特開2024-126570学習装置、判定装置、群管理制御装置、学習方法および判定方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024126570
(43)【公開日】2024-09-20
(54)【発明の名称】学習装置、判定装置、群管理制御装置、学習方法および判定方法
(51)【国際特許分類】
B66B 3/00 20060101AFI20240912BHJP
B66B 1/18 20060101ALI20240912BHJP
【ＦＩ】
B66B3/00 L
B66B1/18 Q
【審査請求】有
【請求項の数】34
【出願形態】ＯＬ
(21)【出願番号】P 2023035001
(22)【出願日】2023-03-07
(11)【特許番号】
(45)【特許公報発行日】2024-03-12
(71)【出願人】
【識別番号】000112705
【氏名又は名称】フジテック株式会社
(74)【代理人】
【識別番号】110000338
【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ
(72)【発明者】
【氏名】濱口 萌子
(72)【発明者】
【氏名】物部 愛
【テーマコード（参考）】
3F303
3F502
【Ｆターム（参考）】
3F303CB22
3F303CB25
3F303CB31
3F303CB48
3F502JA25
3F502JA73
3F502KA02
3F502KA10
3F502KA19
3F502KA37
3F502KA43
(57)【要約】
【課題】エレベータの利用者がかご内乗車人数について不満を抱き得る要因を考慮に入れて、かご内乗車人数の適否を判定する。
【解決手段】学習装置（１０）は、エレベータの乗りかご（２）内を撮影して得られた撮影画像から推定された乗りかご（２）内の混雑の度合を示す混雑情報と、撮影の時期を示す時期情報、並びに、エレベータが設置されている環境における撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む学習用データセット（１０１）に対して、乗りかご（２）の乗車人数が適正であることを示すラベル（１０２）が対応付けられた教師データ（１００）を取得する取得部（１１１）と、教師データ（１００）を用いて学習を行うことにより、撮影時点における乗りかご（２）の乗車人数の適否を判定するための判定モデル（３００）を生成する学習部（１１２）と、を備える。
【選択図】図１
【解決手段】学習装置（１０）は、エレベータの乗りかご（２）内を撮影して得られた撮影画像から推定された乗りかご（２）内の混雑の度合を示す混雑情報と、撮影の時期を示す時期情報、並びに、エレベータが設置されている環境における撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む学習用データセット（１０１）に対して、乗りかご（２）の乗車人数が適正であることを示すラベル（１０２）が対応付けられた教師データ（１００）を取得する取得部（１１１）と、教師データ（１００）を用いて学習を行うことにより、撮影時点における乗りかご（２）の乗車人数の適否を判定するための判定モデル（３００）を生成する学習部（１１２）と、を備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含むデータセットに対して、前記かごの乗車人数が適正であることを示す正解データが対応付けられた教師データを取得する取得部と、
前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習部と、を備える学習装置。
前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習部と、を備える学習装置。
【請求項2】
前記混雑の度合は、前記撮影画像において前記かごを除く被撮影物が映る総領域の、前記撮影画像の全体領域に対する割合である、請求項１に記載の学習装置。
【請求項3】
前記時期は、日時、時間帯、曜日、および季節、の少なくともいずれかを含む、請求項１に記載の学習装置。
【請求項4】
前記温度は、前記かご内の温度、前記エレベータの乗場の温度、および、前記エレベータの設置場所の屋外の温度、の少なくともいずれかを含む、請求項１に記載の学習装置。
【請求項5】
前記湿度は、前記かご内の湿度、前記エレベータの乗場の湿度、および、前記エレベータの設置場所の屋外の湿度、の少なくともいずれかを含む、請求項１に記載の学習装置。
【請求項6】
前記データセットは、前記撮影時の前記かご内の照明の度合を示す情報をさらに含む、請求項１に記載の学習装置。
【請求項7】
前記照明の度合は、前記撮影画像から推定されたものである、請求項６に記載の学習装置。
【請求項8】
前記データセットは、さらに、前記混雑を許容する時間の長さを含む、請求項１に記載の学習装置。
【請求項9】
前記データセットは、さらに、前記エレベータが設置されている建物で行われているイベントを示すイベント情報を含む、請求項１に記載の学習装置。
【請求項10】
前記データセットは、さらに、前記かごに乗車している台車の有無を示す台車情報を含む、請求項１に記載の学習装置。
【請求項11】
前記台車情報は、前記撮影画像を解析することにより得られる、請求項１０に記載の学習装置。
【請求項12】
１または複数の情報処理装置が実行する学習方法であって、
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含むデータセットに対して、前記かごの乗車人数が適正であることを示す正解データが対応付けられた教師データを取得する取得ステップと、
前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習ステップと、を含む学習方法。
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含むデータセットに対して、前記かごの乗車人数が適正であることを示す正解データが対応付けられた教師データを取得する取得ステップと、
前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習ステップと、を含む学習方法。
【請求項13】
請求項１に記載の学習装置としてコンピュータを機能させるための学習プログラムであって、前記取得部および前記学習部としてコンピュータを機能させるための学習プログラム。
【請求項14】
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む判定用データセットを取得する取得部と、
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備える判定装置。
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備える判定装置。
【請求項15】
エレベータのかごが出発階を出発する直前に前記かご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、当該撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における当該撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記かごが前記出発階から次の停止階へ移動する移動時間の長さと、を含む判定用データセットを取得する取得部と、
前記かご内を撮影して得られた撮影画像から推定された前記混雑情報と、当該撮影の時期を示す時期情報、および、前記環境における当該撮影時の環境情報との少なくとも一方と、前記混雑を許容する時間の長さと、を含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備える判定装置。
前記かご内を撮影して得られた撮影画像から推定された前記混雑情報と、当該撮影の時期を示す時期情報、および、前記環境における当該撮影時の環境情報との少なくとも一方と、前記混雑を許容する時間の長さと、を含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備える判定装置。
【請求項16】
前記出発階と前記停止階との間に前記かごが常時停止しない階床が存在する場合、前記判定用データセットに含まれる前記移動時間から、前記かごが前記階床を通過する時間を減じることにより、当該移動時間を補正する補正部をさらに備え、
前記判定部は、前記補正後の前記移動時間を含む前記判定用データセットを前記判定モデルに入力する、請求項１５に記載の判定装置。
前記判定部は、前記補正後の前記移動時間を含む前記判定用データセットを前記判定モデルに入力する、請求項１５に記載の判定装置。
【請求項17】
前記混雑の度合は、前記撮影画像において前記かごを除く被撮影物が映る総領域の、前記撮影画像の全体領域に対する割合である、請求項１４から１６のいずれか１項に記載の判定装置。
【請求項18】
前記時期は、日時、時間帯、曜日、および季節、の少なくともいずれかを含む、請求項１４から１６のいずれか１項に記載の判定装置。
【請求項19】
前記温度は、前記かご内の温度、前記エレベータの乗場の温度、および、前記エレベータの設置場所の屋外の温度、の少なくともいずれかを含む、請求項１４から１６のいずれか１項に記載の判定装置。
【請求項20】
前記湿度は、前記かご内の湿度、前記エレベータの乗場の湿度、および、前記エレベータの設置場所の屋外の湿度、の少なくともいずれかを含む、請求項１４から１６のいずれか１項に記載の判定装置。
【請求項21】
前記学習用データセットおよび前記判定用データセットは、前記撮影時の前記かご内の照明の度合を示す情報をさらに含む、請求項１４から１６のいずれか１項に記載の判定装置。
【請求項22】
前記照明の度合は、前記撮影画像から推定されたものである、請求項２１に記載の判定装置。
【請求項23】
前記学習用データセットおよび前記判定用データセットは、前記エレベータが設置されている建物で行われているイベントを示すイベント情報をさらに含む、請求項１４から１６のいずれか１項に記載の判定装置。
【請求項24】
前記学習用データセットおよび前記判定用データセットは、前記かごに乗車している台車の有無を示す台車情報をさらに含む、請求項１４から１６のいずれか１項に記載の判定装置。
【請求項25】
前記台車情報は、前記撮影画像を解析することにより得られる、請求項２４に記載の判定装置。
【請求項26】
前記取得部による前記取得および前記判定部による前記判定を、所定周期で行う、請求項１４に記載の判定装置。
【請求項27】
前記環境情報は、温度および湿度の少なくとも一方である温度湿度を含み、
前記取得部による前記取得および前記判定部による前記判定を、前記温度湿度の単位時間当たりの変動率が所定閾値を超えたときに行う、請求項１４に記載の判定装置。
前記取得部による前記取得および前記判定部による前記判定を、前記温度湿度の単位時間当たりの変動率が所定閾値を超えたときに行う、請求項１４に記載の判定装置。
【請求項28】
前記取得部による前記取得および前記判定部による前記判定を、前記かごが出発階を出発する直前に行う、請求項１４に記載の判定装置。
【請求項29】
利用者により登録された行先階を前記エレベータの複数台の号機のいずれかに割り当てる群管理制御装置であって、
前記かごの各々の乗車人数が、前記かごの仕様情報に基づいて予め設定された最大許容乗車人数を超えないように前記号機の各々の運行を制御し、
請求項１４から１６のいずれか１項に記載の判定装置により、所定数以上の前記かごの前記乗車人数が不適と判定された場合、前記最大許容乗車人数の設定値を減じる、群管理制御装置。
前記かごの各々の乗車人数が、前記かごの仕様情報に基づいて予め設定された最大許容乗車人数を超えないように前記号機の各々の運行を制御し、
請求項１４から１６のいずれか１項に記載の判定装置により、所定数以上の前記かごの前記乗車人数が不適と判定された場合、前記最大許容乗車人数の設定値を減じる、群管理制御装置。
【請求項30】
前記最大許容乗車人数の設定値が初期値より小さい場合において、現在時刻が所定時間帯に至った場合、前記最大許容乗車人数の設定値を、前記初期値以下の範囲で増加させる、請求項２９に記載の群管理制御装置。
【請求項31】
前記最大許容乗車人数の設定値が初期値より小さい場合において、前記環境情報が所定条件を満たした場合、前記最大許容乗車人数の設定値を、前記初期値以下の範囲で増加させる、請求項２９に記載の群管理制御装置。
【請求項32】
１または複数の情報処理装置が実行する判定方法であって、
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む判定用データセットを取得する取得ステップと、
