列车运行实绩数据驱动的高速铁路晚点传播机理及恢复理论

High-speed train delays will decrease the quality of transport service and affect the capacity utilization ratio, and thus will go against to reflect the advantage of high-reliable of high-speed trains. Exploring the delay rules and its propagation mechanism, and enhancing the delay recovery capacity of the timetable are the key issues required to be addressed for improving the efficiency and quality of high-speed train dispatching. However, there is relative lack of studies on the procedure and mechanism of delay propagation, and as a result, lots of optimal methods of train operation management can hardly effect in practice. In this project, combining with macroscopic rules and microscopic mechanisms, based on the real-world operation records of high-speed trains, data-driven methods are applied to study the problems of delay propagation and recovery. Then, delay distribution rules are investigated, and clustering methods are used to classify the delays. The measurement and prediction of delay severity due to different types of delays are carried out, subsequently. Next, using the Long Short-Term Memory (LSTM) in deep learning, models that reveal both the macroscopic rules and microscopic mechanisms of delay propagation on horizontal and vertical are established. To obtain the delay recovery effectiveness and identify the key trains, sections, and stations, the Convolutional Neural Network (CNN) is used in this project. Finally, a buffer time optimization model based on Deep Reinforcement Learning (DRL) is proposed to maximize the delay recovery capacity and to increase the buffer time effectiveness. This research contributes to the state-of-the-art of intelligent dispatching of high-speed rail, enriching the theories of timetabling and train operation adjustment.

列车晚点将降低铁路运输服务质量，影响通过能力利用率，不利于高速铁路优势的发挥。解析列车晚点规律及传播机理、增强晚点恢复能力是提高高速铁路调度指挥效率和质量需解决的关键问题。目前对高速列车晚点传播过程及机理的研究相对缺乏，大量行车组织优化方法难以应用于调度指挥实践。本项目基于列车运行实绩，宏观规律与微观机理研究相结合，运用数据驱动方法研究高速列车晚点传播与恢复理论。探明晚点分布规律，对高速列车晚点类型进行聚类，提出高速列车晚点分类-影响程度度量及预测的方法；构建晚点传播深度学习长短记忆神经网络模型，揭示高速列车晚点横向、纵向传播的宏观规律和微观机理；运用深度学习卷积神经网络提取晚点恢复系数，识别关键列车、区间和车站；建立基于晚点恢复能力最大化的冗余时间优化深度强化学习模型，提高冗余时间运用效率。预期成果将能够丰富高速铁路列车运行图编制和调度指挥理论，为实现高速铁路调度指挥智能化提供理论支撑。

列车晚点将降低铁路运输服务质量，影响通过能力利用率，不利于高速铁路优势的发挥。解析列车晚点规律及传播机理、增强晚点恢复能力是提高高速铁路调度指挥效率和质量需解决的关键问题。目前对高速列车晚点传播过程及机理的研究相对缺乏，大量行车组织优化方法难以应用于调度指挥实践。. 本项目基于高速列车运行实绩，宏观规律探索与微观机理研究相结合，运用数据驱动方法建立晚点传播模型，揭示列车晚点的横向和纵向传播机理。. 本项目运用大数据、人工智能等技术，从晚点分布规律出发，分别研究晚点时间轴传播机理、晚点空间轴传播机理以及晚点时空传播机理。探明了晚点分布规律，对高速列车晚点类型进行了聚类研究，提出了高速列车晚点分类-影响程度度量及预测的方法；构建了晚点传播深度学习长短记忆神经网络模型，揭示了高速列车晚点横向、纵向传播的宏观规律和微观机理；建立了基于晚点恢复能力最大化的冗余时间优化深度强化学习模型，提高冗余时间运用效率。. 本项目所完成的主要创新性工作包括： 基于数据驱动方法研究列车晚点时间轴传播机理及预测模型;基于数据驱动方法研究列车晚点空间轴传播机理及预测模型;同时考虑列车晚点时间轴和空间轴传播效应，建立故障宏观影响预测模型; 基于潜在进路冲突，考虑待预测列车和不同线路上运行列车的相互作用，构建多线衔接站到达晚点预测模型; 考虑动车组车底周转和潜在进路冲突，提出了一种名为TLF-net的混合神经网络模型用于预测列车始发晚点; 结合异质图神经网络框架和GraphSAGE同质图神经网络构建了一种名为SAGE-Het且可以处理不同属性节点的异质图神经网络模型，考虑运行列车、终到列车、通过站和终到站为四种不同类型的节点，通过预测网络中运行列车的晚点研究了网络晚点状态的演化。本项目也研究了高速列车晚点分级理论，高速铁路降雨条件下的调度决策理论，晚点分类预测等关键问题。. 预期成果将能够丰富高速列车晚点传播理论和调度指挥理论，为实现高速铁路调度指挥智能化提供理论支撑。