JPH0729087A

JPH0729087A - 交通量予測装置

Info

Publication number: JPH0729087A
Application number: JP17345493A
Authority: JP
Inventors: Masafumi Iwata; 雅史岩田; Shiro Hikita; 志朗匹田; Kiyotoshi Komatani; 喜代俊駒谷
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 1993-07-13
Filing date: 1993-07-13
Publication date: 1995-01-31

Abstract

(57)【要約】【目的】交通量の傾向が変化しても、高精度で交通量
の予測が可能な交通量予測装置を得る。【構成】交通量の時系列の関係を示す差分方程式に基
づいて、前処理がなされたデータより未来の交通量を予
測する交通量予測部を備え、また、その交通量予測部を
ニューラルネットワークで形成するとともに、交通量デ
ータベースから引き出した教師データを交通量予測部の
出力のデータ形式に変換して教師信号を生成する教師デ
ータ変換部と、その教師信号と交通量予測部が交通量デ
ータベースから引き出した入力データより予測した予測
出力との比較に基づく評価値を、学習のためのデータと
して交通量予測部に送る予測交通量評価部を設けた。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、エレベータや道路交
通、鉄道などの交通手段の効率的な制御を実現する交通
手段制御装置に用いられて交通量の予測を行う交通量予
測装置に関するものである。

【０００２】

【従来の技術】図９は例えば昭和５７年８月１９〜２１
日に北海道で開催された、第８回システムシンポジュウ
ムの発表論文「交通パターン学習機能をもつエレベータ
群管理方式」（予稿集第２５５〜２３０頁）に示され
た、従来の交通量予測装置を示す説明図である。図にお
いて、１は各時刻における交通量データを蓄えた交通量
データベースであり、２はその交通量データを学習して
求めた各時刻毎の平均交通量を蓄えた平均交通量データ
ベースである。３はこの平均交通量データベース２を用
いて時刻ｔにおける予測交通量ｘ（ｔ）を求め、交通量
の予測を行う交通量予測部であり、４は当該交通量予測
部３における交通量の予測概念を図示したものである。

【０００３】次に動作について説明する。ここでは、図
９に示した交通量予測装置によるエレベータの交通量予
測を例にとって説明する。従来より１つのビルにおいて
複数台のエレベータが設置されている場合により効率の
よいサービスを行うため、複数台のエレベータを統括し
て制御するエレベータ群管理制御方式が採用されてい
る。このエレベータ群管理制御方式は、乗降客数などの
エレベータの交通量、ホールやかごにおける呼びの数な
どのエレベータシステムの状態を監視し、エレベータシ
ステム全体として最も効率がよくなるようにエレベータ
の配車を行うシステムである。このエレベータ群管理制
御では、現時点におけるシステムの状態のみならず、未
来の状態をも知ることができればより精度の高い群管理
制御が可能となる。そのため、図９に示した交通量予測
装置による交通量の予測が行われている。

【０００４】即ち、図９に示した交通量予測装置におい
て、交通量の予測は各時刻ｔにおける平均交通量を求め
ることによって行われていた。つまり、図１０（ａ）に
示すように、交通量実データの学習によって、あらかじ
め各時刻ｔにおける平均交通量を数日間の交通量データ
から求め、それを平均交通量データベース２に蓄えてお
く。予測時には、交通量予測部３にて予測したい時刻ｔ
に対応する平均交通量を平均交通量データベース２より
引き出すことによって、任意の未来の時刻における予測
交通量ｘ（ｔ）のデータを求めるものである。なお、こ
のような考え方は、図９に予測概念４として示されるよ
うに、時刻ｔと交通量ｘ（ｔ）の間の写像関係を求めて
いると解することができる。

【０００５】このように、上記交通量予測装置では交通
量の変化の連続性や時間相関についてはあまり重要視さ
れてはおらず、それゆえ、時刻そのものと交通量とを単
純に関連付けて、時刻から予測交通量へのマッピングを
行うことにより任意の時刻における予測交通量が求めら
れていた。従って、予測は時刻のみに依存することとな
り、図１０（ｂ）に示すように、交通量の傾向が時間的
にずれるなど、前日までとは異なった傾向を示す場合で
も、平均交通量データベース２に基づく交通量の予測結
果は前日と全く同じものが出力されるというものであっ
た。、

【０００６】また、この外にも、エレベータの交通需要
の特徴検出を交通流の特徴ベクトルの開始時刻の予測に
よって行うものなどが、例えば特開昭５９−２２８７０
号公報等に示されている。しかしながら、それらにおい
ても前述の場合と同様、特徴ベクトルとその変化時刻の
間の関係を求めるものであることに変わりはない。

【０００７】

【発明が解決しようとする課題】従来の交通量予測装置
は以上のように構成されているので、交通量の傾向が変
わった場合においても前日と同一の予測結果が出力さ
れ、そのため、乗降客数が増えたり、交通量の変化の傾
向に時間的なずれが生じた場合などには、精度の高い交
通量の予測を行うことができなくなるという問題点があ
った。

【０００８】この発明は上記のような問題点を解消する
ためになされたもので、交通量の傾向が前日までとは異
なるものとなっても、高い精度で交通量の予測を行うこ
とが可能な交通量予測装置を得ることを目的とする。

【０００９】

【課題を解決するための手段】請求項１に記載の発明に
係る交通量予測装置は、未来の交通量を、データ前処理
部によって離散化され、平滑、遅延等の前処理がなされ
たデータより、交通量の時系列の関係を示す差分方程式
に基づいて予測する交通量予測部を備えたものである。

【００１０】また、請求項２に記載の発明に係る交通量
予測装置は、ニューラルネットワークによって交通量予
測部を形成するとともに、交通量データベースから取り
出した教師データを交通量予測部の出力のデータ形式に
変換して教師信号を生成する教師データ変換部、および
その教師信号と交通量予測部が交通量データベースから
取り出した入力データに基づいて予測した予測出力とを
比較して、得られた評価値を学習のためのデータとして
交通量予測部に送出する予測交通量評価部を設けたもの
である。

【００１１】

【作用】請求項１に記載の発明における交通量予測部
は、交通量の変化に時間相関があるものと考え、交通量
の時系列の関係を示す差分方程式に基づいて、データ前
処理部にて離散化され、平滑、遅延等の前処理がなされ
たデータより未来の交通量を予測することにより、交通
量の傾向が前日までとは異なるものとなっても、高い精
度で交通量の予測を行うことが可能な交通量予測装置を
実現する。

【００１２】また、請求項２に記載の発明における予測
交通量評価部は、教師データ変換部が、交通量データベ
ースから取り出した教師データを交通量予測部の出力の
データ形式に変換して生成した教師信号と、交通量予測
部が交通量データベースから取り出した入力データに基
づいて予測した予測出力とを比較して、得られた評価値
を交通量予測部に送って当該交通量予測部のニューラル
ネットワークに学習させることにより、交通量予測部の
機能を過去の蓄積データから自動的に獲得することを可
能とする。

【００１３】

【実施例】

実施例１．以下、この発明の実施例１を図について説明
する。図１はエレベータの群管理制御に適用した場合の
この発明による交通量予測装置の一実施例を示すブロッ
ク図である。図において、５はこの発明による交通量予
測装置が適用されてビル内のエレベータ全体の運転を群
管理制御するエレベータ群管理装置である。６₁ 〜６_p
はこのエレベータ群管理装置５に接続されて単体のエレ
ベータを制御し、センサおよび操作盤の状態を検出する
とともに、操作盤の表示を行うエレベータ制御装置であ
り、７₁ 〜７_Q は同じくエレベータ群管理装置６に接続
されて、ホールからの呼びボタンの状態検知、エレベー
タの状態表示など、ホールに関する入出力を制御するホ
ール制御装置である。なお、これらは複数のコンピュー
タやセンサなどから構成されている。

【００１４】また、エレベータ群管理装置５内におい
て、８は制御パラメータに従って前記エレベータ制御装
置６₁ 〜６_p およびホール制御装置７₁ 〜７_Q の制御を
行うとともに、交通量実データを取り込む運転管理部で
ある。９は複数の制御パラメータにて構成された制御ル
ールがあらかじめチューニングされて格納されている制
御ルールテーブルであり、１０は予測交通量データに従
って、この制御ルールテーブル９に格納されている制御
ルールを検索し、運転管理部８の制御パラメータを変更
する制御パラメータ設定変更部である。１１は運転管理
部８から受けた交通量実データを離散化し、平滑、遅延
等の前処理を実行するデータ前処理部であり、１２はこ
のデータ前処理部１１にて前処理されたデータより予測
出力を求める交通量予測部、１３はこの交通量予測部１
２で求めた予測出力を予測交通量データに変換する予測
データ変換部である。１４は運転管理部８から得られる
データを蓄えている交通量データベースであり、１５は
この交通量データベース１４から取り出した教師データ
を交通量予測部１２の出力のデータ形式に変換して教師
信号を生成する教師データ変換部である。１６は交通量
予測部１２が交通量データベース１４から取り出した入
力データに基づいて予測した予測出力と教師データ変換
部１５からの教師信号とを比較し、得られた評価値を学
習のためのデータとして交通量予測部１２に送る予測交
通量評価部である。

【００１５】次に動作について説明する。まず、この実
施例１の具体的な動作の説明に先立って、この発明にお
ける交通量予測の基本概念について説明しておく。な
お、この発明では、交通量のデータが時間的にある程度
の相関があることに注目し、離散化された交通量ｘ
（ｎ）は、次の（１）式で与えられる差分方程式の関係
で示されるものと考える。

【００１６】

【数１】

【００１７】ここで、上記（１）式におけるｎはサンプ
リング時刻を示すインデックス、Ｎは交通利用の変化に
関する時間遅れの次数である。なお、サンプリング周期
をＴとした場合、時刻ｔは次の（２）式で与えられる。

【００１８】ｔ＝ｎＴ・・・・・（２）

【００１９】このような考えに基づけば、（１）式が得
られた場合、入力をｘ（ｎ），…，ｘ（ｎ−Ｎ）とすれ
ば出力としてｘ（ｎ＋１）が得られるので、交通量ｘ
（ｎ）の予測を行うことが可能となる。さらに、このよ
うな予測を行った場合、前日と交通量の変化の様子が変
わっても、（１）式の関係が成立する限りでは予測が可
能であり、それがこの発明における大きな利点となる。

【００２０】ここで、上記（１）式は差分方程式である
が、これは一種の非線形代数式である。しかしながら、
一般にこの（１）式を決定することは難しい。ところ
で、多層型ニューラルネットワークには、入出力のデー
タを与えてやれば、学習によって入出力間の非線形写像
を獲得する能力があることは広く知られている。今、こ
の（１）式において入力および出力は簡単に得られるの
で、（１）式を図２に示されれているようにニューラル
ネットワークで表現することは可能である。よって、ニ
ューラルネットワークを用いて（１）式を学習により獲
得し、それを予測装置とすれば、図３に示すように、時
刻とは無関係に、その日のそれまでの交通量の変化の傾
向を考慮した形で未来の交通量を予測することが可能と
なる。

【００２１】次に、図１に示した実施例の具体的な動作
について説明する。ここで、この交通量予測装置の働き
は、予測装置学習モードと交通量予測モードの２つに分
けて考えられる。予測装置学習モードは深夜などエレベ
ータがサービスを行っていない時に実行される。一方、
交通量予測モードはエレベータがサービスを行っている
時に定期的もしくは不定期的に実行される。

【００２２】以下では、まず交通量予測モードの手順に
ついて説明する。この交通量予測モードは予測装置学習
モードによって交通量予測装置の学習が充分に行われた
後に可能となる。交通量予測モードは図１において破線
で囲んだ運転管理部８から予測データ変換部１３までの
各部によって実行される。ここで、この交通量予測モー
ドにおけるデータの流れを図４に、また交通量予測モー
ドの処理手順のフローチャートを図５に示す。なお、以
下の説明は、図４を参照しつつ図５のフローチャートを
説明したものである。

【００２３】交通量データは乱数的な揺らぎが多いた
め、ローパスフィルタなどにより高周波成分を除いて考
える必要がある。そこで、まず運転管理部８からの交通
量実データをデータ前処理部１１に入力する（ステップ
ＳＴ１）。データ前処理部１１はその交通量実データを
離散化し、ローパスフィルタ等による平滑化、遅延等の
処理を行って、交通量予測部１２へ入力可能なデータ形
式に変換する（ステップＳＴ２）。なお、この変換済み
のデータｘ（ｎ）としては、例えば各階床で５分間に上
方行きエレベータに乗車した人数や降車した人数などが
考えられる。

【００２４】そして、時刻ｔ（ｔ＝ｎＴ）において、こ
のデータ前処理部１１からの変換済みデータｘ（ｎ），
…，ｘ（ｎ−Ｎ）が交通量予測部１２に入力され、予測
出力Ｇ（ｎ＋１）の演算が行われる（ステップＳＴ
３）。この交通量予測部１２にて算出された予測出力Ｇ
（ｎ＋１）は予測データ変換部１３に入力されて、予測
交通量データｘ（ｎ＋１）に変換される（ステップＳＴ
４）。ここで、このように交通量予測部１２からの予測
出力を予測データ変換部１３で予測交通量データに変換
するのは以下の理由による。即ち、交通量予測部１２が
出力層にニューロンの活性化関数がシグモイド関数であ
るようなニューラルネットワークによって構成されてい
る場合、その出力は（１，０）のダイナミックレンジを
持つ。そこで、ニューラルネットワークの（１，０）に
正規化された予測出力を、予測交通量データｘ（ｎ＋
１）に変換する必要がある。

【００２５】制御パラメータ設定変更部１０はこの予測
データ変換部１３の変換した予測交通量データに従っ
て、制御ルールテーブル９に格納されている制御ルール
の検索を行う（ステップＳＴ５）。ここで、この制御ル
ールは複数の制御パラメータから構成されており、あら
かじめ最適にチューニングされている。制御パラメータ
設定変更部１０は制御ルールテーブル９の検索結果に従
って、運転管理部８の制御パラメータを変更する（ステ
ップＳＴ６）。以上で交通量予測モードの処理を終了
し、エレベータの制御を再開する。

【００２６】次に予測装置学習モードの手順について説
明する。この予測装置学習モードは交通量予測モードに
先立って充分に行っておく必要があり、図１において一
点鎖線で囲んだデータ前処理部１１から予測交通量評価
部１６までの各部によって実行される。ここで、この予
測装置学習モードにおけるデータの流れを図６に、また
予測装置学習モードの処理手順のフローチャートを図７
に示す。なお、以下の説明は、図６を参照しつつ図７の
フローチャートを説明したものである。

【００２７】ここで、隔週に必要なデータについてまず
説明する。学習データは入力データとそれに対応する望
ましい出力である教師信号とからなる。この実施例にお
いては、学習データは、入力データｘ（ｎ−１），…，
ｘ（ｎ−Ｎ−１）と、それに対応する出力、つまり教師
信号Ｒ（ｎ）である。そこで、この学習データＵ_n は次
に示す（３）式の形で与えられる

【００２８】

【数２】

【００２９】まず、あらかじめ運転管理部８から得られ
る交通量データを蓄えている交通量データベース１４か
ら任意の交通量データを選択し、それを学習を行うため
のデータとして用いる（ステップＳＴ１１）。ここで、
交通量データベース１４は過去の交通量実データをモニ
タし、それを蓄積することによって得られる。なお、こ
の交通量データベース１４に蓄えられているデータは、
あらかじめデータ前処理部１１にて離散化、平滑化、遅
延等の前処理が行われたデータであっても、未処理のデ
ータであってもよく、データが未処理である場合には、
予測装置学習モード実行時にデータ前処理部１１におい
て前記前処理を行えばよい。以下の説明では、交通量デ
ータベース１４には処理済みの交通量データが蓄えられ
ているものとする。

【００３０】その後、交通量データベース１４より取り
出された処理済みの交通量データｘ（ｎ−１），…，ｘ
（ｎ−Ｎ−１）は、入力データとして交通量予測部１２
に入力され、交通量予測部１２はその入力データより予
測出力Ｇ（ｎ）を演算する（ステップＳＴ１２）。一
方、交通量データベース１４より取り出された交通量デ
ータｘ（ｎ）は教師データとして教師データ変換部１５
に入力され、交通量予測部１２より出力されるデータ形
式に変換されて、先の入力データに対する望ましい出力
データである教師信号Ｒ（ｎ）が生成される（ステップ
ＳＴ１３）。なお、このステップＳＴ１３における変換
は、図４のステップＳＴ４における変換の逆変換であ
る。

【００３１】前記交通量予測部１２からの予測出力Ｇ
（ｎ）と教師データ変換部１５からの教師信号Ｒ（ｎ）
は予測交通量評価部１６に入力されて比較・評価される
（ステップＳＴ１４）。次いで、この予測交通量評価部
１６による評価の結果に基づく交通量予測部１２の学習
が行われる（ステップＳＴ１５）。ここで、交通量予測
部１２として、例えば多層型ニューラルネットワークを
選択した場合には、ステップＳＴ１５による学習は、バ
ックプロパゲーションアルゴリズムを用いで行うことが
できる。この場合、予測交通量の評価値Ｅ（ｎ）は、次
の（４）式に示すような予測出力Ｇ（ｎ）と教師信号Ｒ
（ｎ）の誤差として与えられる。

【００３２】Ｆ（ｎ）＝Ｒ（ｎ）−Ｇ（ｎ）・・・・・（４）

【００３３】１つの入力データに対する学習が終わる
と、全ての入力データについての学習が完了したか否か
を判定し（ステップＳＴ１６）、完了していなければス
テップＳＴ１１に戻って交通量データベース１４から別
の入力データ、教師データを引き出し、前述と同様の学
習処理を繰り返す。また、交通量データベース１４上の
全データについての学習が完了すると、当該学習処理を
終了するか否かを判断する（ステップＳＴ１７）。これ
はステップＳＴ１４における評価があらかじめ定められ
た基準に達したか否かによって判断さるもので、評価が
基準に達するまでステップＳＴ１１からステップＳＴ１
６までの処理が繰り返される。充分な学習が行われた後
は、交通量予測部１２は（１）式の写像関係を表すよう
になる。

【００３４】次に、制御ルールおよび制御パラメータに
ついて、具体例を用いて簡単に説明しておく。前述した
ように、制御ルールは複数の制御パラメータからなり、
それらはあらかじめシミュレーションなどにより、個々
の交通量に対して最適な値にチューニングされている。
この制御パラメータには、出勤時間帯に用いるものを例
に取り上げれば、ロビー階への配車台数、戸開待機台
数、ロビー階へのパーマネントコールなどがある。以下
これらの制御パラメータについて説明する。

【００３５】ビル内交通において、出勤時間帯はロビー
のある階からその他の階への移動が著しく増加する。そ
のため、他の時間帯とは違った配車方法が必要となる。
上記３つの制御パラメータは、この出勤時間帯に特有の
配車をつかさどる制御パラメータである。通常の配車で
は、１つの階の呼びに対しては１台のエレベータを割り
当てているが、出勤時間帯においてはロビー階への配車
台数を複数台とすることにより、大量のロビー階での待
ち客に対するサービスを向上させる。また戸開待機台数
はロビー階で扉を開いたままで待機しているエレベータ
の台数である。これもロビー階への配車台数と同様の効
果がある。さらに、パーマネントコールはロビー階で呼
びボタンが押されていない場合にも、常にロビー階から
呼びが発生しているとみなすものである。以上の各制御
パラメータはロビー階に対するサービスを向上させる一
方で、他の階のサービスを低下させる恐れがある。その
ため、交通量予測部１２で交通量を予測し、その予測結
果に基づいて制御パラメータ設定変更部１０にて適時に
制御パラメータの切換を行うことで、ビル全体としての
サービスの向上をはかっている。

