44f存储在学习结果区域42c中(s702)。

在边缘控制器300e中，推定部50基于从学习结果区域42c获取并展开的完成学习模型44f来进行推定处理(s703)。

在边缘控制器300中，控制部60基于通过s703的推定处理而获得的推定运行数据34e来进行控制处理(s704)。控制部60基于控制处理的结果向各电梯控制器10发出指示(s705)。

各电梯控制器10执行与来自边缘控制器300的指示相对应的控制(s706)。

实施例4

对实施例4进行说明。此时，主要说明与实施例3不同的点，省略或简化与实施例3的共同点的说明。

图13是实施例4所涉及的系统整体的结构图的示例。

每当建造大楼并新增加电梯组200时，从零开始学习该新的电梯组200b(其它电梯组的一个示例)的模型44，效率较低。

因此，本实施例中，为了新的电梯组200b而复制关于现有电梯组200a的完成学习模型44f，并将该复制到的完成学习模型(以下称为复制模型)44f应用为在成为该新电梯组200b的运行数据34的基础的多个值的推定中使用的完成学习模型。利用学习部40基于关于新电梯组200b的实际值中、与关于该新电梯组200b的推定值不同的值，来重新学习该复制模型44f。“再学习”是指通过基于作为学习进行到一定程度的结果而获得的复制模型(完成学习模型)44f学习新的情况来更新复制模型44f。通过进行再学习，能期待推定精度的提高。另外，这样的再学习也可以在现有电梯组200a的完成学习模型44f中进行。此外，可以对整体进行再学习，而不限于对推定运行数据34e中存在错误的部分进行再学习，但通过仅对存在错误的部分进行再学习，从而能期望计算量的减少。此外，应用于新电梯组200b的完成学习模型44f例如优选为应用于电梯组200的完成学习模型44，该电梯组200具有与新电梯组200b的构造、环境(例如大楼的构造)等特征相同或相似的特征。这样的完成学习模型44例如可以由控制部60(或核心控制器300c)基于包含表示电梯组200的构造、环境等特征的信息在内的管理信息，针对每个电梯组200确定具有与新的电梯组200b的特征相同或相似的特征的电梯组200，并决定将所确定的电梯组200的完成学习模型应用于该新的电梯组200b。

根据图13的系统结构，例如如下所示那样。另外，在图13中，边缘控制器300e1是现有电梯组200a中的边缘控制器300e，边缘控制器300e2是新的电梯组200b中的边缘控制器300e。此外，本实施例中，在边缘控制器300e中设置有学习部40e，核心控制器300c中的学习部40被标记为学习部40c。

当建造新的大楼并安装新的电梯组200b时，还设置新的边缘控制器300e2。由云系统100上的核心控制器300c将完成学习模型44f从学习结果区域42c复制到边缘控制器300e2的学习结果区域42e。与图12同样地，在边缘控制器300e2中，推定部50基于复制模型44f推定运行，控制部60基于作为该推定结果的推定运行数据34e(存储在推定区域55中的推定运行数据34e)进行控制处理。控制部60基于控制处理的结果向电梯组200b中的各电梯控制器10发出指示。学习部40e具有再学习功能。学习部40e将存储在推定区域55中的推定运行数据34e与控制时刻下的实际运行数据34r进行比较，从而能确定实际运行数据34r中与推定运行数据34e不同的部分(换句话说，推定运行数据34e中的错误部分)。学习部40e通过使用与实际运行数据34r中不同于推定运行数据34e的部分相当的值来更新复制模型44f。这个更新就是再学习。再学习例如是将与实际运行数据34r中不同于推定运行数据34e的部分相当的值设为正确的输出值的学习。由于仅将推定错误的运行数据用于再学习，因此再学习处理负荷低，能利用边缘控制器300e2进行处理。此外，在进行再学习时，通过对复制模型44f进行蒸馏或精炼的方法，学习结果相同，网络结构简化，通过这种方法能进一步降低学习处理负荷。

