延误场景下列车速度曲线与动态调度联合优化方法

来源：交通运输系统工程与信息杂志2025年第1期北京时间：

作者：林俊亭, 李茂林, 邱晓辉

单位：兰州交通大学，自动化与电气工程学院，兰州730070

摘要：为使发生延误的高速列车能够快速恢复正常运营，同时满足停车精度、准时性、节能性及调度实时性等多方面的要求，综合考虑一体化模型在平衡多个目标时面临的多重非线性约束问题，以及非一体化模型需分别求解多个独立模型的局限性，本文提出一种列车动态调度与速度曲线的联合优化方法。首先，基于参考系统的约束，应用集成内在好奇心模块和优先经验回放机制的双决斗深度强化学习算法(Intrinsic Curiosity Module Prioritized Experience Replay Dueling Double Deep Q-Network, ICM-PER-D3QN)优化列车速度曲线模型，保证列车的停车精度、准时性和节能性，并将此数据用作联合模型训练的基础；其次，采用ICM-PER-D3QN算法求解列车的动态调度模型，缓解列车延误并确保调度的实时性；最后，基于列车在站间区间的运行信息，使用集成长短期记忆网络的卷积神经网络完成列车速度曲线与动态调度的联合。实验环境选择京沪高铁的一段下行线路，设置3组延误场景验证所提方法的有效性。仿真结果表明，在联合优化模型下，列车的平均调度时长为0.92s，列车动态调度结果与速度曲线的平均匹配度为98.89%，平均匹配时长为0.0014s。此外，相较于仅基于动态调度模型的未优化速度曲线，平均牵引能耗降低了9%，平均总延误时间降低了6.38%。

关键词：铁路运输,联合方法,深度学习,速度曲线,动态调度,')">强化学习

基金资助：国家自然科学基金(52162050)。