【００３６】実施例２．なお、上記実施例１ではこの発
明による交通量予測装置をエレベータの群管理制御に適
用した場合について説明したが、例えば、道路交通にお
ける交差点の信号制御などに適用することも可能であ
る。その場合、図８に示すように、各交差点１〜３の各
出入口を地点１〜１２と定義し、そのときの交通量とし
て各地点１〜１２への流入車両台数と流出車両台数を考
える。また、制御パラメータとしては信号機のサイクル
（青→黄→赤と一巡する時間）や、スプリット（青が点
滅している割合）、オフセット（一連の交差点１〜３間
における信号の変化のタイミングのずれ）などを考え
る。この場合、各地点１〜１２の流入車両台数と流出車
両台数とは計測可能であるため、それらの予測にこの発
明の交通量予測装置を適用することが可能である。ま
た、その予測結果に従って制御パラメータを変更するこ
とにより、より効率的な信号制御が可能となる。

【００３７】実施例３．また、この発明はさらに鉄道制
御にも適用可能である。この鉄道制御においては、交通
量としては各駅での入場者数と出場者数を考え、制御パ
ラメータとしては停車時間、および走行時間の調整を考
える。鉄道において、停車時間は通常ダイヤによって決
められているが、朝夕のラッシュ時においては列車群の
運行を円滑化するために、停車時間ならびに走行時間の
調整を行っている。今、入場者数と出場者数を計測すれ
ば、それらの予測にこの発明の交通量予測装置を適用す
ることが可能である。また、その予測結果に従って、制
御パラメータである停車時間や運行時間を変更すること
により、列車群の走行の円滑化に著しい効果を奏する。

【００３８】

【発明の効果】以上のように、請求項１に記載の発明に
よれば、交通量の変化に時間相関があるものと考え、前
処理されたデータより交通量の時系列の関係を示す差分
方程式を用いて未来の交通量を予測するように構成した
ので、交通量の傾向が変化した場合にも精度の高い交通
量の予測を行うことが可能となり、交通量予測装置のロ
バスト（robust）性を向上させることができる効果があ
る。

【００３９】また、請求項２に記載の発明によれば、交
通量予測部をニューラルネットワークで形成し、教師信
号と交通量予測部の予測出力との比較に基づく評価値で
そのニューラルネットワークを学習させるように構成し
たので、交通量予測部の機能を過去の蓄積データから自
動的に獲得することが可能となり、交通量予測装置の実
現が容易となる効果がある。

【図面の簡単な説明】

【図１】この発明の実施例１による交通量予測装置を示
すブロック図である。

【図２】この発明におけ交通量予測の概念を示す説明図
である。

【図３】上記交通量予測の特徴を示す特性図である。

【図４】上記実施例における交通量予測モードのデータ
の流れを示す説明図である。

【図５】上記交通量予測モードの処理手順を示すフロー
チャートである。

【図６】上記実施例における予測装置学習モードのデー
タの流れを示す説明図である。

【図７】上記予測装置学習モードの処理手順を示すフロ
ーチャートである。

【図８】この発明の実施例２が適用される道路交通をモ
デル的に示す説明図である。

【図９】従来の交通量予測装置を示す説明図である。

【図１０】従来の交通量予測の特徴を示す特性図であ
る。

【符号の説明】

１１データ前処理部１２交通量予測部１４交通量データベース１５教師データ変換部１６予測交通量評価部

Claims

【特許請求の範囲】

【請求項１】交通量実データを離散化し、平滑、遅延
等の前処理を実行するデータ前処理部と、前記データ前
処理部にて前処理されたデータより、交通量の時系列の
関係を示す差分方程式を用いて交通量の予測を行う交通
量予測部とを備えた交通量予測装置。
【請求項２】前記交通量予測部をニューラルネットワ
ークで形成し、前記交通量データを蓄えている交通量デ
ータベースと、前記交通量データベースから取り出した
教師データを前記交通量予測部の出力のデータ形式に変
換して教師信号を生成する教師データ変換部と、前記交
通量予測部が前記交通量データベースから取り出した入
力データに基づいて予測した予測出力と前記教師データ
変換部からの教師信号とを比較し、得られた評価値を学
習のためのデータとして前記交通量予測部に送る予測交
通量評価部とを設けたことを特徴とする請求項１に記載
の交通量予測装置。