由于具有这样的构成，通过在云系统100中存储各种完成学习模型44f，即使设置了新的电梯组200，也能通过利用该保存的完成学习模型44f高效地开始运行。完成学习模型44f取决于大楼布局、电梯1的台数和布置以及使用者的行为那样的电梯组特征，例如，电梯组200的运行状况根据楼层数较多的百货公司、楼层数较少的郊区购物中心、楼层数较多的区域超市、基于概念的复合办公楼等而不同。另一方面，在诸如相同的百货公司系列、购物中心系列和超市系列那样的系列中，商店布置等相类似，其结果是电梯组200的运行状况有时相类似。在相同概念的复合办公楼等中，办公区域和商业区域、厕所和吸烟室、休息场所和餐厅等的配置也大多相类似。如果入住的公司也类似，则上下班时间和就餐时间的轮班等时间计划有时会类似。与它们相呼应地，有时多台电梯1的配置也类似，并且电梯组200的实际运行状态也类似。有时若将在某一系列的某一商店或某一地点的复合办公楼等中的完成学习模型44f利用在其它商店中，则能预测运行推定的精度。在像百货公司的活动场所那样的设施中，参加者的数量有时会根据活动的计划而大不相同，通过进行将反映了计划和参加者数的值输入到各楼层的设施值的输入节点70-4c的再学习，从而能期望生成完成学习模型44f，该完成学习模型44f使得能够进行与在活动场所中举行的计划相对应的运行控制。

即使存在相似的方面，推定精度也可能较低，但这是每个项目的特性，并且通过利用边缘控制器300e的学习部40e(具有再学习功能的学习部40)根据对象重复再学习，从而能提高这种差异的精度。

图14是包含推定结果的正误判定和基于该判定结果的再学习的处理的流程图的示例。

完成学习模型44f从云系统100被复制到边缘控制器300e2(s800和s801)。在边缘控制器300e2中，推定部50基于复制模型44f推定运行数据(s802)。推定部50将推定运行数据34e存储在推定区域55中(s803)。控制部60基于该推定运行数据34e进行控制处理(s804)，并基于控制处理的结果向各个电梯控制器10发出指示(s805)。接收到该指示的电梯控制器10执行与该指示相对应的控制(s806)。

各电梯控制器10向边缘控制器300e2发送表示实际生成的运行状态的信息(包含成为实际运行数据34r的基础的值在内的信息)(s807)。

边缘控制器300e2接收从电梯控制器10发送来的信息(s808)，学习部40e将s803中存储的推定运行数据34e与基于来自各电梯控制器10的信息的实际运行数据34r进行比较，以判定实际运行数据34r中是否有与推定运行数据34e不同的部分(正误判定)(s809)。当s809的判定结果为假时(s809:否)，即、当推定运行数据与实际运行数据不同时，学习部40e基于实际运行数据34r执行再学习(s810)，并更新复制模型44f以作为再学习的结果(s811)。

通过这样的处理，能灵活应用完成学习模型44f来降低学习的初始成本。此外，当检测到发生错误的推定时执行再学习，由此来提高推定精度。

实施例5

对实施例5进行说明。此时，主要说明与实施例1～4不同的点，省略或简化与实施例1～4的共同点的说明。

图15是实施例5所涉及的系统整体的结构图的示例。

由于仅根据设置于轿厢14的重量传感器16所计算出的乘客人数以固定的标准体重为基准，因此当有体重差异的乘客搭乘时，该值不一定准确。

因此，在本实施例中，图像传感器17布置在轿厢14内，并且图像传感器18设置在各层的楼层上。边缘控制器300e具有识别部54和识别区域46。识别区域46是存储有识别模型的存储区域。识别模型是用于进行物体识别的模型(例如，基于深度学习的完成学习的神经网络)。基于来自图像传感器17和18的图像数据，由识别部54通过使用识别模型来进行物体识别。

具体而言，边缘控制器300e中的识别部54经由网络20获取由设置在轿厢14内的图像传感器17拍摄的图像数据。识别部54通过使用识别区域46内的识别模型来高精度地识别物体。具体而言，能区分搬运物和人(即，本实施例中，“物体”是人和搬运物(除人以外的物体)的总称)。因此，能够更准确地推定轿厢14内的乘客人数。另外，识别模型可以是通过另行使用许多图像数据另行学习到的结果。例如，图像传感器17和18的拍摄数据可以经由通信设备28发送到云系统100，由核心控制器300c学习识别模型，并且该识别模型也可以应用于边缘控制器300e。或者，识别模型可以是由完全不同的系统所学习到的模型。

