JP7092574B2 - 人流予測方法及び人流予測システム - Google Patents

Description

本発明は、例えばエレベータ等の交通需要の予測に関する。

オフィス等のビルでは、エレベータの輸送能力を向上させるため複数のエレベータを併設し、乗り場での呼び登録に際して、最適なかごを選択して制御するエレベータ群管理システムが導入されている。こういったエレベータ運行制御において、利用者に対する待ち時間等の低減を行うために、エレベータ群管理システムでは、運行データ等を用いて、エレベータ利用状況を予測することで運行制御を行っている。エレベータ利用状況を予測する技術として、例えば特開２０１４－１７２７１８号公報（特許文献１）及び国際公開第２０１７／００６３７９号（特許文献２）に記載の技術がある。

特許文献１には、「建物内の交通需要を正しく予測できるエレベータ交通需要予測装置を提供する。一実施形態に係るエレベータ交通需要予測装置は、取得部、算出部、特徴量データベース、予測部、及び選択部を備える。取得部は、移動方向別及び階床別の乗車荷重及び降車荷重を含むエレベータ制御結果を取得する。算出部は、前記エレベータ制御結果に基づいて、交通需要のカテゴリーを示すカテゴリー特徴量を含む交通需要の特徴量を算出する。特徴量データベースは、前記算出された交通需要の特徴量を属性情報及び時刻情報に関連付けて特徴量データベースに記録する。予測部は、前記特徴量データベースに含まれる異なるデータを参照して交通需要のカテゴリーを予測して予測値を生成する複数のエキスパートを含み、前記予測値のうちの１つを予測結果として採用する。選択部は、予め用意される複数の制御方式から前記予測結果に応じた制御方式を選択する。」と記載されている。

特許文献２には、「将来の混雑が予測された時刻付近に乗り場にいる利用者に長待ちが発生するのを抑制することで、利用者の輸送能力を向上することができる新規な群管理エレベータ装置及び群管理による乗車号機の割り当て方法を提供することにある。複数の利用者の乗り場到着時間と現在の各乗車号機の運行情報を用いて将来の混雑状況を予測して利用者のグルーピングを行い、このグルーピングされた情報に基づいて各グループに対応する乗車号機の仮割当てを行うと共に、混雑が予測される混雑予測時刻より前に出発する乗車号機が再び乗り場へ到着する到着予想時刻を混雑が予測される混雑予測時刻付近に到着するように所定の条件で調整し、この調整された乗車号機を混雑が予想される混雑予測時刻付近に到着する乗車号機として決定する。これによれば、混雑状況が予測される混雑時刻付近で円滑に乗り場に乗りかごを配車することができる。」と記載されている。

特開２０１４－１７２７１８号公報 国際公開第２０１７／００６３７９号

階床ごとに将来エレベータホールに到達する人数（すなわち将来の発生人数）及びその行き先階等を予測することが求められている。しかし、特許文献１及び特許文献２では、エレベータのかご乗車人数を用いているため、乗車階床と降車階床の状況は分かるが、エレベータホールの状況は分からない。

エレベータに搭載されたセンサの情報（例えば階床ごとの乗降人数など）を取得して、それに基づいて将来エレベータホールに到達する発生人数を予測するための予測モデルを、機械学習等によって作成しようとすると、発生人数の真値が必要となる。各階床のエレベータホールにカメラ等を設置すれば、発生人数の真値を得ることができるが、その設置のコストは非常に高いため、実際に設置することは困難である。

上記の課題の少なくとも一つを解決するために、本発明は、プロセッサと、前記プロセッサに接続される記憶装置と、を有する計算機システムが実行する人流予測方法であって、前記人流予測方法は、前記プロセッサが、エレベータに設置されたセンサの情報に基づいて、過去に前記エレベータに乗った人物の数を算出し、算出した前記人物の数を含む現地乗降データを生成する乗降人数算定手順と、前記プロセッサが、前記エレベータを利用するために前記エレベータの各乗り場に現れる人物を仮想的に発生させて、発生人数に基づいて前記エレベータの運行をシミュレートすることによって、少なくとも前記エレベータに乗った人物の数を含む仮想乗降データを生成するシミュレーションデータ生成手順と、前記プロセッサが、前記発生人数と前記仮想乗降データとに基づいて、ある時刻より前の前記仮想乗降データを当該時刻より後の前記発生人数に変換する第１の変換モデルを生成する第１の変換モデル生成手順と、前記プロセッサが、前記発生人数と前記仮想乗降データとに基づいて、ある時刻より後の前記仮想乗降データを当該時刻より前の前記発生人数に変換する第２の変換モデルを生成する第２の変換モデル生成手順と、前記プロセッサが、前記第２の変換モデルによって変換された前記発生人数に基づいて、ある時刻より前の前記発生人数から当該時刻より後の前記発生人数を予測する予測モデルを学習する予測モデル学習手順と、前記プロセッサが、前記第１の変換モデル及び前記予測モデルを用いて、ある時刻より前の前記現地乗降データから当該時刻より後の前記発生人数を予測する予測手順と、を含むことを特徴とする。

本発明の一態様によれば、エレベータホールのカメラ等の高コストな設備を必要とせずに、利用者の満足度が向上するエレベータの運行を実現することができる。上記した以外の課題、構成及び効果は、以下の実施形態の説明によって明らかにされる。

本発明の実施例１の人流予測装置の構成を示す機能ブロック図である。 本発明の実施例１の人流予測装置のハードウェア構成を示すブロック図である。 本発明の実施例１の人流予測装置が実行する処理を示すシーケンス図である。 本発明の実施例１の人流予測装置が実行する処理を示すシーケンス図である。 本発明の実施例１の現地乗降データベースに含まれるかご状態データの説明図である。 本発明の実施例１の現地乗降データベースに含まれる呼び状態データの説明図である。 本発明の実施例１の現地乗降データベースに含まれる現地乗降データの説明図である。 本発明の実施例１のシミュレーションデータベースに含まれる仮想交通需要データの説明図である。 本発明の実施例１のシミュレーションデータベースに含まれるかご状態データの説明図である。 本発明の実施例１のシミュレーションデータベースに含まれる呼び状態データの説明図である。 本発明の実施例１のリアルタイム変換モデル生成部が過去乗降／発生変換モデルを生成する処理の説明図である。 本発明の実施例１のモデルデータベースに含まれる過去乗降／発生変換モデルのパラメータの説明図である。 本発明の実施例１のリアルタイム変換モデル生成部が過去乗降／発生変換モデルを使用して実際の乗り人数等を発生人数に変換する処理の説明図である。 本発明の実施例１の変換発生データベースに含まれる、リアルタイム変換モデル生成部によって生成された発生人数のデータの説明図である。 本発明の実施例１のオフライン変換モデル生成部が未来乗降／発生変換モデルを生成する処理の説明図である。 本発明の実施例１のモデルデータベースに含まれる未来乗降／発生変換モデルのパラメータの説明図である。 本発明の実施例１のオフライン変換モデル生成部が未来乗降／発生変換モデルを使用して実際の乗り人数等を発生人数に変換する処理の説明図である。 本発明の実施例１の変換発生データベースに含まれる、オフライン変換モデル生成部によって生成された発生人数のデータの説明図である。 本発明の実施例１の予測モデル学習部が予測モデルを学習する処理の説明図である。 本発明の実施例１の予測モデル学習部が予測モデルを学習する処理の説明図である。 本発明の実施例１のモデルデータベースに含まれる予測モデルのパラメータの説明図である。 本発明の実施例１の乗降人数算定部及び予測部が実行するリアルタイム処理の説明図である。 本発明の実施例２の人流予測装置の構成を示す機能ブロック図である。 本発明の実施例３の人流予測装置の構成を示す機能ブロック図である。 本発明の実施例３のエレベータホールカメラが設置されたエレベータホールの説明図である。 本発明の実施例３のホール内発生人数算出部が実行する発生人数の算出の説明図である。

以下、本発明の実施形態について図面を用いて詳細に説明する。

図１は、本発明の実施例１の人流予測装置１００の構成を示す機能ブロック図である。

本実施例の人流予測装置１００は、発生人数予測部１０１を有する。

発生人数予測部１０１は、オフライン変換モデル生成部１０２、リアルタイム変換モデル生成部１０６、シミュレーションデータ生成部１１０、予測モデル学習部１１３、予測部１１６、乗降人数算定部１２０、シミュレーションデータベース（ＤＢ）１２１、変換発生データベース（ＤＢ）１２２、モデルデータベース（ＤＢ）１２３及び現地乗降データベース（ＤＢ）１２４を有する。

