基於優化的列車重新調度模型，用於城市和城際中斷網絡的鐵路運營數字化

核心概念

本文提出了一種基於優化的列車重新調度模型，通過識別鐵路網絡中的重要節點並簡化網絡，以應對城市和城際中斷網絡中的列車調度問題。

摘要

研究目標：

本研究旨在開發一種基於優化的列車重新調度模型，用於解決城市和城際中斷網絡中的列車調度問題。

方法：

該研究提出了一種兩階段方法：

1. 重要節點識別： 考慮網絡拓撲結構和乘客需求，識別鐵路網絡中的重要節點。
2. 列車重新調度優化模型： 開發一個基於整數規劃的列車重新調度模型，並使用 CPLEX 求解器對其進行求解。

主要發現：

• 該方法在伊朗鐵路網絡（一個稀疏鐵路網絡）的案例研究中顯示出有效性，由於每個區段的列車頻率較低，因此與初始列車時刻表的偏差很小。
• 在擁擠的測試網絡中，調整後的模型顯著縮短了計算時間，最高可達 88%。

主要結論：

• 該研究提出的方法可以有效地管理整個鐵路網絡的列車中斷。
• 識別重要節點和簡化網絡可以顯著提高計算效率。
• 允許列車佔用相反軌道和考慮車站基礎設施容量等實際特徵提高了模型的適用性。

研究意義：

本研究為鐵路運營數字化和中斷管理做出了貢獻，提供了一種基於優化的列車重新調度方法，該方法考慮了實際網絡特徵並提高了計算效率。

局限性和未來研究：

• 該模型假設中斷僅發生在區段中，未考慮節點中斷。
• 未考慮不同類型列車（例如貨運列車）的特定特徵。
• 未考慮乘客延誤和中斷造成的經濟損失。

統計資料

伊朗鐵路包括 12,652 公里的單線區段和 1,426 公里的雙線區段。
德黑蘭-庫姆區段約佔總行程的 40%。
120 分鐘的中斷時間會導致 155 分鐘的延誤。
調整後的模型在擁擠的測試網絡中將計算時間縮短了 88%。

引述

從以下內容提煉的關鍵洞見

Digitalizing Railway Operations: An Optimization-Based Train Rescheduling Model for Urban and Interurban Disrupted Networks

by Shayan Bafan... 於 arxiv.org 11-25-2024

https://arxiv.org/pdf/2411.14671.pdf

深入探究

如何將該模型擴展到考慮多類型列車和更複雜的中斷場景？

該模型可以通過以下方式擴展到考慮多類型列車和更複雜的中斷場景：
1. 多類型列車：

引入列車類型參數： 在模型中添加一個新的參數集，用於表示不同類型的列車，例如高速列車、貨運列車、區間車等。
區分列車速度和停站時間： 為每種類型的列車設定不同的速度和最小停站時間參數，以反映其運行特性。
考慮列車優先級： 根據列車類型設定優先級，例如高速列車優先於貨運列車，並在模型約束中體現。
區分車輛容量和乘客需求： 為每種類型的列車設定不同的車輛容量，並根據乘客出行需求，區分不同類型列車的乘客需求。
2. 更複雜的中斷場景：

多區段中斷： 將中斷場景擴展到多個區段同時或依次發生中斷的情況，並更新相應區段的可用時間和容量。
部分中斷： 考慮區段並非完全中斷，而是部分線路或設備受損的情況，例如單線雙向通行或限速運行，並更新相應區段的容量和運行時間。
動態中斷： 將中斷的發生時間、持續時間和影響範圍設定為動態變化的參數，並根據實時信息更新模型。
考慮列車編組和解編： 對於需要在中途站進行編組和解編的列車，需要在模型中添加相應的約束條件，例如最短編解時間、站台容量等。
3. 模型求解：

採用更先進的優化算法： 針對擴展後的模型規模和複雜度，可以採用更先進的優化算法，例如啟發式算法、元啟發式算法等，以提高求解效率。
分階段求解策略： 將複雜問題分解成多個子問題，並採用分階段求解策略，例如先確定列車運行順序，再優化列車時刻表。

在實際應用中，如何實時收集和更新模型所需的數據？

在實際應用中，可以通過以下方式實時收集和更新模型所需的數據：
1. 數據來源：

列車自動控制系統 (ATC)： 實時獲取列車位置、速度、運行狀態等信息。
車站自動售檢票系統 (AFC)： 收集乘客進出站信息，估算車站客流量。
鐵路基礎設施監測系統： 監測軌道、信號、供電等基礎設施的狀態，及時發現故障和異常。
氣象信息系統： 獲取實時氣象信息，預測惡劣天氣對鐵路運營的影響。
人工輸入： 對於突發事件和人工操作，可以通過人工輸入的方式更新相關數據。
2. 數據傳輸：

無線通信技術： 例如 4G/5G、WiFi、ZigBee 等，實現數據的無線傳輸。
有線通信技術： 例如光纖通信、以太網等，提供可靠的數據傳輸通道。
3. 數據處理和更新：

數據預處理： 對原始數據進行清洗、過濾、轉換等處理，確保數據的準確性和一致性。
數據融合： 將來自不同來源的數據進行整合，形成完整的數據视图。
實時數據庫： 將處理後的數據存儲在實時數據庫中，方便模型調用和更新。
數據更新機制： 建立數據更新機制，根據數據的時效性和重要程度，設定不同的更新頻率。
4. 數據安全和隱私保護：

數據加密： 對敏感數據進行加密處理，防止數據泄露。
訪問控制： 設定數據訪問權限，限制未授權用戶訪問敏感數據。
數據脫敏： 對公開數據進行脫敏處理，保護乘客隱私。

除了最小化總行程時間外，還有哪些其他目標可以納入模型中，例如最小化乘客延誤或優化能源消耗？

除了最小化總行程時間外，還可以考慮以下目標：
1. 最小化乘客延誤：

考慮乘客數量： 根據不同車次、區段的乘客數量，設定不同的延誤權重，重點關注客流量大的車次和區段。
區分乘客類型： 針對不同乘客類型，例如通勤乘客、長途乘客等，設定不同的延誤敏感度，並在目標函數中體現。
考慮換乘影響： 對於需要換乘的乘客，將換乘等待時間納入延誤計算，並盡量減少換乘次數和等待時間。
2. 優化能源消耗：

考慮列車牽引能耗： 根據列車運行速度、加速度、線路坡度等因素，計算列車牽引能耗，並通過優化列車運行曲線，降低能耗。
再生制動能量利用： 考慮列車再生制動能量的回收利用，並通過優化列車運行圖，最大限度地利用再生制動能量。
優化列車编组： 根據客流量，動態調整列車编组，避免車輛空駛，降低能耗。
3. 其他目標：

最大化運營利潤： 在滿足安全和服務水平的前提下，通過優化列車時刻表、票價策略等，最大化鐵路運營利潤。
提高服務公平性： 盡量平衡不同地區、不同乘客群體的服務水平，避免出現服務差異過大的情況。
提升系統可靠性： 在列車時刻表中預留一定的緩衝時間，提高系統應對突發事件的能力。
4. 多目標優化：

設定目標權重： 根據實際需求，設定不同目標的權重，例如將乘客延誤最小化作為首要目標，同時兼顧能源消耗和運營成本。
採用多目標優化算法： 例如帕累托最優解、目標規劃等，求解多目標優化問題，找到滿足多個目標的均衡解。
需要注意的是，不同的目標之间可能存在冲突，例如最小化乘客延誤和最小化能源消耗，因此需要根据实际情况进行权衡和取舍。