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含む判定方法。
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む判定用データセットを取得する取得ステップと、
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含む判定方法。
【請求項33】
１または複数の情報処理装置が実行する判定方法であって、
エレベータのかごが出発階を出発する直前に前記かご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、当該撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における当該撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記かごが前記出発階から次の停止階へ移動する移動時間の長さと、を含む判定用データセットを取得する取得ステップと、
前記かご内を撮影して得られた撮影画像から推定された前記混雑情報と、当該撮影の時期を示す時期情報、および、前記環境における当該撮影時の環境情報との少なくとも一方と、前記混雑を許容する時間の長さと、を含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含む判定方法。
エレベータのかごが出発階を出発する直前に前記かご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、当該撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における当該撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記かごが前記出発階から次の停止階へ移動する移動時間の長さと、を含む判定用データセットを取得する取得ステップと、
前記かご内を撮影して得られた撮影画像から推定された前記混雑情報と、当該撮影の時期を示す時期情報、および、前記環境における当該撮影時の環境情報との少なくとも一方と、前記混雑を許容する時間の長さと、を含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含む判定方法。
【請求項34】
請求項１４に記載の判定装置としてコンピュータを機能させるための判定プログラムであって、前記取得部および前記判定部としてコンピュータを機能させるための判定プログラム。
【請求項35】
請求項１５に記載の判定装置としてコンピュータを機能させるための判定プログラムであって、前記取得部および前記判定部としてコンピュータを機能させるための判定プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、エレベータのかごの乗車人数の適否を判定する技術に関する。
【背景技術】
【0002】
従来、例えば特許文献１に示すように、エレベータを効率的に運行させるために、利用者にエレベータを割り当てて運行することが行われている。通常、エレベータの割り当ては、利用者による目的階の登録および乗りかごの仕様により設定されている定員に基づき行われる。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特許第４１８７７９２号
【発明の概要】
【発明が解決しようとする課題】
【0004】
上述の機能を備えるエレベータを利用する利用者は、自分に割り当てられたかごに乗車する必要があるところ、例えば利用者が少ない閑散時において、乗車人数が想定より多い状態のかごに乗車することになった場合、不満を抱く可能性がある。
【0005】
本発明の一態様は、エレベータの利用者がかご内乗車人数について不満を抱き得る要因を考慮に入れて、かご内乗車人数の適否を判定することを目的とする。
【課題を解決するための手段】
【0006】
上記の課題を解決するために、本発明の一態様に係る学習装置は、エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含むデータセットに対して、前記かごの乗車人数が適正であることを示す正解データが対応付けられた教師データを取得する取得部と、前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習部と、を備える。
【0007】
上記の課題を解決するために、本発明の一態様に係る学習方法は、１または複数の情報処理装置が実行する学習方法であって、エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含むデータセットに対して、前記かごの乗車人数が適正であることを示す正解データが対応付けられた教師データを取得する取得ステップと、前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習ステップと、を含む。
【0008】
エレベータのかごの利用者は様々な要因によりかご内乗車人数に不満を頂くことがある。しかしながら、従来は、利用者が不満を抱き得る要因を考慮に入れてかご内乗車人数を設定できておらず、例えばかご内乗車人数が想定より多い状態のかごに乗車することになった場合、利用者に不満が生じていた。上記構成によれば、混雑情報と、時期情報および環境情報の少なくともいずれかとを含むデータセットに対してかご内乗車人数が適正であることを示す正解データが対応付けられた教師データを学習させた判定モデルを生成する。したがって、判定モデルを用いれば、利用者がかご内乗車人数等について不満を抱き得る要因となる混雑情報、時期情報、および環境情報を考慮に入れて、かご内乗車人数の適否を判定することができる。
【0009】
上記の課題を解決するために、本発明の一態様に係る判定装置は、エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む判定用データセットを取得する取得部と、前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備える。
【0010】
上記の課題を解決するために、本発明の一態様に係る判定方法は、１または複数の情報処理装置が実行する判定方法であって、エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む判定用データセットを取得する取得ステップと、前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含む。
【0011】
上記構成によれば、利用者がかご内乗車人数について不満を抱き得る要因となる混雑情報、時期情報、および環境情報を考慮に入れて、かご内乗車人数の適否を判定することができる。
【0012】
上記の課題を解決するために、本発明の一態様に係る判定装置は、エレベータのかごが出発階を出発する直前に前記かご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、当該撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における当該撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記かごが前記出発階から次の停止階へ移動する移動時間の長さと、を含む判定用データセットを取得する取得部と、前記かご内を撮影して得られた撮影画像から推定された前記混雑情報と、当該撮影の時期を示す時期情報、および、前記環境における当該撮影時の環境情報との少なくとも一方と、前記混雑を許容する時間の長さと、を含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備える。
【0013】
上記の課題を解決するために、本発明の一態様に係る判定方法は、１または複数の情報処理装置が実行する判定方法であって、エレベータのかごが出発階を出発する直前に前記かご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、当該撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における当該撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記かごが前記出発階から次の停止階へ移動する移動時間の長さと、を含む判定用データセットを取得する取得ステップと、前記かご内を撮影して得られた撮影画像から推定された前記混雑情報と、当該撮影の時期を示す時期情報、および、前記環境における当該撮影時の環境情報との少なくとも一方と、前記混雑を許容する時間の長さと、を含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含む。
【0014】
利用者はかごが混雑していても、混雑しているかごの中にいる時間が短ければ不満を抱きにくく、混雑しているかごの中にいる時間が長い程、不満を抱きやすい。そのため、学習用データセットに混雑を許容する時間を含め、判定用データセットに移動時間の長さを含めることで、より正確に、かご内乗車人数の適否を判定することができる。
【0015】
本発明の各態様に係る学習装置は、コンピュータによって実現してもよく、この場合には、コンピュータを前記学習装置が備える各部（ソフトウェア要素）として動作させることにより前記学習装置をコンピュータにて実現させる学習装置の制御プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。
【0016】
本発明の各態様に係る判定装置は、コンピュータによって実現してもよく、この場合には、コンピュータを前記判定装置が備える各部（ソフトウェア要素）として動作させることにより前記判定装置をコンピュータにて実現させる判定装置の制御プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。
【発明の効果】
【0017】
本発明の一態様によれば、エレベータの利用者がかご内乗車人数について不満を抱き得る要因を考慮に入れて、かご内乗車人数の適否を判定することができる。
【図面の簡単な説明】
【0018】
【図1】本発明の実施形態１に係る学習装置の概略構成の一例を示すブロック図である。
【図2】教師データの例を示す図である。
【図3】ラベル付条件の例を示す図である。
【図4】教師データの具体例を示す図である。
【図5】学習装置が実行する判定モデル生成処理の流れの一例を示すフローチャートである。
【図6】本発明の実施形態１に係る判定装置を含むエレベータシステムの概略構成の一例を示すブロック図である。
【図7】判定用データセットの例を示す図である。
【図8】判定装置が実行する判定処理の流れの一例を示すフローチャートである。
【図9】人数設定装置および群管理制御装置の処理の流れの一例を示すフローチャートである。
【図10】本発明の実施形態２に係る教師データの一例を示す図である。
【図11】本発明の実施形態２に係る判定用データセットの一例を示す図である。
【図12】本発明の実施形態２の変形例に係る判定装置の一例を示すブロック図である。
【発明を実施するための形態】
【0019】
〔実施形態１〕
本実施形態に係るエレベータシステム１（図６参照）では、学習装置１０（図１参照）が機械学習を行うことにより生成される判定モデル３００を用いて、判定装置２０（図６参照）により乗りかご２（かご）内乗車人数の適否を判定する。そして、乗りかご２内乗車人数が不適正と判定された場合に、人数設定装置３０（図６参照）により乗りかご２内の最大許容乗車人数を再設定し、再設定した最大許容乗車人数に基づいて群管理制御装置４０（図６参照）が乗りかご２の運行制御を行う。これにより、エレベータシステム１では、乗りかご２に乗車する利用者が乗りかご２内乗車人数について不満を抱く機会を低減することができる。
本実施形態に係るエレベータシステム１（図６参照）では、学習装置１０（図１参照）が機械学習を行うことにより生成される判定モデル３００を用いて、判定装置２０（図６参照）により乗りかご２（かご）内乗車人数の適否を判定する。そして、乗りかご２内乗車人数が不適正と判定された場合に、人数設定装置３０（図６参照）により乗りかご２内の最大許容乗車人数を再設定し、再設定した最大許容乗車人数に基づいて群管理制御装置４０（図６参照）が乗りかご２の運行制御を行う。これにより、エレベータシステム１では、乗りかご２に乗車する利用者が乗りかご２内乗車人数について不満を抱く機会を低減することができる。
【0020】
なお、本実施形態では、乗りかご２の乗車人数を示す用語として、「仕様定員」、「最大許容乗車人数」、および「適正乗車人数」を使用する。「仕様定員」は、乗りかご２の積載荷重等の仕様に基づいて予め規定されている定員である。「最大許容乗車人数」は、利用者が不満を抱かないであろうと想定される最大の乗車人数であり、仕様定員以下の人数である。上述したとおり、群管理制御装置４０は最大許容乗車人数に基づいて乗りかご２の運行制御を行う。「適正乗車人数」は、最大許容乗車人数よりさらに少ない人数であって、利用者が不満を抱く可能性をより低減させるために、時期、天候、温度、および湿度の少なくともいずれかに基づいて最大許容乗車人数を下方修正した値である。
【0021】
（学習装置の構成）
まず、乗りかご２内乗車人数の適否を判定するための判定モデル３００を生成する学習装置１０について説明する。図１は、本実施形態に係る学習装置１０の概略構成の一例を示すブロック図である。学習装置１０は、教師データ１００を用いて機械学習することにより、判定モデル３００を生成する。なお、判定モデル３００は、乗りかご２毎に生成されてもよいし、複数の乗りかご２に共通するものとして生成されてもよい。
まず、乗りかご２内乗車人数の適否を判定するための判定モデル３００を生成する学習装置１０について説明する。図１は、本実施形態に係る学習装置１０の概略構成の一例を示すブロック図である。学習装置１０は、教師データ１００を用いて機械学習することにより、判定モデル３００を生成する。なお、判定モデル３００は、乗りかご２毎に生成されてもよいし、複数の乗りかご２に共通するものとして生成されてもよい。
【0022】
学習装置１０は、制御部１１および記憶部１２を備えている。制御部１１は、学習装置１０の各部を統括して制御するものであり、例えばＣＰＵ（Central Processing Unit）であってもよい。制御部１１は、学習装置１０が備える各機能の処理を実行するように制御する。
【0023】
制御部１１は、取得部１１１と、学習部１１２と、を備えている。取得部１１１は教師データ１００を取得する。取得部１１１は、例えば、学習装置１０の記憶部１２に記憶された教師データ１００を取得してもよいし、学習装置１０と通信可能な外部装置から教師データ１００を取得してもよい。
【0024】
学習部１１２は、教師データ１００を用いて学習を行うことにより、教師データ１００の撮影画像の撮影時点における乗りかご２の乗車人数の適否を判定するための判定モデル３００を生成する。判定モデル３００は、例えば、乗りかご２の乗車人数の適正度を示す確率を出力するものであってもよい。
【0025】
学習部１１２は、一例として、ニューラルネットワークやサポートベクターマシンなどの既知の教師あり機械学習手法を用いて、判定モデル３００を生成する。ニューラルネットワークは、例えば、複数のニューロンからなる入力層、複数のニューロンからなる隠れ層（中間層）、および複数のニューロンからなる出力層で構成され、これらを実現するプロセッサおよびメモリ等で構成されてもよい。また、学習部１１２は、既存の機械学習サービスを用いて、判定モデル３００を生成してもよい。学習部１１２は、生成した判定モデル３００を例えば記憶部１２へ格納してもよい。
【0026】
記憶部１２は、制御部１１によって読み出される各種コンピュータプログラム、制御部１１が実行する各種処理において利用されるデータ等が格納されている記憶装置である。
【0027】
（教師データ）
教師データ１００について、図１から図３に基づき説明する。図２は教師データ１００の例を示す図である。図３は、ラベル付条件の例を示す図である。図２に示すように、教師データ１００は、例えば、学習用データセット１０１（データセット）に対して乗りかご２の乗車人数が適正であることを示すラベル１０２（正解データ）が対応づけられたデータである。また、教師データ１００として、学習用データセット１０１に対して乗りかご２の乗車人数が不適正であることを示すラベル１０２（不正解データ）が対応づけられたデータを採用してもよい。
教師データ１００について、図１から図３に基づき説明する。図２は教師データ１００の例を示す図である。図３は、ラベル付条件の例を示す図である。図２に示すように、教師データ１００は、例えば、学習用データセット１０１（データセット）に対して乗りかご２の乗車人数が適正であることを示すラベル１０２（正解データ）が対応づけられたデータである。また、教師データ１００として、学習用データセット１０１に対して乗りかご２の乗車人数が不適正であることを示すラベル１０２（不正解データ）が対応づけられたデータを採用してもよい。
【0028】
本実施形態では、生成済みの教師データ１００を学習装置１０が取得する構成としたが、学習装置１０が教師データ１００を生成してもよい。
【0029】
（学習用データセット）
図１および図２に示すように、学習用データセット１０１は、時期情報と、環境情報と、混雑情報と、を含む。学習用データセット１０１は、環境情報および時期情報の少なくともどちらか一方を含んでいればよく、環境情報および時期情報の両方を含んでいてもよい。
図１および図２に示すように、学習用データセット１０１は、時期情報と、環境情報と、混雑情報と、を含む。学習用データセット１０１は、環境情報および時期情報の少なくともどちらか一方を含んでいればよく、環境情報および時期情報の両方を含んでいてもよい。
【0030】
時期情報は、撮影画像の撮影の時期を示す。当該時期は、日時、時間帯、曜日、および季節、の少なくともいずれかを含む。時期情報は、例えば、カメラ３（図６参照）により撮影画像が撮影された時点におけるシステム時刻に基づいて算出されてもよい。
【0031】
環境情報は、エレベータが設置されている環境における、撮影画像の撮影時の天候、温度、湿度の少なくともいずれかを示す。撮影画像の撮影時の温度は、乗りかご２内の温度、エレベータの乗場の温度、および、エレベータの設置場所の屋外の温度、の少なくともいずれかを含む。また、撮影画像の撮影時の湿度は、乗りかご２内の湿度、エレベータの乗場の湿度、および、エレベータの設置場所の屋外の湿度、の少なくともいずれかを含む。環境情報のうちの天候は、例えば、図示しない気象情報提供サーバから取得されてもよい。環境情報のうちの温度および湿度は、例えば、乗りかご２内、エレベータの乗場、エレベータの設置場所の屋外に設けられた温度検知装置および湿度検知装置から取得されてもよい。
【0032】
混雑情報は、エレベータの乗りかご２内を撮影して得られた撮影画像（かご内画像）から推定された乗りかご２内の混雑の度合を示す情報である。混雑の度合は、例えば、乗りかご２に設置されたカメラ３により乗りかご２の内部を撮影して得られた撮影画像を画像解析することにより算出される。混雑の度合は、例えば、カメラ３の撮影画像において乗りかご２を除く被撮影物が映る総領域の、撮影画像の全体領域に対する割合により算出されてもよい。これにより、乗りかご２内の撮影画像から混雑の度合を簡便に算出することができる。
【0033】
時期情報、環境情報、および混雑情報を学習用データセット１０１に含めることで、エレベータの利用者が乗りかご２内乗車人数について不満を抱き得る要因を考慮に入れた教師データ１００を生成することができる。
【0034】
また、学習用データセット１０１は、撮影画像の撮影時の乗りかご２内の照明の度合を示す情報をさらに含んでいてもよい。照明の度合は、例えば撮影画像の明度や彩度から推定されてもよい。乗りかご２の照明の度合により、利用者が不満を抱く乗りかご２内乗車人数が変化することが考えられる。そこで、学習用データセット１０１に照明の度合を示す情報を含むことで、判定モデル３００の判定精度を向上させ得る教師データ１００を生成することができる。
【0035】
（教師データの変形例）
図２に示す教師データ１００Ａは、学習用データセット１０１の変形例である学習用データセット１０１Ａにラベル１０２が対応づけられたデータである。また、図２に示す教師データ１００Ｂは、学習用データセット１０１の変形例である学習用データセット１０１Ｂにラベル１０２が対応づけられたデータである。
図２に示す教師データ１００Ａは、学習用データセット１０１の変形例である学習用データセット１０１Ａにラベル１０２が対応づけられたデータである。また、図２に示す教師データ１００Ｂは、学習用データセット１０１の変形例である学習用データセット１０１Ｂにラベル１０２が対応づけられたデータである。
【0036】
学習用データセット１０１Ａは、学習用データセット１０１に加えて、さらに、エレベータが設置されている建物で行われているイベントを示すイベント情報を含んでいてもよい。エレベータが設置されている建物で行われているイベントとは、例えば、当該建物の休館日等である。学習用データセット１０１Ａにイベント情報を含むことで、判定モデル３００の判定精度を向上させ得る教師データ１００Ａを生成することができる。
【0037】
学習用データセット１０１Ｂは、学習用データセット１０１に加えて、さらに、乗りかご２に乗車している台車の有無を示す台車情報を含んでいてもよい。台車情報は、撮影画像を解析することにより得られてもよい。台車は占有面積が広いが、台車の荷台の上部には空間が確保される場合が多い。そのため、混雑の度合の算出において、台車の有無を考慮することが好ましい。例えば、台車情報が「台車有り」を示す場合、撮影画像から推定された混雑の度合を、所定割合だけ、もしくは、台車の台数や大きさに応じて低減するように修正してもよい。
【0038】
（ラベル付）
学習用データセット１０１へのラベル１０２の対応付け（以降、単に「ラベル付」と記載する場合がある）は、学習用データセット１０１に含まれる混雑情報と、学習用データセット１０１に含まれる時刻情報および環境情報の少なくともいずれかから特定される適正乗車人数とを対比して判断される。ラベル付は、人手により行われてもよく、自動で行われてもよい。
学習用データセット１０１へのラベル１０２の対応付け（以降、単に「ラベル付」と記載する場合がある）は、学習用データセット１０１に含まれる混雑情報と、学習用データセット１０１に含まれる時刻情報および環境情報の少なくともいずれかから特定される適正乗車人数とを対比して判断される。ラベル付は、人手により行われてもよく、自動で行われてもよい。
【0039】
例えば混雑情報と適正乗車人数とを対比した結果、利用者が不満を抱かないと判断される場合（例えば、混雑情報から算出される乗りかご２内乗車人数が適正乗車人数に至らない場合）、学習用データセット１０１には適正であることを示すラベル１０２がラベル付される。また、混雑情報と適正乗車人数とを対比した結果、利用者が不満を抱くおそれがあると判断される場合（例えば、混雑情報から算出される乗りかご２内乗車人数が適正乗車人数を超える場合）、学習用データセット１０１には不適正であることを示すラベル１０２がラベル付される。
【0040】
図３および図４に基づき、ラベル付の一例について説明する。ラベル付にあたり、まず、機械学習を行う期間における最大許容乗車人数の初期値を定める。最大許容乗車人数の初期値は、例えば、乗りかご２に関する仕様に基づいて定められることが望ましい。当該仕様は、例えば、仕様定員、積載荷重、走行速度、防犯窓の有無、手すりの有無、車椅子仕様か否か、ペット仕様か否か、エアコンの仕様、かご床サイズ、天井高さ、内装デザイン、内装色、などが含まれる。これらに基づいて、最大許容乗車人数の初期値は、仕様定員以下の人数に定められる。例えば仕様定員が１５人と規定されている乗りかご２について、最大許容乗車人数の初期値は、一例として１５人から３人を減じて１２人と定められる。
【0041】
次に、図３に示す条件により、適正乗車人数を定める。例えば、図３に示す条件１では、学習用データセット１０１の時期情報に含まれる曜日が土日祝である場合、最大許容乗車人数の初期値（図３では１２人）から４人を減じた人数（１２人－４人＝８人）が適正乗車人数として定められる。なお、本実施形態では、乗りかご２の適正乗車人数は、上述のように最大許容乗車人数の初期値から減じて設定されるものとして説明するが、乗りかご２の仕様定員から減じて設定されてもよい。以下の乗りかご２の適正乗車人数の算出の例においても同様である。
【0042】
また、図３に示す条件２では、学習用データセット１０１の時期情報に含まれる時刻が早朝または夜間である場合、最大許容乗車人数の初期値（図３では１２人）から４人を減じた人数（１２人－４人＝８人）が適正乗車人数として定められる。
【0043】
また、図３に示す条件３では、（１）学習用データセット１０１の時期情報に含まれる季節が夏または冬であり、（２）学習用データセット１０１の時期情報に含まれる時刻が出社時または退社時以外であり、（３）学習用データセット１０１の時期情報に含まれる天候が雨天である場合、最大許容乗車人数の初期値（図３では１２人）から３人を減じた人数（１２人－１人－１人－１人＝９人）が適正乗車人数として定められる。
【0044】