オフライン変換モデル生成部１０２は、変換特徴量算出部１０３、未来乗降／発生変換モデル学習部１０４及び発生データ変換部１０５を含む。リアルタイム変換モデル生成部１０６は、変換特徴量算出部１０７、過去乗降／発生変換モデル学習部１０８及び発生データ変換部１０９を含む。シミュレーションデータ生成部１１０は、仮想交通需要生成部１１１及び発生／運行データ生成部１１２を含む。予測モデル学習部１１３は、予測特徴量算出部１１４及び予測モデル学習部１１５を含む。予測部１１６は、リアルタイム発生変換部１１７、予測特徴量算出部１１８及び予測モデル適用部１１９を含む。

上記の各部が実行する処理及び各データベースの内容については後述する。

エレベータ１３０は、例えば一つのビルに設置された複数のかご（図示省略）を有する群管理エレベータであり、それらのかごの運行を制御する制御部（図示省略）を有する。予測部１１６は、発生人数を予測した結果をエレベータ１３０に送信し、エレベータ１３０の制御部はその結果に基づいてかごの運行を制御する。また、制御部は、エレベータ１３０が取得した各種の情報を人流予測装置１００に送信する。乗降人数算定部１２０は、エレベータ１３０から取得した情報に基づいて後述する処理を実行する。

なお、本実施例において「発生」とは、エレベータを利用しようとする人物がエレベータホール（すなわちエレベータの乗り場）に到達することを意味し、「発生人数」とは、発生した人物の数である。

図２は、本発明の実施例１の人流予測装置１００のハードウェア構成を示すブロック図である。

人流予測装置１００は、例えば、相互に接続されたインターフェース（Ｉ／Ｆ）２０１、入力装置２０２、出力装置２０３、プロセッサ２０４、主記憶装置２０５及び補助記憶装置２０６を有する計算機である。

インターフェース２０１は、ネットワーク（図示省略）に接続され、ネットワークを介してエレベータ１３０との通信を行う。入力装置２０２は、人流予測装置１００のユーザが人流予測装置１００に情報を入力するために使用する装置であり、例えばキーボード、マウス及びタッチセンサ等の少なくともいずれかを含んでもよい。出力装置２０３は、人流予測装置１００のユーザに情報を出力する装置であり、例えば文字及び画像等を表示する表示装置を含んでもよい。

プロセッサ２０４は、主記憶装置２０５に格納されたプログラムに従って種々の処理を実行する。主記憶装置２０５は、例えばＤＲＡＭのような半導体記憶装置であり、プロセッサ２０４によって実行されるプログラム及びプロセッサの処理に必要なデータ等を格納する。補助記憶装置２０６は、例えばハードディスクドライブ又はフラッシュメモリなどの比較的大容量の記憶装置であり、プロセッサ２０４によって実行される処理において参照されるデータ等を格納する。

本実施例の主記憶装置２０５には、発生人数予測部１０１にオフライン変換モデル生成部１０２、リアルタイム変換モデル生成部１０６、シミュレーションデータ生成部１１０、予測モデル学習部１１３、予測部１１６及び乗降人数算定部１２０を実現するためのプログラムが格納される。したがって、以下の説明において上記の各部が実行する処理は、実際には、プロセッサ２０４が、主記憶装置２０５に格納された各部に対応するプログラムに従って実行する。

本実施形態の補助記憶装置２０６は、シミュレーションデータベース１２１、変換発生データベース１２２、モデルデータベース１２３及び現地乗降データベース１２４を格納する。さらに、発生人数予測部１０１に含まれる各部に対応するプログラムが補助記憶装置２０６に格納され、必要に応じて主記憶装置２０５にコピーされてもよい。また、上記のデータベースの少なくとも一部が必要に応じて主記憶装置２０５にコピーされてもよい。

図３Ａ及び図３Ｂは、本発明の実施例１の人流予測装置１００が実行する処理を示すシーケンス図である。

人流予測装置１００の処理は、シミュレーションによって取得されたデータ、及び、エレベータ１３０の過去の実際の運行時に取得されたデータに基づいて、現在までの発生人数から未来の発生人数を予測するための予測モデルを学習するオフライン処理３００と、学習によって得られた予測モデルを用いて未来の発生人数を予測するリアルタイム処理３２０と、を含む。まず、オフライン処理３００について説明する。

最初に、乗降人数算定部１２０が、エレベータ１３０から、過去の実際の運行時に取得された当該エレベータ１３０の状態に関するデータを取得する（ステップ３０１）。ここで取得されるデータは、例えば、時刻（又は所定の長さの時間帯）ごとのエレベータ１３０の各かごの位置、移動方向及び各かごの積載物の重量などを含んでもよい。さらに、乗降人数算定部１２０は、時刻（又は所定の長さの時間帯）ごとの各階床の呼び状態、すなわち各階床の呼びボタンが押されていたか否かを示すデータを取得してもよい。これらのデータを現地データとも記載する。

さらに、乗降人数算定部１２０は、取得したデータから、現地乗降データを生成する。例えば、乗降人数算定部１２０は、各時刻の各かごの重量に基づいて、各時刻に各かごに乗っている人の数を推定してもよい。また、乗降人数算定部１２０は、各時刻の各かごの位置、移動方向及び重量の変化から、各かごに各階床で乗り込んだ人数、各階床で降りた人数等を推定してもよいし、さらに、各かごの行先階ボタン及び各階床の呼びボタンの操作の記録に基づいて、ある階から乗って別のある階に下りた人物の数を推定してもよい。現地乗降データは、このような情報の少なくともいずれかを含む。上記のような推定は、任意の方法で行うことができるため、ここではその詳細な説明を省略する。

乗降人数算定部１２０は、取得したかごの状態等のデータ及びそれに基づいて推定された現地乗降データを現地乗降データベース１２４に格納する（ステップ３０２）。現地乗降データベース１２４の内容の一例については後述する（図４Ａ～図４Ｃ参照）。

次に、シミュレーションデータ生成部１１０の仮想交通需要生成部１１１が、仮想交通需要を生成する（ステップ３０３）。例えば、仮想交通需要生成部１１１は、乱数を使用して、人物が発生する時刻、当該人物が発生する階床、及び当該人物がエレベータ１３０を使用して行こうとする階床（行先階）を決定し、そのような人物が発生したと仮定してもよい（すなわちそのような人物を仮想的に発生させてもよい）。仮想交通需要生成部１１１は、後述する運行シミュレーションによってシミュレーションデータを生成するために十分な数の人物を仮想的に発生させる。

このとき、仮想交通需要生成部１１１は、一切の制約なしにランダムに人物を発生させてもよいが、現地乗降データに基づく制約を加えた上でランダムに人物を発生させてもよい。例えば、仮想交通需要生成部１１１は、人物が発生する確率の分布が、現地乗降データから計算されるものと同様になるように、人物を発生させてもよい。より具体的には、例えば、現地乗降データから、適切な時間幅を有する時間帯ごとのエレベータ１３０の乗り人数の分布をポアソン分布によってモデル化してもよい。そして、人物の発生確率の分布が、モデル化したポアソン分布に従うように人物を発生させてもよい。これによって、効率的にシミュレーションデータを生成することができる。

次に、シミュレーションデータ生成部１１０の発生／運行データ生成部１１２が、ステップ３０３で生成された仮想交通需要（すなわち人物の発生）から、エレベータ１３０の運行データを生成する（ステップ３０４）。具体的には、発生／運行データ生成部１１２は、エレベータ１３０の運行をシミュレートする運行シミュレータを有しており、ステップ３０３で生成した仮想交通需要、すなわち、いつ、どの階床のエレベータホールに、どの階床に行こうとする人物が発生したか、といった情報を運行シミュレータに入力して運行シミュレーションを実行する。

そして、発生／運行データ生成部１１２は、運行シミュレーションの結果として仮想的な運行データを生成する。ここで生成される仮想的な運行データは、例えば、シミュレーションによって求められた各時刻にかごに乗っている人物の数、又は、各時刻を始点とする所定の時間帯ごとに乗り降りした人物の数といった仮想的な乗降人数等のデータのほか、シミュレーションによって求められた時刻ごとの各かごの位置、移動方向、各階床における呼び状態等のデータを含んでもよい。

シミュレーションデータ生成部１１０は、仮想交通需要生成部１１１が生成した仮想交通需要及び発生／運行データ生成部１１２が生成した運行データをシミュレーションデータベース１２１に格納する。シミュレーションデータベース１２１の内容の一例については後述する（図５Ａ～図５Ｃ参照）。

次に、リアルタイム変換モデル生成部１０６が、ある時刻より前の乗降人数等の運行データに基づいて、当該時刻より後の発生人数を推定する（言い換えるとある時刻より前の乗降人数等をそれより後の発生人数に変換する）ためのモデルを生成する（ステップ３０６～３０８）。ここで生成されるモデルを、過去乗降／発生変換モデルと記載する。このモデルは、オフライン処理３００だけでなくリアルタイム処理３２０でも使用されるため、リアルタイム変換モデルとも記載される。

なお、本実施例では、ある時間帯の乗降人数等が、それより後の時間帯の発生人数に変換される。ここで変換の元となる運行データの時間帯と、それに基づいて変換された発生人数の時間帯との関係は、前者の時間帯が後者の時間帯より前の時間帯を含んでいれば、両者の少なくとも一部が重複していてもよい。例えば、後者の時間帯がある時刻を終点とする所定の長さの時間帯である場合に、前者の時間帯は、後者の時間帯の始点又はそれより前のいずれかの時刻を終点とする時間帯であってもよいし、後者の時間帯に含まれるいずれかの時刻を終点とし、後者の時間帯の始点より前のいずれかの時刻を始点とする時間帯であってもよい。

以下、リアルタイム変換モデル生成部１０６の処理を説明する。まず、リアルタイム変換モデル生成部１０６の変換特徴量算出部１０７が、シミュレーションデータ生成部１１０のシミュレーションによって生成された、時間帯ごとの運行データの特徴量を算出する（ステップ３０６）。次に、リアルタイム変換モデル生成部１０６の過去乗降／発生変換モデル学習部１０８が、ステップ３０６で算出された各時間帯の特徴量と、それぞれの時間帯より後の時間帯の発生人数（すなわち運行シミュレータに入力された仮想交通需要）との組合せを学習データとして機械学習を行うことによって、過去乗降／発生変換モデルを生成する（ステップ３０７）。生成された過去乗降／発生変換モデルは、モデルデータベース１２３に格納される（ステップ３１２）。

次に、リアルタイム変換モデル生成部１０６の発生データ変換部１０９が、現地データとして取得された運行データに過去乗降／発生変換モデルを適用することによって、当該運行データに対応する時間帯の発生人数を生成する（ステップ３０８）。例えば複数の連続する時間帯の運行データに過去乗降／発生変換モデルを適用して、それらの時間帯に対応する時間帯の発生人数を生成することによって、それらの複数の連続する時間帯を統合した期間の中のある期間の運行データと、それと同じ期間の発生人数との組を取得することができる。これによって得られた発生人数は、変換発生データベース１２２に格納される（ステップ３１３）。

リアルタイム変換モデル生成部１０６の処理及びその結果として生成されるデータの一例については後述する（図６～図９参照）。

一方、オフライン変換モデル生成部１０２は、ある時刻より後の乗降人数等の運行データに基づいて、当該時刻より前の発生人数を推定する（言い換えるとある時刻より後の乗降人数等をそれより前の発生人数に変換する）ためのモデルを生成する（ステップ３０９～３１１）。ここで生成されるモデルを、未来乗降／発生変換モデルと記載する。このモデルは、オフライン処理３００で使用されるため、オフライン変換モデルとも記載される。

なお、本実施例では、ある時間帯の乗降人数等が、それより前の時間帯の発生人数に変換される。ここで変換の元となる運行データの時間帯と、それに基づいて変換された発生人数の時間帯との関係は、前者の時間帯が後者の時間帯より後の時間帯を含んでいれば、両者の少なくとも一部が重複していてもよい。例えば、後者の時間帯がある時刻を始点とする所定の長さの時間帯である場合に、前者の時間帯は、後者の時間帯の終点又はそれより後のいずれかの時刻を始点とする時間帯であってもよいし、後者の時間帯に含まれるいずれかの時刻を始点とし、後者の時間帯の終点より後のいずれかの時刻を終点とする時間帯であってもよい。

以下、オフライン変換モデル生成部１０２の処理を説明する。まず、オフライン変換モデル生成部１０２の変換特徴量算出部１０３が、シミュレーションデータ生成部１１０のシミュレーションによって生成された、時間帯ごとの運行データの特徴量を算出する（ステップ３０９）。次に、オフライン変換モデル生成部１０２の未来乗降／発生変換モデル学習部１０４が、ステップ３０９で算出された各時間帯の特徴量と、それぞれの時間帯より前の時間帯の発生人数（すなわち運行シミュレータに入力された仮想交通需要）との組合せを学習データとして機械学習を行うことによって、未来乗降／発生変換モデルを生成する（ステップ３１０）。生成された未来乗降／発生変換モデルは、モデルデータベース１２３に格納される（ステップ３１２）。

次に、オフライン変換モデル生成部１０２の発生データ変換部１０５が、現地データとして取得された運行データに未来乗降／発生変換モデルを適用することによって、当該運行データに対応する時間帯の発生人数を生成する（ステップ３１１）。例えば複数の連続する時間帯の運行データに未来乗降／発生変換モデルを適用して、それらの時間帯に対応する時間帯の発生人数を生成することによって、それらの複数の連続する時間帯を統合した期間の中のある期間の運行データと、それと同じ期間の発生人数との組を取得することができる。これによって得られた発生人数は、変換発生データベース１２２に格納される（ステップ３１３）。

オフライン変換モデル生成部１０２の処理及びその結果として生成されるデータの一例については後述する（図１０～図１３参照）。

なお、リアルタイム変換モデル生成部１０６の処理（ステップ３０６～３０８）及びオフライン変換モデル生成部１０２の処理（ステップ３０９～３１１）は、どちらが先に実行されてもよいし、並行して実行されてもよい。

次に、予測モデル学習部１１３が、ある時刻より前の発生人数から、当該時刻より後の発生人数を予測するための予測モデルを学習する（ステップ３１４～３１５）。具体的には、まず、予測モデル学習部１１３の予測特徴量算出部１１４が、発生データ変換部１０９によって変換された発生人数から、時間帯ごとの発生人数の特徴量を算出する（ステップ３１４）。

次に、予測モデル学習部１１３の予測モデル学習部１１５が、ステップ３１４で算出された時間帯ごとの発生人数の特徴量と、それぞれの時間帯より後の時間帯の発生データ変換部１０５によって変換された発生人数とに基づいて、ある時間帯の発生人数から、それより後の時間帯の発生人数を予測するための予測モデルを学習するステップ３１５）。学習によって得られた予測モデルは、モデルデータベース１２３に格納される（ステップ３１６）。

予測モデル学習部１１３が実行する学習の詳細及び格納される予測モデルの一例については後述する（図１４Ａ～図１５）。

以上でオフライン処理３００が終了する。次に、リアルタイム処理３２０について説明する。リアルタイム処理３２０では、予測部１１６が、過去乗降／発生変換モデル及び予測モデルを用いて、ある時刻より前の現地乗降データからそれより後の発生人数を予測する。具体的な手順は以下のとおりである。

最初に、乗降人数算定部１２０が、エレベータ１３０から、過去の実際の運行時に取得された当該エレベータ１３０の状態に関するデータを取得する（ステップ３２１）。例えば、現在時刻より後のある時間帯（ここでは予測対象の時間帯と記載する）の発生人数を予測しようとする場合、予測モデル学習部１１３が生成した予測モデルを用いて予測対象の時間帯の発生人数を予測するために必要な過去の発生人数の時間帯（ここでは予測元の発生人数の時間帯と記載する）を特定し、過去乗降／発生変換モデルを用いて予測元の発生人数の時間帯の発生人数を取得するために必要な当該エレベータ１３０の状態に関するデータの時間帯を特定し、最終的に特定された時間帯の当該エレベータ１３０の状態に関するデータを取得してもよい。

次に、予測部１１６のリアルタイム発生変換部１１７が、ステップ３２１で取得されたデータから変換特徴量を算出して、算出した変換特徴量に過去乗降／発生変換モデルを適用することによって、発生人数を取得する（ステップ３２２）。

次に、予測部１１６の予測特徴量算出部１１８が、ステップ３２２で取得された発生人数の特徴量を算出する（ステップ３２３）。次に、予測部１１６の予測モデル適用部１１９が、ステップ３２３で算出された特徴量に予測モデルを適用することによって、予測対象の時間帯の発生人数を予測する。

予測部１１６は、このようにして予測された発生人数をエレベータ１３０に送信する。エレベータ１３０は、予測された発生人数に基づいて運行を制御することによって、例えば待ち時間の低減などを実現することによって、利用者の満足度の向上に寄与することができる。

以下、図４Ａ～図１５を参照してオフライン処理３００の詳細を説明し、図１６を参照してリアルタイム処理３２０の詳細を説明する。

まず、図４Ａ～図４Ｃを参照して、現地乗降データベース１２４の内容の一例を説明する。

図４Ａは、本発明の実施例１の現地乗降データベース１２４に含まれるかご状態データ４００の説明図である。

かご状態データ４００は、乗降人数算定部１２０がエレベータ１３０から取得して現地乗降データベース１２４に格納するデータであり（ステップ３０１及び３０２）、エレベータ１３０の過去の実際の運行におけるかごの状態に関する情報を含む。例えば、かご状態データ４００は、複数のレコードを含み、各レコードは、日時４０１、号機４０２、階床４０３、重量４０４及び一つ以上のかごパラメータ（例えばかごパラメータ１＿４０５）を含む。

日時４０１は、各レコードのデータが取得された日時を示す。号機４０２は、各レコードのデータが取得されたエレベータ１３０のカゴを識別する。階床４０３は、日時４０１によって特定される時刻における、号機４０２によって識別されるかごの所在位置を示す。

重量４０４は、日時４０１によって特定される時刻における、号機４０２によって識別されるかごの積載物の重量を示す。これは、エレベータ１３０に設置された、各かごの積載物の重量を計測する重量センサから得られる値であり、重量そのものであってもよいし、重量から推定される当該かごに乗っている人物の数（これを乗り人数とも記載する）であってもよい。

かごパラメータは、上記以外の各かごの状態を示すパラメータである。例えば、かごパラメータは、各かごの進行方向（例えば上方向又は下方向）、かご内に設置されている行き先階ボタンの状態（例えばどの階のボタンが押されているか）等を含んでもよい。

図４Ｂは、本発明の実施例１の現地乗降データベース１２４に含まれる呼び状態データ４１０の説明図である。

呼び状態データ４１０は、乗降人数算定部１２０がエレベータ１３０から取得して現地乗降データベース１２４に格納するデータであり（ステップ３０１及び３０２）、エレベータ１３０の過去の実際の運行における、利用者によるかごの呼びに関する情報を含む。例えば、呼び状態データ４１０は、複数のレコードを含み、各レコードは、日時４１１、階床４１２、ＵＰ呼び４１３、ＤＮ呼び４１４及び一つ以上の呼びパラメータ（例えば呼びパラメータ１＿４１５）を含む。

日時４１１は、各レコードのデータが取得された日時を示す。階床４１２は、各レコードに対応する階床を示す。ＵＰ呼び４１３は、日時４１１によって特定される時刻に、階床４１２によって特定される階床において、上に向かうかごが呼ばれていたか否かを示す。例えばＵＰ呼び４１３の値「１」は、上に向かうかごが呼ばれていた（すなわち当該階床のエレベータホールの上方向の呼びボタンが押されていた）ことを示している。ＤＮ呼び４１４は、日時４１１によって特定される時刻に、階床４１２によって特定される階床において、下に向かうかごが呼ばれていたか否かを示す。

呼びパラメータは、上記以外の呼びに関するパラメータである。例えば、呼びパラメータは、呼びに対するかごの割り当てのアルゴリズムを識別する情報であってもよい。

図４Ｃは、本発明の実施例１の現地乗降データベース１２４に含まれる現地乗降データ４２０の説明図である。

現地乗降データ４２０は、乗降人数算定部１２０がかご状態データ４００及び呼び状態データ４１０に基づいて推定して現地乗降データベース１２４に格納するデータであり（ステップ３０１及び３０２）、エレベータ１３０の利用状況に関する情報を含む。具体的には、現地乗降データ４２０は、複数のレコードを含み、各レコードは、日時４２１が示す日時に出発階４２２が示す階床から行先階４２３が示す階床までエレベータを利用した人物の数の推定値である人数４２４を含む。

例えば、図４Ｃに示す現地乗降データ４２０の先頭のレコードは、２０１８年１月１日の７時０分０秒を始点とする所定の時間（例えば１分間）に、１階から５階までエレベータ１３０を使って移動した人の数が５人であったと推定されたことを示す。

次に、図５Ａ～図５Ｃを参照して、シミュレーションデータベース１２１の内容の一例を説明する。

図５Ａは、本発明の実施例１のシミュレーションデータベース１２１に含まれる仮想交通需要データ５００の説明図である。

仮想交通需要データ５００は、シミュレーションデータ生成部１１０の仮想交通需要生成部１１１が生成し、シミュレーションデータベース１２１に格納するデータである（ステップ３０３、３０５）。具体的には、仮想交通需要データ５００は、複数のレコードを含み、各レコードは、日時５０１、出発階５０２及び行き先階５０３を含む。一つのレコードが、いずれかの時刻に、いずれかの階床のエレベータホールに発生したと仮定された一人の人物に対応する。

日時５０１は、人物が発生した日時を示し、出発階５０２はその人物が発生した階床を示し、行き先階５０３は、その人物が行こうとする階床を示す。なお、日時５０１の値は後述する運行シミュレーションにおける日時であり、必ずしも現実の日時を意味しない。

例えば図５Ａの先頭のレコードは、２０１８年１月１日の７時０分０秒を始点とする所定の時間（例えば１分間）に、１階のエレベータホールに、５階に行こうとする人物が発生したと仮定されたことを示している。このような情報（すなわち仮想交通需要）が運行シミュレータに入力されると、その後、どのようにエレベータ１３０のかごが呼ばれ、時間の経過に伴ってエレベータ１３０がどのように運行され、各時刻に各かごがどのような状態になるかがシミュレートされる。

図５Ｂは、本発明の実施例１のシミュレーションデータベース１２１に含まれるかご状態データ５１０の説明図である。

かご状態データ５１０は、発生／運行データ生成部１１２に含まれる運行シミュレータが仮想交通需要データ５００に基づいて実行したシミュレーションの結果に基づいて生成され、シミュレーションデータベース１２１に格納されるデータである（ステップ３０４、３０５）。

具体的には、かご状態データ５１０の各レコードは、日時５１１、号機５１２、階床５１３、重量５１４及び一つ以上のかごパラメータ（例えばかごパラメータ１＿５１５）を含む。これらの項目は、図４Ａに示したかご状態データ４００の日時４０１、号機４０２、階床４０３、重量４０４及びかごパラメータ１＿４０５と同様であるため、説明を省略する。ただし、かご状態データ４００の各項目には実際の運行によって得られた値が格納されるのに対して、かご状態データ５１０には、運行シミュレーションによって得られた値が格納される。また、日時５１１は、仮想交通需要データ５００の日時５０１に対応するものであり、必ずしも現実の日時を意味しない。ただし、仮想交通需要データが現地乗降データの分布に基づいて算出された場合には、日時５０１には、算出の基となった現地乗降データの日時（例えば図４Ａの日時４０１の値）が格納される。

図５Ｃは、本発明の実施例１のシミュレーションデータベース１２１に含まれる呼び状態データ５２０の説明図である。

呼び状態データ５２０は、発生／運行データ生成部１１２に含まれる運行シミュレータが仮想交通需要データ５００に基づいて実行したシミュレーションの結果に基づいて生成され、シミュレーションデータベース１２１に格納されるデータである（ステップ３０４、３０５）。

具体的には、呼び状態データ５２０の各レコードは、日時５２１、階床５２２、ＵＰ呼び５２３、ＤＮ呼び５２４及び一つ以上の呼びパラメータ（例えば呼びパラメータ１＿５２５）を含む。これらの項目は、図４Ｂに示した呼び状態データ４１０の日時４１１、階床４１２、ＵＰ呼び４１３、ＤＮ呼び４１４及び呼びパラメータ１＿４１５等と同様であるため、説明を省略する。ただし、呼び状態データ４１０の各項目には実際の運行によって得られた値が格納されるのに対して、呼び状態データ５２０には、運行シミュレーションによって得られた値が格納される。また、日時５２１は、仮想交通需要データ５００の日時５０１に対応するものであり、必ずしも現実の日時を意味しない。

次に、リアルタイム変換モデル生成部１０６の処理（ステップ３０６～３０８）の詳細を説明する。

図６は、本発明の実施例１のリアルタイム変換モデル生成部１０６が過去乗降／発生変換モデルを生成する処理（ステップ３０６～３０７）の説明図である。

発生人数６０３は、仮想交通需要生成部１１１によって生成された、ある期間（例えばある１日）における、時間ごとの発生人数を示す。実際の発生人数は、各階床の発生人数を含むため、ベクトル値として表現されるが、ここでは説明のためにスカラー値のように表現している。

一方、乗り人数等６０１は、発生人数６０３に基づいて発生／運行データ生成部１１２が運行シミュレーションによって生成した、上記と同じ期間（例えば同じ１日）の運行データに含まれる時間ごとの乗り人数等を示す。発生人数と同様に、乗り人数等も実際にはベクトル値として表現されるが、ここではスカラー値のように表現している。また、乗り人数等６０１は、シミュレーションによって得られた乗り人数（すなわち重量５１４から推定される乗り人数）の他に、各かごの所在位置、移動方向、かごパラメータ、各階床における呼び情報等の少なくともいずれかを含んでもよい。

過去乗降／発生変換モデル学習部１０８は、ある時間帯６０２の乗り人数等６０１の特徴量と、それより後の時間帯６０４の発生人数６０３との組合せを抽出する。乗り人数等６０１の特徴量は、変換特徴量算出部１０７によって算出される（ステップ３０６）。

過去乗降／発生変換モデル学習部１０８は、上記と同様の対応関係を有する時間帯の乗り人数等６０１の特徴量と発生人数６０３との組合せを多数抽出して、それらを機械学習することによって、過去の乗り人数等６０１をそれより後の発生人数６０３に変換する関数（過去乗降／発生変換モデル、すなわちリアルタイム変換モデル）を算出する（ステップ３０７）。このようにして算出された変換モデルのパラメータがモデルデータベース１２３に格納される（ステップ３１２）。

図６には例えばある１日の乗り人数等と発生人数とを示しているが、実際には、より長い期間、すなわち精度のよい過去乗降／発生変換モデルを学習するのに十分な期間の乗り人数及び発生人数が使用される。

図７は、本発明の実施例１のモデルデータベース１２３に含まれる過去乗降／発生変換モデルのパラメータ７００の説明図である。

過去乗降／発生変換モデルのパラメータ７００は、複数のレコードを含み、各レコードは、日付７０１及び複数のモデルパラメータ（例えばモデルパラメータ１＿７０２及びモデルパラメータ２＿７０３）を有する。

日付７０１は、過去乗降／発生変換モデルの生成の元となったシミュレーションデータの日付を示す。モデルパラメータ１＿７０２及びモデルパラメータ２＿７０３等は、過去乗降／発生変換モデル学習部１０８が行った機械学習によって算出された過去乗降／発生変換モデルのパラメータである。

なお、既に説明したように、いずれかの日の現地乗降データから算出された発生確率の分布に従って仮想交通需要が生成され、それに基づく運行シミュレーションが行われた場合には、その現地乗降データの日時４２１が示す日付が日付７０１として格納されてもよい。その場合、当該仮想交通需要に基づく運行シミュレーションの結果から生成された過去乗降／発生変換モデルのパラメータが、当該日付を含むレコードのモデルパラメータ１＿７０２等に格納される。

一方、現地乗降データに基づく制約なしに仮想交通需要が生成され、それに基づくシミュレーション結果から過去乗降／発生変換モデルが生成された場合には、当該過去乗降／発生変換モデルに対応する日付７０１は空白でもよい。

図８は、本発明の実施例１のリアルタイム変換モデル生成部１０６が過去乗降／発生変換モデルを使用して実際の乗り人数等を発生人数に変換する処理（ステップ３０８）の説明図である。

乗り人数等８０１は、乗降人数算定部１２０によって取得され、現地乗降データベースに格納された運行データの乗り人数等のうちある期間（例えばある１日）の時間ごとの値を示したものである。

リアルタイム変換モデル生成部１０６の発生データ変換部１０９は、時間帯８０２の乗り人数等８０１の特徴量を算出し、それに過去乗降／発生変換モデルを適用することによって、時間帯８０２より未来の時間帯８０４の発生人数を取得する。これを各時間帯について実行することによって、上記と同じ期間（例えば同じ１日）の発生人数８０３を取得することができる。

なお、図８には例えば１日分の乗り人数等８０１等及び発生人数８０３を示しているが、実際にはより長い期間の乗り人数等に過去乗降／発生変換モデルを適用することによってそれに対応する期間の発生人数を取得し、それらから所望の１日又は所望の時間帯等、任意の長さの期間の乗り人数等８０１及び発生人数８０３を取得してもよい。

図９は、本発明の実施例１の変換発生データベース１２２に含まれる、リアルタイム変換モデル生成部１０６によって生成された発生人数のデータの説明図である。

具体的には、図９は、リアルタイム変換モデル生成部１０６が、生成された過去乗降／発生変換モデルをステップ３０８で実際の運行データに適用して生成し、ステップ３１２で変換発生データベース１２２に格納されるデータの一例を示す。すなわち、これは、図８に示した発生人数８０３の一部に相当する。

図９に示すデータ９００の各レコードは、日時９０１、出発階９０２、行先階９０３及び人数９０４を含む。これらの項目は、図４Ｃの現地乗降データ４２０の日時４２１、出発階４２２、行先階４２３及び人数４２４と同様であるため、説明を省略する。ただし、図９の各レコードには、生成された過去乗降／発生変換モデルに基づいて変換された発生人数を示す値が格納されるため、それらの値は図４Ｃの現地乗降データ４２０に格納されるものとは異なる。また、行先階９０３は、行先階４２３と同様の方法で推定されてもよいが、そのような推定を省略して、行先階９０３を含まないデータ９００を生成してもよい。

次に、オフライン変換モデル生成部１０２の処理（ステップ３０９～３１１）の詳細を説明する。

図１０は、本発明の実施例１のオフライン変換モデル生成部１０２が未来乗降／発生変換モデルを生成する処理（ステップ３０９～３１０）の説明図である。

乗り人数等６０１及び発生人数６０３は、図６に示したものと同様である。

未来乗降／発生変換モデル学習部１０４は、ある時間帯１００１の乗り人数等６０１の特徴量と、それより前の時間帯１００２の発生人数６０３との組合せを抽出する。乗り人数等６０１の特徴量は、変換特徴量算出部１０３によって算出される（ステップ３０９）。

未来乗降／発生変換モデル学習部１０８は、上記と同様の対応関係を有する時間帯の乗り人数等６０１の特徴量と発生人数６０３との組合せを多数抽出して、それらを機械学習することによって、過去の乗り人数等６０１をそれより前の発生人数６０３に変換する関数（未来乗降／発生変換モデル、すなわちオフライン変換モデル）を算出する（ステップ３１０）。このようにして算出された変換モデルのパラメータがモデルデータベース１２３に格納される（ステップ３１２）。

なお、図６の場合と同様に、実際には精度のよい未来乗降／発生変換モデルを学習するのに十分な期間の乗り人数及び発生人数が使用される。

図１１は、本発明の実施例１のモデルデータベース１２３に含まれる未来乗降／発生変換モデルのパラメータ１１００の説明図である。

未来乗降／発生変換モデルのパラメータ１１００は、複数のレコードを含み、各レコードは、日付１１０１及び複数のモデルパラメータ（例えばモデルパラメータ１＿１１０２及びモデルパラメータ２＿１１０３）を有する。

日付１１０１は、未来乗降／発生変換モデルの生成の元となったシミュレーションデータの日付を示す。モデルパラメータ１＿１１０２及びモデルパラメータ２＿１１０３等は、未来乗降／発生変換モデル学習部１０４が行った機械学習によって算出された未来乗降／発生変換モデルのパラメータである。

なお、図７の日付７０１と現地乗降データとの関係に関する説明は、図１１の日付１１０１と現地乗降データとの関係にも適用される。例えば、現地乗降データに基づく制約なしに仮想交通需要が生成され、それに基づくシミュレーション結果から過去乗降／発生変換モデルが生成された場合には、当該過去乗降／発生変換モデルに対応する日付１１０１は空白でもよい。

図１２は、本発明の実施例１のオフライン変換モデル生成部１０２が未来乗降／発生変換モデルを使用して実際の乗り人数等を発生人数に変換する処理（ステップ３１１）の説明図である。

乗り人数等８０１は、図８に示したものと同様である。

オフライン変換モデル生成部１０２の発生データ変換部１０５は、時間帯１２０２の乗り人数等８０１の特徴量を算出し、それに未来乗降／発生変換モデルを適用することによって、時間帯１２０２より過去の時間帯１２０３の発生人数を取得する。これを各時間帯について実行することによって、上記の乗り人数等８０１と同じ期間（例えば同じ１日）の発生人数１２０１を取得することができる。

なお、図８の場合と同様に、実際にはより長い期間の乗り人数等に未来乗降／発生変換モデルを適用することによってそれに対応する期間の発生人数を取得し、それらから所望の１日又は所望の時間帯等、任意の長さの期間の乗り人数等８０１及び発生人数１２０１を取得してもよい。

