车站受扰后重排进路:3RO先固定再按需松绑,180秒内多数算例严格优于完整MILP
核心概要
列车运行受扰后,车站需要在有限时间内重新安排进路、站台和时刻。3RO框架先用按进路分别训练的预测模型固定预计仍稳定的进路,再在不可行时释放少量固定、在可行后按列车交互关系释放更多固定以找回替代进路。在真实车站的226个扰动算例上,180秒预算内它在56.7%的全部算例和77.4%的困难算例上得到严格优于无约束MILP的当前最好解。
深度剖析
车站区域实时重排不再只靠一次性预测固定进路,而是在求解过程中保留调整固定集合的能力。 此前的学习式缩减把预测为稳定的进路直接固定后交给优化器,缩减后的模型若不可行或丢掉更好的替代进路,就没有后续补救。 在226个真实车站扰动算例上,180秒预算内3RO在56.7%的全部算例和77.4%的困难算例上得到严格优于无约束MILP的当前最好解,含平局时约83%不劣于后者。
框架把在线过程分成缩减、修复、精化和优化四步,每一步只改动进路选择这一组0-1变量。 缩减阶段用离线训练的Scoper为每条名义进路单独选择分类器类别和判定阈值,把预测为稳定的进路固定为名义值,其余时刻、顺序和偏差变量仍由MILP求解。 修复阶段用全局修复模型最小化被释放的固定数,平均释放2.86个固定;精化阶段释放与取消或正等待、停站延长列车相邻的固定,在困难算例上使71.9%的算例终端解优于不做精化的2RO变体。
启示与展望
结论来自德国铁路网一座八站台车站的六小时时刻表,扰动为道岔故障和站台关闭两类,评估算例覆盖约20%的车站基础设施位置。方法面向需要在秒级到分钟级给出可行运行计划的车站调度场景,离线训练依赖用原MILP在相对最优间隙容差和一小时时限内求得的参考解。
进路稳定性标签取自单一参考解,若存在其他最优或近最优进路方案,被使用的进路可能被标为不稳定。释放模式取决于所选修复策略,不同的最小基数释放集合会留下不同的固定并影响后续解质量。3600秒无约束MILP解仍是有限时间内的当前最好解,长时限对照衡量的是解质量随时间的变化而非与全局最优的距离。