さらに、条件３では、上記（１）から（３）の条件に加え、以下の（４）または（５）に示す条件が満たされる場合、さらに３人を減じた人数（９人－３人＝６人）が適正乗車人数として定められる。（４）学習用データセット１０１の時期情報に含まれる季節が夏である場合において、学習用データセット１０１の環境情報について、かご内の温度＞屋外の温度、または、かご内の温度＞３０℃、または、（かご内の温度－１０℃）＞乗場の温度、または、かご内の湿度＞８０％、または、不快指数＞８０。（５）学習用データセット１０１の時期情報に含まれる季節が冬である場合において、学習用データセット１０１の環境情報について、かご内の温度＜屋外の温度、または、かご内の温度＜１０℃、または、かご内の温度＜（乗場の温度－１０℃）、または、かご内の湿度≦４０％、または、不快指数＜５５。なお、不快指数は、公知方法により算出すればよい。
【0045】
また、交通の健康学的影響に関する研究によれば、通勤に鉄道を利用する場合においてストレス値（アミラーゼ活性）が低くあまり変化しない混雑度は１８０％以下であることが知られている。そのため、適正乗車人数は、混雑度合いが例えば１８０％以下となるように定められてもよい。具体的には、例えば、混雑度合いが１００％となる場合の１人当たりの面積を０．３ｍ２とすると、混雑度合いが１８０％となる１人当たりの面積が約０．１７ｍ２（≒０．３÷１．８）となるため、１人当たりの面積が０．１７ｍ２以上となるように適正乗車人数を定めてもよい。
【0046】
さらに、適正乗車人数は、利用者の占有面積に基づき定められてもよい。例えば、通常時の利用者一人あたりの占有面積と、非通常時の利用者一人あたりの占有面積との比率を算出し、その比率に基づき適正乗車人数が定められてもよい。
【0047】
例えば、季節の観点で通常時が春夏秋であり非通常時が冬であるものと仮定する。利用者は、通常時である春夏秋は防寒着を着用しない状態で乗りかご２に乗車することが多く、非通常時である冬は防寒着を着用した状態で乗りかご２に乗車することが多い。後者の場合、防寒着の厚み分だけ（例えば前後左右に２．５ｃｍ程度）、利用者が占有する面積が大きくなる。この場合、防寒着着用時の一人あたりの占有面積に対する防寒着非着用時の一人あたりの占有面積の比率は、大よそ０．７９となる。そこで、学習用データセット１０１の環境情報に含まれる季節が冬である場合の適正乗車人数は、最大許容乗車人数の初期値から例えば２１（＝１００－７９）％を減じた人数と定められてもよい。この場合、最大許容乗車人数の初期値が９人であれば適正乗車人数は８人となる。
【0048】
また、天候の観点で通常時が雨天以外であり非通常時が雨天であるものと仮定する。利用者は、通常時である雨天以外では傘を所持しない状態で乗りかご２に乗車することが多く、非通常時である雨天時は傘を所持した状態で乗りかご２に乗車することが多い。後者の場合、他者が所持する傘に触れたくないため利用者間で距離（例えば傘を中心として半径１０ｃｍ程度）を取ることが通常である。この場合、傘所持時の一人あたりの占有面積に対する傘非所持時の一人あたりの占有面積の比率は、大よそ０．８３となる。そこで、学習用データセット１０１の環境情報に含まれる天候が雨である場合の適正乗車人数は、最大許容乗車人数の初期値から例えば１７（１００－８３）％を減じた人数と定められてもよい。この場合、最大許容乗車人数の初期値が９人であれば適正乗車人数は８人となる。
【0049】
また、時間帯の観点で通常時がランチタイム以外であり非通常時がランチタイムであるものと仮定する。利用者は、通常時であるランチタイム以外では飲食用容器（コーヒーカップ、カップ麺など）を所持しない状態で乗りかご２に乗車することが多く、非通常時であるランチタイム時は飲食用容器を所持した状態で乗りかご２に乗車することが多い。飲食用容器を所持している場合、利用者同士が衝突しないようにお互いの距離（例えば利用者の前方１０ｃｍ程度）を確保することが通常である。この場合、飲食用容器所持時の利用者一人あたりの占有面積に対する飲食用容器非所持時の一人あたりの占有面積の比率は、大よそ０．７５である。そこで、学習用データセット１０１の時期情報に含まれる時刻または時間帯がランチタイムである場合の適正乗車人数は、最大許容乗車人数の初期値から例えば２５（１００－７５）％を減じた人数と定められてもよい。この場合、最大許容乗車人数の初期値が９人であれば適正乗車人数は７人となる。
【0050】
なお、適正乗車人数を定める条件は、上述した例に限られるものではない。また当該条件は、適宜単独で用いられてもよいし、組合せて用いられてもよい。
【0051】
図４は、ラベル付された教師データ１００の具体例である教師データ１００Ｄ１から教師データ１００Ｄ４を示す図である。なお、図４に示すかご内画像は、かご２の天井側からかご２の床へ向けて撮影して得られた撮影画像であり、人物および荷物の上部が映っている様子が示されている。
【0052】
まず、教師データ１００Ｄ１について説明する。学習用データセット１０１Ｄ１の時刻情報および環境情報に基づいて定まる適正乗車人数は１０人であるものと仮定する。一方、学習用データセット１０１Ｄ１の混雑情報から、かご内乗車人数が１０人程度の混雑の度合であることが分かる。適正乗車人数と混雑情報とを対比した結果、かご内乗車人数は適正であることから、教師データ１００Ｄ１には、乗車人数が適正であることを示すラベル１０２Ｄ１（正解データ）が付されている（図では「ＯＫ」と記載している）。
【0053】
次に、教師データ１００Ｄ２について説明する。学習用データセット１０１Ｄ２の時刻情報および環境情報に基づいて定まる適正乗車人数は、学習用データセット１０１Ｄ１の適正乗車人数と同じく１０人であるものと仮定する。一方、学習用データセット１０１Ｄ２の混雑情報から、かご内乗車人数が１１人程度の混雑の度合であることが分かる。適正乗車人数と混雑情報とを対比した結果、かご内乗車人数は不適正であることから、教師データ１００Ｄ２には、乗車人数が不適正であることを示すラベル１０２Ｄ２（不正解データ）が付されている（図では「ＮＧ」と記載している）。
【0054】
次に、まず、教師データ１００Ｄ３および教師データ１００Ｄ４について説明する。学習用データセット１０１Ｄ３および学習用データセット１０１Ｄ４の時刻情報および環境情報に基づいて定まる適正乗車人数は１０人から１人減じた９人であるものと仮定する。学習用データセット１０１Ｄ３および学習用データセット１０１Ｄ４は、学習用データセット１０１Ｄ１および学習用データセット１０１Ｄ２の翌日の同時間帯のデータであるが、天候が晴ではなく雨である。上述したとおり図３の条件３によれば、雨の場合は適正乗車人数を定めるにあたり１人減じるからである。
【0055】
学習用データセット１０１Ｄ３の混雑情報から、かご内乗車人数が９人程度の混雑の度合であることが分かる。適正乗車人数と混雑情報とを対比した結果、かご内乗車人数は適正であることから、教師データ１００Ｄ３には、乗車人数が適正であることを示すラベル１０２Ｄ３（正解データ）が付されている（図では「ＯＫ」と記載している）。
【0056】
一方、学習用データセット１０１Ｄ４の混雑情報から、かご内乗車人数が１０人程度の混雑の度合であることが分かる。適正乗車人数と混雑情報とを対比した結果、かご内乗車人数は不適正であることから、教師データ１００Ｄ４には、乗車人数が不適正であることを示すラベル１０２Ｄ４（不正解データ）が付されている（図では「ＮＧ」と記載している）。
【0057】
（判定モデルの生成処理）
図５は学習装置１０が実行する判定モデル生成処理の流れの一例を示すフローチャートである。
図５は学習装置１０が実行する判定モデル生成処理の流れの一例を示すフローチャートである。
【0058】
取得部１１１は、混雑情報と、時期情報および環境情報の少なくとも一方と、を含む学習用データセット１０１に対してラベル１０２が対応付けられた教師データ１００を取得する（ステップＳ１、取得ステップ）。
【0059】
次に学習部１１２は、教師データ１００を用いて学習を行うことにより、撮影時点における乗りかご２の乗車人数の適否を判定するための判定モデル３００を生成する（ステップＳ２、学習ステップ）。学習部１１２は、生成した判定モデル３００を記憶部１２へ格納する（ステップＳ３）。
【0060】
なお、学習装置１０の各機能は、複数の情報処理装置で構成されるシステムにより実現することも可能であり、また、学習装置１０を構成する各機能は適宜変更することができる。したがって、図５に示した各ステップの実行主体は上述の例に限られない。つまり、図５に示した各ステップは、１つの情報処理装置に実行させることもできるし、複数の情報処理装置に各ステップの処理を分担させることにより実行することもできる。
【0061】
乗りかご２の利用者は様々な要因により乗りかご２内乗車人数に不満を頂くことがある。しかしながら、従来は、利用者が乗りかご２内乗車人数について不満を抱き得る要因を考慮に入れて乗りかご２内乗車人数の適否を判定できておらず、利用者に不満が生じていた。それに対して、学習装置１０では、混雑情報と、時期情報および環境情報の少なくとも一方とを含む学習用データセット１０１に対してラベル１０２が対応付けられた教師データ１００を学習させた判定モデル３００を生成する。したがって、判定モデル３００を用いれば、利用者が乗りかご２内乗車人数について不満を抱き得る要因となる混雑情報、時期情報、および環境情報を考慮に入れて、乗りかご２内乗車人数の適否を判定することができる。
【0062】
（エレベータシステム）
図６は、本実施形態に係る判定装置２０を含むエレベータシステム１の概略構成の一例を示すブロック図である。図６に示すように、エレベータシステム１は、判定装置２０と、人数設定装置３０と、群管理制御装置４０と、を備えている。
図６は、本実施形態に係る判定装置２０を含むエレベータシステム１の概略構成の一例を示すブロック図である。図６に示すように、エレベータシステム１は、判定装置２０と、人数設定装置３０と、群管理制御装置４０と、を備えている。
【0063】
【0064】
判定用データセット４００は、教師データ１００を用いて学習された判定モデル３００を用いて判定装置２０が判定を行う際に判定モデル３００に入力するデータセットである。そのため、判定用データセット４００は、学習用データセット１０１と同種類のデータを含んでいる。図６および図７に示すように、判定用データセット４００は、時期情報と、環境情報と、混雑情報と、を含む。判定用データセット４００は、環境情報および時期情報の少なくともどちらか一方を含んでいればよく、環境情報および時期情報の両方を含んでいてもよい。
【0065】
時期情報は、撮影画像の撮影の時期を示す。当該時期は、日時、時間帯、曜日、および季節、の少なくともいずれかを含む。時期情報は、例えば、カメラ３により撮影画像が撮影された時点におけるシステム時刻に基づいて算出されてもよい。
【0066】
環境情報は、エレベータが設置されている環境における、撮影画像の撮影時の天候、温度、湿度の少なくともいずれかを示す。撮影画像の撮影時の温度は、乗りかご２内の温度、エレベータの乗場の温度、および、エレベータの設置場所の屋外の温度、の少なくともいずれかを含む。また、撮影画像の撮影時の湿度は、乗りかご２内の湿度、エレベータの乗場の湿度、および、エレベータの設置場所の屋外の湿度、の少なくともいずれかを含む。環境情報のうちの天候は、例えば、図示しない気象情報提供サーバから取得されてもよい。環境情報のうちの温度および湿度は、例えば、乗りかご２内、エレベータの乗場、エレベータの設置場所の屋外に設けられた温度検知装置および湿度検知装置から取得されてもよい。
【0067】
混雑情報は、エレベータの乗りかご２内を撮影して得られた撮影画像（かご内画像）から推定された乗りかご２内の混雑の度合を示す。混雑の度合は、例えば、図６に示すように、乗りかご２に配置されたカメラ３により乗りかご２の内部を撮影して得られた撮影画像を画像解析することにより算出される。混雑の度合は、例えば、カメラ３の撮影画像において乗りかご２を除く被撮影物が映る総領域の、撮影画像の全体領域に対する割合により算出してもよい。これにより、乗りかご２内の撮影画像から混雑の度合を簡便に算出することができる。
【0068】
時期情報、環境情報、および混雑情報を判定用データセット４００に含めることで、エレベータの利用者が乗りかご２内乗車人数について不満を抱き得る要因を考慮に入れて乗りかご２の乗車人数の適否を判定することができる。
【0069】
なお、学習用データセット１０１に、撮影画像の撮影時の乗りかご２内の照明の度合を示す情報が含まれている場合、判定用データセット４００は照明の度合を示す情報を含んでいてもよい。照明の度合は、例えば撮影画像の明度や彩度から推定されてもよい。判定モデル３００の判定精度を向上させることができる。
【0070】
（判定用データセットの変形例）
図７に示す、判定用データセット４００Ａおよび判定用データセット４００Ｂは、判定用データセット４００の変形例である。
図７に示す、判定用データセット４００Ａおよび判定用データセット４００Ｂは、判定用データセット４００の変形例である。
【0071】
判定用データセット４００Ａは、教師データ１００Ａを用いて学習された判定モデル３００を用いて判定装置２０が判定を行う際に判定モデル３００に入力するデータセットである。そのために、判定用データセット４００Ａは、学習用データセット１０１Ａと同種類のデータを含んでいる。判定用データセット４００Ａは、判定用データセット４００に加えて、さらに、エレベータが設置されている建物で行われているイベントを示すイベント情報を含んでいてもよい。
【0072】
判定用データセット４００Ｂは、教師データ１００Ｂを用いて学習された判定モデル３００を用いて判定装置２０が判定を行う際に判定モデル３００に入力するデータセットである。そのために、判定用データセット４００Ｂは、学習用データセット１０１Ｂと同種類のデータを含んでいる。判定用データセット４００Ｂは、判定用データセット４００に加えて、さらに、乗りかご２に乗車している台車の有無を示す台車情報を含んでいてもよい。台車情報は、撮影画像を解析することにより得られてもよい。
【0073】
（判定装置の構成）
判定装置２０は、判定モデル３００と判定用データセット４００とにより乗りかご２の乗車人数の適否を判定する。図６に示すように、判定装置２０は、制御部２１と、記憶部２２と、を備えている。
判定装置２０は、判定モデル３００と判定用データセット４００とにより乗りかご２の乗車人数の適否を判定する。図６に示すように、判定装置２０は、制御部２１と、記憶部２２と、を備えている。
【0074】
制御部２１は、判定装置２０の各部を統括して制御するものであり、例えばＣＰＵであってもよい。制御部２１は、判定装置２０が備える各機能の処理を実行するように制御する。制御部２１の詳細については後述する。
【0075】
記憶部２２は、制御部２１によって読み出される各種コンピュータプログラム、制御部２１が実行する各種処理において利用されるデータ等が格納されている記憶装置である。また、記憶部２２は、一例として判定モデル３００を記憶している。判定モデル３００の所在は記憶部２２に限定されるものではなく、判定装置２０以外の装置に記憶されていてもよい。
【0076】
（制御部の詳細）
制御部２１は、取得部２１１と、判定部２１３と、を備えている。取得部２１１は、判定用データセット４００を取得する。取得部２１１は、例えば、予め判定装置２０の記憶部２２に記憶された判定用データセット４００を取得してもよいし、判定装置２０と通信可能な外部装置から判定用データセット４００を取得してもよい。
制御部２１は、取得部２１１と、判定部２１３と、を備えている。取得部２１１は、判定用データセット４００を取得する。取得部２１１は、例えば、予め判定装置２０の記憶部２２に記憶された判定用データセット４００を取得してもよいし、判定装置２０と通信可能な外部装置から判定用データセット４００を取得してもよい。
【0077】
判定部２１３は、学習装置１０が生成した判定モデル３００（つまり、学習用データセット１０１とラベル１０２との関係を学習することにより生成された判定モデル３００）に判定用データセット４００を入力することにより、乗りかご２の乗車人数の適否を判定する。
【0078】
判定部２１３は、適正であることを示す判定結果（以下では単に「ＯＫ結果」と記載する）、または、不適正であることを示す判定結果（以下では単に「ＮＧ結果」と記載する）を、人数設定装置３０に出力する。判定モデル３００が適正度を示す確率を出力するものである場合、判定部２１３は、判定モデル３００が出力する確率が所定値以上であればＯＫ結果を人数設定装置３０に出力し、一方、判定モデル３００が出力する確率が所定値未満であればＮＧ結果を人数設定装置３０に出力してもよい。また、判定部２１３は、判定モデル３００が出力する確率を人数設定装置３０に出力してもよい。
【0079】
制御部２１は、取得部２１１による取得および判定部２１３による判定を、所定周期で行ってもよい。これにより、乗りかご２内乗車人数の適否を所定周期（例えば、１分毎）で判定できる。
【0080】
また、制御部２１は、取得部２１１による取得および判定部２１３による判定を、温度および湿度の少なくとも一方である温度湿度の単位時間当たりの変動率が所定閾値を超えたときに行ってもよい。温度湿度の単位時間当たりの変動率がある一定の閾値を超えた場合、利用者が不満を抱きやすい乗車人数が変化すると考えられる。そのため、温度湿度の単位時間当たりの変動率が所定閾値を超えたときに判定を行うことで、効率よく処理を行うことができる。
【0081】
また、制御部２１は、取得部２１１による取得および判定部２１３による判定を、乗りかご２が出発階を出発する直前に行ってもよい。乗りかご２が戸閉して戸開するまでの間は、乗りかご２内の環境の変化は少ないと考えられる。また、乗りかご２が戸閉して戸開するまでの間、複数回ＮＧの情報が出力されても、乗りかご２の乗車人数を変更することができない。そのため、上記のタイミングで判定を行うことで、効率よく処理を行うことができる。
【0082】
（判定装置の判定処理の流れ）
図８は判定装置２０が実行する判定処理の流れの一例を示すフローチャートである。まず、取得部２１１は、混雑情報と、時期情報および環境情報の少なくとも一方と、を含む判定用データセット４００を取得する（ステップＳ１１、取得ステップ）。
図８は判定装置２０が実行する判定処理の流れの一例を示すフローチャートである。まず、取得部２１１は、混雑情報と、時期情報および環境情報の少なくとも一方と、を含む判定用データセット４００を取得する（ステップＳ１１、取得ステップ）。
【0083】
次に、判定モデル３００に判定用データセット４００を入力することにより、乗りかご２の乗車人数の適否を判定する（ステップＳ１２、判定ステップ）。
【0084】
その後、判定部２１３は、判定モデル３００から得られた判定結果を人数設定装置３０に出力する（ステップＳ１３）。
【0085】
なお、判定装置２０の各機能は、複数の情報処理装置で構成されるシステムにより実現することも可能であり、また、判定装置２０を構成する各機能は適宜変更することができる。したがって、図８に示した各ステップの実行主体は上述の例に限られない。つまり、図８に示した各ステップは、１つの情報処理装置に実行させることもできるし、複数の情報処理装置に各ステップの処理を分担させることにより実行することもできる。
【0086】
上記処理により、利用者が乗りかご２内乗車人数について不満を抱き得る要因となる混雑情報、時期情報、および環境情報を考慮に入れて、乗りかご２内乗車人数の適否を判定することができる。
【0087】
（人数設定装置）
人数設定装置３０は、判定部２１３の判定結果に応じて、乗りかご２の最大許容乗車人数を設定する。図６に示すように、人数設定装置３０は、制御部３１と、記憶部３２とを備えている。
人数設定装置３０は、判定部２１３の判定結果に応じて、乗りかご２の最大許容乗車人数を設定する。図６に示すように、人数設定装置３０は、制御部３１と、記憶部３２とを備えている。
【0088】
制御部３１は、人数設定装置３０の各部を統括して制御するものであり、例えばＣＰＵであってもよい。制御部３１は、人数設定装置３０が備える各機能の処理を実行するように制御する。制御部３１の詳細については後述する。
【0089】
記憶部３２は、制御部３１によって読み出される各種コンピュータプログラム、制御部３１が実行する各種処理において利用されるデータ等が格納されている記憶装置である。
【0090】
（制御部の詳細）
制御部３１は、取得部３１１と、人数設定部３１２と、を備えている。取得部３１１は、判定装置２０の判定結果を取得する。
制御部３１は、取得部３１１と、人数設定部３１２と、を備えている。取得部３１１は、判定装置２０の判定結果を取得する。
【0091】
人数設定部３１２は、判定装置２０の判定結果に応じて、乗りかご２の最大許容乗車人数を設定する。具体的には、例えば、人数設定部３１２は、連続して所定数以上の乗りかご２内乗車人数が不適と判定された場合、すなわち、取得部３１１が、判定装置２０からＮＧ結果を連続して所定回数以上取得した場合、乗りかご２の最大許容乗車人数を減じる。所定回数は任意に設定される。判定装置２０からＮＧ結果を所定回数以上取得した場合の最大許容乗車人数の設定方法については後述する。
【0092】
人数設定部３１２は、取得部３１１が判定装置２０からＮＧ結果を取得した回数が所定回数未満であった場合、乗りかご２の最大許容乗車人数を現状のまま維持する。
【0093】
人数設定部３１２は、乗りかご２内乗車人数が適切であると判定された場合、すなわち、取得部３１１が判定装置２０からＯＫ結果を取得した場合、現在時刻が所定時間帯に至ったか否か、または、環境条件が所定の条件を満たしたか否かを判定する。環境条件の所定の条件は、例えば、乗りかご２内の温度が所定の基準温度よりも高くなった、または、乗りかご２内の湿度が所定の基準湿度よりも低くなった、等である。
【0094】
人数設定部３１２は、取得部３１１が判定装置２０からＯＫ結果を取得し、かつ、（１）現在時刻が所定の条件を満たしている、または、（２）環境条件が所定の条件を満たしていると判定すると、最大許容乗車人数を初期値以下の範囲で増加させる。一度に増加させる人数は任意に定めてもよい。上記（１）は例えば現在時刻が通勤時間帯に含まれることである。上記（２）は例えば温度や湿度が規定値に達したことである。人数設定部３１２は、設定した最大許容乗車人数を群管理制御装置４０に送信する。
【0095】
一方、人数設定部３１２は、取得部３１１が判定装置２０からＯＫ結果を取得し、かつ、現在時刻が所定の条件を満たしていない場合、および、環境条件の所定の条件を満たしていない場合、乗りかご２の最大許容乗車人数を現状のまま維持する。人数設定部３１２は、設定した最大許容乗車人数を群管理制御装置４０に送信する。
【0096】
（最大許容乗車人数の設定例）
上述したように、人数設定部３１２は、取得部３１１が、判定装置２０からＮＧ結果を所定回数以上取得した場合、乗りかご２の最大許容乗車人数を減じる。最大許容乗車人数の設定例について以下に説明する。
上述したように、人数設定部３１２は、取得部３１１が、判定装置２０からＮＧ結果を所定回数以上取得した場合、乗りかご２の最大許容乗車人数を減じる。最大許容乗車人数の設定例について以下に説明する。
【0097】
（設定例１）
人数設定部３１２は、取得部３１１が判定装置２０からＮＧ結果を所定回数以上取得した場合、予め設定された人数を現状の乗りかご２の最大許容乗車人数（判定装置２０の判定時の最大許容乗車人数）から減じて、乗りかご２の新たな最大許容乗車人数として設定してもよい。
人数設定部３１２は、取得部３１１が判定装置２０からＮＧ結果を所定回数以上取得した場合、予め設定された人数を現状の乗りかご２の最大許容乗車人数（判定装置２０の判定時の最大許容乗車人数）から減じて、乗りかご２の新たな最大許容乗車人数として設定してもよい。
【0098】
最大許容乗車人数から減じる人数は、仕様定員に応じて決定されていてもよい。例えば、仕様定員が６人である乗りかご２において、取得部３１１が、判定装置２０からＮＧ結果を連続して所定回数以上取得すると、人数設定部３１２は、現状の最大許容乗車人数から１人を減じた人数を新たな最大許容乗車人数として設定してもよい。
【0099】
同様に、人数設定部３１２は、仕様定員が１１人、１３人、１５人または１７人である乗りかご２では１人、仕様定員が２０人である乗りかご２では２人、仕様定員が２４人である乗りかご２では５人、仕様定員が３０人である乗りかご２では７人を、現状の最大許容乗車人数から減じた人数を新たな最大許容乗車人数として設定してもよい。
【0100】
なお、判定装置２０の判定時の天候が雨の場合は、最大許容乗車人数から減ずる人数を変更してもよい。その場合、例えば、仕様定員が９人である乗りかご２において、取得部３１１が、判定装置２０からＮＧ結果を連続して所定回数以上取得すると、人数設定部３１２は、現状の最大許容乗車人数から２人を減じて新たな最大許容乗車人数としてもよい。
【0101】
同様に、人数設定部３１２は、仕様定員が１１人である乗りかご２では２人、仕様定員が１３人または１５人である乗りかご２では３人、仕様定員が１７人である乗りかご２では５人、仕様定員が２０人である乗りかご２では４人、仕様定員が２４人である乗りかご２では６人、仕様定員が３０人である乗りかご２では９人を、現状の最大許容乗車人数から減じて、新たな最大許容乗車人数としてもよい。
【0102】
なお、人数設定部３１２は、仕様定員から予め設定された人数を減じた人数を、新たな最大許容乗車人数と設定してもよい。また、人数設定部３１２は、新たな最大許容乗車人数を設定する場合、最大許容乗車人数を最少でも５人程度確保することが望ましい。
【0103】
（設定例２）
人数設定部３１２は、取得部３１１が判定装置２０からＮＧ結果を連続して所定回数以上取得した場合、利用者の占有面積に基づき、新たな最大許容乗車人数を設定してもよい。例えば、人数設定部３１２は、通常時の一人あたりの占有面積と、非通常時の一人あたりの占有面積との比率を算出し、その比率に基づき新たな最大許容乗車人数を設定してもよい。
人数設定部３１２は、取得部３１１が判定装置２０からＮＧ結果を連続して所定回数以上取得した場合、利用者の占有面積に基づき、新たな最大許容乗車人数を設定してもよい。例えば、人数設定部３１２は、通常時の一人あたりの占有面積と、非通常時の一人あたりの占有面積との比率を算出し、その比率に基づき新たな最大許容乗車人数を設定してもよい。
【0104】
例えば、季節の観点で通常時が春夏秋であり非通常時が冬であるものと仮定する。上述したとおり、防寒着着用時の一人あたりの占有面積に対する防寒着非着用時の一人あたりの占有面積の比率は、大よそ０．７９となることが知られている。そこで、判定用データセット４００の環境情報に含まれる季節が冬である場合は、人数設定部３１２は、現状の最大許容乗車人数の７９％を新たな最大許容乗車人数として設定してもよい。
【0105】
また、天候の観点で通常時が雨天以外であり非通常時が雨天であるものと仮定する。上述したとおり、傘所持時の一人あたりの占有面積に対する傘非所持時の一人あたりの占有面積の比率は、大よそ０．８３となることが知られている。そこで、判定用データセット４００の環境情報に含まれる天候が雨の場合は、人数設定部３１２は、現状の最大許容乗車人数の８３％を新たな最大許容乗車人数として設定してもよい。
【0106】
また、時間帯の観点で通常時がランチタイム以外であり非通常時がランチタイムであるものと仮定する。上述したとおり、飲食用容器所持時の利用者一人あたりの占有面積に対する飲食用容器非所持時の一人あたりの占有面積の比率は、大よそ０．７５である。そこで、判定用データセット４００の時期情報に含まれる時刻または時間帯がランチタイムの場合は、人数設定部３１２は、現状の最大許容乗車人数の７５％を新たな最大許容乗車人数として設定してもよい。
【0107】
なお、人数設定部３１２は、非通常時の一人あたりの占有面積との比率を、仕様定員に乗じて算出される人数を新たな最大許容乗車人数として設定してもよい。
【0108】
（最大許容乗車人数設定の変形例）
判定装置２０の判定部２１３が適正度を示す確率を出力する場合、人数設定部３１２は当該確率に従って、または、当該確率に所定演算を施して得られる演算値に従って、新たな最大許容乗車人数を設定してもよい。例えば、７０％の確率で適正であることを示す判定結果が出力された場合、人数設定部３１２は、現状の最大許容乗車人数の７０％を新たな最大許容乗車人数として設定してもよい。
判定装置２０の判定部２１３が適正度を示す確率を出力する場合、人数設定部３１２は当該確率に従って、または、当該確率に所定演算を施して得られる演算値に従って、新たな最大許容乗車人数を設定してもよい。例えば、７０％の確率で適正であることを示す判定結果が出力された場合、人数設定部３１２は、現状の最大許容乗車人数の７０％を新たな最大許容乗車人数として設定してもよい。
【0109】
（群管理制御装置）
群管理制御装置４０は、エレベータの複数台の号機の運行を統合的に制御する装置である。群管理制御装置４０は、利用者により登録された行先階をエレベータの複数台の号機のいずれかに割り当て、乗りかご２の各々の乗車人数が、乗りかご２の仕様情報に基づいて予め設定された最大許容乗車人数を超えないようにエレベータの複数台の号機の各々の運行を制御する。
群管理制御装置４０は、エレベータの複数台の号機の運行を統合的に制御する装置である。群管理制御装置４０は、利用者により登録された行先階をエレベータの複数台の号機のいずれかに割り当て、乗りかご２の各々の乗車人数が、乗りかご２の仕様情報に基づいて予め設定された最大許容乗車人数を超えないようにエレベータの複数台の号機の各々の運行を制御する。
【0110】
群管理制御装置４０は、制御部４１と、記憶部４２と、を備えている。制御部４１は、群管理制御装置４０の各部を統括して制御するものであり、例えばＣＰＵであってもよい。制御部４１は、群管理制御装置４０が備える各機能の処理を実行するように制御する。
【0111】
制御部４１は、判定装置２０により、所定数以上の乗りかご２の乗車人数が不適と判定された場合（つまり、ＮＧ結果が出力された場合）、最大許容乗車人数の設定値を減じてもよい。当該所定数は１以上の整数である。
【0112】
また、制御部４１は、最大許容乗車人数の設定値が初期値より小さい場合において、現在時刻が所定時間帯に至った場合、現状の最大許容乗車人数の設定値を、初期値以下の範囲で増加させてもよい。さらに、制御部４１は、現状の最大許容乗車人数の設定値が初期値より小さい場合において、環境情報が所定条件を満たした場合、最大許容乗車人数の設定値を、初期値以下の範囲で増加させてもよい。
【0113】
具体的には、制御部４１は、乗りかご２の現状の最大許容乗車人数の設定値を、人数設定装置３０が設定した新たな最大許容乗車人数に変更する。これにより、判定装置２０の判定結果に基づき、乗りかご２の乗車人数が適正となるように、乗りかご２の運行を制御することができる。
【0114】
記憶部４２は、制御部４１によって読み出される各種コンピュータプログラム、制御部４１が実行する各種処理において利用されるデータ等が格納されている記憶装置である。
【0115】
（人数設定装置および群管理制御装置の処理の流れ）
図９は、人数設定装置３０および群管理制御装置４０の処理の流れの一例を示すフローチャートである。
図９は、人数設定装置３０および群管理制御装置４０の処理の流れの一例を示すフローチャートである。
【0116】
人数設定装置３０の人数設定部３１２は、判定装置２０からＯＫ結果が出力されたか否かを判定する（ステップＳ２１）。判定装置２０からＮＧ結果が出力された場合（ステップＳ２１でＮＯ）、人数設定部３１２は、判定装置２０から連続して所定回数以上のＮＧ結果が出力されたか否かを判定する（ステップＳ２６）。
【0117】
判定装置２０から連続して所定回数以上のＮＧ結果が出力された場合（ステップＳ２６でＹＥＳ）、人数設定部３１２は現状の最大許容乗車人数を減じ（ステップＳ２７）、新たに設定した乗りかご２の最大許容乗車人数を群管理制御装置４０に送信する（ステップＳ２４）。
【0118】
群管理制御装置４０は、最大許容乗車人数の設定値を人数設定装置３０から送信された新たな最大許容乗車人数に変更し、乗りかご２の運行制御を行う（ステップＳ２５）。
【0119】
判定装置２０からＯＫ結果が出力された場合（ステップＳ２１でＹＥＳ）、人数設定部３１２は、所定の条件を満たしたか否かを判定する（ステップＳ２２）。所定の条件を満たしている場合（ステップＳ２２でＹＥＳ）、人数設定部３１２は、乗りかご２の最大許容乗車人数を最大許容乗車人数の初期値以下の範囲で増加させ（ステップＳ２３）、ステップＳ２４の処理を行う。
【0120】
所定の条件を満たしていない場合（ステップＳ２２でＮＯ）、ステップＳ２１の処理に戻る。また、判定装置２０から連続してＮＧ結果が出力された回数が所定回数未満の場合（ステップＳ２６でＮＯ）も、ステップＳ２１の処理に戻る。
【0121】
群管理制御装置４０は、人数設定装置３０から送信された新たな最大許容乗車人数により、群管理制御装置４０が管理する全ての乗りかご２についての最大許容乗車人数の設定値を変更してもよく、対応する乗りかご２のみの最大許容乗車人数の設定値を変更してもよい。
【0122】
〔実施形態２〕
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、実施形態１にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、実施形態１にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
【0123】
実施形態１と実施形態２とは、教師データ１００Ｃの学習用データセット１０１Ｃに混雑を許容する時間の長さの情報が含まれている点と、判定用データセット４００Ｃに移動時間の長さが含まれている点が異なり、その他の構成は同じである。これにより、利用者が不満を抱く原因となる移動時間を考慮して、乗車人数の適否を判定することができる。
【0124】
（教師データ）
図１０は本実施形態に係る教師データ１００Ｃの一例を示す図である。図１０に示すように、教師データ１００Ｃは、学習用データセット１０１Ｃにラベル１０２が対応付けられている。学習用データセット１０１Ｃは、学習用データセット１０１に加えて、混雑を許容する時間の長さを含む。
図１０は本実施形態に係る教師データ１００Ｃの一例を示す図である。図１０に示すように、教師データ１００Ｃは、学習用データセット１０１Ｃにラベル１０２が対応付けられている。学習用データセット１０１Ｃは、学習用データセット１０１に加えて、混雑を許容する時間の長さを含む。
【0125】
混雑を許容する時間の長さは、乗りかご２の撮影画像に基づき任意に設定してもよいし、予め定められた固定値が設定されてもよい。
【0126】
学習用データセット１０１Ｃに対して、乗りかご２の乗車人数が適正であることを示すラベル１０２（正解データ）が対応付けられて教師データＣが生成される。学習用データセット１０１Ｃのラベル１０２の対応付けは、実施形態１での学習用データセット１０１のラベル１０２の対応付けに加えて、「混雑を許容する時間の長さ」を考慮して行われる。
【0127】
実施形態１において正解データがラベル付された学習用データセット１０１は、当該学習用データセット１０１にどのような「混雑を許容する時間」が付加されて学習用データセット１０１Ｃとなっても、正解データがラベル付された教師データ１００Ｃとなる。
【0128】
一方、実施形態１において不正解データがラベル付された学習用データセット１０１は、当該学習用データセット１０１に付加される「混雑を許容する時間」によりラベル付が異なり得る。乗りかご２の乗車人数が最大許容乗車人数よりも多くても、移動時間が「混雑を許容する時間」内であれば、利用者は不満を抱かないと考えられるからである。
【0129】
例えば、実施形態１において不正解データがラベル付された学習用データセット１０１に「混雑を許容する時間」が付加された学習用データセット１０１Ｃであっても、当該学習用データセット１０１の時刻から乗りかご２が次の停止階に停止するまでの時間が、「混雑を許容する時間」以内であれば、正解データがラベル付された教師データ１００Ｃとなる。
【0130】
一方、実施形態１において不正解データがラベル付された学習用データセット１０１に「混雑を許容する時間」が付加された学習用データセット１０１Ｃであっても、当該学習用データセット１０１の時刻から乗りかご２の次の停止階に停止するまでの時間が、「混雑を許容する時間」よりも長ければ、不正解データがラベル付された教師データ１００Ｃとなる。
【0131】
利用者は乗りかご２が混雑していても、混雑している乗りかご２の中にいる時間が短ければ不満を抱きにくく、混雑している乗りかご２の中にいる時間が長い程、不満を抱きやすいと考えらえる。そのため、学習用データセット１０１Ｃに混雑を許容する時間を含めることで、より適切に、エレベータの利用者が乗りかご２内乗車人数について不満を抱き得る要因を考慮に入れた教師データ１００Ｃを生成することができる。
【0132】
（学習装置）
学習装置１０の学習部１１２は、学習用データセット１０１Ｃに対して、乗りかご２の乗車人数が適正であることを示すラベル１０２（正解データ）が対応付けられた教師データ１００Ｃを用いて学習を行うことにより、撮影時点における乗りかご２の乗車人数の適否を判定するための判定モデル３００を生成する。また、教師データ１００Ｃとして、学習用データセット１０１Ｃに対して乗りかご２の乗車人数が不適正であることを示すラベル１０２（不正解データ）が対応づけられたデータを採用してもよい。
学習装置１０の学習部１１２は、学習用データセット１０１Ｃに対して、乗りかご２の乗車人数が適正であることを示すラベル１０２（正解データ）が対応付けられた教師データ１００Ｃを用いて学習を行うことにより、撮影時点における乗りかご２の乗車人数の適否を判定するための判定モデル３００を生成する。また、教師データ１００Ｃとして、学習用データセット１０１Ｃに対して乗りかご２の乗車人数が不適正であることを示すラベル１０２（不正解データ）が対応づけられたデータを採用してもよい。
【0133】
（判定用データセット）