図１３は、本発明の実施例１の変換発生データベース１２２に含まれる、オフライン変換モデル生成部１０２によって生成された発生人数のデータの説明図である。

具体的には、図１３は、オフライン変換モデル生成部１０２が、生成された未来乗降／発生変換モデルをステップ３１１で実際の運行データに適用して生成し、ステップ３１２で変換発生データベース１２２に格納されるデータの一例を示す。すなわち、これは、図１２に示した発生人数１２０１の一部に相当する。

図１３に示すデータ１３００の各レコードは、日時１３０１、出発階１３０２、行先階１３０３及び人数１３０４を含む。これらの項目は、図４Ｃの現地乗降データ４２０の日時４２１、出発階４２２、行先階４２３及び人数４２４と同様であるため、説明を省略する。ただし、図１３の各レコードには、生成された未来乗降／発生変換モデルに基づいて変換された発生人数を示す値が格納されるため、それらの値は図４Ｃの現地乗降データ４２０に格納されるもの及び図９のデータ９００に格納されるもののいずれとも異なる。また、行先階１３０３は、行先階４２３と同様の方法で推定されてもよいが、そのような推定を省略して、行先階１３０３を含まないデータ１３００を生成してもよい。

次に、予測モデル学習部１１３の処理（ステップ３１４～３１５）の詳細を説明する。

図１４Ａ及び図１４Ｂは、本発明の実施例１の予測モデル学習部１１３が予測モデルを学習する処理の説明図である。

図１４Ａに示す第１の例では、予測モデル学習部１１３の予測特徴量算出部１１４は、時間帯１４０１の発生人数１２０１の特徴量を算出する（ステップ３１４）。予測モデル学習部１１５は、算出された特徴量から、時間帯１４０１より後の時間帯１４０２の発生人数１２０１を予測する予測モデルを学習する（ステップ３１５）。

一方、図１４Ｂに示す第２の例では、予測特徴量算出部１１４は、時間帯１４０１の発生人数８０３の特徴量を算出する（ステップ３１４）。予測モデル学習部１１５は、算出された特徴量から、時間帯１４０１より後の時間帯１４０２の発生人数１２０１を予測する予測モデルを学習する（ステップ３１５）。

なお、上記のいずれの例においても、時間帯１４０１及び１４０２は一例であり、予測モデル学習部１１３は、同様の関係を有する時間帯の多数の組合せの発生人数に基づいて、予測モデルを学習することができる。

予測モデル学習部１１３は、上記に例示したいずれの方法を採用してもよい。

エレベータホールに人物が発生してから、その人物がかごに乗りこむという順序を考慮すると、ある時間帯の発生人数とそれより少し後の時間帯の乗り人数等との間に因果関係がある。このことから、過去乗降／発生変換モデルの精度より、未来乗降／発生変換モデルの精度の方が高いと考えられる。

しかし、後述するように、リアルタイム処理において未来の発生人数を予測しようとするときに、過去の実際の乗り人数等を利用することはできるが、未来の実際の乗り人数等を利用することはできない。このため、過去乗降／発生変換モデルを用いて得られた発生人数８０３から発生人数１２０１を予測する予測モデルを作成することによって、実際のリアルタイム処理に適した、ロバストな予測モデルを生成できると考えられる。

図１５は、本発明の実施例１のモデルデータベース１２３に含まれる予測モデルのパラメータ１５００の説明図である。

予測モデルのパラメータ１５００は、複数のレコードを含み、各レコードは、日付１５０１及び複数のモデルパラメータ（例えばモデルパラメータ１＿１５０２及びモデルパラメータ２＿１５０３）を有する。

日付１５０１は、予測モデルの生成に使用した発生人数（例えば図１４Ｂの発生人数８０３及び１２０１）の元となった乗り人数等（例えば図８の乗り人数等８０１）が取得された日の日付を示す。モデルパラメータ１＿１５０２及びモデルパラメータ２＿１５０３等は、予測モデル学習部１１５が行った機械学習によって算出された予測モデルのパラメータである。

図１６は、本発明の実施例１の乗降人数算定部１２０及び予測部１１６が実行するリアルタイム処理（ステップ３２１～３２４）の説明図である。

乗降人数算定部１２０は、現在時刻までの乗り人数等１６０１を取得する（ステップ３２１）。予測部１１６のリアルタイム発生変換部１１７は、現在時刻より前の時間帯１６０２の乗り人数等１６０１の特徴量を算出し、それに過去乗降／発生変換モデルを適用することによって、現在時刻より前の時間帯１６０４の発生人数を取得する。同様の処理を現在時刻より前の各時間帯について行うことによって、現在時刻より前の発生人数１６０３を取得する（ステップ３２２）。

次に、予測部１１６の予測特徴量算出部１１８は、現在時刻より前の時間帯１６０５の発生人数１６０３の特徴量を算出する（ステップ３２３）。次に、予測部１１６の予測モデル適用部１１９は、ステップ３２３で算出された特徴量に予測モデルを適用することによって、現在時刻より後の時間帯１６０７の発生人数１６０６を予測する（ステップ３２４）。この予測結果がエレベータ１３０に送信される。

なお、本実施例では、乗降人数算定部１２０は、現地データとして、各時刻のエレベータ１３０の乗り人数だけでなく、かご状態及び呼び状態に関する情報を取得している（図４Ａ、図４Ｂ）。また、シミュレーションデータ生成部１１０は、生成した仮想交通需要に基づいて、各時刻のエレベータ１３０の乗降データ（例えば各かごに乗っている人数、所定の長さの時間帯に乗り降りした人数など）だけでなく、かご状態（例えば時刻ごとの各かごの所在位置、移動方向及び行先階ボタンの操作状況）及び呼び状態（例えば時刻ごとの各階床の呼びボタンの操作状況）に関する情報を生成している（図５Ｂ、図５Ｃ）。

リアルタイム変換モデル生成部１０６及びオフライン変換モデル生成部１０２は、乗り人数だけでなく、上記のかご状態及び呼び状態も含む変換特徴量を算出して、それに基づく変換モデルを生成する。このとき、リアルタイム変換モデル生成部１０６及びオフライン変換モデル生成部１０２は、かご状態及び呼び状態に基づいて算出したパラメータを変換特徴量に含めてもよい。例えば、リアルタイム変換モデル生成部１０６及びオフライン変換モデル生成部１０２は、所定の長さの時間帯ごとの各階床におけるかごの到着頻度を計算して、これを変換特徴量に含めてもよい。これによって変換モデルの精度が向上することが期待される。

ただし、リアルタイム変換モデル生成部１０６及びオフライン変換モデル生成部１０２は、必ずしも上記の情報の全てを利用しなくてもよい。例えば、リアルタイム変換モデル生成部１０６及びオフライン変換モデル生成部１０２は、時刻ごとの各かごの乗降データのみに基づいて変換特徴量を算出してもよいし、必要に応じて最小限の情報を加えて変換特徴量を算出してもよい。

また、本実施例において、予測モデル学習部１１３は、所定の属性を有する時間帯に対応する予測モデルを学習し、予測部１１６は、発生人数を予測しようとする時間帯の属性に対応する予測モデルを使用して発生人数を予測してもよい。ここで、所定の属性を有する時間帯とは、例えば、１日の中の、朝の出勤時間帯、昼休みの時間帯、夕方の退勤時間帯又は夜間の時間帯等であってもよいし、所定の曜日であってもよいし、所定のイベントに対応する日（例えばエレベータ１３０が設置された建物に入居している会社の営業日又は休業日等）であってもよい。

ここで、所定の属性を有する時間帯が月曜日であり、図１４Ｂの方法が使用される場合を例として説明する。予測モデル学習部１１３は、変換発生データベース１２２から、月曜日の発生人数８０３及び１２０１を抽出する。ここで、月曜日の発生人数８０３とは、月曜日に取得された現地データの乗り人数等８０１に過去乗降／発生変換モデルを適用することで変換されたデータであり、月曜日の発生人数１２０１とは、月曜日に取得された現地データの乗り人数等８０１に未来乗降／発生変換モデルを適用することで変換されたデータである。

予測モデル学習部１１３は、月曜日の時間帯１４０１の発生人数８０３から月曜日の時間帯１４０２の発生人数１２０１を予測する予測モデルを、月曜日の予測モデルとして学習する。この日付が、モデルデータベースの日付１５０１として保持される。日付１５０１は、図１５に示すように特定の日を示す値であってもよいし、曜日（例えば月曜日）を示す値であってもよいし、１日の中の特定の時間帯に対応する予測モデルが格納される場合には、その時間帯を示す値であってもよい。また、例えば曜日と１日の中の特定の時間帯とを組み合わせた時間帯に対応する予測モデルが格納される場合には、その組合せを示す値であってもよい。

