National Transport Library Research Database

KAJT - Maskininlärningsbaserat beslutsstöd för tågtrafikledning vid störningar: En experimentell studie (MATRIX) (Machine learning based decision support for railway traffic control during disturbances : an experimental study (MATRIX))

Sponsors, duration, budget: Trafikverket ; 2023-01-01 -- 2024-04-30 Registration number:
  • Trafikverket 2022/67441
Subject(s): Online resources: Abstract: På järnväg är det ofta inte möjligt att helt undvika störningar i realtid. Ett stört tåg kan lätt sprida sin försening till andra tåg, vilket resulterar i minskad tågpunktlighet och betydande samhällsekonomiska kostnader. Vid störningar är det viktigt att effektivt prioritera tåg, lösa potentiella konflikter i tågtidtabellen och snabbt komma fram till en omplanerad tidtabell enligt infrastrukturförvaltarens (IMs) mål. För närvarande hanteras denna uppgift manuellt av trafikledare. Problemet med omläggning av tågtidtabeller är vanligtvis svårt att lösa även för moderna datorer. Att lösa det kräver att man utforskar många alternativa beslut om omplanering och att man snabbt kan hitta en tillräckligt bra lösning i realtid baserat på IMs mål. Två huvudsakliga lösningsmetoder inom datavetenskap som används för att lösa verkliga problem är traditionella och maskininlärning (ML) metoder. I ett traditionellt tillvägagångssätt är en dator programmerad att göra olika beräkningar på indata för att lösa problemet och generera lösningen som utdata. I ett ML-tillvägagångssätt använder en dator indata och förväntade utdata för att själv lära sig hur man löser problemet utan att vara explicit programmerad. Inlärningsprocessen resulterar i en ML-modell/-program, som hjälper till att ta datadrivna beslut i framtiden med hjälp av sin inlärda erfarenhet. ML-metoder har fått anmärkningsvärd uppmärksamhet de senaste åren. De har visat sig fungera bra inom transport och många andra problemdomäner, oberoende eller i kombination med traditionella metoder, för att ta itu med komplexa schemaläggningsproblem och få bättre lösningar. Detta projekt syftar till att förbättra beslutsstödet för effektiv konfliktlösning vid störningar genom att ta fram en ML-modell. Den utvecklade ML-modellen kommer att kunna hjälpa trafikledare att lösa en konflikt vid störningar genom att föreslå att tåget ska prioriteras (tillsammans med en konfidenspoäng). Modellen kommer att användas i kombination med en omschemaläggningsalgoritm utvecklad vid BTH (2016–2021) för att snabba upp den och fatta datadrivna beslut. Vi kommer att bedöma den utarbetade modellen, med hjälp av olika störningar på ett svenskt järnvägsnät, genom att utvärdera kvaliteten på de omlagda tidtabellerna som erhållits genom att följa modellens förslag.Abstract: In railways, it is often not possible to avoid real-time disturbances altogether. A disturbed train may easily spread its delay to other trains, resulting in reduced train punctuality and substantial socio-economic costs. During disturbances, it is important to effectively prioritize trains, resolve the potential conflicts in the train timetable and quickly arrive at a rescheduled timetable as per the infrastructure manager's (IM's) goals. Currently, this task is handled manually by traffic controllers. The train timetable rescheduling problem is typically hard to solve even for modern computers. Solving it requires exploring many alternative rescheduling decisions and quickly finding a good- enough solution in real-time based on the IM's goals. Two main solution approaches in computer science used to solve real-world problems are traditional and machine learning (ML) approaches. In a traditional approach, a computer is programmed to do various computations on input data to solve the problem and generate the solution as output. In an ML approach, a computer uses input data and expected outputs to learn by itself how to solve the problem at hand without being explicitly programmed. The learning process results in an ML model/program, which helps to make data-driven decisions in the future using its learned experience. ML approaches have received remarkable attention in recent years. They have been shown to work well in transportation and many other problem domains, independently or in combination with traditional approaches, to tackle complex scheduling problems and get better solutions. This project aims to improve decision support for effective conflict resolution during disturbances by devising an ML model. The developed ML model will be able to assist traffic controllers in resolving a conflict during disturbances by suggesting the train to be prioritized (along with a confidence score). The model will be used in combination with a rescheduling algorithm developed at BTH (2016–2021) to speed it up and make data-driven decisions. We will assess the devised model, using various disturbances on a Swedish railway network, by evaluating the quality of the rescheduled timetables obtained by following the model's suggestions.
Item type: