Robust train timetabling based on realized operations: a data-driven prediction-optimization framework

Ping Huang

doi:10.1016/j.tre.2026.104923

Robust train timetabling based on realized operations: a data-driven prediction-optimization framework

2026-05-01

0

PRE

AI

DOI：10.1016/j.tre.2026.104923

原文链接

原文求助

摘要

En 中文

列车时刻表中的恢复时间作为吸收列车延误和阻碍延误传播的主要资源。考虑到列车延误和延误传播的随机性，列车时刻表应具备鲁棒性以尽可能减少延误和阻碍延误传播。列车运行数据反映了已发布时刻表的性能，使我们能够基于该性能进行优化。本研究提出了一种考虑列车延误和延误传播的列车运行过程优化框架，从数据驱动角度优化列车时刻表。所提出的模型包含三个组成部分：描述因车辆接驳或乘客导致的始发站初始延误分布（ID）模型、包含分布和预测模型以分别描述列车延误增加和减少的延误传播（DP）模型，以及用于优化时刻表中恢复时间分配的深度强化学习（DRL）模型。该模型旨在最大化预期列车延误减少量，同时满足列车运行安全和基础设施占用约束。DRL模型通过在模拟环境中贪婪探索并与ID和DP模型持续交互，实现最大回报/目标。基于中国高速铁路的运营数据和已发布时刻表的真实案例（规模多样）用于评估所提出模型的性能。通过比较分析评估已发布时刻表、最优解、实用规则/启发式方法以及其他广泛使用的数据驱动时刻表优化模型的性能。实验结果表明，所提出的模型平均较已发布时刻表、最佳实用规则/启发式方法和最佳数据驱动时刻表优化模型分别提升了23.8%、10.5%和30.5%，且与最优解的平均差距小于5.3%。最后，所提出的模型能够快速计算包含100多列车的时刻表（6秒内完成），展示了其高效率与适用性。

Keyword:

Robust train timetabling

Recovery times

Train delays

Realized operations

Data-driven approaches

Robust train timetabling based on realized operations: a data-driven prediction-optimization framework

摘要

期刊

机构

引用论文