图像传感器18设置在各层的楼层上，边缘控制器300e内的识别部54经由网络20获取由各楼层的图像传感器18拍摄的图像数据。由于识别部54能够高精度地识别物体，因此能够更准确地推定在各层的楼层上等待的人数。

另外，通过灵活应用图像传感器17和18，根据图像识别的学习方法，不仅能推定人和搬运物的数量，也可以推定人和搬运物的识别、人的年龄、人的性别以及人或物品的体积。此外，作为图像传感器17和18的替代，或在图像传感器17和18的基础上，通过设定安全门那样的、能进行基于id卡的个人认证的传感器，从而能够掌握准确的乘客人数和个人行为。

图16是示出实施例5所涉及的神经网络的示例的图。在图16中，各个描述表示下述那样的意思。能采用下述值的理由是可以利用识别部54基于来自图像传感器17和18的图像数据来识别下述的值。

·“not(xf-yf)”是指从x层(出发楼层)到y层(到达楼层)的搬运物数量(not(thenumberofthings))。

·“a_nop(xf-yf)”是指从x层(出发楼层)到y层(到达楼层)的每个年龄段的乘客人数。各年龄段的范围可以是任意范围。

·“g_nop(xf-yf)”是指从x层(出发楼层)到y层(到达楼层)的每个性别的乘客人数。a_nop(xf-yf)的总计或g_nop(xf-yf)的总计相当于从x层(出发楼层)到y层(到达楼层)的乘客人数。

·“volume(xf-yf)”是指从x层(出发楼层)到y层(到达楼层)的所有物体的体积。

·“not_c”表示轿厢14内的搬运物的数量。

·“a_nop_c”表示轿厢14内每个年龄段的乘客人数。在输入和输出中，可以采用相同的年龄段。

·“g_nop_c”是指轿厢14内的每个性别的乘客人数。a_nop_c的总计或g_nop_c的总计相当于轿厢14内的乘客人数。

·“volume_c”表示轿厢14内的所有物体的体积。

·“not(vf)”是指在v层的楼层上搬运物的数量。

·“a_nop(vf)”是指v层的楼层上的每个年龄段的乘客人数(人数)。对于a_nop(xf-yf)和a_nop_c，各年龄段可以相同。

·“g_nop(vf)”是指v层的楼层上的每个性别的乘客人数(人数)。a_nop(vf)的总计或g_nop(vf)的总计相当于v层的楼层的乘客人数(人数)。

·“volume(vf)”是指v层的楼层上所有物体的体积。

根据图16，对于多个出发到达组合中的每一个，作为与该出发到达组合中的物体量相关的值，存在每个性别的乘客人数、每个年龄段的乘客人数和所有物体的体积中的至少一个。具体而言，例如，如下所示。

输出节点400包括以下内容。例如，在本实施例中，实施例1中的nop(xf-yf)作为a_nop(xf-yf)和g_nop(xf-yf)被输出。

·not(xf-yf)的输出节点400t-xy(例如，not(1f-2f)的输出节点400t-12)。

·a_nop(xf-yf)的输出节点400a-xy(例如，a_nop(1f-2f)的输出节点400a-12)。

·g_nop(xf-yf)的输出节点400g-xy(例如，g_nop(1f-2f)的输出节点400g-12)。

·volume(xf-yf)的输出节点400v-xy(例如，volume(1f-2f)的输出节点400v-12)。

另一方面，作为输入节点，有以下内容。

·not_c的输入节点70-6。

·a_nop_c的输入节点70-7。

·g_nop_c的输入节点70-8。

·volume_c的输入节点70-9。

·not(vf)的输入节点70-10tv(例如，not(5f)的输入节点70-10t5)。

·a_nop(vf)的输入节点70-10av(例如，a_nop(5f)的输入节点70-10a5)。

·g_nop(vf)的输入节点70-10gv(例如，g_nop(5f)的输入节点70-10g5)。

·volume(vf)的输入节点70-10vv(例如，volume(5f)的输入节点70-10v5)。

输入到输入节点70-6～70-10的输入值是基于控制时刻下的实际运行数据34r的实际值。输入到输入节点70-6～70-10的输入值对应于从输出节点400t、400a、400g和400v输出的输出值(推定值)。