その後、月曜日にリアルタイム処理３２０が実行される場合、予測部１１６は、例えば、当日の現在時刻より前の乗り人数等１６０１に過去乗降／発生変換モデルを適用することによって、発生人数１６０３を取得し、発生人数１６０３に月曜日の予測モデルを適用することによって、現在時刻より後の発生人数１６０６を予測する。

発生人数及び乗り人数等の傾向は、例えば曜日によって、あるいは１日の中の時間帯によって、または建物の入居者の稼働状況等によって異なる場合があるが、上記のように時間帯に応じた予測モデルを生成して、予測する時間帯に対応する予測モデルを使用することによって、より高精度に発生人数を予測できることが期待される。

以上の本発明の実施例１によれば、例えばエレベータのかごの乗降人数、所在位置、移動方向、行き先ボタン及び呼びボタンの操作といった、エレベータそのものから取得できる情報に基づいて、発生人数を予測することができる。これによって、例えばエレベータホールに設置したカメラといった高コストな追加設備を必要とせずに、待ち時間の低減など、利用者の満足度が向上するようなエレベータの運行を実現することができる。

次に、本発明の実施例２を図面に基づいて説明する。以下に説明する相違点を除き、実施例２のシステムの各部は、図１～図１６に示した実施例１の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。

図１７は、本発明の実施例２の人流予測装置１７００の構成を示す機能ブロック図である。

実施例２の人流予測装置１７００は、実施例１に記載した発生人数予測部１０１に加えて、行先階予測部１７０１を有する。行先階予測部１７０１は、予測特徴量算出部１７０２、行先階予測モデル生成部１７０３、行先階確率生成部１７０４及び行先階割り当て部１７０５を有する。実施例１と同様に、以下の説明において上記の各部が実行する処理は、実際には、プロセッサ２０４が、主記憶装置２０５に格納された各部に対応するプログラムに従って実行する（図２参照）。

例えば、予測特徴量算出部１７０２は、現地乗降データベース１２４に格納された過去の現地乗降データに含まれる所定の長さの時間帯ごとの出発階４２２、行先階４２３及び人数４２４の特徴量を計算する。行先階予測モデル生成部１７０３は、計算された特徴量から、当該特徴量の計算の基礎となった現地乗降データの時間帯より後の時間帯の出発階４２２、行先階４２３及び人数４２４を予測する行先階予測モデルを生成する。

行先階確率生成部１７０４は、生成された行先階予測モデルに基づいて、各階に発生した人物の何％が何階に行くかを示す行先階確率を生成する。そして、行先階割り当て部１７０５は、予測部１１６による発生人数予測結果に行先階確率を乗じることによって、行先階ごとの発生人数の予測結果、すなわち、各階に発生すると予測された人数のうち何人が何階に行くかを予測した結果を、人流予測結果としてエレベータ１３０に出力する。

このように、本発明の実施例２によれば、各階に発生する人数だけでなく、行先階ごとの発生人数を予測することによって、より実際の需要に適合したエレベータの運行を計画することが可能になり、利用者の満足度の向上が図られる。

次に、本発明の実施例３を図面に基づいて説明する。以下に説明する相違点を除き、実施例３のシステムの各部は、図１～図１６に示した実施例１又は図１７に示した実施例２の同一の符号を付された各部と同一の機能を有するため、それらの説明は省略する。

図１８は、本発明の実施例３の人流予測装置１８００の構成を示す機能ブロック図である。

実施例３の人流予測装置１８００は、発生人数予測部１８０１を有する。発生人数予測部１８０１は、画像処理部１８０２が追加されている点を除いて、実施例１の発生人数予測部１０１と同様である。画像処理部１８０２は、ホール内待ち人数算出部１８０３及びホール内発生人数算出部１８０４を有する。実施例１と同様に、以下の説明において上記の各部が実行する処理は、実際には、プロセッサ２０４が、主記憶装置２０５に格納された各部に対応するプログラムに従って実行する（図２参照）。

また、各階床のエレベータ１３０の乗り場（すなわちエレベータホール）には、エレベータホールカメラ１８１０が設置されている。エレベータホールカメラ１８１０は、撮影した画像データを人流予測装置１８００に送信する。人流予測装置１８００は、インターフェース２０１を介して受信した画像データを主記憶装置２０５又は補助記憶装置２０６に格納する（図２参照）。画像処理部１８０２は格納された画像データを参照して後述する処理を実行する。

図１９は、本発明の実施例３のエレベータホールカメラ１８１０が設置されたエレベータホールの説明図である。

図１９には、例として、エレベータ１３０が設置された建物のいずれかの階床のエレベータホール１９００を示す。三つのドア１９０１は、エレベータ１３０に属する３基のエレベータに乗り降りするためのドアである。エレベータホールカメラ１８１０は、エレベータホール１９００内を撮影するために設置されている。しかし、エレベータホール１９００は、エレベータホールカメラ１８１０によって撮影可能な領域１９０２と、壁等によって視界が遮られるためにエレベータホールカメラ１８１０による撮影ができない領域１９０３とを含む。図１９の例では、エレベータホール１９００にいる７人の人物１９０４のうち、領域１９０２にいる５人はエレベータホールカメラ１８１０によって撮影されるが、領域１９０３にいる２人は撮影されない。

なお、撮影ができない領域１９０３は、壁、柱又は建物の備品等によってエレベータホールカメラ１８１０の視界が遮蔽される領域のほか、他の人物１９０４によって視界が遮蔽される領域、照明の明度が不足している領域、及び、エレベータホールカメラ１８１０の視野外の領域等を含んでもよい。

画像処理部１８０２のホール内待ち人数算出部１８０３は、エレベータホールカメラ１８１０によって撮影された時刻ごとの画像データを分析して、撮影された画像に含まれる人物の数を、エレベータホール１９００のうち撮影可能な領域１９０２内の待ち人数として算出する。これは、公知の画像認識技術によって可能であるため、詳細な説明は省略する。

画像処理部１８０２のホール内発生人数算出部１８０４は、ホール内待ち人数算出部１８０３によって算出された時刻ごとの待ち人数から、時刻ごとの発生人数を算出する。

図２０は、本発明の実施例３のホール内発生人数算出部１８０４が実行する発生人数の算出の説明図である。

図２０のグラフの横軸は時間、縦軸はホール内待ち人数算出部１８０３によって算出された待ち人数である。ホール内発生人数算出部１８０４は、ホール内待ち人数算出部１８０３によって算出された待ち人数の時間に応じた変化を検出し、待ち人数の増加分を発生人数として算出する。

例えば、時刻ｔ１より前の待ち人数が０人、時刻ｔ１からｔ２までの待ち人数が２人、時刻ｔ２からｔ３までの待ち人数が５人、時刻ｔ３からｔ４までの待ち人数が６人、時刻ｔ４以降の待ち人数が１人である場合、ホール内発生人数算出部１８０４は、時刻ｔ１、ｔ２、ｔ３における発生人数をそれぞれ２人、３人、１人と算出する。そして、時刻ｔ４にいずれかのエレベータのかごが当該階床に到着して、５人の人物が乗り込んだと算出される。

画像処理部１８０２は、このようにして算出された時刻ごとの発生人数をシミュレーションデータ生成部１１０に送信する。シミュレーションデータ生成部１１０の仮想交通需要生成部１１１は、受信した発生人数に基づいて仮想交通需要を生成する。

具体的には、図２０に示したように、画像処理部１８０２から送信された発生人数は撮影ができない領域１９０３に発生した人物の数を含んでいないため、仮想交通需要生成部１１１は、画像処理部１８０２から受信した発生人数に、例えばランダムな数を加算することによって仮想交通需要を生成してもよい。このとき、エレベータホール１９００の構造に基づいて、加算する人数の上限を定めてもよい。また、他の人物による視界の遮蔽を考慮して、加算する人数の上限を、待ち人数の数が多いほど高くなるように設定してもよい。

このように、本発明の実施例３によれば、実際に観察された発生人数に基づいてシミュレーションデータを生成することによって、より現実的なシミュレーションを行い、精度の高い変換モデル及び予測モデルを効率的に生成することが可能になる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明のより良い理解のために詳細に説明したのであり、必ずしも説明の全ての構成を備えるものに限定されものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることが可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によってハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによってソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、不揮発性半導体メモリ、ハードディスクドライブ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記憶デバイス、または、ＩＣカード、ＳＤカード、ＤＶＤ等の計算機読み取り可能な非一時的データ記憶媒体に格納することができる。