図１１は本実施形態に係る判定用データセット４００Ｃの一例を示す図である。図１１に示すように、判定用データセット４００Ｃは、混雑情報と、時期情報および環境情報の少なくとも一方と、乗りかご２が出発階から次の停止階へ移動する移動時間の長さと、を含む。
図１１は本実施形態に係る判定用データセット４００Ｃの一例を示す図である。図１１に示すように、判定用データセット４００Ｃは、混雑情報と、時期情報および環境情報の少なくとも一方と、乗りかご２が出発階から次の停止階へ移動する移動時間の長さと、を含む。
【0134】
本実施形態における判定装置２０では、出発階から次の停止階への移動時間の長さを考慮に入れた乗りかご２の乗車人数の適否について判定を行うため、判定用データセット４００Ｃにおける混雑情報は、エレベータの乗りかご２が出発階を出発する直前に乗りかご２内を撮影して得られた撮影画像から推定された乗りかご２内の混雑の度合を示す情報であることが望ましい。
【0135】
（判定装置）
取得部２１１は、判定用データセット４００Ｃを取得する。判定部２１３は、学習用データセット１０１Ｃと、ラベル１０２との関係を学習することにより生成された判定モデル３００に判定用データセット４００Ｃを入力することにより、乗りかご２の乗車人数の適否を判定する。
取得部２１１は、判定用データセット４００Ｃを取得する。判定部２１３は、学習用データセット１０１Ｃと、ラベル１０２との関係を学習することにより生成された判定モデル３００に判定用データセット４００Ｃを入力することにより、乗りかご２の乗車人数の適否を判定する。
【0136】
（判定装置の判定処理の流れ）
本実施形態における判定装置２０の判定処理の流れについて図８に基づき説明する。まず、取得部２１１は、混雑情報と、時期情報および環境情報の少なくとも一方と、乗りかご２が出発階から次の停止階へ移動する移動時間の長さと、を含む判定用データセット４００Ｃを取得する（ステップＳ１１、取得ステップ）。
本実施形態における判定装置２０の判定処理の流れについて図８に基づき説明する。まず、取得部２１１は、混雑情報と、時期情報および環境情報の少なくとも一方と、乗りかご２が出発階から次の停止階へ移動する移動時間の長さと、を含む判定用データセット４００Ｃを取得する（ステップＳ１１、取得ステップ）。
【0137】
次に、混雑情報と、時期情報および環境情報の少なくとも一方と、混雑を許容する時間の長さと、を含む学習用データセット１０１Ｃと、ラベル１０２との関係を学習することにより生成された判定モデル３００に、判定用データセット４００Ｃを入力することにより、乗りかご２の乗車人数の適否を判定する（ステップＳ１２、判定ステップ）。
【0138】
その後、判定部２１３は、判定モデル３００から得られた判定結果を人数設定装置３０に出力する（ステップＳ１３）。
【0139】
【0140】
いわゆるシャトルエレベータは、予め定められた１または複数の階床には乗りかご２が常時停止せずに通過するよう運行される。例えば、高層ビルにおいて、ロビー階と中階層または上層階との間を、低階層に停止することなく行き来するエレベータがこれに該当する。このようなエレベータでは、常時停止しない階床を通過する時間を考慮したうえで、乗車人数の適否を判定することが好ましいことを本願発明者らは見出した。
【0141】
具体的には、出発階と停止階との間に乗りかご２が常時停止しない階床が存在する場合、補正部２１２が、判定用データセット４００Ｃに含まれる移動時間から、乗りかご２が階床を通過する時間を減じることにより、当該移動時間を補正することが好ましい。
【0142】
その場合、判定部２１３は、補正部２１２で補正した補正後の移動時間を含む判定用データセット４００Ｃを判定モデル３００に入力し、乗りかご２の乗車人数の適否を判定してもよい。
【0143】
利用者は、混雑している乗りかご２の中にいる時間が長い程不満を抱きやすいが、乗りかご２の出発階から停止階までの運行において、常時停止しない階床を通過している間は、利用者は「通過する時間は仕方がない」という心理が働く傾向にある。そのため、常時停止しない階床を通過している時間分は、利用者の混雑を許容する時間に含まなくてもよいと考えらえる。したがって、補正部２１２で判定用データセット４００Ｃに含まれる移動時間から、乗りかご２が階床を通過する時間を減じた補正後の移動時間を含む判定用データセット４００Ｃで判定装置２０が判定を行うことで、より正確に、乗りかご２内乗車人数の適否を判定することができる。
【0144】
〔ソフトウェアによる実現例〕
学習装置（１０）および判定装置（２０）（以下、「装置」と呼ぶ）の機能は、当該装置としてコンピュータを機能させるためのプログラムであって、当該装置の各制御ブロック（特に制御部（１１）および制御部（２１）に含まれる各部）としてコンピュータを機能させるためのプログラムにより実現することができる。
学習装置（１０）および判定装置（２０）（以下、「装置」と呼ぶ）の機能は、当該装置としてコンピュータを機能させるためのプログラムであって、当該装置の各制御ブロック（特に制御部（１１）および制御部（２１）に含まれる各部）としてコンピュータを機能させるためのプログラムにより実現することができる。
【0145】
この場合、上記装置は、上記プログラムを実行するためのハードウェアとして、少なくとも１つの制御装置（例えばプロセッサ）と少なくとも１つの記憶装置（例えばメモリ）を有するコンピュータを備えている。この制御装置と記憶装置により上記プログラムを実行することにより、上記各実施形態で説明した各機能が実現される。
【0146】
上記プログラムは、一時的ではなく、コンピュータ読み取り可能な、１または複数の記録媒体に記録されていてもよい。この記録媒体は、上記装置が備えていてもよいし、備えていなくてもよい。後者の場合、上記プログラムは、有線または無線の任意の伝送媒体を介して上記装置に供給されてもよい。
【0147】
また、上記各制御ブロックの機能の一部または全部は、論理回路により実現することも可能である。例えば、上記各制御ブロックとして機能する論理回路が形成された集積回路も本発明の範疇に含まれる。この他にも、例えば量子コンピュータにより上記各制御ブロックの機能を実現することも可能である。
【0148】
また、上記各実施形態で説明した各処理は、ＡＩ（Artificial Intelligence：人工知能）に実行させてもよい。この場合、ＡＩは上記制御装置で動作するものであってもよいし、他の装置（例えばエッジコンピュータまたはクラウドサーバ等）で動作するものであってもよい。
【0149】
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
【符号の説明】
【0150】
２ 乗りかご（かご）
１０ 学習装置
２０ 判定装置
４０ 群管理制御装置
１００、１００Ａ、１００Ｂ、１００Ｃ、１００Ｄ１～１００Ｄ４ 教師データ
１０１、１０１Ａ、１０１Ｂ、１０１Ｃ、１０１Ｄ１～１０１Ｄ４ 学習用データセット
１０２、１０２Ｄ１～１０２Ｄ４ ラベル
１１１、２１１、３１１ 取得部
１１２ 学習部
２１２ 補正部
２１３ 判定部
３００ 判定モデル
４００、４００Ａ、４００Ｂ、４００Ｃ 判定用データセット
１０ 学習装置
２０ 判定装置
４０ 群管理制御装置
１００、１００Ａ、１００Ｂ、１００Ｃ、１００Ｄ１～１００Ｄ４ 教師データ
１０１、１０１Ａ、１０１Ｂ、１０１Ｃ、１０１Ｄ１～１０１Ｄ４ 学習用データセット
１０２、１０２Ｄ１～１０２Ｄ４ ラベル
１１１、２１１、３１１ 取得部
１１２ 学習部
２１２ 補正部
２１３ 判定部
３００ 判定モデル
４００、４００Ａ、４００Ｂ、４００Ｃ 判定用データセット
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【手続補正書】
【提出日】2023-12-13
【手続補正1】
【補正対象書類名】特許請求の範囲
【補正対象項目名】全文
【補正方法】変更
【補正の内容】
【特許請求の範囲】
【請求項1】
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記混雑を許容する時間の長さとを含むデータセットに対して、前記かごの乗車人数が適正であることを示す正解データが対応付けられた教師データを取得する取得部と、
前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習部と、を備える学習装置。
前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習部と、を備える学習装置。
【請求項2】
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記エレベータが設置されている建物で行われているイベントを示すイベント情報とを含むデータセットに対して、前記かごの乗車人数が適正であることを示す正解データが対応付けられた教師データを取得する取得部と、
前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習部と、を備える学習装置。
前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習部と、を備える学習装置。
【請求項3】
前記混雑の度合は、前記撮影画像において前記かごを除く被撮影物が映る総領域の、前記撮影画像の全体領域に対する割合である、請求項１または２に記載の学習装置。
【請求項4】
前記時期は、日時、時間帯、曜日、および季節、の少なくともいずれかを含む、請求項１または２に記載の学習装置。
【請求項5】
前記温度は、前記かご内の温度、前記エレベータの乗場の温度、および、前記エレベータの設置場所の屋外の温度、の少なくともいずれかを含む、請求項１または２に記載の学習装置。
【請求項6】
前記湿度は、前記かご内の湿度、前記エレベータの乗場の湿度、および、前記エレベータの設置場所の屋外の湿度、の少なくともいずれかを含む、請求項１または２に記載の学習装置。
【請求項7】
前記データセットは、前記撮影時の前記かご内の照明の度合を示す情報をさらに含む、請求項１または２に記載の学習装置。
【請求項8】
前記照明の度合は、前記撮影画像から推定されたものである、請求項７に記載の学習装置。
【請求項9】
前記データセットは、さらに、前記かごに乗車している台車の有無を示す台車情報を含む、請求項１または２に記載の学習装置。
【請求項10】
前記台車情報は、前記撮影画像を解析することにより得られる、請求項９に記載の学習装置。
【請求項11】
１または複数の情報処理装置が実行する学習方法であって、
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記混雑を許容する時間の長さとを含むデータセットに対して、前記かごの乗車人数が適正であることを示す正解データが対応付けられた教師データを取得する取得ステップと、
前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習ステップと、を含む学習方法。
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記混雑を許容する時間の長さとを含むデータセットに対して、前記かごの乗車人数が適正であることを示す正解データが対応付けられた教師データを取得する取得ステップと、
前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習ステップと、を含む学習方法。
【請求項12】
１または複数の情報処理装置が実行する学習方法であって、
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記エレベータが設置されている建物で行われているイベントを示すイベント情報とを含むデータセットに対して、前記かごの乗車人数が適正であることを示す正解データが対応付けられた教師データを取得する取得ステップと、
前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習ステップと、を含む学習方法。
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記エレベータが設置されている建物で行われているイベントを示すイベント情報とを含むデータセットに対して、前記かごの乗車人数が適正であることを示す正解データが対応付けられた教師データを取得する取得ステップと、
前記教師データを用いて学習を行うことにより、前記撮影時点における前記かごの乗車人数の適否を判定するための判定モデルを生成する学習ステップと、を含む学習方法。
【請求項13】
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記エレベータが設置されている建物で行われているイベントを示すイベント情報とを含む判定用データセットを取得する取得部と、
