可扩展实时铁路重新调度的范围限制:探索性研究
本研究针对火车服务中断频繁发生的问题,设计了一个基于强化学习和动态模拟的自动化火车调度系统,系统能够快速生成优化的火车交通时间表,测试结果表明该系统能在数分钟内生成整个线路的优化时间表。
Jan, 2022
通过推断来自移动数据(MD)的现实乘客移动性以促进行时重新调整列车时刻表、路线站点和滚动库存分配的深度强化学习(DRL)框架
Aug, 2023
火车时刻表重新调度的研究中,通过基于强化学习的方法,设计了一个简单的有向图来表示问题,并利用图神经网络自动提取信息状态;通过改变解决方案的构建过程,使得决策模型与问题规模解耦合,确保生成方案的可行性;为模型设计了一个学习课程来处理不同程度延误的情况;并且提出了一个简单的局部搜索方法,显著提高了解决方案的质量,实验结果证明了该方法在解决各种不同程度火车延误和规模问题时比手工规则和现有解决方法具有更好的性能。
Jan, 2024
使用标准化的基于两列火车的冲突的特征选择,我们提出了一个列车重新调度算法,作为强化学习框架的输入。通过设计相对应的观测空间和使用分析方法解决列车间的冲突,我们得到了有意义的观测数据,可以在强化学习框架下形成一个可行的车辆调度政策。
Apr, 2022
我们提出了一个有效的约束编程模型以解决在散装货物港口中的排程问题,涉及到分割长列车、通过传送机构将散装物料传输到库堆,并能处理异构数据和有效地找到 24 小时排程。
Dec, 2023
本文使用深度图卷积神经网络模型对荷兰铁路公司列车单元调遣问题进行了研究,为了提高本问题的计算效率,将神经网络模型和局部搜索启发算法相结合,提高了解决方案的预测准确率和决策速度。
Jul, 2019
该研究通过 Flatland 竞赛评估了多种协调机制来解决运输网络中的车辆重新调度问题,评估了使用多智能体强化学习等协调机制解决此问题的可行性并提出了优化方案。
Mar, 2021
本文介绍了一种基于混合整数线性规划模型的 “EXPRES 框架”,可解释资源调度方案中未能满足某些参与者首选项的原因,并且该框架通过在 J.P. Morgan 内部的用户研究中表明,当考虑员工排班情景时,EXPRES 产生的解释被员工比人工生成的解释更喜欢。
Mar, 2022
HyperSched 是一种动态应用程序级资源调度器,用于在超参数搜索中跟踪、识别并优先分配资源以最大化准确性,并利用试验耗尽性、逐渐可辨认的排名以及时空限制等三个特性,优于标准超参数搜索算法。
Jan, 2020
本文介绍了在道路网络上提供实时拼车服务,并保证等待时间和服务时限的大规模实时拼车问题。作者提出了分支限界算法和整数规划算法,并且提出了一种更适应动态请求的动态调度算法,从而在上海出租车数据集上进行实验,并证明了此算法比其他算法响应时间更快。
Feb, 2013