また、制御線及び情報線は説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線及び情報線を示しているとは限らない。実際にはほとんど全ての構成が相互に接続されていると考えてもよい。

１００、１７００、１８００ 人流予測装置
１０１、１８０１ 発生人数予測部
１０２ オフライン変換モデル生成部
１０３、１０７ 変換特徴量算出部
１０４ 未来乗降／発生変換モデル学習部
１０５、１０９ 発生データ変換部
１０６ リアルタイム変換モデル生成部
１０８ 過去乗降／発生変換モデル学習部
１１０ シミュレーションデータ生成部
１１１ 仮想交通需要生成部
１１２ 発生／運行データ生成部
１１３、１１５ 予測モデル学習部
１１４、１１８、１７０２ 予測特徴量算出部
１１６ 予測部
１１７ リアルタイム発生変換部
１１９ 予測モデル適用部
１２０ 乗降人数算定部
１２１ シミュレーションデータベース
１２２ 変換発生データベース
１２３ モデルデータベース
１２４ 現状乗降データベース
１３０ エレベータ
１７０１ 行先階予測部
１７０３ 行先階予測モデル生成部
１７０４ 行先階確率生成部
１７０５ 行先階割り当て部
１８０２ 画像処理部
１８０３ ホール内待ち人数算出部
１８０４ ホール内発生人数算出部
１８１０ エレベータホールカメラ

Claims (11)

1. プロセッサと、前記プロセッサに接続される記憶装置と、を有する計算機システムが実行する人流予測方法であって、
   前記人流予測方法は、
   前記プロセッサが、エレベータに設置されたセンサの情報に基づいて、過去に前記エレベータに乗った人物の数を算出し、算出した前記人物の数を含む現地乗降データを生成する乗降人数算定手順と、
   前記プロセッサが、前記エレベータを利用するために前記エレベータの各乗り場に現れる人物を仮想的に発生させて、発生人数に基づいて前記エレベータの運行をシミュレートすることによって、少なくとも前記エレベータに乗った人物の数を含む仮想乗降データを生成するシミュレーションデータ生成手順と、
   前記プロセッサが、前記発生人数と前記仮想乗降データとに基づいて、ある時刻より前の前記仮想乗降データを当該時刻より後の前記発生人数に変換する第１の変換モデルを生成する第１の変換モデル生成手順と、
   前記プロセッサが、前記発生人数と前記仮想乗降データとに基づいて、ある時刻より後の前記仮想乗降データを当該時刻より前の前記発生人数に変換する第２の変換モデルを生成する第２の変換モデル生成手順と、
   前記プロセッサが、前記第２の変換モデルによって変換された前記発生人数に基づいて、ある時刻より前の前記発生人数から当該時刻より後の前記発生人数を予測する予測モデルを学習する予測モデル学習手順と、
   前記プロセッサが、前記第１の変換モデル及び前記予測モデルを用いて、ある時刻より前の前記現地乗降データから当該時刻より後の前記発生人数を予測する予測手順と、を含むことを特徴とする人流予測方法。
2. 請求項１に記載の人流予測方法であって、
   前記第１の変換モデル生成手順において、前記プロセッサは、前記現地乗降データに前記第１の変換モデルを適用することによって、第１の発生人数を算出し、
   前記第２の変換モデル生成手順において、前記プロセッサは、前記現地乗降データに前記第２の変換モデルを適用することによって、第２の発生人数を算出し、
   前記予測モデル学習手順において、前記プロセッサは、ある時刻より前の前記第１の発生人数から、当該時刻より後の前記第２の発生人数を予測する予測モデルを学習することを特徴とする人流予測方法。
3. 請求項１に記載の人流予測方法であって、
   前記現地乗降データは、各階床の前記エレベータの呼びボタンに対して行われた操作、前記エレベータ内の行先階ボタンに対して行われた操作、及び、各階床における前記エレベータの到着頻度の少なくともいずれかをさらに含み、
   前記シミュレーションデータ生成手順において、前記プロセッサは、前記発生人数に基づいて前記エレベータの運行をシミュレートすることによって、各階床の前記エレベータの呼びボタンに対して行われた操作、前記エレベータ内の行先階ボタンに対して行われた操作、及び、各階床における前記エレベータの到着頻度の少なくともいずれかをさらに含む前記仮想乗降データを生成することを特徴とする人流予測方法。
4. 請求項１に記載の人流予測方法であって、
   前記予測モデル学習手順において、前記プロセッサは、所定の属性を有する時間帯の前記現地乗降データに前記第２の変換モデルを適用することによって算出された前記発生人数に基づいて、前記所定の属性を有する時間帯のある時刻より前の前記発生人数から当該時刻より後の前記発生人数を予測する、前記所定の属性を有する時間帯に対応する予測モデルを学習し、
   前記予測手順において、前記プロセッサは、前記第１の変換モデル及び前記所定の属性を有する時間帯に対応する予測モデルを用いて、前記所定の属性を有する時間帯のある時刻より前の前記現地乗降データから当該時刻より後の前記発生人数を予測することを特徴とする人流予測方法。
5. 請求項４に記載の人流予測方法であって、
   前記所定の属性を有する時間帯は、それぞれの日における時間帯、所定の曜日又は所定のイベントに対応する日のいずれかであることを特徴とする人流予測方法。
6. 請求項１に記載の人流予測方法であって、
   前記シミュレーションデータ生成手順において、前記プロセッサは、前記現地乗降データに基づいて、前記エレベータに乗った人物の数の分布を算出し、算出した分布に基づいて、前記エレベータを利用するために前記エレベータの各乗り場に現れる人物を仮想的に発生させることを特徴とする人流予測方法。
7. 請求項１に記載の人流予測方法であって、
   前記プロセッサが、前記現地乗降データに基づいて、前記エレベータに乗った人物の行先階を予測する行先階予測モデルを生成する手順と、
   前記プロセッサが、前記行先階予測モデルと、前記予測手順において予測された発生人数と、に基づいて、行先階ごとの前記発生人数を予測する手順と、をさらに含むことを特徴とする人流予測方法。
8. 請求項１に記載の人流予測方法であって、
   前記プロセッサが、前記エレベータの乗り場を撮影した画像に基づいて、前記画像に含まれる人物の数を算出する画像処理手順をさらに含み、
   前記シミュレーションデータ生成手順において、前記プロセッサは、前記画像処理手順において算出された人数の数に基づいて、前記エレベータを利用するために前記エレベータの各乗り場に現れる人物を仮想的に発生させることを特徴とする人流予測方法。
9. 請求項８に記載の人流予測方法であって、
   前記シミュレーションデータ生成手順において、前記プロセッサは、前記画像処理手順において算出された人数の数に、所定の方法で算出された数を加算した数の人物を、前記エレベータを利用するために前記エレベータの各乗り場に現れる人物として仮想的に発生させることを特徴とする人流予測方法。
10. エレベータに設置されたセンサの情報に基づいて、過去に前記エレベータに乗った人物の数を算出し、算出した前記人物の数を含む現地乗降データを生成する乗降人数算定部と、
    前記エレベータを利用するために前記エレベータの各乗り場に現れる人物を仮想的に発生させて、発生人数に基づいて前記エレベータの運行をシミュレートすることによって、少なくとも前記エレベータに乗った人物の数を含む仮想乗降データを生成するシミュレーションデータ生成部と、
    前記発生人数と前記仮想乗降データとに基づいて、ある時刻より前の前記仮想乗降データを当該時刻より後の前記発生人数に変換する第１の変換モデルを生成する第１の変換モデル生成部と、
    前記発生人数と前記仮想乗降データとに基づいて、ある時刻より後の前記仮想乗降データを当該時刻より前の前記発生人数に変換する第２の変換モデルを生成する第２の変換モデル生成部と、
    前記第２の変換モデルによって変換された前記発生人数に基づいて、ある時刻より前の前記発生人数から当該時刻より後の前記発生人数を予測する予測モデルを学習する予測モデル学習部と、
    前記第１の変換モデル及び前記予測モデルを用いて、ある時刻より前の前記現地乗降データから当該時刻より後の前記発生人数を予測する予測部と、を有することを特徴とする人流予測システム。
11. 請求項１０に記載の人流予測システムであって、
    前記第１の変換モデル生成部は、前記現地乗降データに前記第１の変換モデルを適用することによって、第１の発生人数を算出し、
    前記第２の変換モデル生成部は、前記現地乗降データに前記第２の変換モデルを適用することによって、第２の発生人数を算出し、
    前記予測モデル学習部は、ある時刻より前の前記第１の発生人数から、当該時刻より後の前記第２の発生人数を予測する予測モデルを学習することを特徴とする人流予測システム。

Images