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方と前記イベント情報とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備える判定装置。
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方と前記イベント情報とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備える判定装置。
【請求項14】
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む判定用データセットを取得する取得部と、
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備え、
前記取得部による前記取得および前記判定部による前記判定を、所定周期で行う、判定装置。
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備え、
前記取得部による前記取得および前記判定部による前記判定を、所定周期で行う、判定装置。
【請求項15】
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む判定用データセットを取得する取得部と、
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備え、
前記環境情報は、温度および湿度の少なくとも一方である温度湿度を含み、
前記取得部による前記取得および前記判定部による前記判定を、前記温度湿度の単位時間当たりの変動率が所定閾値を超えたときに行う、判定装置。
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備え、
前記環境情報は、温度および湿度の少なくとも一方である温度湿度を含み、
前記取得部による前記取得および前記判定部による前記判定を、前記温度湿度の単位時間当たりの変動率が所定閾値を超えたときに行う、判定装置。
【請求項16】
エレベータのかごが出発階を出発する直前に前記かご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、当該撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における当該撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記かごが前記出発階から次の停止階へ移動する移動時間の長さと、を含む判定用データセットを取得する取得部と、
前記かご内を撮影して得られた撮影画像から推定された前記混雑情報と、当該撮影の時期を示す時期情報、および、前記環境における当該撮影時の環境情報との少なくとも一方と、前記混雑を許容する時間の長さと、を含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備える判定装置。
前記かご内を撮影して得られた撮影画像から推定された前記混雑情報と、当該撮影の時期を示す時期情報、および、前記環境における当該撮影時の環境情報との少なくとも一方と、前記混雑を許容する時間の長さと、を含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定部と、を備える判定装置。
【請求項17】
前記出発階と前記停止階との間に前記かごが常時停止しない階床が存在する場合、前記判定用データセットに含まれる前記移動時間から、前記かごが前記階床を通過する時間を減じることにより、当該移動時間を補正する補正部をさらに備え、
前記判定部は、前記補正後の前記移動時間を含む前記判定用データセットを前記判定モデルに入力する、請求項１６に記載の判定装置。
前記判定部は、前記補正後の前記移動時間を含む前記判定用データセットを前記判定モデルに入力する、請求項１６に記載の判定装置。
【請求項18】
前記混雑の度合は、前記撮影画像において前記かごを除く被撮影物が映る総領域の、前記撮影画像の全体領域に対する割合である、請求項１３から１７のいずれか１項に記載の判定装置。
【請求項19】
前記時期は、日時、時間帯、曜日、および季節、の少なくともいずれかを含む、請求項１３から１７のいずれか１項に記載の判定装置。
【請求項20】
前記温度は、前記かご内の温度、前記エレベータの乗場の温度、および、前記エレベータの設置場所の屋外の温度、の少なくともいずれかを含む、請求項１３から１７のいずれか１項に記載の判定装置。
【請求項21】
前記湿度は、前記かご内の湿度、前記エレベータの乗場の湿度、および、前記エレベータの設置場所の屋外の湿度、の少なくともいずれかを含む、請求項１３から１７のいずれか１項に記載の判定装置。
【請求項22】
前記学習用データセットおよび前記判定用データセットは、前記撮影時の前記かご内の照明の度合を示す情報をさらに含む、請求項１３から１７のいずれか１項に記載の判定装置。
【請求項23】
前記照明の度合は、前記撮影画像から推定されたものである、請求項２２に記載の判定装置。
【請求項24】
前記学習用データセットおよび前記判定用データセットは、前記エレベータが設置されている建物で行われているイベントを示すイベント情報をさらに含む、請求項１４から１７のいずれか１項に記載の判定装置。
【請求項25】
前記学習用データセットおよび前記判定用データセットは、前記かごに乗車している台車の有無を示す台車情報をさらに含む、請求項１３から１７のいずれか１項に記載の判定装置。
【請求項26】
前記台車情報は、前記撮影画像を解析することにより得られる、請求項２５に記載の判定装置。
【請求項27】
前記取得部による前記取得および前記判定部による前記判定を、前記かごが出発階を出発する直前に行う、請求項１３に記載の判定装置。
【請求項28】
利用者により登録された行先階を前記エレベータの複数台の号機のいずれかに割り当てる群管理制御装置であって、
前記かごの各々の乗車人数が、前記かごの仕様情報に基づいて予め設定された最大許容乗車人数を超えないように前記号機の各々の運行を制御し、
請求項１３から１７のいずれか１項に記載の判定装置により、所定数以上の前記かごの前記乗車人数が不適と判定された場合、前記最大許容乗車人数の設定値を減じる、群管理制御装置。
前記かごの各々の乗車人数が、前記かごの仕様情報に基づいて予め設定された最大許容乗車人数を超えないように前記号機の各々の運行を制御し、
請求項１３から１７のいずれか１項に記載の判定装置により、所定数以上の前記かごの前記乗車人数が不適と判定された場合、前記最大許容乗車人数の設定値を減じる、群管理制御装置。
【請求項29】
前記最大許容乗車人数の設定値が初期値より小さい場合において、現在時刻が所定時間帯に至った場合、前記最大許容乗車人数の設定値を、前記初期値以下の範囲で増加させる、請求項２８に記載の群管理制御装置。
【請求項30】
前記最大許容乗車人数の設定値が初期値より小さい場合において、前記環境情報が所定条件を満たした場合、前記最大許容乗車人数の設定値を、前記初期値以下の範囲で増加させる、請求項２８に記載の群管理制御装置。
【請求項31】
１または複数の情報処理装置が実行する判定方法であって、
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記エレベータが設置されている建物で行われているイベントを示すイベント情報とを含む判定用データセットを取得する取得ステップと、
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方と前記イベント情報とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含む判定方法。
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記エレベータが設置されている建物で行われているイベントを示すイベント情報とを含む判定用データセットを取得する取得ステップと、
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方と前記イベント情報とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含む判定方法。
【請求項32】
１または複数の情報処理装置が実行する判定方法であって、
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む判定用データセットを取得する取得ステップと、
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含み、
前記取得ステップにおける前記取得および前記判定ステップにおける前記判定を、所定周期で行う、判定方法。
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む判定用データセットを取得する取得ステップと、
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含み、
前記取得ステップにおける前記取得および前記判定ステップにおける前記判定を、所定周期で行う、判定方法。
【請求項33】
１または複数の情報処理装置が実行する判定方法であって、
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む判定用データセットを取得する取得ステップと、
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含み、
前記環境情報は、温度および湿度の少なくとも一方である温度湿度を含み、
前記取得ステップにおける前記取得および前記判定ステップにおける前記判定を、前記温度湿度の単位時間当たりの変動率が所定閾値を超えたときに行う、判定方法。
エレベータのかご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、前記撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における前記撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、を含む判定用データセットを取得する取得ステップと、
前記混雑情報と前記時期情報および前記環境情報の少なくとも一方とを含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含み、
前記環境情報は、温度および湿度の少なくとも一方である温度湿度を含み、
前記取得ステップにおける前記取得および前記判定ステップにおける前記判定を、前記温度湿度の単位時間当たりの変動率が所定閾値を超えたときに行う、判定方法。
【請求項34】
１または複数の情報処理装置が実行する判定方法であって、
エレベータのかごが出発階を出発する直前に前記かご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、当該撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における当該撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記かごが前記出発階から次の停止階へ移動する移動時間の長さと、を含む判定用データセットを取得する取得ステップと、
前記かご内を撮影して得られた撮影画像から推定された前記混雑情報と、当該撮影の時期を示す時期情報、および、前記環境における当該撮影時の環境情報との少なくとも一方と、前記混雑を許容する時間の長さと、を含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含む判定方法。
エレベータのかごが出発階を出発する直前に前記かご内を撮影して得られた撮影画像から推定された前記かご内の混雑の度合を示す混雑情報と、当該撮影の時期を示す時期情報、並びに、前記エレベータが設置されている環境における当該撮影時の天候、温度、および湿度の少なくともいずれかを示す環境情報の少なくとも一方と、前記かごが前記出発階から次の停止階へ移動する移動時間の長さと、を含む判定用データセットを取得する取得ステップと、
前記かご内を撮影して得られた撮影画像から推定された前記混雑情報と、当該撮影の時期を示す時期情報、および、前記環境における当該撮影時の環境情報との少なくとも一方と、前記混雑を許容する時間の長さと、を含む学習用データセットと、前記かごの乗車人数が適正であることを示す正解データとの関係を学習することにより生成された判定モデルに、前記判定用データセットを入力することにより、前記かごの乗車人数の適否を判定する判定ステップと、を含む判定方法。