由于存在上述那样的输入节点70、输出节点400，因此，例如，可以期待下述中的至少一个。

·控制部60根据每个年龄层的乘客人数的比例、每个性别的乘客人数的比例，进行(1)通过控制曳引机12来调节加减速、以及(2)调节乘客人数上限中的至少一个。由此，能够根据每个年龄层的乘客人数的比例、每个性别的乘客人数的比例来调节电梯1的乘坐舒适性和轿厢14内的拥挤程度。

·例如，在轿厢14的内部搭载有大体积的平板车(搬运物的一个示例)情况下，轿厢14的内部的重量有变轻的趋势，因此具有容易判定为乘客人数较少的趋势。因此，可以认为与上述没有平板车的轿厢相比，将更多的楼层作为停止楼层分配给轿厢14的可能性较高。即使由于上述平板车的存在，相对于乘客人数而言，裕度(在这种情况下，例如，轿厢的内部体积和占用体积(volume_c)之间的差分)相对较小，但即使分配了相对较多的楼层作为停止楼层，人也很有可能无法乘坐。针对每个分配楼层有可能产生从轿厢停止开始，将门的打开时间、乘客认识到无法进入轿厢的时间和门的关闭时间总计后得到的浪费时间。其结果是，运行效率会降低。根据本实施例，由于推定了volume(xf-yf)，因此当轿厢内部空间被大量占用时，控制部60判定为相当于满员，可以将轿厢从分配对象中移除。因此，避免了上述的浪费时间的产生，提高了运行效率。

实施例6

对实施例6进行说明。此时，主要说明与实施例1～5不同的点，省略或简化与实施例1～5的共同点的说明。

图17是实施例6所涉及的轿厢门开闭控制的流程图。

在实施例6中，当推定在轿厢14的门打开的楼层中在规定时间之后产生轿厢呼叫时，控制部60使轿厢14的门的关闭运行延迟。具体而言，例如，如下所述那样。以某一层为例。

即，控制部60判定是否发生了轿厢门打开待机时间的超时(即，在轿厢门打开状态下是否经过了规定时间)(s500)。另外，控制部60判断轿厢14内的门关闭按钮是否被按下(s510)。

当任一个判定结果为真时(s500:是，或s510:是)，控制部60使推定部50推定轿厢打开延长允许时间之后的运行数据(s520)。

控制部60利用推定出的运行数据来判定是否发生轿厢呼叫(s530)。

当发生轿厢呼叫时(s530:是)，控制部60对电梯控制器10发出指示，以使得将轿厢门打开时间延长规定时间(s540)。

当没有发生轿厢呼叫时(s530:否)，控制部60对电梯控制器10发出指示，以使得立即关闭轿厢门(s550)。

通过这样的处理，能应对可能在不久的将来发生的轿厢呼叫，因而能消除之后来的人的等待时间。其结果是，提高了整体的运行效率。另外，当延长轿厢门打开时间时，希望控制部60向电梯控制器10发出指示，以便对轿厢14的内部进行灯点亮、声音或屏幕显示等通知，从而乘客能够认识到延长的情况。

基于本实施例的说明，轿厢门开闭控制的概要例如可以表现为如下所述那样。

对于多台电梯1中的至少一台电梯1，推定部50推定多个输出值，该多个输出值是在从该电梯1的轿厢14的门关闭的第一时刻经过规定时间的将来第二时刻的控制中所使用的运行数据34e的基础。当基于在第二时刻推定的输出值的运行数据34e表示在第二时刻在轿厢14所在的楼层上发生轿厢呼叫时，控制部60对设为该门打开的状态的时间进行延长。

以上，对本发明的几个实施例进行了说明，但这些是为了说明本发明的示例，并不旨在将本发明的范围局限于这些实施例。本发明利用其它各种方式也可实施。例如，可以组合多个实施例中的任意两个以上的实施例。例如，在实施例3中，可以采用如实施例1那样的群管理控制器2来代替如实施例2那样的云系统100，而在实施例4中，可以采用如实施例1那样的群管理控制器2来代替如实施例3那样的边缘控制器300。

标号说明

1:电梯，2:群管理控制器，10:电梯控制器，40:学习部，50:推定部，60:控制部。